social-graph-ranker

社交图排名器

用于网络感知外联的规范加权图排名层。

当用户需要以下操作时使用此技能：

• 按介绍价值对现有的互相关注者或联系人排名
• 映射到目标列表的温暖路径
• 衡量跨一阶和二阶连接的桥接价值
• 决定哪些目标值得温暖介绍 vs 直接冷外联
• 独立于 lead-intelligence 或 connections-optimizer 理解图数学

何时独立使用

当用户主要想要排名引擎时选择此技能：

• "我的人脉网络中谁最有条件介绍我？"
• "按谁能帮我联系到这些人来对我的互关排名"
• "将我的图与此 ICP 进行映射"
• "给我看看桥接数学"

当用户真正想要以下内容时，不要单独使用此技能：

• 完整的线索生成和外发序列 → 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
• 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 / 直接连接
• d(m, t) = 从互关 m 到目标 t 的最短跳距离
• w(t) = 来自信号评分的目标权重

基础桥接分数：

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
• 直接路径贡献完整值
• 每增加一跳将贡献减半

二阶扩展：

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 是互关认识但你不知道的人集合
• α 折扣二阶可达性，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) 是标准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) 且有直接桥接路径 → 温暖介绍请求
• 第二梯队：中 R(m) 且有一跳桥接路径 → 有条件的介绍请求
• 第三梯队：低 R(m) 或无可行桥接 → 直接外联或填补差距

评分信号

在图遍历之前根据当前优先级集的重要因素对目标加权：

• 角色或头衔匹配
• 公司或行业匹配
• 当前活动和时效性
• 地理相关性
• 影响力或覆盖范围
• 回复可能性

遍历后对互关加权：

• 进入目标集的加权路径数量
• 这些路径的直接性
• 响应性或先前的互动历史
• 进行介绍的上下文匹配度

工作流

1. 构建加权目标集。
2. 从 X、LinkedIn 或两者拉取用户的图。
3. 计算直接桥接分数。
4. 为最高价值的互关扩展二阶候选。
5. 按 R(m) 排名。
6. 返回：
   • 最佳温暖介绍请求
   • 有条件的桥接路径
   • 没有温暖路径的图差距

输出格式

社交图排名
====================

优先集：
平台：
衰减模型：

顶级桥接
- 互关 / 连接
  base_score:
  extended_score:
  best_targets:
  path_summary:
  recommended_action:

有条件路径
- 互关 / 连接
  reason:
  extra hop cost:

无温暖路径
- 目标
  recommendation: 直接外联 / 填补图差距

相关技能

• lead-intelligence 在更广泛的目标发现和外联流水线中使用此排名模型
• connections-optimizer 在决定保留、修剪或添加谁时使用相同的桥接逻辑
• brand-voice 应在起草任何介绍请求或直接外联之前运行
• x-api 提供 X 图访问和可选的执行路径