ConnectionLens est un outil permettant de trouver des connexions entre des termes spécifiés par l'utilisateur à travers plusieurs sources de données hétérogènes. Il considère un ensemble de sources de données indépendantes comme un graphe virtuel unique, où les nœuds représentent des éléments de données fins (par exemple, des tuples relationnels, des attributs, des paires clé-valeur, des nœuds RDF, JSON ou XML) et les arêtes correspondent soit à des connexions structurelles (par exemple, un tuple est dans une base de données, un attribut est dans un tuple, un nœud JSON a un parent, etc.) soit à des liens de similarité (sameAs). Pour enrichir le contenu avec lequel les journalistes travaillent, ConnectionLens détecte également les personnes, les organisations, etc. mentionnées dans le texte, que ce soit du texte intégral ou des extraits trouvés dans des données RDF ou XML.

Connection-Studio est une plateforme web permettant l'analyse et la visualisation de données biologiques, en particulier des réseaux d'interactions moléculaires. Il permet l'intégration de données hétérogènes et la recherche de motifs dans des données textuelles.

Ce projet consiste en la centralisation des scripts de modification de fichiers de texte pour le projet TIME US. Il vise à préparer, annoter et structurer des corpus textuels, en particulier dans le cadre de la mission de stage de Victoria Le Fourner sur la structuration des prud'hommes de Paris et Lyon.

Abstra est un système permettant de créer le schéma E-R de n'importe quel ensemble de données RDF, JSON ou XML. D'autres formats seront ajoutés dans le futur.

Ce projet est une implémentation officielle de l'approche de concaténation pour la détection de vulnérabilités XSS statiques dans du code. Il représente le code source sur la base de la tokenisation de son contenu et est décrit dans le document de recherche suivant : Héloïse Maurel, Santiago Vidal et Tamara Rezk, 'code2vec: Apprentissage de représentations distribuées de code', POPL'2019.

Ce projet vise à démontrer l'efficacité de l'utilisation de WordNet pour l'entailement lexicale, une tâche d'évaluation sémantique entre deux mots ou expressions. Il propose une méthode non supervisée pour résoudre cette tâche, utilisant des techniques d'apprentissage automatique telles que Gensim, NLTK, NumPy, Pandas, scikit-learn, SciPy, Torch et Transformers.

Ce projet vise à extraire des mentions statistiques de données textuelles afin de fournir un contenu fiable et digne de confiance.

Le projet wordnet-embeddings vise à créer des représentations vectorielles de mots à partir de la base de données WordNet, en utilisant des réseaux de neurones convolutifs sur graphes. Il permet également de réaliser des tâches simples de traitement du langage naturel pour évaluer ces représentations.