Cleora

Cleora 是一个面向图数据建模的嵌入引擎，适合把实体之间的关系转成向量特征。它更像开发者和数据科学团队可接入的底层能力，而不是面向普通用户的可视化应用，常用于推荐系统、欺诈识别、社交网络、生物关系数据和相似实体发现等任务。

核心能力

Cleora 的重点是用确定性的稀疏矩阵传播来生成图嵌入，减少随机游走、负采样和复杂训练过程带来的不稳定性。它提供 Python 安装入口，底层由 Rust 实现，适合在已有数据管道里作为特征生成步骤使用。

• 将节点、实体和关系数据转换成可计算的向量表示
• 支持推荐、风控、社交图谱、生物信息和相似度检索等图场景
• CPU 环境即可运行，适合没有 GPU 集群的小团队做实验和生产部署
• 结果具有确定性，便于复现、对比和版本管理

适合的使用场景

当数据的价值主要藏在关系里，而不是单条记录本身时，Cleora 会比较合适。例如电商平台可以用它学习商品与用户之间的连接，风控团队可以分析账户、设备、交易之间的异常邻近关系，研究团队也可以把复杂网络转成后续模型可消费的特征。

它不负责构建完整业务系统，也不会替代数据库、搜索引擎或推荐框架。更合理的用法是把 Cleora 放在特征工程层，先生成稳定的实体向量，再交给下游模型、检索服务或分析任务使用。

使用边界

Cleora 面向有代码和数据处理能力的团队，需要准备关系数据、理解节点和边的含义，并根据任务评估嵌入效果。它适合追求可复现和低硬件门槛的图嵌入任务；如果需要拖拽式可视化建模、开箱即用的行业模型或业务后台，还需要搭配其他产品。

常见问题

Cleora 适合普通业务人员直接使用吗？

不太适合。它主要服务开发者、数据科学家和机器学习工程师，需要通过代码安装和处理数据，业务人员通常需要工程团队把结果接入现有系统。

它一定需要 GPU 才能跑吗？

不需要。Cleora 的一个特点就是强调 CPU 环境可用，适合没有专门 GPU 资源但仍需要做图嵌入的团队。

Cleora 能替代完整推荐系统吗？

不能直接替代。它负责生成关系数据的向量特征，推荐召回、排序、业务规则和线上服务仍需要由其他模块完成。