L'algoritmo di apprendimento automatico estrae 16 miliardi di e-mail

La posta elettronica svolge un ruolo estremamente importante nella vita di una larga parte della popolazione mondiale. Eppure, stranamente, si sa poco del modo in cui le persone usano la posta elettronica. Quante conversazioni di posta elettronica hanno le persone? Quanto durano queste conversazioni e come finiscono? E in che modo il volume della posta in arrivo influisce sul comportamento delle persone?

Oggi abbiamo una risposta a una serie di domande come queste grazie al lavoro dei ricercatori di Yahoo Labs a Barcellona e California e all'Università della California meridionale. Questi ragazzi hanno studiato modelli di comportamento in un database di 16 miliardi di e-mail scambiate tra due milioni di persone nell'arco di diversi mesi. Crediamo che la nostra sia la prima analisi su larga scala delle conversazioni e-mail, dicono.

Si scopre che i modelli di posta elettronica sono così affidabili che un algoritmo di apprendimento automatico può prevedere in anticipo quanto tempo durerà una risposta e quando è probabile che una conversazione di posta elettronica finisca. Si tratta di informazioni che potrebbero svolgere un ruolo importante nella prossima generazione di sistemi di posta elettronica.

È facile immaginare che gli antropologi computazionali debbano aver studiato a fondo vasti database di posta elettronica per determinare l'impatto di questa forma relativamente nuova di messaggistica sugli stili di vita ordinari.

Non così. I relativamente pochi studi completati sono stati condotti su piccoli campioni di e-mail e hanno portato a scoperte relativamente semplici. Questi includono il fatto che alcune persone rispondono alle e-mail nella sequenza in cui arrivano mentre altre scelgono e scelgono per prime le più importanti a cui rispondere.

Per colmare questa lacuna nelle nostre conoscenze, Farshad Kooti della University of Southern California e i suoi amici studiano un database di 16 miliardi di e-mail in Yahoo Mail di persone che avevano acconsentito a consentire l'utilizzo dei propri dati per la ricerca.

Poiché gran parte delle e-mail che le persone ricevono è spam o viene generata automaticamente, il team ha scelto solo quelle e-mail che sono state inviate tra due persone in una conversazione della durata di almeno cinque scambi.

Questi 16 miliardi di e-mail provenivano dagli account di posta elettronica di due milioni di utenti unici e includevano solo e-mail provenienti da domini commerciali e da altri utenti Yahoo che avevano aderito alla ricerca. Di questi 16 miliardi, 187 milioni di e-mail sono state scambiate tra coppie di utenti nel set di dati. Questi erano essenzialmente quelli di interesse.

I ricercatori sono stati quindi in grado di studiare la natura statistica di questa forma di comunicazione a coppie utilizzando informazioni come l'ID mittente, l'ID destinatario, l'ora di invio, l'oggetto dell'e-mail, il corpo dell'e-mail e il numero di allegati.

Per garantire la privacy, i ricercatori hanno reso anonimi mittenti e destinatari e nessun essere umano ha analizzato il contenuto dei corpi di posta elettronica. Invece, i ricercatori hanno utilizzato algoritmi per estrarre statistiche dai corpi delle e-mail, come la loro lunghezza, il numero di ID e-mail in un thread e così via.

Il team ha raggruppato le e-mail tra le persone se condividevano la stessa riga dell'oggetto (tutte tranne una inizierebbero con Re:) e ha ordinato i messaggi in base al loro timestamp.

Hanno quindi studiato varie caratteristiche di queste catene di e-mail, come il tempo necessario per rispondere a un'e-mail, la lunghezza della risposta e come questi fattori variano in base all'età e al sesso del mittente e così via .

I risultati costituiscono una lettura interessante. Si scopre che i giovani inviano risposte più veloci e più brevi e che gli uomini inviano risposte leggermente più veloci e più brevi rispetto alle donne.

Anche il tempo di scrittura è un fattore. Abbiamo scoperto che gli utenti rispondono più velocemente alle e-mail ricevute durante i giorni feriali e l'orario di lavoro e che le risposte tendono a diventare più brevi nel corso della giornata e nei fine settimana, affermano Kooti e co.

E anche i dispositivi mobili hanno un impatto. Le risposte dai dispositivi mobili erano più veloci e più brevi rispetto ai desktop e le e-mail senza allegati in genere ricevevano risposte più rapide, dicono.

Un fenomeno sempre più importante è il sovraccarico della posta elettronica. Kooti e co hanno scoperto che quando le persone ricevono più e-mail, aumentano la velocità con cui rispondono, ma non abbastanza per compensare il carico maggiore.

In altre parole, man mano che le persone diventano più sovraccariche, rispondono a una frazione più piccola delle e-mail in arrivo con risposte più brevi. Tuttavia, la loro reattività è rimasta intatta e potrebbe anche essere più veloce, affermano i ricercatori.

Il team ha anche esaminato le differenze tra un'e-mail e la sua risposta, come il numero di parole utilizzate e il tempo tra le risposte. È interessante notare che durante la prima metà di una conversazione e-mail, le risposte diventano più simili, sia in termini di tempo di risposta che di lunghezza. Tuttavia, tutto ciò cambia dopo la metà della minaccia quando il comportamento di risposta diventa sempre più diverso.

Questi modelli hanno consentito al team di creare un algoritmo di apprendimento automatico per individuare le varie fasi delle conversazioni e-mail e prevedere quando è probabile che finiscano. Hanno addestrato questo algoritmo per prevedere il tempo e la durata delle risposte e se un'e-mail fosse l'ultima nel thread.

E sebbene queste previsioni non siano perfette, sono abbastanza buone da avere un impatto sul modo in cui i sistemi di posta elettronica potrebbero essere progettati in futuro. La capacità di prevedere con precisione a quali messaggi risponderà un utente può essere utilizzata dai client di posta elettronica per classificare le e-mail nella posta in arrivo degli utenti in base alla priorità di risposta, aiutando così ad alleviare il carico del sovraccarico di informazioni, afferma il team.

Questo è un lavoro interessante che potrebbe aiutare a determinare il modo in cui gli algoritmi gestiranno le nostre e-mail in futuro. Tutto ciò che aiuta utilmente ad alleviare il carico di sovraccarico della posta elettronica potrebbe diventare una parte importante della burocrazia nascosta della comunicazione.

Yahoo ha un chiaro interesse per questo tipo di lavoro, quindi è sorprendente che questo tipo di studio sia stato condotto per la prima volta. Con un po' di fortuna, il processo di incorporazione di questi risultati nei futuri sistemi di posta elettronica non richiederà molto tempo.

Rif: a rxiv.org/abs/1504.00704 : Evoluzione delle conversazioni nell'era del sovraccarico di posta elettronica

nascondere