ソーシャルグラフランカー

ネットワーク認識型アウトリーチのための正規化された重み付きグラフランキングレイヤー。

以下の機能が必要な場合にこのツールを使用する：

• 内在的価値に基づいて既存の相互フォロワーまたはコネクションをランク付けする
• ターゲットリストに対してウォームパスをマッピングする
• 1度と2度のコネクション全体でブリッジ価値を測定する
• ウォームな紹介とコールドアウトリーチのどちらが適切かを判断する
• lead-intelligence や connections-optimizer とは独立してグラフの数学的原理を理解する

単独での使用場面

ユーザーが主にランキングエンジンを必要としている場合にこのスキルを選択する：

• 「私のネットワークで誰が最もよい紹介をしてくれるか？」
• 「相互フォロワーをランク付けして、この人たちへの連絡を手伝ってもらえる人を見つける」
• 「このICPに対して私のグラフをマッピングする」
• 「ブリッジの数学的計算を見せる」

ユーザーが実際に以下を必要としている場合は、単独で使用しない：

• 完全なリード生成とアウトリーチシーケンス -> lead-intelligence を使用
• ネットワークのトリミング、再バランシング、拡張 -> connections-optimizer を使用

入力

以下を収集または推論する：

• ターゲットとなる人物、企業、またはICP定義
• XまたはLinkedIn、あるいは両方におけるユーザーの現在のグラフ
• 役割、業界、地理、レスポンス性などの重み付け優先度
• 探索の深さと減衰の許容度

コアモデル

以下が与えられたとする：

• T = 重み付きターゲットのセット
• M = 現在の相互フォロワー/直接コネクション
• d(m, t) = 相互フォロワー m からターゲット t への最短ホップ距離
• w(t) = シグナルスコアリングからのターゲット重み

基本ブリッジスコア：

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

ここで：

• λ は減衰因子、通常 0.5
• 直接パスは全価値を提供
• ホップが増えるごとに貢献が半分になる

2度拡張：

B_ext(m) = B(m) + α · Σ_{m' ∈ N(m) \\ M} Σ_{t ∈ T} w(t) · λ^(d(m',t))

ここで：

• N(m) \\ M は相互フォロワーが知っているがユーザーが知らない人のセット
• α は2度の到達可能性に対する割引、通常 0.3

レスポンス調整後の最終ランキン…