Deskripsi
Cleora adalah mesin embedding graf yang didukung Rust yang inovatif, dirancang untuk menyediakan embedding graf yang deterministik dan sangat akurat. Berbeda dengan metode tradisional yang mengandalkan random walk, negative sampling, dan kluster GPU, Cleora menghitung distribusi pasti dari semua kemungkinan walk dalam satu pangkat matriks yang jarang. Pendekatan ini menghilangkan noise dan aproksimasi stokastik, memastikan reproduktibilitas yang sempurna dan komputasi yang jauh lebih cepat pada satu inti CPU.
Baca Selengkapnya
Inti dari inovasi Cleora terletak pada algoritmanya. Mesin ini membangun matriks transisi yang jarang dari graf masukan, menangani hypergraph heterogen dengan edge bertipe dan multi-relasional secara native. Setiap iterasi perkalian matriks dengan matriks transisi ini menangkap distribusi penuh dari walk dengan panjang tertentu. Ini diikuti oleh propagasi yang dinormalisasi L2, di mana embedding setiap node diperbarui ke rata-rata yang dinormalisasi dari embedding tetangganya. Proses ini hanya memerlukan beberapa iterasi untuk kesamaan ko-kemunculan dan sedikit lebih banyak untuk kesamaan kontekstual, menjadikannya berkali-kali lebih cepat daripada metode berbasis sampling.
Keunggulan utama Cleora meliputi kecepatan, akurasi, dan efisiensinya. Mesin ini hingga 240 kali lebih cepat daripada GraphSAGE dan menggunakan memori yang jauh lebih sedikit dibandingkan pustaka lain seperti NetMF. Mesin ini bersifat deterministik secara default, krusial untuk penelitian yang dapat direproduksi dan pipeline ML produksi. Mesin ini secara native mendukung hypergraph heterogen, menghilangkan kebutuhan untuk pra-pemrosesan graf yang kompleks. Selain itu, Cleora memiliki ukuran instalasi minimal sekitar 5 MB dengan hanya numpy dan scipy sebagai dependensi, menghindari kerumitan instalasi driver GPU dan kerangka kerja yang berat.
Cleora siap produksi, menawarkan embedding yang stabil dan induktif yang mendukung embedding node baru tanpa melatih ulang seluruh graf. Kemampuannya meluas ke berbagai aplikasi, termasuk sistem rekomendasi, knowledge graph, resolusi entitas, deteksi penipuan, dan penemuan obat. Efisiensi mesin ini disorot oleh studi kasus seperti Zomato, yang mengganti GraphSAGE dengan Cleora, mengurangi waktu pembuatan embedding dari 20 jam menjadi di bawah 5 menit untuk jutaan pengguna.
Cleora menyediakan rangkaian alat yang komprehensif, termasuk algoritma alternatif bawaan untuk perbandingan, rangkaian evaluasi yang kaya untuk menilai kualitas embedding, kemampuan sampling graf, dan penyetelan hyperparameter. Mesin ini juga menyertakan alat CLI untuk integrasi yang mudah ke dalam pipeline scripting dan CI/CD. Seluruh pustaka bersifat open-source, gratis untuk digunakan, dimodifikasi, dan diterapkan, menawarkan solusi yang hemat biaya dibandingkan alternatif berbasis GPU.
- KategoriMachine Learning & Ilmu Data
- Model HargaSumber Terbuka
- PenerapanHanya CPU
- PlatformWeb
Fitur Inti Cleora Graph Embedding Engine
Perhitungan embedding graf deterministik melalui pangkat matriks yang jarang
Eksekusi hanya CPU, tidak perlu GPU
Menangani hypergraph heterogen dengan edge bertipe dan multi-relasional secara native
Menghilangkan sampling random walk dan pelatihan skip-gram
Mencapai akurasi tinggi pada graf dunia nyata
Secara signifikan lebih cepat daripada metode berbasis GPU dan berbasis sampling
Dependensi minimal dan ukuran instalasi kecil (~5 MB)
Mendukung pembelajaran induktif untuk node baru tanpa melatih ulang
Menyertakan algoritma alternatif bawaan untuk perbandingan
Menyediakan rangkaian evaluasi yang kaya untuk kualitas embedding
Menawarkan alat CLI untuk integrasi scripting dan CI/CD
Open-source dan gratis untuk digunakan, dimodifikasi, dan diterapkan
Cara menggunakan Cleora Graph Embedding Engine?
Instal: pip install pycleora
Data Masukan: Berikan daftar edge, log interaksi, atau triple pengetahuan dalam format TSV.
Konstruksi Graf: Cleora membangun hypergraph heterogen dari data masukan.
Pangkat Matriks: Menghitung matriks transisi yang jarang dan pangkatnya untuk menangkap distribusi walk.
Pembuatan Embedding: Propagasi yang dinormalisasi L2 menghasilkan vektor embedding yang deterministik.
ML Hilir: Gunakan embedding yang dihasilkan untuk rekomendasi, klasifikasi, pencarian, dll.
Kasus Penggunaan Cleora Graph Embedding Engine
- Sistem Rekomendasi
- Knowledge Graphs
- Resolusi Entitas
- Deteksi Penipuan
- Analisis Jaringan Sosial
- Penemuan Obat
- Optimasi Rantai Pasokan
- Segmentasi Pelanggan
