Cleora

Active

Slogan:Motore di graph embedding in Rust per embedding deterministici su CPU

Aggiornato il:-

Social Media:

AI Developer Tools Analisi dei dati con l'IA Ricerca e Analisi dei Dati Open source API disponibile Per sviluppatori Self-hosting Senza configurazione

Apri sito web

Visita il sito web

Promuovi questo prodotto|Rivendica questo prodotto

Cos'è Cleora?

Cleora è un motore di graph embedding in Rust che calcola embedding deterministici tramite propagazione di Markov sparsa con whitening interleaved. Installa pycleora con pip, costruisci grafi da elenchi di archi e genera embedding su CPU senza random walk, negative sampling o GPU.

Come usare Cleora?

Installa con `pip install pycleora`, definisci gli archi come coppie di entità separate da spazi, costruisci il grafo con SparseMatrix.from_iterator, chiama embed(graph, feature_dim=256) e interroga la similarità con find_most_similar.

Cleora Caratteristiche principali

Matrice di Markov sparsa

Costruisce una matrice di transizione sparsa dal grafo di input e gestisce nativamente ipergrafi eterogenei con archi tipizzati e multi-relazionali.

Potenze di matrice = tutte le distribuzioni di walk

Ogni iterazione moltiplica la matrice di embedding per la matrice di transizione sparsa così che M^k catturi la distribuzione completa di tutti i walk di lunghezza k senza campionamento o approssimazione stocastica.

Propagazione L2-normalizzata

Ogni iterazione sostituisce l'embedding di un nodo con la media L2-normalizzata dei vicini; 3–4 iterazioni per similarità di co-occorrenza, 7+ per similarità contestuale.

8 algoritmi, un'API

Cleora, ProNE, RandNE, DeepWalk, Node2Vec, HOPE, NetMF e GraRep sono unificati in un'unica API, con varianti multiscala, attention, dirette, pesate, streaming e induttive.

5 MB, senza dipendenze pesanti

La libreria è circa 5 MB e richiede solo numpy e scipy, distribuita come estensione Rust compilata senza CUDA o driver GPU.

Cleora Casi d'uso

Sistemi di raccomandazione da grafi bipartiti utente-articolo

Rilevamento frodi e anomalie su grafi di transazioni

Embedding di reti sociali e knowledge graph su larga scala

Cleora Domande frequenti

Come installo pycleora?

Da PyPI esegui `pip install pycleora`. Dal sorgente: installa maturin, clona https://github.com/pycleora/pycleora, esegui `maturin build --release` e installa la wheel generata.

Quali dipendenze richiede Cleora?

Solo numpy e scipy. Matplotlib è opzionale per la visualizzazione.

Cleora richiede una GPU?

No. Cleora è solo CPU e deterministico, con core Rust e API Python, senza CUDA, cuDNN o driver GPU.

Cleora Background del prodotto e link ufficiali

Cleora E-mail di supporto, contatto del servizio clienti, contatto per i rimborsi, ecc.

Per altri contatti, visita la pagina chi siamo(https://cleora.ai/docs)

Cleora Informazioni sull'azienda

Cleora Nome dell'azienda: Synerise

Maggiori informazioni su Cleora, Visita la pagina chi siamo(https://cleora.ai/docs)

Cleora GitHub

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

Prezzi e piani di Cleora

Open Source

Gratuito

Licenza MIT
Installazione via pip install pycleora
Graph embedding solo CPU senza GPU
Documentazione, riferimento API e benchmark inclusi

Iscriviti e fai l'upgrade ora

Tag di Cleora

Open source API disponibile Per sviluppatori Self-hosting Senza configurazione

Occupazioni più adatte per Cleora

Sviluppatori Software Scienziati dei Dati Ricercatori Accademici