Social Graph Ranker

社交图谱排名器

面向网络感知外联的规范化加权图排名层。

当用户需要以下功能时使用此工具：

• 根据内在价值对现有互关或联系人进行排名
• 为目标列表绘制温暖路径
• 衡量跨一度和二度连接的桥梁价值
• 决定哪些目标适合温暖引荐而非直接冷启动外联
• 独立于 lead-intelligence 或 connections-optimizer 理解图谱数学原理

何时独立使用

当用户主要需要排名引擎时选择此技能：

• "我的网络中谁最适合引荐我？"
• "对我的互关进行排名，看谁能帮我联系到这些人"
• "针对此ICP映射我的图谱"
• "展示桥梁数学计算"

当用户真正需要以下功能时，请勿单独使用此技能：

• 完整的潜在客户生成和外联序列 -> 使用 lead-intelligence
• 修剪、重新平衡和扩展网络 -> 使用 connections-optimizer

输入

收集或推断：

• 目标人物、公司或ICP定义
• 用户在X、LinkedIn或两者上的当前图谱
• 权重优先级，如角色、行业、地理位置和响应性
• 遍历深度和衰减容忍度

核心模型

给定：

• T = 加权目标集
• M = 你当前的互关/直接联系人
• d(m, t) = 从互关 m 到目标 t 的最短跳数距离
• w(t) = 来自信号评分的目标权重

基础桥梁分数：

B(m) = Σ_{t ∈ T} w(t) · λ^(d(m,t) - 1)

其中：

• λ 是衰减因子，通常为 0.5
• 直接路径贡献全部价值
• 每增加一跳，贡献减半

二度扩展：

B_ext(m) = B(m) + α · Σ_{m' ∈ N(m) \\ M} Σ_{t ∈ T} w(t) · λ^(d(m',t))

其中：

• N(m) \\ M 是互关认识但你认识的人集合
• α 对二度可达性进行折扣，通常为 0.3

响应调整后的最终排名：

R(m) = B_ext(m) · (1 + β · engagement(m))

其中：

• engagement(m) 是归一化的响应性或关系强度
• β 是参与度加成，通常为 0.2

解读：

• 第一梯队：高 R(m) 和直接桥梁路径 -> 温暖引荐请求
• 第二梯队：中等 R(m) 和一跳桥梁路径 -> 条件性引荐请求
• 第三梯队：低 R(m) 或无可行桥梁 -> 直接外联或关注缺口填补

评分信号

在图遍历前根据当前优先级集对目标进行加权：

• 角色或职位匹配度
• 公司或行业契合度
• 当前活跃度和时效性
• 地理相关性
• 影响力或覆盖范围
• 响应可能性

在遍历后对互关进行加权：

• 进入目标集的加权路径数量
• 这些路径的直接性
• 响应性或过往互动历史
• 进行引荐的上下文契合度

工作流程

1. 构建加权目标集。
2. 从X、LinkedIn或两者拉取用户的图谱。
3. 计算直接桥梁分数。
4. 为最高价值的互关扩展二度候选者。
5. 按 R(m) 排名。
6. 返回：
   • 最佳温暖引荐请求
   • 条件性桥梁路径
   • 不存在温暖路径的图谱缺口

输出格式

社交图谱排名====================
优先级集合：平台：衰减模型：
顶级桥梁- 共同好友 / 连接  基础分数：  扩展分数：  最佳目标：  路径摘要：  推荐操作：
条件路径- 共同好友 / 连接  原因：  额外跳数成本：
无温暖路径- 目标  推荐：直接联系 / 填补图谱空白

相关技能

• lead-intelligence 在更广泛的目标发现和外联管道中使用此排名模型
• connections-optimizer 在决定保留、修剪或添加谁时使用相同的桥梁逻辑
• brand-voice 应在起草任何引荐请求或直接外联之前运行
• x-api 提供X图谱访问和可选执行路径