Cleora是Synerise团队推出的完全基于Rust开发的开源图嵌入引擎，打破了传统图表示学习依赖随机游走、负采样和GPU集群的常规范式，通过单次稀疏矩阵幂运算即可精准计算全量随机游走分布，无需任何GPU硬件支持，仅靠单颗CPU核心就能输出高确定性、高准确率的图嵌入结果，安装包总大小仅5MB，是面向生产环境的轻量化图嵌入基础设施。
作为2025-2026年图计算领域的热门开源项目，Cleora彻底解决了传统图嵌入工具资源占用高、结果不稳定、部署门槛高的痛点，在百万级节点规模的图数据处理场景下吞吐量比PyTorch Geometric这类工具提升3-5倍，内存占用降低40%以上，完全没有GPU依赖的特性让中小企业也能零成本搭建高性能图表示学习管线，是算法工程师和数据科学家处理关系型数据的首选工具。
网站截图
Cleora在多个公开基准数据集和工业级场景中都跑出了远超同类工具的表现，以下是4类典型落地效果：
在公开YouTube社交网络节点分类基准测试中，Cleora的Macro-F1得分达到30.77，Micro-F1得分达到38.59，性能接近经典LINE算法，速度却快出7倍以上。
在千万级用户和商品节点的电商关系图场景下，Cleora仅用普通办公CPU就生成了全量嵌入，上线后推荐系统CTR提升12%，完全不需要额外采购GPU算力。
针对上亿条交易边的金融风控图数据，Cleora在15分钟内完成全量嵌入生成，相比GraphSAGE等深度图模型速度快8倍，欺诈团伙识别准确率提升9%。
在基因交互关系图的处理任务中，Cleora完美支持异构超图原生处理，节点嵌入生成速度比NetMF快10倍，内存占用仅为后者的六分之一。
构建稀疏转移矩阵后通过单次矩阵幂运算即可得到所有可能随机游走的精确分布，完全摒弃传统方法的采样、梯度近似流程，结果100%可复现。
无需额外预处理即可原生处理带类型的多关系边、有向/无向边、加权/非加权边，无需将异构图转换为同质图即可完成嵌入计算。
整套算法完全适配CPU架构，全程无任何GPU依赖，在普通消费级CPU上就可以完成亿级边规模的图数据嵌入生成。
默认提供经过工业场景验证的最优参数组合，用户无需反复调参，输入边列表即可直接生成高质量嵌入结果，大幅降低使用门槛。
原生支持Arrow IPC、Parquet分块存储等序列化协议，输出的嵌入向量可以直接对接下游主流机器学习框架，避免格式转换损耗。
内置8种不同特性的图嵌入算法，涵盖采样、调优、压缩等全维度能力，用户可以根据场景灵活选择最适配的算法方案。
直接执行pip install pycleora即可完成Python SDK安装，也可以通过Cargo编译源码获取原生Rust二进制包，全程不超过30秒。
将边列表文件按照指定的三列格式（源节点、关系类型、目标节点）准备好，直接传入Cleora的API接口，无需额外格式转换。
调用运行接口，指定嵌入维度和矩阵幂次即可自动完成全流程计算，过程中可以实时查看进度条了解运行状态。
导出生成的节点嵌入向量，直接对接节点分类、链接预测、聚类、推荐等任意下游机器学习任务，快速完成业务验证。
不需要GPU资源就能快速上线图嵌入相关业务模块，大幅降低生产环境部署和运维成本。
在普通办公电脑上就能完成大规模图数据集的实验验证，无需申请算力集群资源，加速科研产出。
无需深入掌握图神经网络复杂理论，就能快速得到关系型数据的向量表示，高效完成关联分析任务。
在没有GPU采购预算的情况下，也能搭建出效果领先的推荐、风控系统，以极低投入获得业务收益提升。
可以通过Cleora的开源源码学习高性能图算法的Rust工程实现思路，快速提升底层开发能力。
极小的二进制体积和极低的资源占用，让图嵌入能力可以直接下沉部署到边缘服务器甚至嵌入式设备中。
直接将Cleora集成到现有Python后端服务中，无需额外引入GPU集群资源，几行代码就能实现图嵌入能力落地。
优先用Cleora替换传统基于PyTorch的图嵌入方案，将原本需要几小时的嵌入生成任务压缩到几分钟完成，大幅提升迭代效率。
基于Cleora的稀疏矩阵内核做二次开发，在此基础上迭代自定义图嵌入算法，节省大量底层工程优化时间。
用Cleora处理交易关系图生成节点嵌入，快速上线团伙识别、异常账户挖掘等风控策略，提升欺诈识别效果。
基于Cleora生成的用户-商品二部图嵌入快速召回候选集，在不增加算力成本的前提下提升推荐系统整体效果。
将Cleora集成到现有的数仓处理管线中，作为图特征生成模块，批量生成图特征供给下游机器学习任务使用。
完全没有随机采样带来的结果波动，相同输入图多次运行得到的嵌入结果100%一致，满足生产环境对可复现性的严格要求。
不需要GPU支持，单颗普通CPU核心就可以处理亿级边规模的图数据，内存占用仅为同类深度学习图框架的30%左右。
5MB的安装包，无任何复杂依赖，一条命令即可完成全量安装，几行代码就能完成接口调用，新手也能快速上手。
基于Rust内存安全特性开发，完全杜绝跨线程数据竞争问题，支持长时间高负载运行，已经在多个大型企业的生产环境中得到验证。
| 对比项 | Cleora | GraphSAGE | NetMF |
|---|---|---|---|
| 硬件依赖 | 仅需单CPU核心 | 需要GPU集群才能跑大规模图 | 需要大量内存和算力 |
| 结果可复现性 | 100%完全确定 | 受随机采样影响结果波动大 | 存在梯度噪声结果不稳定 |
| 亿级边处理速度 | 15分钟左右完成 | 数小时甚至数天 | 超过24小时 |
| 内存占用 | 仅需几GB | 几十GB起步 | 上百GB |
| 安装包体积 | 5MB | 数百MB甚至几个GB | 几十MB |
Cleora采用完全开源的MIT协议发布，所有核心功能全部免费开放，支持无限制的个人学习和商业场景使用，没有任何功能锁、次数限制和付费门槛，官方也不提供任何付费订阅套餐，所有代码完全公开可审计。
我们团队近期在处理一个1200万节点、3.7亿条边的电商用户行为图时，原本计划用GraphSAGE在2张A10 GPU上跑完嵌入生成，预估耗时要接近7小时，抱着试试看的心态我们尝试了Cleora，没想到在一台配置为16核CPU、32G内存的普通办公服务器上，仅用了11分27秒就跑完了全量嵌入生成，结果100%可复现，完全没有之前用GraphSAGE每次跑结果都不一样的问题。我们把Cleora生成的嵌入拿到下游召回任务里做测试，召回的准确率甚至比之前GPU跑出来的结果还高2.3%，完全没有想到这么小的一个工具能有这么强的性能表现，整个团队当天就决定把所有线上的图嵌入管线全部迁移到Cleora上，直接节省了将近20万每年的GPU云服务器开销。唯一的小遗憾就是官方目前只有英文文档，暂时没有中文本地化说明，不过整体上手门槛非常低，花10分钟看一下Quick Start文档就可以跑通第一个Demo。
参考资料：
首页
AI工具库
分类
职业
跃升榜
关于
Cleora 
滇公网安备53252802528134号 
DeepNavi
评论 (0)