# Social Graph Ranker

> XとLinkedInでのウォームイントロ発見、ブリッジスコアリング、ネットワークギャップ分析のための重み付きソーシャルグラフランキング。ユーザーがランキングエンジン自体を必要としている場合（より広いプロモーションやネットワーク維持ワークフローではなく）に使用する。

- Skill: `thedixitjain/social-graph-ranker-2` (Agent Skill)
- Install (CLI): `npx skillmds add thedixitjain/social-graph-ranker-2`
- Raw SKILL.md: https://api.skillmd.com/api/skills/thedixitjain/social-graph-ranker-2/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: thedixitjain (https://skillmd.com/u/thedixitjain)
- Updated: 2026-09-09
- Page: https://skillmd.com/skills/thedixitjain/social-graph-ranker-2

---

# 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：

```text
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：

```text
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グ：

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

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

## スコアリングシグナル

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
* 地理的な関連性
* 影響力またはリーチ
* レスポンスの可能性

探索後に相互フォロワーを重み付けする：

* ターゲットセットへの重み付きパスの数
* それらのパスの直接性
* レスポンス性または過去のインタラクション履歴
* 紹介を行うためのコンテキスト適合性

## ワークフロー

1. 重み付きターゲットセットを構築する。
2. X、LinkedIn、または両方からユーザーのグラフを取得する。
3. 直接ブリッジスコアを計算する。
4. 最も価値の高い相互フォロワーの2度の候補を拡張する。
5. `R(m)` でランク付けする。
6. 以下を返す：
   * 最良のウォームな紹介リクエスト
   * 条件付きブリッジパス
   * ウォームパスが存在しないグラフギャップ

## 出力フォーマット

```text
ソーシャルグラフランキング
====================

優先度セット：
プラットフォーム：
減衰モデル：

トップブリッジ
- 相互フォロワー / コネクション
  基本スコア：
  拡張スコア：
  最良ターゲット：
  パスサマリー：
  推奨アクション：

条件付きパス
- 相互フォロワー / コネクション
  理由：
  追加ホップコスト：

ウォームパスなし
- ターゲット
  推奨：直接連絡 / グラフギャップを補完
```

## 関連スキル

* `lead-intelligence` はより広いターゲット発見とアウトリーチパイプラインでこのランキングモデルを使用する
* `connections-optimizer` は誰を保持、トリミング、または追加するかを決定する際に同じブリッジロジックを使用する
* `brand-voice` は紹介リクエストや直接アウトリーチを起草する前に実行する
* `x-api` はXグラフへのアクセスとオプションの実行パスを提供する

---

**Source:** [`affaan-m/ECC`](https://github.com/affaan-m/ECC) → `docs/ja-JP/skills/social-graph-ranker/SKILL.md`