模型應用在體驗評估中的實踐演講人1模型應用在體驗評估中的實踐2模型在體驗評估中的核心價值：從“模糊感知”到“精準洞察”3模型應用中的挑戰(zhàn)與應對：在“效率”與“人文”之間尋找平衡目錄01模型應用在體驗評估中的實踐模型應用在體驗評估中的實踐引言：體驗評估的時代命題與模型賦能在數字經濟深度滲透的當下，用戶體驗（UserExperience,UX）已成為產品與服務競爭力的核心維度。從電商平臺的轉化率到智能設備的用戶黏性，從在線教育的內容吸收效率到醫(yī)療健康的服務滿意度，體驗評估貫穿于用戶生命周期的每一個觸點。然而，傳統體驗評估方法正面臨前所未有的挑戰(zhàn)：主觀調研的樣本偏差難以覆蓋長尾用戶，人工分析的海量反饋易陷入“數據沼澤”，靜態(tài)評估難以捕捉用戶動態(tài)變化的情感與行為需求。在此背景下，以數據驅動為核心的模型技術，為體驗評估帶來了從“經驗判斷”到“科學量化”、從“事后反饋”到“實時預測”的范式革新。模型應用在體驗評估中的實踐作為一名深耕用戶體驗領域的研究者與實踐者，我曾在多個項目中親歷模型對體驗評估的顛覆性賦能——通過構建用戶行為路徑模型，我們精準定位了某金融APP注冊流程中“身份證識別失敗”的關鍵痛點；借助情感分析模型，我們將數萬條客服對話轉化為可量化的“憤怒指數”與“期待關鍵詞”；利用預測模型，我們提前預警了某智能硬件因續(xù)航焦慮導致的用戶流失風險。這些實踐讓我深刻認識到：模型不僅是體驗評估的“工具箱”，更是連接用戶需求與產品優(yōu)化的“翻譯器”與“導航儀”。本文將結合行業(yè)實踐，系統梳理模型在體驗評估中的核心價值、典型應用場景、實踐流程與挑戰(zhàn)，并展望未來發(fā)展方向，為從業(yè)者提供一套可落地的方法論框架。02模型在體驗評估中的核心價值：從“模糊感知”到“精準洞察”模型在體驗評估中的核心價值：從“模糊感知”到“精準洞察”體驗評估的本質，是透過用戶行為與情感表象，挖掘其背后的真實需求與痛點。傳統評估方法（如問卷調研、焦點小組、用戶訪談）依賴人工解讀，存在樣本量有限、主觀偏差大、反饋周期長等局限。而模型技術的引入，通過算法對多源異構數據的深度挖掘，實現了評估維度的“全面性”、評估結果的“客觀性”與評估過程的“動態(tài)性”，重構了體驗評估的價值鏈條。1數據驅動的深度洞察：突破傳統調研的“樣本繭房”傳統體驗評估常陷入“小樣本推斷大群體”的邏輯困境——例如，通過1000份問卷得出的用戶滿意度結論，可能因樣本分布偏差（如過度覆蓋年輕用戶）而失真。模型技術則通過整合全域用戶數據（行為日志、交互記錄、生理信號、文本反饋等），構建“全量數據樣本庫”，實現從“抽樣調研”到“普查分析”的跨越。以某在線教育平臺為例，其早期依賴課程完成率（僅20%）判斷內容質量，但通過構建用戶行為序列模型（如點擊流、暫停點、回放次數），發(fā)現“30%的用戶在5分鐘內退出”并非內容枯燥，而是“視頻字幕加載過慢”的技術問題——這一結論僅通過局部訪談難以發(fā)現，而模型通過對10萬+用戶行為數據的模式識別，精準定位了隱藏在“完成率”之下的體驗痛點。2客觀量化的評估基準：消解人工解讀的“主觀迷霧”用戶體驗的“好”與“壞”本質上是一種主觀感知，但模型可通過建立量化指標體系，將其轉化為可測量、可比較的客觀標準。例如，在情感分析模型中，用戶評論中的“卡頓”“難用”“失望”等詞匯被賦予負面情感權重，結合上下文語義（如“雖然卡頓但功能實用”的轉折邏輯），計算出的“情感極性得分”比人工分類更精準；在眼動追蹤模型中，用戶的“瞳孔擴散面積”“注視點分布熱力圖”被量化為“認知負荷指數”，直接反映界面設計的復雜度對用戶心理的影響。