Анализ сайта dihe-pku.github.io
Основное Готовность: 100%
Домен
dihe-pku.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Цепочка редиректов:
http://dihe-pku.github.io
301 MovedPermanently
https://dihe-pku.github.io/
200 OK
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 20.10.2026 18:34:06.
Включён HSTS (Strict-Transport-Security) — защита от подмены на http.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf-8.
Язык
en
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык документа указан явно: en.
Скорость загрузки
~0,39сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,39сек оптимальна.
Объем документа
26Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 26Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 4
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Кол-во файлов ресурсов 4 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | https://DiHe-PKU.github.io/assets/css/main.css | |
| stylesheet | https://DiHe-PKU.github.io/assets/css/academicons.css | |
| js | https://cdnjs.cloudflare.com/ajax/libs/mathjax/2.7.4/latest.js?config=TeX-MML-AM_CHTML | |
| js | https://DiHe-PKU.github.io/assets/js/main.min.js |
Серверные заголовки
Кол-во: 18
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 18шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| Strict-Transport-Security | max-age=31556952 |
| ETag | "6a714e59-6ba3" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 942C:3CA18C:20BBCE:234578:6A899AF1 |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 12:49:53 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270078-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787402994.661516,VS0,VE122 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 6b40445e9a1466db3ad5d0fcb1b198365d7041e8 |
CMS
Не определена
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 48%
Title
About me - Di He (贺笛)
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо увеличить число символов в title (текущее значение мало: 21, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Установите мета-тег description!
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
https://DiHe-PKU.github.io/
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Канонический Url прописан корректно.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
width=device-width, initial-scale=1.0
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Кол-во: 5
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph задана. Страница оптимизирована под социальные сети.
Показать полный список og мета-тегов
| Тип | Значение |
|---|---|
| og:locale | en-US |
| og:site_name | Di He (贺笛) |
| og:title | About me |
| og:url | https://DiHe-PKU.github.io/ |
| og:description | About me |
Все мета-теги
Кол-во: 12
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 12шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | HandheldFriendly | True |
| name | MobileOptimized | 320 |
| name | viewport | width=device-width, initial-scale=1.0 |
| name | msapplication-TileColor | #000000 |
| name | msapplication-TileImage | https://DiHe-PKU.github.io/images/mstile-144x144.png?v=M44lzPylqQ |
| name | msapplication-config | https://DiHe-PKU.github.io/images/browserconfig.xml?v=M44lzPylqQ |
| name | theme-color | #ffffff |
| property | og:locale | en-US |
| property | og:site_name | Di He (贺笛) |
| property | og:title | About me |
| property | og:url | https://DiHe-PKU.github.io/ |
| property | og:description | About me |
Оптимизация Готовность: 72%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют по одному на документ).
Контент
Ошибок нет
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 5 встречаются в тексте достаточно.
Абзацев с текстом 92 достаточно.
Среднее число слов в абзаце 22 достаточно.
Кол-во знаков контента 13239 на странице оптимально.
Кол-во слов 2123 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h1> 4. Это прекрасно.
На странице присутствуют заголовки <h3> 1.
Тошнота
5,39
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 5. Измените текст страницы!
Академич. тошнота
2,83%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота не дотягивает до нормы 5-15%. Измените текст страницы!
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| tie-yan | 29 | 1,37% |
| neural | 19 | 0,89% |
| neurips | 16 | 0,75% |
| shengjie | 14 | 0,66% |
| learning | 12 | 0,57% |
| networks | 12 | 0,57% |
| machine | 10 | 0,47% |
| training | 10 | 0,47% |
| models | 9 | 0,42% |
| tianle | 9 | 0,42% |
| shuxin | 9 | 0,42% |
| bohang | 8 | 0,38% |
| guolin | 8 | 0,38% |
| language | 7 | 0,33% |
| zhuohan | 6 | 0,28% |
| shanda | 6 | 0,28% |
| translation | 6 | 0,28% |
| efficient | 5 | 0,24% |
| robust | 5 | 0,24% |
| mingqing | 5 | 0,24% |
Индексация Готовность: 60%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 102 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Найден корректный robots.txt
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Robots.txt настроен корректно. Размер файла: 48 байт. Загружен за: 0сек.
