Les résumés linguistiques flous permettent de décrire des caractéristiques des données. Ils peuvent être de plusieurs natures, à la fois en raison des protoformes différents, et en raison des formats des données sources. Il a par exemple été proposé dans des travaux précédents d'extraire des résumés flous à partir de graphes de propriétés. Ces bases de données sont structurées sous la forme de graphes dont les nœuds et les arcs sont porteurs de propriétés sous le format (clé ;valeur). On peut alors retrouver des résumés flous du type “la plupart des étudiants habitent dans un petit appartement”. Dans cet article, nous explorons la recherche et la caractérisation des exceptions à ces résumés, par exemple pour retrouver des résumés étendus du type “la plupart des jeunes habitent dans un petit appartement, sauf quand ils ont un haut salaire”. Pour ce faire, nous nous appuyons sur Cypherf qui est le langage de requêtes floues sur les graphes de propriété des bases Neo4j (extension de Cypher) et sur le DSL (Domain Specific Language) Fuzzy4S permettant d'exprimer l'ensemble des fonctions nécessaires.
Les bases de données dites hétérogènes contiennent des données décrites par des attributs à la fois symboliques et numériques. Cet article propose une méthode, appelée OSACA, pour identifier, parmi les attributs symboliques, les attributs ordinaux, en exploitant les informations fournies par les attributs numériques. Pour ce faire, OSACA procède en trois étapes : des motifs graduels sont d'abord extraits des attributs numériques. Des filtres morphologiques sont ensuite appliqués aux attributs symboliques pour déterminer des ordres sur les valeurs catégorielles à partir de l'ordre induit par les motifs graduels. Enfin, une mesure d'entropie d'ordre permet d'évaluer la pertinence des ordres candidats.
Les modèles OLAP flous étendent les modèles proposés à partir des années 2000 pour gérer les données et/ou requêtes imprécises dans le contexte des bases de données décisionnelles. Ces modèles fournissent des outils de navigation à travers différents niveaux de granularité afin de permettre aux décideurs d'analyser les données notamment à différents niveaux de granularité. Des modèles multidimensionnels spécifiques, organisant les données sous la forme agrégée d'indicateurs analysés le long d'un ensemble de dimensions ont été proposés. Si des moteurs de bases de données purement OLAP ont été construits, la plupart des implantations actuelles de ces modèles exploitent les systèmes de bases de données relationnelles. Dans cet article, nous proposons d'exploiter les modèles NoSQL orientés graphes proposés plus récemment et permettant de traiter des volumes de données complexes plus importants. Ce travail est un premier pas vers la définition d'un langage dédié (Domain Specific Language) pour l'OLAP flou.