[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-awslabs--dgl-ke":3,"tool-awslabs--dgl-ke":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",157379,2,"2026-04-15T23:32:42",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":32,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":105,"github_topics":106,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":143},8059,"awslabs\u002Fdgl-ke","dgl-ke","High performance, easy-to-use, and scalable package for learning large-scale knowledge graph embeddings.","dgl-ke 是一款专为大规模知识图谱嵌入学习打造的高性能开源工具包。它基于深度图图书馆（DGL）构建，旨在解决传统方法在处理包含数百万节点和数十亿边的大型图谱时，面临的训练速度慢、资源消耗大及扩展性不足等难题。\n\n该工具支持在单机（CPU\u002FGPU）及分布式集群环境下高效运行，内置了 TransE、RotatE、DistMult 等多种主流算法模型，能够轻松完成模型训练、链路预测评估及推理任务。其核心技术亮点在于引入了多项创新优化策略，显著提升了计算效率。基准测试显示，在处理超大规模数据集时，dgl-ke 的计算速度比现有领先方案快 2 到 5 倍，能在短时间内完成海量数据的嵌入计算。\n\ndgl-ke 非常适合人工智能研究人员、算法工程师及数据科学家使用。无论是需要复现前沿学术论文的研究者，还是致力于构建大型推荐系统、知识问答应用的开发者，都能通过它快速实现高质量的知识图谱表征学习。只需简单的命令行操作，即可启动训练流程，让大规模图谱分析变得更加简单高效。","# \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_dgl-ke_readme_6b206e3d5d2b.png\" width = \"400\"\u002F>\n\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](.\u002FLICENSE)\n\n[Documentation](https:\u002F\u002Fdglke.dgl.ai\u002Fdoc\u002F)\n\nKnowledge graphs (KGs) are data structures that store information about different entities (nodes) and their relations (edges). A common approach of using KGs in various machine learning tasks is to compute knowledge graph embeddings. DGL-KE is a high performance, easy-to-use, and scalable package for learning large-scale knowledge graph embeddings. The package is implemented on the top of *[Deep Graph Library (DGL)](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl)* and developers can run DGL-KE on CPU machine, GPU machine, as well as clusters with a set of popular models, including [TransE](https:\u002F\u002Fwww.utc.fr\u002F~bordesan\u002Fdokuwiki\u002F_media\u002Fen\u002Ftranse_nips13.pdf), [TransR](https:\u002F\u002Fwww.aaai.org\u002Focs\u002Findex.php\u002FAAAI\u002FAAAI15\u002Fpaper\u002FviewPaper\u002F9571), [RESCAL](http:\u002F\u002Fciteseerx.ist.psu.edu\u002Fviewdoc\u002Fdownload?doi=10.1.1.383.2015&rep=rep1&type=pdf), [DistMult](https:\u002F\u002Farxiv.org\u002Fabs\u002F1412.6575), [ComplEx](http:\u002F\u002Fproceedings.mlr.press\u002Fv48\u002Ftrouillon16.pdf), and [RotatE](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1902.10197.pdf).\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_dgl-ke_readme_15dc7467e781.png\" alt=\"DGL-ke architecture\" width=\"600\">\n  \u003Cbr>\n  \u003Cb>Figure\u003C\u002Fb>: DGL-KE Overall Architecture\n\u003C\u002Fp>\n\nCurrently DGL-KE support three tasks:\n\n  * Training, trains KG embeddings using `dglke_train`(single machine) or `dglke_dist_train`(distributed environment).\n  * Evaluation, reads the pre-trained embeddings and evaluates the embeddings with a link prediction task on the test set using `dglke_eval`.\n  * Inference, reads the pre-trained embeddings and do the \n  entities\u002Frelations linkage predicting inference tasks using `dglke_predict` or do the embedding similarity  inference tasks using `dglke_emb_sim`.