某電商曾因“紅色按鈕是否更吸引點擊”與設計團隊爭論不休，最終通過A/B測試與點擊預測模型驗證：在同類場景中，紅色按鈕的點擊率僅比藍色高2%，但用戶的“猶豫時長”（從看到按鈕到點擊的時間）增加15%，說明紅色雖顯眼但可能引發(fā)決策壓力——這一量化結論為設計優(yōu)化提供了客觀依據。2客觀量化的評估基準：消解人工解讀的“主觀迷霧”1.3動態(tài)優(yōu)化的閉環(huán)機制：實現“評估-反饋-迭代”的實時響應傳統體驗評估多為“階段式”工作（如季度調研、年度復盤），難以支撐產品快速迭代的需求。模型技術則通過構建“實時監(jiān)測-異常預警-策略優(yōu)化”的閉環(huán)系統，使體驗評估成為動態(tài)演進的過程。以某出行APP為例，其通過構建用戶體驗質量（QoE）預測模型，實時接入GPS定位、訂單狀態(tài)、司機服務評分等數據，當模型監(jiān)測到“某區(qū)域用戶‘叫車響應時間’超過均值2個標準差”時，自動觸發(fā)預警機制，后臺系統同步推送“該區(qū)域司機缺口信息”并調度附近車輛；同時，用戶反饋中的“等待時間長”文本會被情感分析模型歸類為“高頻痛點”，驅動產品團隊優(yōu)化“預估到達時間”算法——這一閉環(huán)機制使該區(qū)域的用戶投訴率在72小時內下降40%。2客觀量化的評估基準：消解人工解讀的“主觀迷霧”二、模型在體驗評估中的典型應用場景：覆蓋用戶全旅程的“洞察網絡”體驗評估的核心是“以用戶為中心”，而用戶旅程（UserJourney）的每個觸點（認知、考慮、使用、忠誠、推薦）均存在可模型化的評估維度。結合行業(yè)實踐，以下場景中模型的應用已形成相對成熟的方法論體系。1用戶反饋分析：從“文本噪音”到“結構化知識”用戶反饋（評論、問卷、客服對話、社交媒體吐槽）是體驗評估的“富礦”，但其中80%的信息為非結構化文本，人工分析效率低下且易遺漏關鍵信息。自然語言處理（NLP）模型的應用，實現了從“文本數據”到“結構化知識”的轉化。-情感分析模型：基于預訓練語言模型（如BERT、RoBERTa），結合領域詞典（如電商的“物流、價格、質量”維度，醫(yī)療的“等待時間、醫(yī)生態(tài)度、療效”維度），對文本進行細粒度情感分類。例如，某醫(yī)療健康平臺通過構建“醫(yī)療場景情感分析模型”，將用戶評論“醫(yī)生很耐心，但排隊3小時”拆解為“態(tài)度維度（+1分）”“效率維度（-2分）”，綜合得分為-1分，且“等待時間”被識別為高頻負面關鍵詞——這一結論驅動醫(yī)院優(yōu)化“分時段預約”系統，用戶滿意度提升28%。1用戶反饋分析：從“文本噪音”到“結構化知識”-主題建模（LDA）：通過無監(jiān)督學習挖掘文本中的潛在主題，定位用戶關注的核心問題。某智能硬件廠商在收集到5萬條“智能手環(huán)”反饋后，使用LDA模型發(fā)現“主題1（占比35%）”關鍵詞為“續(xù)航、掉電快、一天一充”，“主題2（占比28%）”為“心率不準、運動數據異?！保瑩藘?yōu)先解決“續(xù)航優(yōu)化”與“心率算法升級”問題，產品退貨率下降18%。-意圖識別模型：針對客服對話、應用內反饋等場景，識別用戶的真實意圖（如“投訴”“建議”“咨詢”），提升問題處理效率。某銀行通過構建“金融客服意圖識別模型”，將用戶問話“我的信用卡為什么刷不了”分類為““賬戶異常（60%）”“額度不足（30%）”“系統故障（10%）”，自動推送對應解決方案，客服平均響應時長從5分鐘縮短至45秒。2行為路徑建模：還原“用戶決策”的隱藏邏輯用戶行為數據（點擊、瀏覽、購買、退出等）是體驗評估的“硬指標”，但孤立的行為片段難以反映用戶的真實決策路徑。行為路徑模型通過序列分析、關聯規(guī)則挖掘等技術，還原用戶從“觸達”到“轉化”的全鏈路行為模式，定位體驗斷點。