F. Lainé, Dynamique de l'emploi et des métiers : quelle fracture territoriale ?, 2017.

H. Ji, S. Ploux, and E. Wehrli, Lexical knowledge representation with contexonyms, Proceedings of the 9th Machine Translation Summit, pp.194-201, 2003.

T. Mikolov, I. Sutskever, K. Chen, G. S. Corrado, and J. Dean, Distributed representations of words and phrases and their compositionality, Advances in neural information processing systems, pp.3111-3119, 2013.

J. Pennington, R. Socher, and C. D. Manning, Glove : Global vectors for word representation, Empirical Methods in Natural Language Processing (EMNLP), pp.1532-1543, 2014.

S. Ploux, A. Boussidan, and H. Ji, The Semantic Atlas : an Interactive Model of Lexical Representation, Proceedings of the Seventh conference on International Language Resources and Evaluation (LREC'10), 2010.
URL : https://hal.archives-ouvertes.fr/hal-00933294

G. Saporta, Annexes Fréquences, cooccurrence et contextonymie Un traitement du corpus des réponses au GDN a été effectué sur les 4 sous-corpus obtenus pour chacun des thèmes ainsi que sur l'ensemble (tous thèmes confondus), Probabilités, analyse des données et statistique. Editions Technip, 2006.

, Ce choix est plus spécifiquement utile pour le traitement des verbes dont le grand nombre de variantes empêcherait la juste prise en compte s'ils n'étaient pas regroupés sous un même lemme. Ensuite, la fréquence de chaque mot, la fréquence de cooccurrence avec l'ensemble des autres mots ainsi que la fréquence de cooccurrence ordonnée, Le traitement des textes comporte plusieurs étapes et choix. Tout d'abord les corpus ont été lemmatisés