Slack分析每位使用者的工作习惯与团队互动关联，能自动挑选出10则重要未读讯息

Slack位于纽约的搜寻、学习与智慧部门（Search, Learning & Intelligence，SLI）近日公布一项新功能Highlights，能够自动帮助使用者挑出10则重要的未读讯息，透过分析使用者与他人的互动和使用习惯，预测使用者最可能点击的对话讯息或是较困难的技术问题，不过这项功能只提供给付费的使用者。

2013年创立的Slack原本是一家游戏公司在打造游戏时所使用的内部通讯工具，该款游戏已淡出市场，而Slack却造成无心插柳柳成荫的结果，成为市场上最受欢迎的企业协作工具。

根据麦肯锡的预测，知识型的工作者每天花费大约28%的时间在处理数位讯息，因此，Slack企图协助使用者在工作上，能够更快速跟上未读取的讯息，且有效率地掌握最重要的资讯，推出一系列的新功能，Highlights只是Slack的第一步，未来还会从使用者不常读取的群组中，挑选中重要的讯息和摘要内容较长讯息。

在所有未读的讯息中，Slack会依照每位使用者平时使用Slack的习惯，略过一些使用者有一段时间未读的群组，初步挑选出较重要的讯息，由于对每位使用者重要的讯息不同，Slack采用个人化的预测模型，预测哪一则讯息是该使用者比较有可能点击、分享和回复的讯息。

为了要做这些预测，SLI团队在Slack中建立将网络沟通高度结构化的工作关联图（Work Graph），可以撷取使用者与他人重要的关联，像是使用者最常对话的群组、使用的档案和应用程序。这样的作法和Google记录网络关联图（Web Graph）来强化搜寻、Facebook记录社群关联图（Social Graph）来增强动态消息一样，Slack建立使用者与团队之间知识的连结，透过Log档了解每则讯息的关联。另外，Slack也强调，收集这些资讯只会用来强化Highlights的功能，并不会将资料用在广告行销，或是卖给第三方的厂商。

为了方便理解和容易解释，Slack认为，机器学习还在较早期的阶段，而倾向于使用简单的模型来产生分析结果，使用者的关联问题，Slack采用逻辑回归的分析方法（Logistic Regression）来分析使用者和讯息之间的关联，在关联式数据库的设计中，将每位使用者所包含的特定类型资讯列为一列（Tuple），像是上百个从讯息的发送者、内容、群组、回复和互动等撷取出来的统计资讯属性，回归的结果是各属性权重的阵列，就能透过逻辑函数产生介于0到1的值，再将产生的值转译为一个特定使用者可能会回复特定讯息的概率。

这个问题其实非常复杂，最大的困难在于要在使用者点进去讯息前预测才有用，由于大多数的使用者在Slack中，只参与一小部分的讯息，导致原本使用回归的模型产生类别不平衡问题（Class Imbalance Problems），会使得分类器在训练时产生偏差，Slack表示，分类的结果Negative的数量远远超过Positive，而不重要讯息的模型则是将每则讯息预测为No，为了解决这样的问题，达到高度准确率评估真实的值（Ground Truth），Slack采用许多验证的技术，像是用分层抽样的方式当作训练集。

个人化模型的部分，Slack则是挑选出每位使用者在一个团队中，不同的属性权重，事实上，Slack表示，要训练这么多的模型，他们拥有的数据太少，因此，Slack将相同行为的使用者归为同一类，加入从工作图中得到的每位使用者特定的属性，来训练每个团队中整合的模型。

为了预测使用者回复特定讯息的可能性，Slack还预测讯息传送者和接收者的人际关系，来当作帮助使用者接收到讯息时，挑选重要讯息的依据。除此之外，也因为人际关系的预测模式，若是与使用者关系较亲近的同事已经回复某个特定群组，Slack也会将此讯息视为重要讯息。