cleora
Cleora AI 是一個通用開放原始碼模型,用於高效、可擴展地學習異質關聯資料的穩定且歸納性實體嵌入。
cleora 是什麼?
Cleora AI 是一個通用開放原始碼模型,用於高效、可擴展地學習異質關聯資料的穩定且歸納性實體嵌入。由 Synerise.com 團隊開發。
cleora 概覽
這是什麼
Cleora 是一個用於從異質關聯資料學習實體嵌入的開源模型,由 Synerise.com 團隊開發。該軟體透過重複對每個節點鄰居的向量進行平均並正規化,將圖形或超圖轉換為每個節點一個向量。它在 CPU 上運行,無需取樣、訓練或 GPU。
主要功能
- 快速:在筆記型電腦 CPU 上,以 1.4 秒將 ogbn-arxiv(169,343 個節點,120 萬條邊)嵌入至 1024 維度。
- 準確:在相似度搜尋、節點分類和連結排序中,於大多數測試圖形上,在十種方法中平均排名第一。
- 精簡:僅使用兩個嵌入矩陣,記憶體需求僅為其他快速方法的五分之一到十分之一。
- 可擴展:數千萬條邊的圖形可在數分鐘內處理完成。
- 確定性:無論執行緒數量為何,相同的輸入都會產生完全相同的嵌入。
- 簡單:無需負取樣、學習率、訓練週期或 GPU;主要參數為迭代次數。
- 實用:支援超圖、權重、二分資料、無需重新訓練的新節點,以及使用者提供的特徵向量。
使用情境
Cleora 用於關聯資料的相似度搜尋、節點分類和連結排序。它可以嵌入來自電子商務(產品購物籃)、社交網路和推薦系統等領域的圖形和超圖。該軟體也適用於二分關係(例如使用者–產品),並可結合流行度先驗進行連結預測。
快速開始
bash pip install pycleora Python 3.10 至 3.15,支援 Linux(x86-64, arm64)、macOS(Apple silicon, Intel)和 Windows。NumPy 是唯一必需的依賴項。 python from pycleora import SparseMatrix, embed, find_most_similar baskets = [ 'laptop mouse keyboard', 'laptop mouse monitor', 'keyboard mouse', 'espresso_machine coffee_beans', 'coffee_beans mug', 'espresso_machine coffee_beans mug', ] graph = SparseMatrix.from_iterator(iter(baskets), 'complex::reflexive::product') embeddings = embed(graph, feature_dim=64, num_iterations=2) for hit in find_most_similar(graph, embeddings, 'laptop', top_k=3): print(f'{hit['entity_id']}: {hit['similarity']:.3f}') 對於一般圖形,以陣列形式傳遞邊: python import numpy as np source = np.array([0, 0, 1, 2, 3]) target = np.array([1, 2, 2, 3, 4]) network = SparseMatrix.from_edges(source, target, columns='complex::reflexive::node') vectors = embed(network, feature_dim=1024)
授權與價格
提供的元資料或 README 中未說明授權條款。該軟體被歸類為開源。
內容整理自該專案公開的 README 與儲存庫資訊。