social-graph-ranker

Social Graph Ranker

用于网络感知拓展的规范加权图谱排名层。

当用户需要以下功能时使用此技能：

• 根据介绍价值对现有共同联系人或连接进行排名
• 映射到目标列表的温暖路径
• 评估一阶和二阶连接的桥梁价值
• 决定哪些目标值得热介绍而非直接冷接触
• 独立于 lead-intelligence 或 connections-optimizer 理解图谱数学

何时单独使用

当用户主要需要排名引擎时选择此技能：

• “我网络中谁最适合介绍我？”
• “对我的共同联系人进行排名，看谁能帮我联系到这些人”
• “针对这个 ICP 映射我的图谱”
• “展示桥梁数学”

当用户真正需要以下功能时，不要单独使用此技能：

• 完整的潜在客户生成和外呼序列 -> 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 = 你当前的共同联系人/直接连接
• d(m, t) = 从共同联系人 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
• 直接路径贡献完整价值
• 每增加一跳，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 是共同联系人认识但你却不认识的人集合
• α 对二阶可达性进行折扣，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

解释：

• 第一层：高 R(m) 和直接桥梁路径 -> 热介绍请求
• 第二层：中等 R(m) 和一跳桥梁路径 -> 条件性介绍请求
• 第三层：低 R(m) 或无可行桥梁 -> 直接外呼或填补图谱缺口

评分信号

在图谱遍历前，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

在图谱遍历后，对共同联系人进行加权：

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

工作流

1. 构建加权目标集。
2. 从 X、LinkedIn 或两者拉取用户的图谱。
3. 计算直接桥梁分数。
4. 对最高价值的共同联系人扩展二阶候选。
5. 按 R(m) 排名。
6. 返回：
   • 最佳热介绍请求
   • 条件性桥梁路径
   • 无温暖路径时的图谱缺口

输出格式

社交图谱排名
====================

优先级集：
平台：
衰减模型：

顶级桥梁
- 共同联系人/连接
  基础分数：
  扩展分数：
  最佳目标：
  路径摘要：
  推荐操作：

条件性路径
- 共同联系人/连接
  原因：
  额外跳数成本：

无温暖路径
- 目标
  推荐：直接外呼 / 填补图谱缺口

相关技能

• lead-intelligence 在更广泛的目标发现和外呼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 应在起草任何介绍请求或直接外呼之前运行
• x-api 提供 X 图谱访问和可选的执行路径