Slack分析每位使用者的工作習慣與團隊互動關聯，能自動挑選出10則重要未讀訊息

Slack位於紐約的搜尋、學習與智慧部門（Search, Learning & Intelligence，SLI）近日公布一項新功能Highlights，能夠自動幫助使用者挑出10則重要的未讀訊息，透過分析使用者與他人的互動和使用習慣，預測使用者最可能點擊的對話訊息或是較困難的技術問題，不過這項功能只提供給付費的使用者。

2013年創立的Slack原本是一家遊戲公司在打造遊戲時所使用的內部通訊工具，該款遊戲已淡出市場，而Slack卻造成無心插柳柳成蔭的結果，成為市場上最受歡迎的企業協作工具。

根據麥肯錫的預測，知識型的工作者每天花費大約28%的時間在處理數位訊息，因此，Slack企圖協助使用者在工作上，能夠更快速跟上未讀取的訊息，且有效率地掌握最重要的資訊，推出一系列的新功能，Highlights只是Slack的第一步，未來還會從使用者不常讀取的群組中，挑選中重要的訊息和摘要內容較長訊息。

在所有未讀的訊息中，Slack會依照每位使用者平時使用Slack的習慣，略過一些使用者有一段時間未讀的群組，初步挑選出較重要的訊息，由於對每位使用者重要的訊息不同，Slack採用個人化的預測模型，預測哪一則訊息是該使用者比較有可能點擊、分享和回覆的訊息。

為了要做這些預測，SLI團隊在Slack中建立將網路溝通高度結構化的工作關聯圖（Work Graph），可以擷取使用者與他人重要的關聯，像是使用者最常對話的群組、使用的檔案和應用程式。這樣的作法和Google記錄網路關聯圖（Web Graph）來強化搜尋、Facebook記錄社群關聯圖（Social Graph）來增強動態消息一樣，Slack建立使用者與團隊之間知識的連結，透過Log檔了解每則訊息的關聯。另外，Slack也強調，收集這些資訊只會用來強化Highlights的功能，並不會將資料用在廣告行銷，或是賣給第三方的廠商。

為了方便理解和容易解釋，Slack認為，機器學習還在較早期的階段，而傾向於使用簡單的模型來產生分析結果，使用者的關聯問題，Slack採用邏輯迴歸的分析方法（Logistic Regression）來分析使用者和訊息之間的關聯，在關聯式資料庫的設計中，將每位使用者所包含的特定類型資訊列為一列（Tuple），像是上百個從訊息的發送者、內容、群組、回覆和互動等擷取出來的統計資訊屬性，迴歸的結果是各屬性權重的陣列，就能透過邏輯函數產生介於0到1的值，再將產生的值轉譯為一個特定使用者可能會回覆特定訊息的機率。

這個問題其實非常複雜，最大的困難在於要在使用者點進去訊息前預測才有用，由於大多數的使用者在Slack中，只參與一小部分的訊息，導致原本使用迴歸的模型產生類別不平衡問題（Class Imbalance Problems），會使得分類器在訓練時產生偏差，Slack表示，分類的結果Negative的數量遠遠超過Positive，而不重要訊息的模型則是將每則訊息預測為No，為了解決這樣的問題，達到高度準確率評估真實的值（Ground Truth），Slack採用許多驗證的技術，像是用分層抽樣的方式當作訓練集。

個人化模型的部分，Slack則是挑選出每位使用者在一個團隊中，不同的屬性權重，事實上，Slack表示，要訓練這麼多的模型，他們擁有的數據太少，因此，Slack將相同行為的使用者歸為同一類，加入從工作圖中得到的每位使用者特定的屬性，來訓練每個團隊中整合的模型。

為了預測使用者回覆特定訊息的可能性，Slack還預測訊息傳送者和接收者的人際關係，來當作幫助使用者接收到訊息時，挑選重要訊息的依據。除此之外，也因為人際關係的預測模式，若是與使用者關係較親近的同事已經回覆某個特定群組，Slack也會將此訊息視為重要訊息。