کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4972467 1451045 2017 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Geography of online network ties: A predictive modelling approach
ترجمه فارسی عنوان
جغرافیا روابط شبکه های آنلاین: رویکرد مدل سازی پیش بینی شده
کلمات کلیدی
جغرافیا، ارتباط آنلاین شبکه، فاصله روانی، مدل سازی پیش بینی کننده آنالیز خوشه ای،
ترجمه چکیده
سیستم عامل های اینترنتی به طور فزاینده ای را قادر می سازند افراد را به دسترسی و ارتباط برقرار کردن با یک گروه گسترده تر، به طور جهانی پراکنده از همسالان. وعده این سیستم عامل این است که فاصله جغرافیایی دیگر مانع تشکیل روابط شبکه نیست. با این حال، آیا این سیستم عامل واقعا نفوذ فاصله جغرافیایی را کاهش می دهد هنوز کشف نشده است. در این مطالعه، نقش فاصله جغرافیایی با رویکرد یادگیری ماشین را با استفاده از یک مجموعه داده های منحصر به فرد از روابط شبکه بین معامله گران در یک پلت فرم تجارت الکترونیکی آنلاین بررسی می کنیم. به طور خاص، ما تعیین می کنیم که در مقایسه با سایر انواع فاصله ها، فاصله جغرافیایی وقایع مربوط به روابط شبکه در کشور را پیش بینی می کند. با استفاده از تجزیه و تحلیل خوشه ای و مدل سازی پیش بینی شده، نشان می دهیم که نه تنها فاصله جغرافیایی و روابط شبکه ارتباطی معکوس دارد بلکه فاصله جغرافیایی قوی ترین پیش بینی کننده چنین روابط است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر سیستم های اطلاعاتی
چکیده انگلیسی
Internet platforms are increasingly enabling individuals to access and interact with a wider, globally dispersed group of peers. The promise of these platforms is that the geographic distance is no longer a barrier to forming network ties. However, whether these platforms truly alleviate the influence of geographic distance remains unexplored. In this study, we examine the role of geographic distance with machine learning approach using a unique dataset of the network ties between traders in an online social trading platform. Specifically, we determine the extent to which, compared to other types of distances, geographic distance predicts the occurrences of the network ties in country dyads. Using cluster analysis and predictive modelling, we show that not only the geographic distance and network ties exhibit an inverse association but also that geographic distance is the strongest predictor of such ties.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Decision Support Systems - Volume 99, July 2017, Pages 9-17
نویسندگان
, , ,