Проверяемая страница не запрещена в robots.txt.
Robots.txt доступен по постоянному адресу
Цепочка редиректов для файла robots.txt:
http://dihe-pku.github.io/robots.txt
301 MovedPermanently
https://dihe-pku.github.io/robots.txt
200 OK
Показать содержимое robots.txt
Sitemap: https://dihe-pku.github.io/sitemap.xml
Sitemap
Кол-во: 1
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt содержит карту сайта. Это прекрасно!
Robots.txt не содержит ошибок в карте сайта.
Показать карту сайта
| Url | Статус |
|---|---|
| https://dihe-pku.github.io/sitemap.xml |
|
Внутренние ссылки
Кол-во: 4
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 4 оптимально.
Внутренние ссылки не запрещены к индексации в robots.txt.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| / |
Di He (贺笛)
|
|
Анализировать url |
| / |
Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning
|
|
Анализировать url |
| /sitemap/ |
Sitemap
|
|
Анализировать url |
| /feed.xml |
<i class="fa fa-fw fa-rss-square" aria-hidden="true"></i> Feed
|
|
Анализировать url |
Внешние ссылки
Кол-во: 97
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 97 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
На странице ссылки с атрибутом rel='nofollow' 2.
Показать внешние ссылки
| Url | Анкор | Анализировать |
|---|---|---|
| linkedin.com |
<i class="fab fa-fw fa-linkedin" aria-hidden="true"></i> LinkedIn
|
Анализировать url |
| github.com |
<i class="fab fa-fw fa-github" aria-hidden="true"></i> Github
|
Анализировать url |
| scholar.google.com |
<i class="fas fa-fw fa-graduation-cap"></i> Google Scholar
|
Анализировать url |
| liweiwang-pku.com |
Liwei Wang
|
Анализировать url |
| openreview.net |
In-Place Test-Time Training
|
Анализировать url |
| openreview.net |
Quotient-Space Diffusion Model
|
Анализировать url |
| arxiv.org |
DPO Meets PPO: Reinforced Token Optimization for RLHF
|
Анализировать url |
| nature.com |
A Computational Framework for Neural Network-based Variational Monte Carlo with Forward Laplacian
|
Анализировать url |
| arxiv.org |
Beyond Weisfeiler-Lehman: A Quantitative Framework for GNN Expressiveness
|
Анализировать url |
| arxiv.org |
Towards Revealing the Mystery behind Chain of Thought: a Theoretical Perspective
|
Анализировать url |
| openreview.net |
Rethinking the Expressive Power of GNNs via Graph Biconnectivity
|
Анализировать url |
| openreview.net |
Rethinking Lipschitz Neural Networks for Certified L-infinity Robustness
|
Анализировать url |
| qizhexie.com |
Qizhe Xie
|
Анализировать url |
| sites.google.com |
Chengyue Gong
|
Анализировать url |
| cs.toronto.edu |
Jun Gao
|
Анализировать url |
| people.eecs.berkeley.edu |
Zhuohan Li
|
Анализировать url |
| cs.cmu.edu |
Zhiqing Sun
|
Анализировать url |
| web.stanford.edu |
Yiping Lu
|
Анализировать url |
| github.com |
Linyuan Gong
|
Анализировать url |
| runtianzhai.com |
Runtian Zhai
|
Анализировать url |
| tianle.website |
Tianle Cai
|
Анализировать url |
| fengyzpku.github.io |
Yunzhen Feng
|
Анализировать url |
| github.com |
Chengxuan Ying
|
Анализировать url |
| lithiumda.github.io |
Shanda Li
|
Анализировать url |
| scholar.google.com |
Chuwei Wang
|
Анализировать url |
| haotianye.com |
Haotian Ye
|
Анализировать url |
| scholar.google.com |
Tianlang Chen
|
Анализировать url |