\n\n### Note\nIf you just want to train a KGE model using TransE, DistMult, RotatE, please goto https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgraphstorm.\n\n### A Quick Start\n\nTo install the latest version of DGL-KE run:\n\n```\nsudo pip3 install dgl\nsudo pip3 install dglke\n```\n\nTrain a `transE` model on `FB15k` dataset by running the following command:\n\n```\nDGLBACKEND=pytorch dglke_train --model_name TransE_l2 --dataset FB15k --batch_size 1000 \\\n--neg_sample_size 200 --hidden_dim 400 --gamma 19.9 --lr 0.25 --max_step 500 --log_interval 100 \\\n--batch_size_eval 16 -adv --regularization_coef 1.00E-09 --test --num_thread 1 --num_proc 8\n```\n\nThis command will download the `FB15k` dataset, train the `transE` model and save the trained embeddings into the file.\n\n### Performance and Scalability\n\nDGL-KE is designed for learning at scale. It introduces various novel optimizations that accelerate training on knowledge graphs with millions of nodes and billions of edges. Our benchmark on knowledge graphs consisting of over *86M* nodes and *338M* edges shows that DGL-KE can compute embeddings in 100 minutes on an EC2 instance with 8 GPUs and 30 minutes on an EC2 cluster with 4 machines (48 cores\u002Fmachine). These results represent a *2×∼5×* speedup over the best competing approaches.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_dgl-ke_readme_2dd9fad8a143.png\" alt=\"vs-gv-fb15k\" width=\"750\">\n  \u003Cbr>\n  \u003Cb>Figure\u003C\u002Fb>: DGL-KE vs GraphVite on FB15k\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_dgl-ke_readme_40bcf8d20c1c.png\" alt=\"vs-pbg-fb\" width=\"750\">\n  \u003Cbr>\n  \u003Cb>Figure\u003C\u002Fb>: DGL-KE vs Pytorch-BigGraph on Freebase\n\u003C\u002Fp>\n\nLearn more details with our [documentation](https:\u002F\u002Faws-dglke.readthedocs.io\u002Fen\u002Flatest\u002Findex.html)! If you are interested in the optimizations in DGL-KE, please check out [our paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2004.08532) for more details.\n\n### Cite\n\nIf you use DGL-KE in a scientific publication, we would appreciate citations to the following paper:\n\n```bibtex\n@inproceedings{DGL-KE,\nauthor = {Zheng, Da and Song, Xiang and Ma, Chao and Tan, Zeyuan and Ye, Zihao and Dong, Jin and Xiong, Hao and Zhang, Zheng and Karypis, George},\ntitle = {DGL-KE: Training Knowledge Graph Embeddings at Scale},\nyear = {2020},\npublisher = {Association for Computing Machinery},\naddress = {New York, NY, USA},\nbooktitle = {Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval},\npages = {739–748},\nnumpages = {10},\nseries = {SIGIR '20}\n}\n```\n\n### License\n\nThis project is licensed under the Apache-2.0 License.\n","# \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_dgl-ke_readme_6b206e3d5d2b.png\" width = \"400\"\u002F>\n\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](.\u002FLICENSE)\n\n[文档](https:\u002F\u002Fdglke.dgl.ai\u002Fdoc\u002F)\n\n知识图谱（KGs）是一种用于存储不同实体（节点）及其关系（边）信息的数据结构。在各种机器学习任务中，使用知识图谱的一种常见方法是计算知识图谱嵌入。DGL-KE 是一个高性能、易用且可扩展的软件包，用于学习大规模知识图谱嵌入。