Cleora

Active

Slogan:Motor de embeddings de grafos em Rust para embeddings determinísticos em CPU

Atualizado:-

Redes Sociais:

Ferramentas para Desenvolvedores de IA Análise de Dados com IA Pesquisa e Análise de Dados Código aberto API disponível Para desenvolvedores Auto-hospedado Sem configuração

Abrir Site

Visitar Site

Promover este produto|Reivindicar este produto

O que é Cleora?

Cleora é um motor de embeddings de grafos em Rust que calcula embeddings determinísticos via propagação de Markov esparsa com whitening entrelaçado. Instale pycleora com pip, construa grafos a partir de listas de arestas e gere embeddings em CPU sem random walks, amostragem negativa ou GPU.

Como usar Cleora?

Instale com `pip install pycleora`, defina arestas como pares de entidades separados por espaços, construa o grafo com SparseMatrix.from_iterator, chame embed(graph, feature_dim=256) e consulte similaridade com find_most_similar.

Cleora Recursos Principais

Matriz de Markov esparsa

Constrói uma matriz de transição esparsa a partir do grafo de entrada e lida nativamente com hipergrafos heterogêneos com arestas tipadas e multirrelacionais.

Potências de matriz = todas as distribuições de walks

Cada iteração multiplica a matriz de embedding pela matriz de transição esparsa para que M^k capture a distribuição completa de todos os walks de comprimento k sem amostragem ou aproximação estocástica.

Propagação L2-normalizada

Cada iteração substitui o embedding de um nó pela média L2-normalizada de seus vizinhos; 3–4 iterações para similaridade de co-ocorrência, 7+ para similaridade contextual.

8 algoritmos, uma API

Cleora, ProNE, RandNE, DeepWalk, Node2Vec, HOPE, NetMF e GraRep estão unificados em uma API, com variantes multiescala, atenção, direcionadas, ponderadas, streaming e indutivas.

5 MB, sem dependências pesadas

A biblioteca tem cerca de 5 MB e requer apenas numpy e scipy, distribuída como extensão Rust compilada sem CUDA ou drivers GPU.

Cleora Casos de Uso

Sistemas de recomendação a partir de grafos bipartidos usuário-item

Detecção de fraude e anomalias em grafos de transações

Embeddings de redes sociais e grafos de conhecimento em escala

Cleora Perguntas frequentes

Como instalo o pycleora?

No PyPI execute `pip install pycleora`. Do código-fonte: instale maturin, clone https://github.com/pycleora/pycleora, execute `maturin build --release` e instale a wheel gerada.

Quais dependências o Cleora requer?

Apenas numpy e scipy. Matplotlib é opcional para visualização.

O Cleora requer GPU?

Não. Cleora é apenas CPU e determinístico, com núcleo Rust e API Python, sem CUDA, cuDNN ou drivers GPU.

Cleora Histórico do Produto e Links Oficiais

Cleora E-mail de Suporte e Contato de atendimento ao cliente e Contato de Reembolso, etc.

Para mais contatos, visite a página sobre nós(https://cleora.ai/docs)

Cleora Informações da Empresa

Cleora Nome da empresa: Synerise

Mais sobre Cleora, Visite a página sobre nós(https://cleora.ai/docs)

Cleora GitHub

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

Preços e Planos de Cleora

Código aberto

Grátis

Licença MIT
Instalação via pip install pycleora
Embeddings de grafos apenas em CPU sem GPU
Documentação, referência de API e benchmarks incluídos

Inscrever-se e atualizar agora

Tags de Cleora

Código aberto API disponível Para desenvolvedores Auto-hospedado Sem configuração

Profissões Mais Adequadas para Cleora

Desenvolvedores de Software Cientistas de Dados Pesquisadores Acadêmicos