-漏斗分析模型：結合用戶行為序列數據，構建多維度漏斗模型（如注冊漏斗、購買漏斗、復購漏斗），量化各環(huán)節(jié)轉化率及流失原因。某教育APP在推廣“1元體驗課”時，漏斗模型顯示“注冊-試聽-購買”的轉化率為15%，其中“試聽后72小時內未購買”的用戶占比70%；進一步通過“流失用戶行為聚類模型”，發(fā)現這類用戶的共同行為是“試聽視頻進度＜30%”且“未下載課件”，據此優(yōu)化“試聽課開場引導”與“課件領取提醒”，購買轉化率提升至22%。2行為路徑建模：還原“用戶決策”的隱藏邏輯-馬爾可夫鏈模型：通過計算狀態(tài)轉移概率，識別用戶行為路徑中的“關鍵跳轉節(jié)點”。某電商首頁通過馬爾可夫鏈分析發(fā)現，從“搜索頁”到“商品詳情頁”的跳轉概率為65%，但“詳情頁”到“加入購物車”的跳轉概率僅25%，且30%的用戶在“詳情頁”停留超過2分鐘后直接退出——結合眼動數據，定位原因為“商品詳情頁的‘規(guī)格選擇’按鈕位置隱蔽”，調整后跳轉概率提升至38%。-用戶分群模型（聚類）：基于行為特征（如活躍度、消費能力、功能使用頻率）將用戶劃分為不同群體，實現差異化體驗評估。某視頻平臺通過K-means聚類將用戶分為“高頻追劇族（占比20%）”“間歇觀影族（占比50%）”“內容創(chuàng)作者（占比5%）”“沉默用戶（占比25%）”，針對“高頻追劇族”優(yōu)化“自動播放下一集”功能，針對“沉默用戶”推送個性化內容推薦，月活用戶提升12%。3體驗預測與預警：從“被動響應”到“主動干預”傳統體驗評估多為“事后復盤”，即問題發(fā)生后才介入分析。預測模型通過機器學習算法（如回歸、分類、時間序列），基于歷史數據預測用戶未來的體驗風險，實現“未卜先知”的主動干預。-用戶流失預測模型：整合用戶行為數據（登錄頻率、功能使用時長、投訴次數）、交易數據（消費頻次、客單價變化）、demographic數據（年齡、地域），構建用戶流失風險評分。某SaaS企業(yè)通過XGBoost模型發(fā)現，“連續(xù)3天未登錄”且“最近30天功能使用時長下降50%”的用戶，流失概率高達80%；針對這類用戶，系統自動觸發(fā)“專屬優(yōu)惠券”與“客服一對一回訪”，流失率降低35%。3體驗預測與預警：從“被動響應”到“主動干預”-滿意度預測模型：在用戶使用產品過程中，實時采集交互數據（如操作步驟數、錯誤點擊率、客服求助次數），預測其最終滿意度（如NPS評分）。某政務APP通過構建“實時滿意度預測模型”，當用戶辦理“社保轉移”業(yè)務時，若系統監(jiān)測到“用戶重復輸入信息次數＞5次”或“頁面跳轉次數＞8次”，自動彈出“智能客服引導”提示，避免用戶因操作復雜而給出差評，該業(yè)務的滿意度評分從6.2分（滿分10分）提升至8.5分。-體驗異常檢測模型：通過無監(jiān)督學習（如孤立森林、自編碼器）識別用戶行為中的“異常模式”，預警潛在體驗問題。某在線支付平臺在“雙十一”期間，通過異常檢測模型發(fā)現“某地區(qū)用戶的支付失敗率突然從1%升至8%”，且失敗用戶集中在“使用某型號手機”的群體，定位原因為“該手機系統版本與APP兼容性問題”，緊急發(fā)布補丁后，支付失敗率在2小時內回落至正常水平。4個性化體驗設計：從“千人一面”到“千人千面”體驗評估的終極目標是滿足用戶個性化需求，而推薦系統、A/B測試等模型技術，是實現“個性化體驗”的核心引擎。-推薦系統模型：基于協同過濾（CF）、深度學習（如WideDeep）等算法，為用戶推薦匹配其偏好的內容或功能。