该软件包基于 *[Deep Graph Library (DGL)](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl)* 构建，开发者可以在 CPU 机器、GPU 机器以及集群上运行 DGL-KE，并支持一系列流行的模型，包括 [TransE](https:\u002F\u002Fwww.utc.fr\u002F~bordesan\u002Fdokuwiki\u002F_media\u002Fen\u002Ftranse_nips13.pdf)、[TransR](https:\u002F\u002Fwww.aaai.org\u002Focs\u002Findex.php\u002FAAAI\u002FAAAI15\u002Fpaper\u002FviewPaper\u002F9571)、[RESCAL](http:\u002F\u002Fciteseerx.ist.psu.edu\u002Fviewdoc\u002Fdownload?doi=10.1.1.383.2015&rep=rep1&type=pdf)、[DistMult](https:\u002F\u002Farxiv.org\u002Fabs\u002F1412.6575)、[ComplEx](http:\u002F\u002Fproceedings.mlr.press\u002Fv48\u002Ftrouillon16.pdf) 和 [RotatE](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1902.10197.pdf)。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_dgl-ke_readme_15dc7467e781.png\" alt=\"DGL-ke 架构\" width=\"600\">\n  \u003Cbr>\n  \u003Cb>图\u003C\u002Fb>: DGL-KE 总体架构\n\u003C\u002Fp>\n\n目前 DGL-KE 支持三项任务：\n\n  * 训练：使用 `dglke_train`（单机）或 `dglke_dist_train`（分布式环境）训练知识图谱嵌入。\n  * 评估：读取预训练的嵌入，并使用 `dglke_eval` 在测试集上通过链接预测任务对嵌入进行评估。\n  * 推理：读取预训练的嵌入，使用 `dglke_predict` 执行实体\u002F关系链接预测推理任务，或使用 `dglke_emb_sim` 执行嵌入相似性推理任务。\n\n### 注意\n如果您只想使用 TransE、DistMult 或 RotatE 训练 KGE 模型，请访问 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgraphstorm。\n\n### 快速入门\n\n要安装最新版本的 DGL-KE，请运行以下命令：\n\n```\nsudo pip3 install dgl\nsudo pip3 install dglke\n```\n\n通过运行以下命令，在 `FB15k` 数据集上训练一个 `transE` 模型：\n\n```\nDGLBACKEND=pytorch dglke_train --model_name TransE_l2 --dataset FB15k --batch_size 1000 \\\n--neg_sample_size 200 --hidden_dim 400 --gamma 19.9 --lr 0.25 --max_step 500 --log_interval 100 \\\n--batch_size_eval 16 -adv --regularization_coef 1.00E-09 --test --num_thread 1 --num_proc 8\n```\n\n此命令将下载 `FB15k` 数据集，训练 `transE` 模型，并将训练好的嵌入保存到文件中。\n\n### 性能与可扩展性\n\nDGL-KE 专为大规模学习而设计。它引入了多种新颖的优化技术，能够加速包含数百万个节点和数十亿条边的知识图谱的训练。我们在由超过 *86M* 个节点和 *338M* 条边组成的知识图谱上的基准测试表明，DGL-KE 可以在配备 8 块 GPU 的 EC2 实例上用时 100 分钟完成嵌入计算，而在由 4 台机器（每台 48 核）组成的 EC2 集群上则只需 30 分钟。这些结果相比最佳竞争方案实现了 *2×∼5×* 的速度提升。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_dgl-ke_readme_2dd9fad8a143.png\" alt=\"vs-gv-fb15k\" width=\"750\">\n  \u003Cbr>\n  \u003Cb>图\u003C\u002Fb>: DGL-KE 与 GraphVite 在 FB15k 上的对比\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_dgl-ke_readme_40bcf8d20c1c.png\" alt=\"vs-pbg-fb\" width=\"750\">\n  \u003Cbr>\n  \u003Cb>图\u003C\u002Fb>: DGL-KE 与 Pytorch-BigGraph 在 Freebase 上的对比\n\u003C\u002Fp>\n\n更多详细信息请参阅我们的 [文档](https:\u002F\u002Faws-dglke.readthedocs.io\u002Fen\u002Flatest\u002Findex.html)! 如果您对 DGL-KE 中的优化技术感兴趣，请查看 [我们的论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2004.08532) 以获取更多信息。\n\n### 引用\n如果您在科学出版物中使用 DGL-KE，我们非常感谢您引用以下论文：\n\n```bibtex\n@inproceedings{DGL-KE,\nauthor = {Zheng, Da and Song, Xiang and Ma, Chao and Tan, Zeyuan and Ye, Zihao and Dong, Jin and Xiong, Hao and Zhang, Zheng and Karypis, George},\ntitle = {DGL-KE: Training Knowledge Graph Embeddings at Scale},\nyear = {2020},\npublisher = {Association for Computing Machinery},\naddress = {New York, NY, USA},\nbooktitle = {Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval},\npages = {739–748},\nnumpages = {10},\nseries = {SIGIR '20}\n}\n```\n\n### 许可证\n本项目采用 Apache-2.0 许可证授权。","# DGL-KE 快速上手指南\n\nDGL-KE 是一个高性能、易用且可扩展的知识图谱嵌入（KGE）学习包，基于深度图图书馆（DGL）构建。