| ada-cheng.github.io |
Xinle Cheng
|
Анализировать url |
| scholar.google.com.hk |
Kai Yang
|
Анализировать url |
| scholar.google.com |
Sijie Li
|
Анализировать url |
| yihan04.github.io |
Yihan Geng
|
Анализировать url |
| scholar.google.com |
Xinyue Ai
|
Анализировать url |
| scholar.google.com |
Full List
|
Анализировать url |
| openreview.net |
Understanding vs. Generation: Navigating Optimization Dilemma in Multimodal Models
|
Анализировать url |
| arxiv.org |
From Five Dimensions to Many: Large Language Models as Precise and Interpretable Psychological Profilers
|
Анализировать url |
| arxiv.org |
Online Pseudo-Zeroth-Order Training of Neuromorphic Spiking Neural Networks
|
Анализировать url |
| arxiv.org |
Diagnosing and Improving Diffusion Models by Estimating Optimal Loss Value
|
Анализировать url |
| arxiv.org |
Enhancing Auto-regressive Chain-of-Thought through Loop-Aligned Reasoning
|
Анализировать url |
| arxiv.org |
Efficient Reasoning for Large Reasoning Language Models via Certainty-Guided Reflection Suppression
|
Анализировать url |
| arxiv.org |
Theoretical Benefit and Limitation of Diffusion Language Model
|
Анализировать url |
| arxiv.org |
The AI Hippocampus: How Far are We From Human Memory?
|
Анализировать url |
| aclanthology.org |
Beyond Online Sampling: Bridging Offline-to-Online Alignment via Dynamic Data Transformation for LLMs
|
Анализировать url |
| openreview.net |
Follow Hamiltonian Leader: An Efficient Energy-Guided Sampling Method
|
Анализировать url |
| arxiv.org |
Let the Code LLM Edit Itself When You Edit the Code
|
Анализировать url |
| arxiv.org |
Bridging Geometric States via Geometric Diffusion Bridge
|
Анализировать url |
| arxiv.org |
Do Efficient Transformers Really Save Computation?
|
Анализировать url |
| openreview.net |
GeoMFormer: A General Architecture for Geometric Molecular Representation Learning
|
Анализировать url |
| arxiv.org |
Two Stones Hit One Bird: Bilevel Positional Encoding for Better Length Extrapolation
|
Анализировать url |
| arxiv.org |
REST: Retrieval-Based Speculative Decoding
|
Анализировать url |
| arxiv.org |
Learning a Fourier Transform for Linear Relative Positional Encodings in Transformers
|
Анализировать url |
| arxiv.org |
3D Molecular Generation via Virtual Dynamics
|
Анализировать url |
| arxiv.org |
Hebbian Learning based Orthogonal Projection for Continual Learning of Spiking Neural Networks
|
Анализировать url |
| arxiv.org |
DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets
|
Анализировать url |
| arxiv.org |
A Complete Expressiveness Hierarchy for Subgraph GNNs via Subgraph Weisfeiler-Lehman Tests
|
Анализировать url |
| openreview.net |
One Transformer Can Understand Both 2D & 3D Molecular Data
|
Анализировать url |
| openreview.net |
Denoising Masked Autoencoders are Certifiable Robust Vision Learners
|
Анализировать url |
| arxiv.org |
Learning Physics-Informed Neural Networks without Stacked Back-propagation
|
Анализировать url |
| arxiv.org |
Adversarial Noises Are Linearly Separable for (Nearly) Random Neural Networks
|
Анализировать url |
| openreview.net |
Your Transformer May Not be as Powerful as You Expect
|
Анализировать url |
| openreview.net |
Is $L^2$ Physics Informed Loss Always Suitable for Training Physics Informed Neural Network?
