Machine Learning Algorithm Miner 16 milliarder e-mails

Elektronisk post spiller en enormt vigtig rolle i livet for en stor del af verdens befolkning. Og alligevel ved man mærkeligt nok lidt om den måde, folk bruger e-mail på. Hvor mange e-mail-samtaler har folk? Hvor lange er disse samtaler, og hvordan ender de? Og hvordan påvirker mængden af ​​indgående post folks adfærd?

I dag får vi svar på en række spørgsmål som disse takket være arbejdet fra forskere ved Yahoo Labs i Barcelona og Californien og ved University of Southern California. Disse fyre har studeret adfærdsmønstre i en database med 16 milliarder e-mails udvekslet mellem to millioner mennesker over flere måneder. Vi mener, at vores er den første storstilede analyse af e-mail-samtaler, siger de.

Det viser sig, at e-mail-mønstre er så pålidelige, at en maskinlæringsalgoritme på forhånd kan forudsige, hvor længe et svar sandsynligvis vil vare, og hvornår en e-mail-samtale sandsynligvis slutter. Det er information, der kan spille en vigtig rolle i den næste generation af e-mail-systemer.

Det er let at forestille sig, at computerantropologer må have søgt i store e-maildatabaser for at bestemme virkningen af ​​denne relativt nye form for beskeder på almindelig livsstil.

Ikke så. De relativt få gennemførte undersøgelser er lavet på små stikprøver af e-mails og resulteret i relativt simple opdagelser. Disse omfatter det faktum, at nogle mennesker svarer på e-mails i den rækkefølge, de ankommer, mens andre vælger og vælger det vigtigste at svare på først.

For at afhjælpe dette hul i vores viden, studerer Farshad Kooti ved University of Southern California og venner en database med 16 milliarder e-mails i Yahoo Mail fra folk, der havde accepteret at tillade, at deres data blev brugt til forskning.

Fordi meget af de e-mails, folk modtager, er spam eller genereres automatisk, valgte teamet kun de e-mails, der er blevet sendt mellem to personer i en samtale, der varer mindst fem udvekslinger.

Disse 16 milliarder e-mails kom fra e-mail-konti hos to millioner unikke brugere og inkluderede kun e-mail fra kommercielle domæner og fra andre Yahoo-brugere, der havde tilmeldt sig undersøgelsen. Af disse 16 milliarder blev 187 millioner e-mails udvekslet mellem par af brugere i datasættet. Det var i det væsentlige dem, der var af interesse.

Forskerne var derefter i stand til at studere den statistiske karakter af denne form for parvis kommunikation ved hjælp af information som afsender-id, modtager-id, afsendelsestid, e-mailens emne, e-mailens brødtekst og antallet af vedhæftede filer.

For at sikre privatlivets fred anonymiserede forskerne afsendere og modtagere, og ingen mennesker analyserede indholdet af e-mail-kroppene. I stedet brugte forskerne algoritmer til at udtrække statistik fra e-mail-legemerne, såsom deres længde, antallet af e-mail-id'er i en tråd, og så videre.

Holdet grupperede e-mails mellem enkeltpersoner, hvis de delte den samme emnelinje, (alle undtagen én ville starte med Re:) og bestilte beskederne efter deres tidsstempel.

De undersøgte derefter forskellige funktioner i disse e-mail-kæder, såsom den tid det tager at besvare en e-mail, længden af ​​svaret samt hvordan disse faktorer varierer i henhold til afsenderens alder og køn og så videre .

Resultaterne giver interessant læsning. Det viser sig, at yngre mennesker sender hurtigere og kortere svar, og at mænd sender lidt hurtigere og kortere svar end kvinder.

Skrivetidspunktet er også en faktor. Vi fandt ud af, at brugerne svarer hurtigere på e-mails modtaget i hverdage og i arbejdstiden, og at svar har en tendens til at blive kortere senere på dagen og i weekenden, siger Kooti og co.

Og mobile enheder har også en indflydelse. Svar fra mobile enheder var hurtigere og kortere end fra desktops, og e-mails uden vedhæftede filer fik typisk hurtigere svar, siger de.

Et stadig vigtigere fænomen er overbelastning af e-mail. Kooti og co fandt ud af, at efterhånden som folk modtager flere e-mails, øger de hastigheden, hvormed de svarer, men ikke nok til at kompensere for den højere belastning.

Med andre ord, efterhånden som folk bliver mere overbelastede, svarer de på en mindre del af indkommende e-mails med kortere svar. Men deres reaktionsevne forblev intakt og kan endda være hurtigere, siger forskerne.

Holdet så også på forskellene mellem en e-mail og dens svar, såsom antallet af brugte ord og tiden mellem svarene. Interessant nok bliver svar mere ens i løbet af den første halvdel af en e-mail-samtale, både i svartid og længde. Men alt det ændrer sig efter midten af ​​truslen, når svaradfærden bliver mere og mere anderledes.

Disse mønstre gjorde det muligt for teamet at bygge en maskinlæringsalgoritme for at få øje på de forskellige stadier af e-mail-samtaler og forudsige, hvornår de sandsynligvis slutter. De trænede denne algoritme til at forudsige tid og længde af svar, og om en e-mail var den sidste i tråden.

Og selvom disse forudsigelser ikke er perfekte, er de gode nok til at have indflydelse på den måde, e-mail-systemer kan designes på i fremtiden. Evnen til præcist at forudsige, hvilke beskeder en bruger vil svare på, kan bruges af e-mail-klienter til at rangere e-mails i brugernes indbakke efter deres svarprioritet, og dermed hjælpe med at lette byrden af ​​overbelastning af information, siger teamet.

Det er interessant arbejde, der kan hjælpe med at bestemme, hvordan algoritmer håndterer vores e-mails i fremtiden. Alt, der med fordel hjælper med at lette byrden af ​​overbelastning af e-mail, kan blive en vigtig del af det skjulte kommunikationsbureaukrati.

Yahoo har en klar interesse i denne form for arbejde, så det er overraskende, at denne form for undersøgelse er blevet lavet for første gang nu. Med lidt held vil processen med at indarbejde disse resultater i fremtidige e-mail-systemer ikke tage ret lang tid.

Ref: a rxiv.org/abs/1504.00704 : Evolution of Conversations in the Age of E-mail Overload

skjule