它支持在单机 CPU\u002FGPU 或分布式集群上运行，内置 TransE、TransR、RotatE 等主流模型，适用于大规模知识图谱训练。\n\n## 环境准备\n\n*   **操作系统**：Linux (推荐 Ubuntu\u002FCentOS)\n*   **Python 版本**：Python 3.6+\n*   **后端依赖**：\n    *   PyTorch (需预先安装与系统 CUDA 版本匹配的 PyTorch)\n    *   DGL (Deep Graph Library)\n*   **硬件要求**：\n    *   **单机模式**：支持多核 CPU 或单\u002F多 GPU 机器。\n    *   **分布式模式**：需要多台机器组成的集群。\n\n> **注意**：如果您仅需使用 TransE、DistMult 或 RotatE 模型进行常规训练，也可以考虑使用功能更集成的 [GraphStorm](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgraphstorm)。\n\n## 安装步骤\n\n建议使用 `pip3` 进行安装。为确保国内下载速度，可指定清华或阿里镜像源。\n\n1.  **安装 DGL 核心库**：\n    ```bash\n    sudo pip3 install dgl -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *(注：若需特定 CUDA 版本的 DGL，请参考 DGL 官方文档安装对应版本，例如 `pip3 install dgl-cu11x`)*\n\n2.  **安装 DGL-KE**：\n    ```bash\n    sudo pip3 install dglke -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n以下示例演示如何在单机环境下，使用 **TransE** 模型在 **FB15k** 数据集上进行训练。该命令会自动下载数据集、启动训练并保存嵌入向量。\n\n**执行命令：**\n\n```bash\nDGLBACKEND=pytorch dglke_train --model_name TransE_l2 --dataset FB15k --batch_size 1000 \\\n--neg_sample_size 200 --hidden_dim 400 --gamma 19.9 --lr 0.25 --max_step 500 --log_interval 100 \\\n--batch_size_eval 16 -adv --regularization_coef 1.00E-09 --test --num_thread 1 --num_proc 8\n```\n\n**参数说明：**\n*   `--model_name`: 指定模型类型（如 `TransE_l2`, `RotatE`, `DistMult` 等）。\n*   `--dataset`: 指定数据集名称（支持 `FB15k`, `WN18`, `Freebase` 等内置数据集）。\n*   `--num_proc`: 指定使用的 CPU 进程数，可根据机器核心数调整以提升速度。\n*   `--test`: 训练完成后自动在测试集上进行评估。\n\n训练完成后，生成的嵌入文件将保存在当前目录下的输出文件夹中，可用于后续的链接预测 (`dglke_predict`) 或相似度计算 (`dglke_emb_sim`) 任务。","某大型电商公司的数据团队正试图利用包含数亿商品、用户及属性关系的超大规模知识图谱，构建智能推荐系统以挖掘潜在的购买关联。\n\n### 没有 dgl-ke 时\n- **训练效率极低**：面对亿级节点和十亿级边的数据量，传统单机训练框架内存溢出，分布式训练配置复杂且耗时数天难以收敛。\n- **模型迭代受阻**：由于训练周期过长，算法工程师无法快速验证 TransE、RotatE 等不同嵌入模型的的效果，严重拖慢研发节奏。\n- **资源成本高昂**：为了勉强跑通任务，不得不长期占用大量高性能 GPU 集群，导致云计算成本居高不下。\n- **推理性能瓶颈**：生成的嵌入向量质量不稳定，导致在实时“猜你喜欢”场景中，链接预测的准确率不足，推荐结果缺乏说服力。\n\n### 使用 dgl-ke 后\n- **训练速度飞跃**：借助 dgl-ke 的分布式优化能力，团队在 4 台机器组成的集群上仅用 30 分钟即可完成原本需数天的亿级图谱嵌入训练，速度提升数倍。\n- **模型灵活切换**：通过简单的命令行参数即可在 TransE、DistMult、ComplEx 等主流模型间无缝切换，一天内即可完成多轮模型对比与调优。\n- **硬件利用率最大化**：dgl-ke 完美支持 CPU、单机 GPU 及多机集群，显著降低了单位训练任务的算力消耗，大幅节省云资源开支。\n- **预测精度提升**：高质量的知识图谱嵌入使得链接预测任务准确率显著提高，成功挖掘出大量隐藏的“商品 - 用户”潜在关联，直接提升了推荐转化率。\n\ndgl-ke 通过极致的高性能与可扩展性，将超大规模知识图谱的训练从“不可行”变为“分钟级”，让企业能低成本地释放海量关系数据的商业价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_dgl-ke_2dd9fad8.png","awslabs","Amazon Web Services - Labs","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fawslabs_9e60acf8.png","AWS Labs",null,"http:\u002F\u002Famazon.com\u002Faws\u002F","https:\u002F\u002Fgithub.com\u002Fawslabs",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",88,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",8.3,{"name":89,"color":90,"percentage":91},"Shell","#89e051",3.7,1327,198,"2026-04-16T01:11:47","Apache-2.0","未说明","非必需（支持 CPU 和 GPU）。