Última atualização 07-28-2026
Categoria:
Reviews:
Join thousands of AI enthusiasts in the World of AI!
Cleora.AI
Cleora transforma listas de arestas em embeddings vetoriais densos para cada nó em um grafo, sem GPUs ou amostragem por passeio aleatório. A biblioteca Python pycleora inclui um núcleo em Rust que calcula distribuições completas de passeios através de potências esparsas da matriz de Markov, e depois oferece auxiliares para classificação, busca por similaridade e predição de links. É direcionada a sistemas de recomendação, grafos de fraude, triplas de conhecimento e outras tarefas onde a estrutura relacional é mais importante que características de texto.
Bibliotecas baseadas em passeios como DeepWalk e Node2Vec aproximam vizinhanças amostrando caminhos e treinando modelos skip-gram. Cleora pula ambas as etapas e agrega toda vizinhança a k saltos em uma única passagem determinística, razão pela qual a Zomato relatou embutir um grafo cliente-restaurante em menos de cinco minutos, enquanto o GraphSAGE levou cerca de vinte horas na mesma configuração. A compensação é o escopo: é uma ferramenta para estrutura de grafos, não um repositório geral de características para dados não estruturados.
Equipes de ciência de dados instalam o pycleora com pip e precisam apenas do NumPy e SciPy junto ao pacote de cerca de 5 MB. A biblioteca licenciada pelo MIT inclui oito algoritmos base, suporte a grafos heterogêneos, classificadores MLP e de propagação de rótulos, e uma CLI para trabalhos em lote. Benchmarks publicados em datasets SNAP, Planetoid e DGL reportam alta precisão em grafos de até cerca de dois milhões de nós, enquanto métodos concorrentes esgotam o tempo ou a memória.
pip install pycleora puxa um pacote de aproximadamente 5 MB que precisa apenas de NumPy e SciPy, sem drivers de GPU ou stack CUDA
Potências de matriz de Markov esparsas calculam todas as distribuições de caminhada exatamente, sem caminhadas aleatórias ou amostragem negativa
Oito algoritmos de embedding em uma API: Cleora, DeepWalk, Node2Vec, ProNE, RandNE, HOPE, NetMF e GraRep
Zomato reduziu o tempo de embedding de cliente-restaurante de cerca de 20 horas com GraphSAGE para menos de cinco minutos nos mesmos dados
Benchmarks no roadNet-CA embutem 1.965.206 nós em 31,5 segundos usando cerca de 4,1 GB de RAM em um núcleo de CPU
Heterogeneous hypergraphs aceitam arquivos TSV de arestas com colunas tipadas como complex::reflexive::product
Licença de código aberto MIT sem chaves de API ou limites de uso
Saída determinística: o mesmo grafo e configurações sempre produzem embeddings idênticos
Embeds de grafos com milhões de nós em CPU quando bibliotecas baseadas em caminhada atingem limites de memória
Classificadores, métricas e CLI integrados evitam iniciar PyTorch ou TensorFlow para avaliação
Biblioteca Python focada na estrutura do grafo, não uma API de embedding gerenciada na nuvem
O maior teste de escala publicado usou cerca de 4,1 GB de RAM para uma rede rodoviária com 1,96 milhão de nós
A sintaxe de colunas TSV heterogêneas exige leitura de documentação antes que grafos complexos importem de forma limpa
O Cleora é gratuito?
Sim. O Cleora é um software open-source sob a licença MIT, portanto não há taxas de licença, chaves de API ou limites de uso. Instale com pip install pycleora e execute no seu próprio hardware CPU.
O Cleora precisa de GPU?
Não. O Cleora roda apenas em CPU e não requer CUDA, cuDNN ou quaisquer drivers de GPU. Seu núcleo em Rust usa operações de matriz esparsa com paralelismo adaptativo entre os núcleos da CPU.
Como instalar o Cleora?
Execute pip install pycleora a partir do PyPI. O Cleora depende apenas do NumPy e SciPy, e o tamanho da instalação é cerca de 5 MB. Uma CLI suporta comandos como embed, info, benchmark e similares sem precisar escrever Python.
O que posso construir com embeddings do Cleora?
Os embeddings do Cleora suportam sistemas de recomendação, grafos para detecção de fraudes, detecção de comunidades, predição de links, completamento de grafos de conhecimento e modelos de clientes semelhantes. A documentação de casos de uso inclui exemplos em Python para cada padrão.
Como o Cleora se compara ao DeepWalk e Node2Vec?
DeepWalk e Node2Vec amostram caminhadas aleatórias e treinam modelos skip-gram com amostragem negativa. O Cleora calcula distribuições exatas de caminhadas por meio de potências esparsas da matriz de Markov, produzindo embeddings determinísticos sem ruído de amostragem.
Quais formatos de grafo o Cleora aceita?
O Cleora constrói grafos a partir de listas de arestas em TSV ou separadas por espaço com colunas tipadas como complex::reflexive::product. Também exporta para NetworkX, PyG e DGL, e pode salvar embeddings em arquivos NPZ.