Cleora

Active

Slogan:Rust-basierte Graph-Embedding-Engine für deterministische CPU-Embeddings

Aktualisiert:-

Soziale Medien:

KI-Entwicklertools KI-Datenanalyse Forschung & Datenanalyse Open Source API verfügbar Für Entwickler Self-Hosting Zero-Setup

Website öffnen

Website besuchen

Dieses Produkt bewerben|Dieses Produkt beanspruchen

Was ist Cleora?

Cleora ist eine Rust-basierte Graph-Embedding-Engine, die deterministische Embeddings per spärlicher Markov-Propagation mit verschachteltem Whitening berechnet. Installieren Sie pycleora per pip, erstellen Sie Graphen aus Kantenlisten und erzeugen Sie Embeddings auf der CPU ohne Random Walks, Negative Sampling oder GPUs.

Verwendung Cleora?

Installieren Sie mit `pip install pycleora`, definieren Sie Kanten als durch Leerzeichen getrennte Entitätspaare, bauen Sie den Graphen mit SparseMatrix.from_iterator und rufen Sie embed(graph, feature_dim=256) auf; Ähnlichkeiten finden Sie mit find_most_similar.

Cleora Kernfunktionen

Spärliche Markov-Matrix

Erstellt eine spärliche Übergangsmatrix aus Ihrem Eingabegraphen und unterstützt heterogene Hypergraphen mit typisierten, mehrrelationalen Kanten nativ.

Matrixpotenzen = alle Walk-Verteilungen

Jede Iteration multipliziert die Embedding-Matrix mit der spärlichen Übergangsmatrix, sodass M^k die vollständige Verteilung aller Walks der Länge k ohne Sampling oder stochastische Näherung erfasst.

L2-normalisierte Propagation

Jede Iteration ersetzt das Embedding eines Knotens durch den L2-normalisierten Durchschnitt seiner Nachbarn; 3–4 Iterationen für Ko-Vorkommens-Ähnlichkeit, 7+ für kontextuelle Ähnlichkeit.

8 Algorithmen, eine API

Cleora, ProNE, RandNE, DeepWalk, Node2Vec, HOPE, NetMF und GraRep sind unter einer API vereint, mit Varianten für Multiskala, Attention, gerichtete, gewichtete, Streaming- und induktive Graphen.

5 MB, keine schweren Abhängigkeiten

Die Bibliothek ist etwa 5 MB groß und benötigt nur numpy und scipy, als kompilierte Rust-Erweiterung ohne CUDA oder GPU-Treiber.

Cleora Anwendungsfälle

Empfehlungssysteme aus User-Item-Bipartiten-Graphen

Betrugserkennung und Anomalieerkennung in Transaktionsgraphen

Social-Network- und Wissensgraph-Embeddings im großen Maßstab

Cleora Häufig gestellte Fragen

Wie installiere ich pycleora?

Auf PyPI: `pip install pycleora`. Aus dem Quellcode: maturin installieren, https://github.com/pycleora/pycleora klonen, `maturin build --release` ausführen und das generierte Wheel installieren.

Welche Abhängigkeiten benötigt Cleora?

Nur numpy und scipy. Matplotlib ist optional für Visualisierung.

Benötigt Cleora eine GPU?

Nein. Cleora läuft CPU-only und deterministisch mit Rust-Kern und Python-API, ohne CUDA, cuDNN oder GPU-Treiber.

Cleora Produkthintergrund & offizielle Links

Cleora Support-E-Mail & Kundenservice-Kontakt & Rückerstattungskontakt usw.

Mehr Kontakt finden Sie auf der Über uns Seite(https://cleora.ai/docs)

Cleora Unternehmensinfo

Cleora Firmenname: Synerise

Mehr über Cleora, Bitte besuchen Sie die Über uns Seite(https://cleora.ai/docs)

Cleora GitHub

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

Cleora Preise & Tarife

Open Source

Kostenlos

MIT-Lizenz
Installation via pip install pycleora
CPU-only Graph-Embeddings ohne GPU
Dokumentation, API-Referenz und Benchmarks inklusive

Jetzt abonnieren & upgraden

Cleora Tags

Open Source API verfügbar Für Entwickler Self-Hosting Zero-Setup

Bestgeeignete Berufe für Cleora

Softwareentwickler Datenwissenschaftler Akademische Forscher