Cleora
Active
Що таке Cleora?
Як користуватися Cleora?
Cleora Основні функції
Розріджена марковська матриця
Будує розріджену матрицю переходів із вхідного графа та нативно підтримує гетерогенні гіперграфи з типізованими мульти-ребрами.
Степені матриці = усі розподіли walk
На кожній ітерації матриця ембедингів множиться на розріджену матрицю переходів, тож M^k захоплює повний розподіл усіх walk довжини k без семплінгу та стохастичної апроксимації.
L2-нормалізована пропагація
На кожній ітерації ембединг вузла замінюється L2-нормалізованим середнім сусідів; 3–4 ітерації для співзустрічності, 7+ для контекстної схожості.
8 алгоритмів, один API
Cleora, ProNE, RandNE, DeepWalk, Node2Vec, HOPE, NetMF і GraRep об’єднані в одному API з варіантами multiscale, attention, directed, weighted, streaming і inductive.
5 МБ, без важких залежностей
Бібліотека близько 5 МБ, потребує лише numpy і scipy, постачається як скомпільоване Rust-розширення без CUDA та GPU-драйверів.
Cleora Сценарії використання
Рекомендаційні системи на дводольних графах користувач-товар
Виявлення шахрайства та аномалій на транзакційних графах
Ембединги соцмереж і графів знань у великому масштабі
Cleora Часті запитання
Як встановити pycleora?
Які залежності потрібні Cleora?
Чи потрібен Cleora GPU?
Cleora Основна інформація та офіційні посилання
Cleora Електронна адреса підтримки, контакти служби підтримки клієнтів, повернення коштів тощо.
Більше контактів на сторінці сторінка про нас(https://cleora.ai/docs)
Cleora Інформація про компанію
Cleora Назва компанії: Synerise
Детальніше про Cleora, Будь ласка, відвідайте сторінку сторінка про нас(https://cleora.ai/docs)
Cleora GitHub
Cleora Посилання на GitHub: https://github.com/pycleora/pycleora
Ціни та плани Cleora
Відкритий код
Безкоштовно- Ліцензія MIT
- Встановлення через pip install pycleora
- Графові ембединги лише на CPU без GPU
- Документація, довідник API та бенчмарки включені