Cleora

Active

Tagline:Rust-baseret graf-embeddingsmotor til deterministiske CPU-embeddings

Opdateret:-

Sociale medier:

AI-udviklingsværktøjer AI Data Analytics Forskning og dataanalyse Open source API tilgængelig For udviklere Selvhostet Uden opsætning

Åbn websted

Besøg websted

Promover dette produkt|Gør krav på dette produkt

Hvad er Cleora?

Cleora er en Rust-baseret graf-embeddingsmotor, der beregner deterministiske embeddings via spars Markov-propagation med interleaved whitening. Installer pycleora med pip, byg grafer fra kantlister og generer embeddings på CPU uden random walks, negative sampling eller GPU.

Brugsvejledning Cleora?

Installer med `pip install pycleora`, definer kanter som enhedspar adskilt af mellemrum, byg grafen med SparseMatrix.from_iterator, kald embed(graph, feature_dim=256) og søg lighed med find_most_similar.

Cleora Kjernefunktioner

Spars Markov-matrix

Bygger en spars overgangsmatrix fra din inputgraf og håndterer heterogene hypergrafer med typede, multirelationelle kanter nativt.

Matrixpotenser = alle walk-fordelinger

Hver iteration ganger embedding-matrixen med den sparset overgangsmatrix, så M^k fanger den fulde fordeling af alle walks af længde k uden sampling eller stokastisk approximation.

L2-normaliseret propagation

Hver iteration erstatter nodens embedding med L2-normaliseret gennemsnit af naboerne; 3–4 iterationer for samforekomstlighed, 7+ for kontekstuel lighed.

8 algoritmer, ét API

Cleora, ProNE, RandNE, DeepWalk, Node2Vec, HOPE, NetMF og GraRep er forenet under ét API med varianter for multiskala, attention, rettede, vægtede, streaming og induktive grafer.

5 MB, ingen tunge afhængigheder

Biblioteket er omkring 5 MB og kræver kun numpy og scipy, leveres som kompileret Rust-udvidelse uden CUDA eller GPU-drivere.

Cleora Anvendelsesscenarier

Anbefalingssystemer fra bruger-vare-bipartite grafer

Svindel- og anomalidetektion på transaktionsgrafer

Sociale netværks- og vidensgraf-embeddings i stor skala

Cleora Ofte stillede spørgsmål

Hvordan installerer jeg pycleora?

På PyPI kør `pip install pycleora`. Fra kilde: installer maturin, klon https://github.com/pycleora/pycleora, kør `maturin build --release` og installer det genererede wheel.

Hvilke afhængigheder kræver Cleora?

Kun numpy og scipy. Matplotlib er valgfrit til visualisering.

Kræver Cleora GPU?

Nej. Cleora er kun CPU og deterministisk med Rust-kerne og Python-API uden CUDA, cuDNN eller GPU-drivere.

Cleora Produktbaggrund & officielle links

Cleora Support-e-mail & kundeservicekontakt & refunderingskontakt osv.

Mere kontakt, besøg Om os side(https://cleora.ai/docs)

Cleora Virksomhedsinfo

Cleora Virksomhedsnavn: Synerise

Mere om Cleora, Besøg venligst Om os side(https://cleora.ai/docs)

Cleora GitHub

Cleora GitHub-link: https://github.com/pycleora/pycleora

Cleora Priser & planer

Open source

Gratis

MIT-licens
Installation via pip install pycleora
Graf-embeddings kun på CPU uden GPU
Dokumentation, API-reference og benchmarks inkluderet

Abonner & opgrader nu

Cleora Tags

Open source API tilgængelig For udviklere Selvhostet Uden opsætning

Mest velegnede erhverv til Cleora

Softwareudviklere Dataforskere Akademiske forskere