---

name: social-graph-ranker description: 加权社交图谱排名，用于热引荐发现、桥接评分和跨 X 与 LinkedIn 的网络缺口分析。当用户需要可复用的图谱排名引擎本身，而非建立在其之上的更广泛的外联或网络维护工作流时使用。 origin: ECC

社交图谱排名器

用于网络感知外联的规范加权图谱排名层。

当用户需要以下功能时使用：

• 按引荐价值对现有共同联系人或连接进行排名
• 映射到目标列表的热路径
• 衡量一阶和二阶连接的桥接价值
• 决定哪些目标值得热引荐，哪些适合直接冷外联
• 独立于 lead-intelligence 或 connections-optimizer 理解图谱数学

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为我做引荐？"
• "按谁能帮我联系到这些人来排名我的共同联系人"
• "将我的图谱与此 ICP 进行映射"
• "展示桥接数学"

当用户真正需要以下内容时不要单独使用：

• 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、地理位置和响应度
• 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
• 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
• 直接路径贡献全部价值
• 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不认识的人的集合
• α 折扣二阶触达，通常为 0.3

响应度调整后的最终排名：

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

其中：

• engagement(m) 是归一化的响应度或关系强度
• β 是参与度奖励，通常为 0.2

解释：

• 第 1 层：高 R(m) 且有直接桥接路径 -> 热引荐请求
• 第 2 层：中等 R(m) 且有一跳桥接路径 -> 有条件的引荐请求
• 第 3 层：低 R(m) 或无可行桥接 -> 直接外联或填补关注缺口

评分信号

在图谱遍历之前，根据当前优先级集的相关因素对目标进行加权：

• 角色或职位匹配度
• 公司或行业契合度
• 当前活跃度和近期性
• 地理相关性
• 影响力或触达范围
• 响应可能性

在遍历之后对共同联系人进行加权：

• 进入目标集的加权路径数量
• 这些路径的直接程度
• 响应度或历史互动记录
• 做引荐的情境契合度

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. 计算直接桥接分数。
4. 为最高价值的共同联系人扩展二阶候选人。
5. 按 R(m) 排名。
6. 返回：
   • 最佳热引荐请求
   • 有条件的桥接路径
   • 不存在热路径的图谱缺口

输出格式

社交图谱排名
====================

优先级集：
平台：
衰减模型：

顶级桥接
- 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：

有条件路径
- 共同联系人/连接
  原因：
  额外跳数成本：

无热路径
- 目标
  建议：直接外联 / 填补图谱缺口

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 图谱访问和可选的执行路径