某新聞APP通過構建“用戶興趣圖譜模型”，結合用戶的點擊歷史、停留時長、收藏行為，動態(tài)調整信息流內容，使“用戶平均閱讀時長”從8分鐘增至15分鐘，“跳出率”下降25%。-A/B測試與多變量測試模型：通過科學分組（控制組與實驗組）量化不同設計方案的體驗效果，支撐設計決策。某社交平臺在優(yōu)化“發(fā)布按鈕顏色”時，同時測試“紅色（實驗組A）”“藍色（實驗組B）”“漸變色（實驗組C）”三種方案，結合點擊率與發(fā)布完成率兩個指標，通過假設檢驗（t檢驗）驗證“藍色按鈕”的綜合效果最優(yōu)，且用戶反饋“按鈕顏色舒適”的提及率最高。4個性化體驗設計：從“千人一面”到“千人千面”-自適應界面模型：根據用戶行為特征動態(tài)調整界面布局與交互邏輯。某智能電視系統通過“用戶行為聚類模型”，發(fā)現“老年用戶”的“語音搜索使用頻率”是“年輕用戶”的3倍，但“手動輸入錯誤率”高達40%，據此為老年用戶自動切換至“大字體+語音優(yōu)先”的界面模式，老年用戶的日均使用時長提升2小時。三、模型在體驗評估中的實踐流程：從“數據輸入”到“價值輸出”的系統化工程模型在體驗評估中的應用并非簡單的“算法套用”，而是涵蓋數據準備、模型構建、結果解讀、落地迭代的全流程系統工程。結合多個項目實踐，我總結出“四步閉環(huán)工作法”，確保模型評估的科學性與實用性。1明確評估目標：錨定“業(yè)務問題”與“用戶需求”的連接點模型應用的第一步，是避免“為建模而建?！保鑼⒊橄蟮摹绑w驗優(yōu)化”目標轉化為可量化的業(yè)務問題。例如，“提升用戶滿意度”這一目標需細化為“降低注冊流失率”“提高客服首次響應滿意度”等具體指標，明確評估的對象（如新用戶、高頻用戶）、場景（如注冊流程、售后客服）與維度（如效率、易用性、情感）。-目標拆解工具：可采用OKR（目標與關鍵結果）框架，如“O（目標）：提升電商APP用戶體驗；KR1：7日留存率從30%提升至35%；KR2：購物車放棄率從60%降低至50%”。-用戶需求映射：通過用戶訪談、旅程地圖等方法，識別目標場景中的“核心需求”與“痛點閾值”。例如，某外賣平臺在優(yōu)化“配送體驗”時，通過用戶訪談發(fā)現“30分鐘內送達”是用戶的“基本需求閾值”，而“配送員提前聯系”是“驚喜需求”，據此將“配送準時率”與“配送員主動聯系率”作為模型評估的核心指標。2數據準備：構建“多源融合”與“高質量”的數據基礎“Garbagein,garbageout”是模型實踐的黃金法則——數據質量直接決定評估結果的可靠性。體驗評估的數據來源多樣，需整合結構化數據（如用戶ID、行為時間戳、評分）與非結構化數據（如文本、圖像、音頻），并通過清洗、標注、增強等步驟提升數據可用性。-數據采集：-行為數據：通過埋點工具（如友盟、神策數據）采集用戶在產品內的點擊、瀏覽、停留、轉化等行為，需明確事件定義（如“加入購物車”事件的觸發(fā)條件）與屬性字段（如商品ID、價格、優(yōu)惠券信息）。-反饋數據：通過問卷平臺（如問卷星、SurveyMonkey）、客服系統、社交媒體API采集用戶文本反饋，需標注數據來源（如APP評論、微信客服）與時間戳。2數據準備：構建“多源融合”與“高質量”的數據基礎-生理與情境數據：在特定場景下，通過可穿戴設備（如眼動儀、皮電傳感器）采集用戶的生理信號（瞳孔直徑、心率變異性），或通過GPS、設備傳感器采集情境數據（網絡狀態(tài)、使用環(huán)境）。-數據清洗：-缺失值處理：對于關鍵字段（如用戶年齡），若缺失率＜5%，可直接刪除樣本；若缺失率＞20%，可采用均值填充、模型預測（如隨機森林回歸）等方法補全。-異常值處理：通過箱線圖（Z-score＞3或＜-3）、孤立森林等算法識別異常數據（如“用戶在1秒內完成100次點擊”），判斷是“數據錯誤”（如埋點bug）還是“真實行為”（如自動化腳本），再決定刪除或修正。