Cleora

Active

Eslogan:Motor de embeddings de grafos en Rust para embeddings deterministas en CPU

Actualizado:-

Redes sociales:

Herramientas para desarrolladores de IA Análisis de Datos con IA Investigación y Análisis de Datos Código abierto API disponible Para desarrolladores Autohospedado Sin configuración

Abrir sitio web

Visitar sitio web

Promocionar este producto|Reclamar este producto

¿Qué es Cleora?

Cleora es un motor de embeddings de grafos en Rust que calcula embeddings deterministas mediante propagación de Markov dispersa con blanqueo entrelazado. Instala pycleora con pip, construye grafos desde listas de aristas y genera embeddings en CPU sin random walks, muestreo negativo ni GPU.

Cómo usar Cleora?

Instala con `pip install pycleora`, define aristas como pares de entidades separados por espacios, construye el grafo con SparseMatrix.from_iterator, llama embed(graph, feature_dim=256) y consulta similitud con find_most_similar.

Cleora Características principales

Matriz de Markov dispersa

Construye una matriz de transición dispersa desde tu grafo de entrada y maneja de forma nativa hipergrafos heterogéneos con aristas tipadas y multirrelacionales.

Potencias de matriz = todas las distribuciones de walks

Cada iteración multiplica la matriz de embedding por la matriz de transición dispersa para que M^k capture la distribución completa de todos los walks de longitud k sin muestreo ni aproximación estocástica.

Propagación L2-normalizada

Cada iteración reemplaza el embedding de un nodo por el promedio L2-normalizado de sus vecinos; 3–4 iteraciones para similitud de co-ocurrencia, 7+ para similitud contextual.

8 algoritmos, una API

Cleora, ProNE, RandNE, DeepWalk, Node2Vec, HOPE, NetMF y GraRep están unificados bajo una API, con variantes multiescala, atención, dirigidas, ponderadas, streaming e inductivas.

5 MB, sin dependencias pesadas

La biblioteca pesa unos 5 MB y solo requiere numpy y scipy, distribuida como extensión Rust compilada sin CUDA ni controladores GPU.

Cleora Casos de uso

Sistemas de recomendación desde grafos bipartitos usuario-ítem

Detección de fraude y anomalías en grafos de transacciones

Embeddings de redes sociales y grafos de conocimiento a gran escala

Cleora Preguntas frecuentes

¿Cómo instalo pycleora?

En PyPI ejecuta `pip install pycleora`. Desde el código fuente: instala maturin, clona https://github.com/pycleora/pycleora, ejecuta `maturin build --release` e instala la wheel generada.

¿Qué dependencias requiere Cleora?

Solo numpy y scipy. Matplotlib es opcional para visualización.

¿Cleora requiere GPU?

No. Cleora es solo CPU y determinista, con núcleo Rust y API Python, sin CUDA, cuDNN ni controladores GPU.

Cleora Antecedentes del producto y enlaces oficiales

Cleora Correo electrónico de soporte, contacto de atención al cliente, contacto para reembolsos, etc.

Para más contacto, visita la página sobre nosotros(https://cleora.ai/docs)

Cleora Información de la empresa

Cleora Nombre de la empresa: Synerise

Más sobre Cleora, Visita la página sobre nosotros(https://cleora.ai/docs)

Cleora GitHub

Cleora Enlace de GitHub: https://github.com/pycleora/pycleora

Precios y planes de Cleora

Código abierto

Gratis

Licencia MIT
Instalación vía pip install pycleora
Embeddings de grafos solo CPU sin GPU
Documentación, referencia API y benchmarks incluidos

Suscribirse y actualizar ahora

Etiquetas de Cleora

Código abierto API disponible Para desarrolladores Autohospedado Sin configuración

Profesiones más adecuadas para Cleora

Desarrolladores de Software Científicos de Datos Investigadores académicos