社交图谱排名器¶

用于网络感知型外联的归一化加权图谱排名层。

当需要以下功能时，使用此工具：

• 基于内在价值对现有互相关注者或联系人进行排名
• 针对目标列表映射暖路径
• 在一度与二度联系人范围内测量桥梁价值
• 判断适合暖介绍还是冷外联
• 独立于 lead-intelligence 和 connections-optimizer 理解图谱的数学原理

单独使用场景¶

当用户主要需要排名引擎时，选择此技能：

• “在我的网络中，谁最适合为我做介绍？”
• “对互相关注者进行排名，帮我找到可以协助联系这些人的人”
• “针对这个 ICP 映射我的图谱”
• “展示桥梁的数学计算”

如果用户实际需要以下内容，则不要单独使用：

• 完整的线索生成和外联序列 -> 使用 lead-intelligence
• 网络修剪、再平衡、扩展 -> 使用 connections-optimizer

输入¶

收集或推断以下内容：

• 目标人物、公司或 ICP 定义
• 用户在 X 或 LinkedIn 或两者上的当前图谱
• 角色、行业、地理位置、响应性等加权优先级
• 探索深度和衰减容忍度

核心模型¶

假设给定：

• T = 加权目标集合
• M = 当前互相关注者/直接联系人
• d(m, t) = 从互相关注者 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
• 直接路径提供全部价值
• 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 是互相关注者认识但用户不认识的人的集合
• α 是对二度可达性的折扣，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 是互动奖励，通常为 0.2

解释：

• 第一层：高 R(m) 和直接桥梁路径 -> 暖介绍请求
• 第二层：中等 R(m) 和一跳桥梁路径 -> 条件式介绍请求
• 第三层：低 R(m) 或无桥梁 -> 专注于直接外联或弥补图谱缺口

评分信号¶

在图遍历之前，基于当前优先级集合对目标进行加权：

• 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
• 影响力或触达范围
• 响应可能性

遍历后对互相关注者进行加权：

• 到目标集合的加权路径数量
• 这些路径的直接性
• 响应性或过往互动历史
• 进行介绍的上下文契合度

工作流¶

1. 构建加权目标集合。
2. 从 X、LinkedIn 或两者获取用户图谱。
3. 计算直接桥梁分数。
4. 扩展最有价值的互相关注者的二度候选。
5. 按 R(m) 排名。
6. 返回以下内容：
7. 最佳暖介绍请求
8. 条件式桥梁路径
9. 不存在暖路径的图谱缺口

输出格式¶

ソーシャルグラフランキング
====================

優先度セット：
プラットフォーム：
減衰モデル：

トップブリッジ
- 相互フォロワー / コネクション
  基本スコア：
  拡張スコア：
  最良ターゲット：
  パスサマリー：
  推奨アクション：

条件付きパス
- 相互フォロワー / コネクション
  理由：
  追加ホップコスト：

ウォームパスなし
- ターゲット
  推奨：直接連絡 / グラフギャップを補完

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 在起草介绍请求或直接外联之前运行
• x-api 提供对 X 图谱的访问和可选执行路径