-特征工程：2數據準備：構建“多源融合”與“高質量”的數據基礎-特征構建：基于原始數據衍生新特征，如從“用戶登錄時間”構建“登錄時段”（早/中/晚）、“登錄頻率”（日/周/月）；從“購買記錄”構建“客單價”“復購周期”。-特征選擇：通過相關性分析（Pearson系數）、遞歸特征消除（RFE）等方法篩選與評估目標強相關的特征，避免“維度災難”。例如，在“用戶流失預測”中，“近7天登錄次數”比“注冊時長”更具預測力，可優(yōu)先保留。3.3模型構建與驗證：選擇“適配場景”的算法與“科學嚴謹”的評估指標模型構建的核心是“場景適配”——不同評估目標需選擇不同的算法模型，同時需通過嚴格的驗證確保模型的泛化能力。-算法選擇：2數據準備：構建“多源融合”與“高質量”的數據基礎-分類問題（如滿意度預測、流失預警）：邏輯回歸、XGBoost、LightGBM等可解釋性較強的模型優(yōu)先，便于業(yè)務方理解影響因素；若數據量龐大且特征復雜，可采用深度學習模型（如CNN、LSTM）。-聚類問題（如用戶分群）：K-means、DBSCAN等經典聚類算法適用于數值型數據；若需結合文本數據，可采用主題模型（LDA）與聚類聯用的方法。-序列問題（如行為路徑分析）：馬爾可夫鏈、LSTM-Attention模型可捕捉用戶行為的時序依賴關系。-模型訓練與調優(yōu)：-數據集劃分：按時間順序劃分訓練集（70%）、驗證集（15%）、測試集（15%），避免“未來數據”泄露（如用2023年的數據預測2022年的體驗）。2數據準備：構建“多源融合”與“高質量”的數據基礎-超參數優(yōu)化：通過網格搜索（GridSearch）、貝葉斯優(yōu)化（BayesianOptimization）等方法調整模型超參數（如XGBoost的“學習率”“樹深度”），提升模型性能。-模型驗證：-評估指標：分類問題關注準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1值（F1-Score）；回歸問題關注MAE（平均絕對誤差）、RMSE（均方根誤差）；聚類問題關注輪廓系數（SilhouetteCoefficient）、Calinski-Harabasz指數。-泛化能力檢驗：通過交叉驗證（Cross-Validation）檢驗模型在不同數據子集上的穩(wěn)定性；在測試集上的性能需與訓練集保持一致，避免“過擬合”。2數據準備：構建“多源融合”與“高質量”的數據基礎3.4結果解讀與落地：將“模型輸出”轉化為“業(yè)務行動”模型的價值不在于算法的復雜度，而在于能否驅動業(yè)務決策。結果解讀需兼顧“數據結論”與“業(yè)務洞察”，并通過可視化、場景化落地實現“評估-優(yōu)化”的閉環(huán)。-結果可視化：通過熱力圖（展示用戶行為集中區(qū)域）、折線圖（展示體驗指標趨勢）、?；鶊D（展示用戶路徑流轉）等可視化工具，將抽象的模型輸出轉化為直觀的業(yè)務洞察。例如，某電商通過“用戶流失路徑熱力圖”發(fā)現，“支付頁面的‘優(yōu)惠券使用’按鈕點擊率低”是流失主因，據此優(yōu)化按鈕位置與提示文案。-可解釋性分析：對于“黑盒模型”（如深度學習），可采用SHAP（SHapleyAdditiveexPlanations）、2數據準備：構建“多源融合”與“高質量”的數據基礎LIME（LocalInterpretableModel-agnosticExplanations）等方法解釋單個預測結果的原因（如“用戶A流失的原因是‘近30天未登錄’且‘客服投訴1次’”），或全局特征重要性（如“影響流失的Top3因素：登錄頻率、投訴次數、功能使用時長”）。