Cleora.AI

Cleora transforme des listes d'arêtes en embeddings vectoriels denses pour chaque nœud d'un graphe, sans GPU ni échantillonnage par marche aléatoire. La bibliothèque Python pycleora intègre un noyau Rust qui calcule les distributions complètes de marches via des puissances de matrices de Markov creuses, puis propose des outils pour la classification, la recherche de similarité et la prédiction de liens. Elle cible les systèmes de recommandation, les graphes de fraude, les triplets de connaissances et d'autres tâches où la structure relationnelle compte plus que les caractéristiques textuelles.

Les bibliothèques basées sur les marches comme DeepWalk et Node2Vec approximant les voisinages en échantillonnant des chemins et en entraînant des modèles skip-gram. Cleora évite ces deux étapes et agrège chaque voisinage à k sauts en un seul passage déterministe, ce qui explique pourquoi Zomato a rapporté avoir intégré un graphe client-restaurant en moins de cinq minutes alors que GraphSAGE a mis environ vingt heures sur la même configuration. Le compromis est la portée : il s'agit d'un outil centré sur la structure du graphe, et non d'un magasin de caractéristiques général pour des données non structurées.

Les équipes de data science installent pycleora avec pip et n'ont besoin que de NumPy et SciPy en plus du paquet d'environ 5 Mo. La bibliothèque sous licence MIT inclut huit algorithmes de référence, le support des graphes hétérogènes, des classificateurs MLP et à propagation d'étiquettes, ainsi qu'une interface en ligne de commande pour les traitements par lots. Les benchmarks publiés sur les jeux de données SNAP, Planetoid et DGL rapportent une précision maximale sur des graphes allant jusqu'à environ deux millions de nœuds, tandis que les méthodes concurrentes atteignent un timeout ou manquent de mémoire.