Última actualización 07-28-2026
Categoría:
Reviews:
Join thousands of AI enthusiasts in the World of AI!
Cleora.AI
Cleora convierte listas de aristas en incrustaciones vectoriales densas para cada nodo en un grafo, sin GPUs ni muestreo de caminatas aleatorias. La biblioteca pycleora de Python incluye un núcleo en Rust que calcula distribuciones completas de caminatas mediante potencias de matrices de Markov dispersas, y luego ofrece asistentes para clasificación, búsqueda de similitud y predicción de enlaces. Está orientada a sistemas de recomendación, grafos de fraude, tríos de conocimiento y otros trabajos donde la estructura relacional importa más que las características de texto.
Bibliotecas basadas en caminatas como DeepWalk y Node2Vec aproximan vecindarios muestreando caminos y entrenando modelos skip-gram. Cleora omite ambos pasos y agrega cada vecindario a k saltos en una pasada determinista, por lo que Zomato reportó incrustar un grafo cliente-restaurante en menos de cinco minutos después de que GraphSAGE tardara unas veinte horas en la misma configuración. La compensación es el alcance: es un conjunto de herramientas para estructura de grafos, no un almacén general de características para datos no estructurados.
Los equipos de ciencia de datos instalan pycleora con pip y solo necesitan NumPy y SciPy junto con el paquete de aproximadamente 5 MB. La biblioteca con licencia MIT incluye ocho algoritmos base, soporte para grafos heterogéneos, clasificadores MLP y de propagación de etiquetas, y una CLI para trabajos por lotes. Los benchmarks publicados en conjuntos de datos SNAP, Planetoid y DGL reportan máxima precisión en grafos de hasta aproximadamente dos millones de nodos mientras que métodos competidores se agotan por tiempo o memoria.
pip install pycleora descarga un paquete de aproximadamente 5 MB que solo necesita NumPy y SciPy, sin controladores GPU ni pila CUDA
Las potencias de matrices de Markov dispersas calculan todas las distribuciones de caminatas exactamente, sin caminatas aleatorias ni muestreo negativo
Ocho algoritmos de embedding en una API: Cleora, DeepWalk, Node2Vec, ProNE, RandNE, HOPE, NetMF y GraRep
Zomato redujo el tiempo de embedding cliente-restaurante de unas 20 horas con GraphSAGE a menos de cinco minutos en los mismos datos
Los benchmarks en roadNet-CA embeben 1,965,206 nodos en 31.5 segundos usando aproximadamente 4.1 GB de RAM en un solo núcleo de CPU
Heterogéneos hipergráficos aceptan archivos TSV de aristas con columnas tipadas como complex::reflexive::product
Licencia de código abierto MIT sin claves API ni límites de uso
Salida determinista: el mismo grafo y configuraciones siempre producen embeddings idénticos
Embeds grafos de millones de nodos en CPU cuando las bibliotecas basadas en caminatas alcanzan límites de memoria
Clasificadores, métricas y CLI integrados evitan iniciar PyTorch o TensorFlow para evaluación
Biblioteca en Python centrada en la estructura del grafo, no en una API de embedding en la nube gestionada
La prueba de escala publicada más grande utilizó aproximadamente 4.1 GB de RAM para una red vial de 1.96 millones de nodos
La sintaxis de columnas TSV heterogéneas requiere lectura de documentación antes de que la importación de grafos complejos sea limpia
¿Cleora es gratis?
Sí. Cleora es un software de código abierto bajo la licencia MIT, por lo que no hay tarifas de licencia, claves API ni límites de uso. Instálalo con pip install pycleora y ejecútalo en tu propio hardware CPU.
¿Cleora necesita GPU?
No. Cleora funciona solo en CPU y no requiere CUDA, cuDNN ni ningún controlador de GPU. Su núcleo en Rust utiliza operaciones con matrices dispersas con paralelismo adaptativo entre núcleos de CPU.
¿Cómo se instala Cleora?
Ejecuta pip install pycleora desde PyPI. Cleora depende solo de NumPy y SciPy, y la instalación ocupa aproximadamente 5 MB. Una CLI soporta comandos como embed, info, benchmark y similares sin necesidad de escribir Python.
¿Qué se puede crear con los embeddings de Cleora?
Los embeddings de Cleora soportan sistemas de recomendación, grafos para detección de fraude, detección de comunidades, predicción de enlaces, completado de grafos de conocimiento y modelos de clientes similares. La documentación de casos de uso incluye ejemplos en Python para cada patrón.
¿Cómo se compara Cleora con DeepWalk y Node2Vec?
DeepWalk y Node2Vec muestrean recorridos aleatorios y entrenan modelos skip-gram con muestreo negativo. Cleora calcula distribuciones exactas de recorridos mediante potencias de matrices de Markov dispersas, produciendo embeddings deterministas sin ruido de muestreo.
¿Qué formatos de grafo acepta Cleora?
Cleora construye grafos a partir de listas de aristas en TSV o separadas por espacios con columnas tipadas como complex::reflexive::product. También exporta a NetworkX, PyG y DGL, y puede guardar embeddings en archivos NPZ.