Cleora

Active

Tagline:Rust-baserad grafembeddingsmotor för deterministiska CPU-embeddings

Uppdaterad:-

Sociala medier:

AI-utvecklarverktyg AI Data Analytics Forskning och dataanalys Öppen källkod API tillgängligt För utvecklare Självhostat Utan konfiguration

Öppna webbplats

Besök webbplats

Marknadsför denna produkt|Gör anspråk på denna produkt

Vad är Cleora?

Cleora är en Rust-baserad grafembeddingsmotor som beräknar deterministiska embeddings via sparse Markov-propagation med interleaved whitening. Installera pycleora med pip, bygg grafer från kantlistor och generera embeddings på CPU utan random walks, negative sampling eller GPU.

Hur man använder Cleora?

Installera med `pip install pycleora`, definiera kanter som entitetspar separerade med mellanslag, bygg grafen med SparseMatrix.from_iterator, anropa embed(graph, feature_dim=256) och sök likhet med find_most_similar.

Cleora Nyckelfunktioner

Sparse Markov-matris

Bygger en sparse övergångsmatris från din ingångsgraf och hanterar heterogena hypergrafer med typade, multirelationella kanter nativt.

Matrispotenser = alla walk-fördelningar

Varje iteration multiplicerar embedding-matrisen med den sparse övergångsmatrisen så att M^k fångar den fullständiga fördelningen av alla walks av längd k utan sampling eller stokastisk approximation.

L2-normaliserad propagation

Varje iteration ersätter nodens embedding med det L2-normaliserade medelvärdet av grannarna; 3–4 iterationer för samförekomstlikhet, 7+ för kontextuell likhet.

8 algoritmer, ett API

Cleora, ProNE, RandNE, DeepWalk, Node2Vec, HOPE, NetMF och GraRep är förenade under ett API med varianter för multiskala, attention, riktade, viktade, streaming och induktiva grafer.

5 MB, inga tunga beroenden

Biblioteket är cirka 5 MB och kräver endast numpy och scipy, levereras som kompilerad Rust-tillägg utan CUDA eller GPU-drivrutiner.

Cleora Användningsområden

Rekommendationssystem från användare-artikel-bipartita grafer

Bedrägeri- och anomalidetektering på transaktionsgrafer

Sociala nätverks- och kunskapsgrafs-embeddings i stor skala

Cleora Vanliga frågor

Hur installerar jag pycleora?

På PyPI kör du `pip install pycleora`. Från källkod: installera maturin, klona https://github.com/pycleora/pycleora, kör `maturin build --release` och installera det genererade wheel-paketet.

Vilka beroenden kräver Cleora?

Endast numpy och scipy. Matplotlib är valfritt för visualisering.

Kräver Cleora GPU?

Nej. Cleora är endast CPU och deterministisk, med Rust-kärna och Python-API, utan CUDA, cuDNN eller GPU-drivrutiner.

Cleora Produktbakgrund & officiella länkar

Cleora Support-e-post & kundtjänstkontakt & återbetalningskontakt etc.

Mer kontakt, besök Om oss sida(https://cleora.ai/docs)

Cleora Företagsinformation

Cleora Företagsnamn: Synerise

Mer om Cleora, Besök gärna Om oss sida(https://cleora.ai/docs)

Cleora GitHub

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

Cleora Priser och planer

Öppen källkod

Gratis

MIT-licens
Installation via pip install pycleora
Grafembeddings endast på CPU utan GPU
Dokumentation, API-referens och benchmarks ingår

Prenumerera och uppgradera nu

Cleora Taggar

Öppen källkod API tillgängligt För utvecklare Självhostat Utan konfiguration

Lämpligaste yrken för Cleora

Mjukvaruutvecklare Data Scientists Akademiska forskare