social-graph-ranker

Topics in the source

• ソーシャルグラフランカー
• 単独での使用場面
• 入力
• コアモデル
• スコアリングシグナル
• ワークフロー
• 出力フォーマット
• 関連スキル

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 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 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 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： 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： 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グ： ここで： engagement(m) は正規化されたレスポンス性または関係強度 β はエンゲージメントボーナス、通常 0.2 解釈： 第1層：高い R(m) と直接ブリッジパス -> ウォームな紹介リクエスト 第2層：中程度の R(m) と1ホップのブリッジパス -> 条件付き紹介リクエスト 第3層：低い R(m) またはブリッジなし -> 直接アウトリーチまたはギャップ補完に注力 グラフ探索前に、現在の優先度セットに基づいてターゲットを重み付けする： 役職または職位の一致度 企業または業界の適合性 現在のアクティビティと時効性 地理的な関

This is an excerpt. Refer to the complete source and its current requirements.