Mô hình dữ liệu:

  + User: gồm UID và các thuộc tính như giới tính, ngày sinh, số điện thoại, ngày đăng ký

  + Event: gồm hành động, thời gian, vị trí GPS, loại tương tác

  + EventCase: chuỗi hành động liên quan đến một tiến trình (ví dụ: đặt lịch khám)

• Các bước xử lý:
•   + Tính độ tương đồng giữa các EventCase bằng cách kết hợp:
•     * So khớp hành động (Activity Matcher)
•     * So khớp vị trí (Location Matcher)
•     * So khớp thời gian (Timestamp)
•   + Phân cụm EventCase bằng phương pháp phân cụm phân cấp (AHC)
•   + Tạo hồ sơ người dùng bằng cách phân cụm người dùng dựa trên các EventCase
•   + Phát hiện scalper bằng cách phân tích hồ sơ người dùng có hành vi bất thường
• Hồ sơ scalper điển hình:
•   + Tần suất đặt lịch cao
•   + Tỷ lệ thành công cao
•   + Không xem thông tin bác sĩ
•   + Không xem hồ sơ bệnh nhân
•   + Không đánh giá sau khám
• Thử nghiệm thực tế:
•   + Dữ liệu từ ứng dụng Qu Yi Yuan tại bệnh viện ở Vũ Hán
•   + 5.907 người dùng, 398.764 sự kiện
•   + Phát hiện 320 tài khoản nghi ngờ là scalper (~5%)
•   + Độ chính xác đạt 90% khi kiểm tra thủ công 50 tài khoản
• Đóng góp:
•   + Phương pháp tự động hóa phát hiện scalper từ dữ liệu hành vi
•   + Có thể mở rộng sang mạng xã hội, game online, hệ thống đặt vé