Cleora

Active

Slogan :Moteur d'embedding de graphes en Rust pour des embeddings déterministes sur CPU

Mis à jour :-

Réseaux sociaux :

Outils de développement IA Analyse de Données IA Recherche et Analyse de Données Open source API disponible Pour les développeurs Auto-hébergé Sans configuration

Ouvrir le site

Visiter le site web

Promouvoir ce produit|Revendiquer ce produit

Qu'est-ce que Cleora?

Cleora est un moteur d'embedding de graphes en Rust qui calcule des embeddings déterministes via une propagation de Markov creuse avec blanchiment entrelacé. Installez pycleora avec pip, construisez des graphes à partir de listes d'arêtes et générez des embeddings sur CPU sans marches aléatoires, échantillonnage négatif ni GPU.

Comment utiliser Cleora?

Installez avec `pip install pycleora`, définissez les arêtes comme des paires d'entités séparées par des espaces, construisez le graphe avec SparseMatrix.from_iterator, appelez embed(graph, feature_dim=256) et interrogez la similarité avec find_most_similar.

Cleora Fonctionnalités clés

Matrice de Markov creuse

Construit une matrice de transition creuse à partir de votre graphe d'entrée et gère nativement les hypergraphes hétérogènes à arêtes typées et multi-relationnelles.

Puissances de matrice = toutes les distributions de marches

Chaque itération multiplie la matrice d'embedding par la matrice de transition creuse afin que M^k capture la distribution complète de toutes les marches de longueur k sans échantillonnage ni approximation stochastique.

Propagation L2-normalisée

Chaque itération remplace l'embedding d'un nœud par la moyenne L2-normalisée de ses voisins ; 3–4 itérations pour la similarité de co-occurrence, 7+ pour la similarité contextuelle.

8 algorithmes, une API

Cleora, ProNE, RandNE, DeepWalk, Node2Vec, HOPE, NetMF et GraRep sont unifiés sous une seule API, avec des variantes multiscalaires, attention, dirigées, pondérées, streaming et inductives.

5 Mo, sans dépendances lourdes

La bibliothèque fait environ 5 Mo et ne nécessite que numpy et scipy, livrée comme extension Rust compilée sans CUDA ni pilotes GPU.

Cleora Cas d'usage

Systèmes de recommandation à partir de graphes bipartis utilisateur-article

Détection de fraude et d'anomalies sur des graphes de transactions

Embeddings de réseaux sociaux et de graphes de connaissances à grande échelle

Cleora Questions fréquentes

Comment installer pycleora ?

Sur PyPI, exécutez `pip install pycleora`. Depuis les sources : installez maturin, clonez https://github.com/pycleora/pycleora, lancez `maturin build --release` et installez la roue générée.

Quelles dépendances Cleora requiert-il ?

Seuls numpy et scipy sont requis. Matplotlib est optionnel pour la visualisation.

Cleora nécessite-t-il un GPU ?

Non. Cleora est CPU-only et déterministe, avec un cœur Rust et une API Python, sans CUDA, cuDNN ni pilotes GPU.

Cleora Présentation du produit & Liens officiels

Cleora E-mail de support & contact du service client & contact pour remboursement etc.

Pour plus de contacts, visitez la page page à propos de nous(https://cleora.ai/docs)

Cleora Informations de l'entreprise

Cleora Nom de l'entreprise : Synerise

En savoir plus sur Cleora, Veuillez visiter la page page à propos de nous(https://cleora.ai/docs)

Cleora GitHub

Cleora Lien GitHub : https://github.com/pycleora/pycleora

Tarifs & Forfaits de Cleora

Open Source

Gratit

Gratuit

Licence MIT
Installation via pip install pycleora
Embeddings de graphes CPU-only sans GPU
Documentation, référence API et benchmarks inclus

S'abonner & passer à la version supérieure maintenant

Tags de Cleora

Open source API disponible Pour les développeurs Auto-hébergé Sans configuration

Métiers les plus adaptés pour Cleora

Développeurs de logiciels Data Scientists Chercheurs académiques