GPU 模式下需 NVIDIA GPU，README 提及在拥有 8 个 GPU 的 EC2 实例上运行良好，具体显存大小和 CUDA 版本未说明。","未说明（但在集群基准测试中提及单机 48 核配置）",{"notes":100,"python":101,"dependencies":102},"该工具基于深度图图书馆 (DGL) 构建。支持单机训练 (dglke_train)、分布式训练 (dglke_dist_train)、评估和推理任务。若仅需使用 TransE、DistMult 或 RotatE 模型，官方建议转向使用 GraphStorm 项目。安装时需先安装 dgl，再安装 dglke。运行前需设置环境变量 DGLBACKEND（例如 export DGLBACKEND=pytorch）。","3.x (通过 pip3 安装推断)",[103,104],"dgl","pytorch (DGLBACKEND=pytorch)",[16,14],[107,108,109,110,103],"machine-learning","knowledge-graph","knowledge-graphs-embeddings","graph-learning","2026-03-27T02:49:30.150509","2026-04-16T16:01:58.185711",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},36082,"运行 DGL-KE 时遇到 'Bus error (core dumped)' 错误，这是什么原因？","Bus error 通常意味着共享内存（shared memory）大小不足。如果您在使用 Docker 容器，请在运行容器时添加 `--shm-size=\"4G\"` 或更大的值来增加共享内存限制。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-ke\u002Fissues\u002F174",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},36083,"如何限制 DGL-KE 的内存消耗以避免 OOM（内存溢出）？","在进行超参数调整时，可以使用 `--no_eval_filter` 参数来减少内存占用并加快评估速度。虽然这可能会因为将部分正样本误判为负样本而轻微降低评估准确性（特别是在小数据集上），但在像 Full Freebase 这样的大数据集上影响很小。找到最佳超参数后，进行最终评估时再关闭此选项以保证精度。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-ke\u002Fissues\u002F84",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},36084,"使用自定义数据集时，找不到 entity.dict 映射文件怎么办？","该文件实际上存在，只是命名不同。请查找名为 `entities.tsv` 的文件，它包含了实体名称到 ID 的映射关系，功能等同于预期的 .dict 文件。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-ke\u002Fissues\u002F140",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},36085,"运行分布式训练示例时提示 'AttributeError: has_edge_importance' 或 IP 配置文件格式错误，如何解决？","这通常是由于环境中存在多个版本的 dglke 导致的冲突（例如同时存在从 Git 源码安装的版本和 PyPI 安装的版本）。请检查 `$PYTHONPATH`，卸载旧版本或确保只保留通过 `pip install dglke` 安装的版本。如果问题依旧，尝试清理所有相关库并使用 `sudo pip3 install --no-cache-dir dglke==0.1.0` 重新安装指定版本。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-ke\u002Fissues\u002F181",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},36086,"使用自定义数据集（UDD 或 Raw_UDD 格式）时，应该如何设置 dataset 参数？","对于 UDD 和 Raw_UDD 格式的用户自定义数据集，必须通过 `--dataset` 参数显式提供一个数据集名称。该参数不仅用于内置数据集，也用于命名您的自定义数据集，生成的嵌入文件名也会随之改变。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-ke\u002Fissues\u002F85",{"id":140,"question_zh":141,"answer_zh":142,"source_url":123},36087,"如何加速 DGL-KE 的评估过程？","除了使用 `--no_eval_filter` 牺牲少量精度换取速度外，还可以尝试使用多进程评估。确保在配置中正确设置了 `--num_proc` 参数（例如 `--num_proc 6`），以利用多核 CPU 并行处理评估任务。",[144,149],{"id":145,"version":146,"summary_zh":147,"released_at":148},288887,"0.1.1","此补丁版本提供了以下功能：\n\n* 离线推理：https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-ke\u002Fpull\u002F103\n* 重新组织文档。\n* 修复 bug：\n  * #85，在使用 udd 或 raw_udd 时强制用户指定数据集名称。（此举可避免将用户自定义数据的名称设置为 ‘FB15k’。）\n* 小幅改进：\n  * 移除不必要的评估日志：https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-ke\u002Fpull\u002F104\n  * 增加对 udd 输入的检查。\n  * 允许用户指定分隔符。","2020-08-26T05:23:49",{"id":150,"version":151,"summary_zh":152,"released_at":153},288888,"v0.1.0","我们很高兴地宣布 DGL-KE 的首个版本发布，这是一款超高速的知识图谱嵌入学习工具包。DGL-KE 最初是在 DGL 仓库中孵化的，如今已独立成为一个功能更强大、训练效率更高、扩展性更强的开源项目。其主要亮点包括：\n\n* 仅需一行代码即可轻松生成知识图谱嵌入。\n* 支持包含数百万节点和数十亿条边的超大规模图，并适配多种硬件环境：\n  * 多 CPU 机器，\n  * 多 GPU 机器，\n  * 集群式多机部署。\n* 同时支持 PyTorch 和 MXNet 框架。","2020-04-02T04:35:13"]