Machine Learning Algoritm bryter 16 miljarder e-postmeddelanden

Elektronisk post spelar en oerhört viktig roll i livet för en stor del av världens befolkning. Och ändå, konstigt nog, är lite känt om hur människor använder e-post. Hur många e-postkonversationer har folk? Hur långa är dessa samtal och hur slutar de? Och hur påverkar volymen av inkommande post människors beteende?

Idag får vi svar på en rad frågor som dessa tack vare arbetet från forskare vid Yahoo Labs i Barcelona och Kalifornien och vid University of Southern California. Dessa killar har studerat beteendemönster i en databas med 16 miljarder e-postmeddelanden som utbytts mellan två miljoner människor under flera månader. Vi tror att vår är den första storskaliga analysen av e-postkonversationer, säger de.

Det visar sig att e-postmönster är så tillförlitliga att en maskininlärningsalgoritm i förväg kan förutsäga hur långt ett svar sannolikt kommer att ta och när en e-postkonversation sannolikt kommer att avslutas. Det är information som kan spela en viktig roll i nästa generations e-postsystem.

Det är lätt att föreställa sig att beräkningsantropologer måste ha letat i stora e-postdatabaser för att fastställa vilken effekt denna relativt nya form av meddelanden har på vanliga livsstilar.

Inte så. De relativt få genomförda studierna har gjorts på små urval av e-postmeddelanden och resulterat i relativt enkla upptäckter. Dessa inkluderar det faktum att vissa personer svarar på e-postmeddelanden i den ordning de kommer medan andra väljer och väljer det viktigaste att svara på först.

För att råda bot på denna lucka i vår kunskap studerar Farshad Kooti vid University of Southern California och vänner en databas med 16 miljarder e-postmeddelanden i Yahoo Mail från personer som hade gått med på att tillåta att deras data används för forskning.

Eftersom mycket av den e-post som människor får är spam eller genereras automatiskt, valde teamet bara de e-postmeddelanden som har skickats mellan två individer i en konversation som varar i minst fem utbyten.

Dessa 16 miljarder e-postmeddelanden kom från e-postkonton för två miljoner unika användare och inkluderade endast e-post från kommersiella domäner och från andra Yahoo-användare som hade valt att delta i undersökningen. Av dessa 16 miljarder utbyttes 187 miljoner e-postmeddelanden mellan par av användare i datamängden. Dessa var i huvudsak de av intresse.

Forskarna kunde sedan studera den statistiska karaktären av denna form av parvis kommunikation med hjälp av information som avsändar-ID, mottagar-ID, skickad tid, e-postämne, e-postmeddelandets brödtext och antalet bilagor.

För att säkerställa integriteten anonymiserade forskarna avsändare och mottagare och ingen människa analyserade innehållet i e-postkropparna. Istället använde forskarna algoritmer för att extrahera statistik från e-postkropparna, såsom deras längd, antalet e-post-ID i en tråd och så vidare.

Teamet grupperade e-postmeddelanden mellan individer om de delade samma ämnesrad, (alla utom en skulle börja med Re:) och ordnade meddelandena enligt deras tidsstämpel.

De studerade sedan olika egenskaper hos dessa e-postkedjor, såsom tiden det tar att svara på ett e-postmeddelande, längden på svaret samt hur dessa faktorer varierar beroende på avsändarens ålder och kön och så vidare .

Resultaten ger intressant läsning. Det visar sig att yngre skickar snabbare, kortare svar och att män skickar något snabbare och kortare svar än kvinnor.

Tidpunkten för att skriva är också en faktor. Vi fann att användare svarar snabbare på e-postmeddelanden som tas emot under vardagar och arbetstid, och att svaren tenderar att bli kortare senare på dagen och på helgerna, säger Kooti och co.

Och mobila enheter har också en inverkan. Svar från mobila enheter var snabbare och kortare än från stationära datorer, och e-postmeddelanden utan bilagor fick vanligtvis snabbare svar, säger de.

Ett allt viktigare fenomen är e-postöverbelastning. Kooti och co fann att när människor får fler e-postmeddelanden ökar de svarshastigheten men inte tillräckligt mycket för att kompensera för den högre belastningen.

Med andra ord, när människor blir mer överbelastade svarar de på en mindre del av inkommande e-postmeddelanden med kortare svar. Men deras lyhördhet förblev intakt och kan till och med vara snabbare, säger forskarna.

Teamet tittade också på skillnaderna mellan ett e-postmeddelande och dess svar, såsom antalet använda ord och tiden mellan svaren. Intressant nog, under den första hälften av en e-postkonversation, blir svaren mer lika, både i svarstid och längd. Men allt det förändras efter mitten av hotet när svarsbeteendet blir allt mer annorlunda.

Dessa mönster gjorde det möjligt för teamet att bygga en maskininlärningsalgoritm för att upptäcka de olika stadierna av e-postkonversationer och förutsäga när de sannolikt tar slut. De tränade denna algoritm för att förutsäga tid och längd på svar och om ett e-postmeddelande var det sista i tråden.

Och även om dessa förutsägelser inte är perfekta, är de tillräckligt bra för att ha en inverkan på hur e-postsystem kan utformas i framtiden. Förmågan att exakt förutsäga vilka meddelanden en användare kommer att svara på kan användas av e-postklienter för att rangordna e-postmeddelanden i användarnas inkorg efter deras svarsprioritet, vilket hjälper till att underlätta bördan av informationsöverbelastning, säger teamet.

Det är intressant arbete som kan hjälpa till att avgöra hur algoritmer hanterar våra e-postmeddelanden i framtiden. Allt som på ett användbart sätt hjälper till att lätta bördan av överbelastning av e-post kan bli en viktig del av den dolda kommunikationsbyråkratin.

Yahoo har ett tydligt intresse för denna typ av arbete så det är förvånande att denna typ av undersökning har gjorts för första gången nu. Med lite tur kommer processen att införliva dessa fynd i framtida e-postsystem inte att ta så lång tid.

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

Dölj