social-graph-ranker

Social Graph Ranker

用於網絡感知外展的標準加權圖譜排名層。

當使用者需要以下功能時使用此技能：

• 根據介紹價值對現有共同好友或聯絡人進行排名
• 繪製通往目標清單的暖路徑
• 衡量一階和二階聯絡人之間的橋樑價值
• 決定哪些目標值得暖介紹，哪些適合直接冷外展
• 獨立於 lead-intelligence 或 connections-optimizer 理解圖譜數學

何時獨立使用

當使用者主要想要排名引擎時選擇此技能：

• 「我網絡中誰最適合介紹我？」
• 「對我的共同好友進行排名，看誰能幫我接觸到這些人」
• 「根據這個 ICP 繪製我的圖譜」
• 「顯示橋樑數學」

當使用者真正想要以下功能時，不要單獨使用此技能：

• 完整的潛在客戶生成和外展排序 -> 使用 lead-intelligence
• 修剪、重新平衡和擴展網絡 -> 使用 connections-optimizer

輸入

收集或推斷：

• 目標人物、公司或 ICP 定義
• 使用者在 X、LinkedIn 或兩者上的當前圖譜
• 加權優先級，例如角色、行業、地理位置和回應性
• 遍歷深度和衰減容忍度

核心模型

給定：

• T = 加權目標集合
• M = 你當前的共同好友/直接聯絡人
• d(m, t) = 從共同好友 m 到目標 t 的最短跳數距離
• w(t) = 來自信號評分的目標權重

基礎橋樑評分：

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

其中：

• λ 是衰減因子，通常為 0.5
• 直接路徑貢獻完整價值
• 每增加一跳，貢獻減半

二階擴展：

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 是共同好友認識但你還不認識的人集合
• α 折扣二階觸及，通常為 0.3

回應調整後的最終排名：

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

其中：

• engagement(m) 是標準化的回應性或關係強度
• β 是參與度加成，通常為 0.2

解讀：

• 第一級：高 R(m) 且直接橋樑路徑 -> 暖介紹請求
• 第二級：中等 R(m) 且一跳橋樑路徑 -> 條件性介紹請求
• 第三級：低 R(m) 或無可行橋樑 -> 直接外展或填補圖譜缺口

評分信號

在圖譜遍歷之前，根據當前優先級集合對目標進行加權：

• 角色或職位匹配度
• 公司或行業契合度
• 當前活動和最近活躍度
• 地理相關性
• 影響力或觸及範圍
• 回應可能性

在遍歷之後，根據以下因素對共同好友進行加權：

• 通往目標集合的加權路徑數量
• 這些路徑的直接性
• 回應性或先前的互動歷史
• 進行介紹的上下文契合度

工作流程

1. 建立加權目標集合。
2. 從 X、LinkedIn 或兩者拉取使用者的圖譜。
3. 計算直接橋樑評分。
4. 為最高價值的共同好友擴展二階候選人。
5. 根據 R(m) 排名。
6. 返回：
   • 最佳暖介紹請求
   • 條件性橋樑路徑
   • 不存在暖路徑的圖譜缺口

輸出格式

社交圖譜排名
====================

優先集合：
平台：
衰減模型：

頂級橋樑
- 共同好友/聯絡人
  基礎分數：
  擴展分數：
  最佳目標：
  路徑摘要：
  建議行動：

條件性路徑
- 共同好友/聯絡人
  原因：
  額外跳數成本：

無暖路徑
- 目標
  建議：直接外展 / 填補圖譜缺口

相關技能

• lead-intelligence 在更廣泛的目標發現和外展管道中使用此排名模型
• connections-optimizer 在決定保留、修剪或新增誰時使用相同的橋樑邏輯
• brand-voice 應在起草任何介紹請求或直接外展之前執行
• x-api 提供 X 圖譜存取和可選的執行路徑