-落地迭代：基于模型結論制定優(yōu)化方案，并通過A/B測試驗證效果；同時，將新的用戶行為數據反饋至模型，實現“數據-模型-優(yōu)化”的持續(xù)迭代。例如，某銀行通過“滿意度預測模型”發(fā)現“APP登錄流程繁瑣”是差評主因，優(yōu)化后通過A/B測試驗證新流程的滿意度提升15%，再將新流程的用戶行為數據納入模型訓練，進一步提升預測準確性。03模型應用中的挑戰(zhàn)與應對：在“效率”與“人文”之間尋找平衡模型應用中的挑戰(zhàn)與應對：在“效率”與“人文”之間尋找平衡盡管模型為體驗評估帶來了革命性突破，但在實踐中仍面臨數據質量、算法偏見、倫理風險等挑戰(zhàn)。作為從業(yè)者，需以“技術向善”為原則，在追求評估效率的同時，堅守用戶體驗的人文內核。1數據挑戰(zhàn)：解決“數據孤島”與“數據過載”的矛盾體驗評估需整合用戶全旅程數據，但企業(yè)內部常存在“數據孤島”——業(yè)務部門（如運營、客服、技術）的數據分散在不同系統，難以打通；同時，海量數據又帶來“數據過載”，關鍵信息被淹沒。應對策略包括：-構建統一數據中臺：通過數據倉庫（如Snowflake）、數據湖（如AWSS3）等技術整合多源數據，建立標準化的用戶ID體系（如統一設備ID與用戶ID的關聯），實現“全域用戶數據視圖”。-建立數據治理機制：制定數據采集規(guī)范（如埋點文檔標準化）、數據質量監(jiān)控（如實時檢測數據異常）、數據安全管理制度（如用戶數據脫敏），確保數據的“可用性”與“合規(guī)性”。1232算法挑戰(zhàn)：避免“模型偏見”與“過度優(yōu)化”的陷阱模型可能因訓練數據的偏見而放大歧視（如某招聘模型因歷史數據中男性占比高，而傾向于推薦男性候選人），或因過度追求單一指標（如點擊率）而犧牲用戶體驗（如標題黨內容）。應對策略包括：-引入公平性約束：在模型訓練中加入“公平性懲罰項”，如確保不同性別、年齡用戶的流失預測概率差異＜5%；定期審計模型結果，檢測是否存在“群體偏見”。-平衡短期指標與長期價值：將“用戶留存率”“推薦滿意度”等長期指標納入模型優(yōu)化目標，避免“唯KPI論”——例如，某視頻平臺曾因過度推薦“獵奇內容”提升短期點擊率，但導致用戶黏性下降，后通過調整推薦算法的“內容多樣性權重”修復這一問題。3倫理挑戰(zhàn)：在“數據驅動”與“隱私保護”之間劃清邊界體驗評估需大量用戶數據，但過度采集可能侵犯用戶隱私（如位置信息、健康數據）。應對策略包括：-遵循“最小必要”原則：僅采集與評估目標直接相關的數據，如“優(yōu)化配送體驗”無需采集用戶的“通話記錄”；明確告知用戶數據用途，獲取明確授權（如GDPR、個人信息保護法的要求）。-采用隱私計算技術：通過聯邦學習（FederatedLearning）、差分隱私（DifferentialPrivacy）等技術，在保護用戶隱私的前提下進行模型訓練。例如，某醫(yī)療平臺通過聯邦學習整合多家醫(yī)院的用戶數據，訓練“滿意度預測模型”，但原始數據不出院，確?；颊唠[私安全。3倫理挑戰(zhàn)：在“數據驅動”與“隱私保護”之間劃清邊界五、未來趨勢：模型驅動的體驗評估向“智能化”“融合化”“人性化”演進隨著AI技術的快速發(fā)展，模型在體驗評估中的應用將呈現三大趨勢，進一步推動體驗評估從“功能導向”向“價值導向”升級。1多模態(tài)融合：從“單一數據”到“全息感知”當前體驗評估多依賴文本、行為等單一模態(tài)數據，未來將整合文本、語音、圖像、生理信號等多模態(tài)數據，構建“全息用戶畫像”。例如，通過語音情感分析模型識別用戶客服通話中的“憤