|
Анализировать url |
| openreview.net |
Online Training Through Time for Spiking Neural Networks
|
Анализировать url |
| openreview.net |
HousE: Knowledge Graph Embedding with Householder Parameterization
|
Анализировать url |
| openreview.net |
Two Coupled Rejection Metrics Can Tell Adversarial Examples Apart
|
Анализировать url |
| openreview.net |
Boosting the Certified Robustness of L-infinity Distance Nets
|
Анализировать url |
| arxiv.org |
Stable, Fast and Accurate: Kernelized Attention with Relative Positional Encoding
|
Анализировать url |
| arxiv.org |
Do Transformers Really Perform Bad for Graph Representation?
|
Анализировать url |
| arxiv.org |
Less is More: Pre-train a Strong Text Encoder for Dense Retrieval Using a Weak Decoder
|
Анализировать url |
| arxiv.org |
How could Neural Networks Understand Programs
|
Анализировать url |
| arxiv.org |
Towards Certifying ℓ∞ Robustness using Neural Networks with ℓ∞-dist Neurons
|
Анализировать url |
| arxiv.org |
GraphNorm: A Principled Approach to Accelerating Graph Neural Network Training
|
Анализировать url |
| openreview.net |
Taking Notes on the Fly Helps Language Pre-training
|
Анализировать url |
| openreview.net |
Rethinking Positional Encoding in Language Pre-training
|
Анализировать url |
| arxiv.org |
Invertible Image Rescaling
|
Анализировать url |
| arxiv.org |
On Layer Normalization in the Transformer Architecture
|
Анализировать url |
| arxiv.org |
MACER: Attack-free and Scalable Robust Training via Maximizing Certified Radius
|
Анализировать url |
| openreview.net |
Incorporating BERT into Neural Machine Translation
|
Анализировать url |
| arxiv.org |
Gram-Gauss-Newton Method: Learning Overparameterized Neural Networks for Regression Problems
|
Анализировать url |
| arxiv.org |
Understanding and Improving Transformer From a Multi-Particle Dynamic System Point of View
|
Анализировать url |
| arxiv.org |
Fast Structured Decoding for Sequence Models
|
Анализировать url |
| arxiv.org |
Adversarially Robust Generalization Just Requires More Unlabeled Data
|
Анализировать url |
| aclweb.org |
Machine Translation With Weakly Paired Documents
|
Анализировать url |
| arxiv.org |
Hint-based Training for Non-autoregressive Translation
|
Анализировать url |
| proceedings.mlr.press |
Efficient Training of BERT by Progressively Stacking
|
Анализировать url |
| proceedings.mlr.press |
Towards a Deep and Unified Understanding of Deep Neural Models in NLP
|
Анализировать url |
| arxiv.org |
Representation Degeneration Problem in Training Natural Language Generation Models
|
Анализировать url |
| arxiv.org |
FRAGE: Frequency-Agnostic Word Representation
|
Анализировать url |
| papers.nips.cc |
Layer-wise Coordination Between Encoder and Decoder for Neural Machine Translation
|
Анализировать url |
| arxiv.org |
Towards Binary-valued Gates for Robust LSTM Training
|
Анализировать url |
| papers.nips.cc |
Decoding with Value Networks for Neural Machine Translation
|
Анализировать url |
| papers.neurips.cc |
Dual Learning for Machine Translation
|
Анализировать url |
| dl.acm.org |
Generalized Second Price Auction with Probabilistic Broad Match
|
Анализировать url |
| arxiv.org |
A Game-Theoretic Machine Learning Approach for Revenue Maximization in Sponsored Search
|
Анализировать url |
| proceedings.mlr.press |
A Theoretical Analysis of NDCG Type Ranking Measures
|
Анализировать url |
| github.com |
<i class="fab fa-github" aria-hidden="true"></i> GitHub
|
Анализировать url |
| jekyllrb.com |
Jekyll
|
Анализировать url |
| github.com |
AcademicPages
|
Анализировать url |
| mademistakes.com |
Minimal Mistakes
|
Анализировать url |
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Анализ сайта dihe-pku.github.io выполнен, проверка показывает, что сайт хорошо оптимизирован на 70%.
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: