Анализ страницы https://adapterhub.ml/explore/
Основное Готовность: 100%
Домен
adapterhub.ml
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Домен второго уровня идеален для продвижения.
Отличный запоминающийся домен.
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.
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 18.11.2026 9:52:52.
Включён HSTS (Strict-Transport-Security) — защита от подмены на http.
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
~0,52сек
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 0,52сек оптимальна.
Объем документа
74Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 74Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 8
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 8 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | https://cdnjs.cloudflare.com/ajax/libs/font-awesome/5.13.0/css/all.min.css | |
| stylesheet | /pygments.css | |
| stylesheet | /static/gen/packed.css?c557e741 | |
| stylesheet | text/css | https://cdn.jsdelivr.net/npm/cookieconsent@3/build/cookieconsent.min.css |
| js | https://www.googletagmanager.com/gtag/js?id=UA-169190162-1 | |
| js | text/javascript | /static/gen/packed.js?2800c204 |
| js | text/javascript | https://cdn.jsdelivr.net/npm/mathjax@2/MathJax.js |
| js | https://cdn.jsdelivr.net/npm/cookieconsent@3/build/cookieconsent.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 | "682cde17-12960" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 4F98:9E07F:3C3FB8:41159D:6A8A7DA4 |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 04:57:09 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270050-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787461029.311397,VS0,VE124 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 991524ae456060a17af1223fe29e3cc478022611 |
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: 32%
Title
AdapterHub - Explore
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: 22, 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
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.
Рекомендуем прописать канонический Url.
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, shrink-to-fit=no
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
Не найдено
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 не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 1
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 1шт. 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 | viewport | width=device-width, initial-scale=1, shrink-to-fit=no |
Оптимизация Готовность: 52%
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
Есть ошибки
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 2 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 62 достаточно.
Среднее число слов в абзаце 156 достаточно.
Кол-во знаков контента 12762 на странице оптимально.
Кол-во слов 1721 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> 1. Это прекрасно.
На странице присутствуют заголовки <h3> 24.
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
27,25%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота превышает норму 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 |
|---|---|---|
| dataset | 29 | 1,69% |
| english | 23 | 1,34% |
| language | 21 | 1,22% |
| corpus | 16 | 0,93% |
| question | 16 | 0,93% |
| knowledge | 12 | 0,70% |
| questions | 12 | 0,70% |
| classification | 12 | 0,70% |
| reading | 11 | 0,64% |
| comprehension | 11 | 0,64% |
| sentiment | 11 | 0,64% |
| sentences | 10 | 0,58% |
| sentence | 10 | 0,58% |
| reasoning | 10 | 0,58% |
| answering | 10 | 0,58% |
| natural | 10 | 0,58% |
| inference | 9 | 0,52% |
| common | 8 | 0,46% |
| semantic | 8 | 0,46% |
| similarity | 8 | 0,46% |
Индексация Готовность: 50%
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 68 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Не найден
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.
Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.
Sitemap
Кол-во: 0
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 не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.
Внутренние ссылки
Кол-во: 62
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 62 оптимально.
На странице присутствуют изображения 1.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| /explore/ |
<i class="fas fa-binoculars"></i> Explore
|
|
| /blog/ |
<i class="fas fa-bullhorn"></i> Blog
|
|
| /explore/text_task/ |
Tasks
|
|
| /explore/text_lang/ |
Languages
|
|
| /explore/argument/ukpsent/ |
<div class="card-body">
<h5 class="card-title">
UKP Sentential Argument Mining
<span class="notice">argument/ukpsent</span>
</h5>
<p class="card-text">
The UKP Sentential Argument Mining Corpus includes 25,492 sentences over eight controversial topics. Each sentence
was annotated via crowdsourcing as either a supporting argument, an attacking...
<span class="invisible">Argument Mining</span>
</p>
</div>
|
|
| /explore/comsense/copa/ |
<div class="card-body">
<h5 class="card-title">
COPA
<span class="notice">comsense/copa</span>
</h5>
<p class="card-text">
COPA (Gordon et al., 2012) is a causal commonsense reasoning task with the goal to select the more plausible sentence of two alternatives, given a premise sentence.
<span class="invisible">Common Sense Reasoning</span>
</p>
</div>
|
|
| /explore/comsense/cosmosqa/ |
<div class="card-body">
<h5 class="card-title">
Cosmos QA
<span class="notice">comsense/cosmosqa</span>
</h5>
<p class="card-text">
Cosmos QA is a large-scale dataset of 35,600 problems that require commonsense-based reading comprehension,
formulated as multiple-choice questions.
<span class="invisible">Common Sense Reasoning</span>
</p>
</div>
|
|
| /explore/comsense/csqa/ |
<div class="card-body">
<h5 class="card-title">
Commonsense QA
<span class="notice">comsense/csqa</span>
</h5>
<p class="card-text">
To investigate question answering with prior knowledge, we present CommonsenseQA: a challenging new dataset for
commonsense question answering. To capture common sense beyond associations, we...
<span class="invisible">Common Sense Reasoning</span>
</p>
</div>
|
|
| /explore/comsense/hellaswag/ |
<div class="card-body">
<h5 class="card-title">
HellaSwag
<span class="notice">comsense/hellaswag</span>
</h5>
<p class="card-text">
HellaSwag, a new benchmark for commonsense NLI.
<span class="invisible">Common Sense Reasoning</span>
</p>
</div>
|
|
| /explore/comsense/siqa/ |
<div class="card-body">
<h5 class="card-title">
Social IQA
<span class="notice">comsense/siqa</span>
</h5>
<p class="card-text">
Social IQa is the first largescale benchmark for commonsense reasoning about social situations.
Social IQa contains 38,000 multiple choice questions for probing emotional and social intelligence...
<span class="invisible">Common Sense Reasoning</span>
</p>
</div>
|
|
| /explore/comsense/winogrande/ |
<div class="card-body">
<h5 class="card-title">
WinoGrande
<span class="notice">comsense/winogrande</span>
</h5>
<p class="card-text">
WinoGrande is a new collection of 44k problems, inspired by Winograd Schema Challenge (Levesque, Davis, and
Morgenstern 2011), but adjusted to improve the scale and robustness against the...
<span class="invisible">Common Sense Reasoning</span>
</p>
</div>
|
|
| /explore/dp/ud_ewt/ |
<div class="card-body">
<h5 class="card-title">
UD English EWT
<span class="notice">dp/ud_ewt</span>
</h5>
<p class="card-text">
Dependency parsing on Universal Dependencies English EWT.
UD English EWT is a Gold Standard Universal Dependencies Corpus for English, built over the source material of the English Web Treebank...
<span class="invisible">Dependency Parsing</span>
</p>
</div>
|
|
| /explore/deprel/ud_ewt/ |
<div class="card-body">
<h5 class="card-title">
UD English EWT
<span class="notice">deprel/ud_ewt</span>
</h5>
<p class="card-text">
Dependency relation classification on Universal Dependencies English EWT.
UD English EWT is a Gold Standard Universal Dependencies Corpus for English, built over the source material of the English...
<span class="invisible">Dependency Relation Classification</span>
</p>
</div>
|
|
| /explore/dialect/arabic/ |
<div class="card-body">
<h5 class="card-title">
ArabicDialect
<span class="notice">dialect/arabic</span>
</h5>
<p class="card-text">
Arabic Dialect Detection classifies text into Modern Standard Arabic (MSA),
Egyptian, Maghrebi (northwest Africa), Gulf, and Levantine
<span class="invisible">Dialect Detection</span>
</p>
</div>
|
|
| /explore/formality_classify/gyafc/ |
<div class="card-body">
<h5 class="card-title">
Grammarly's Yahoo Answers Formality Corpus (GYAFC)
<span class="notice">formality_classify/gyafc</span>
</h5>
<p class="card-text">
The Grammarly’s Yahoo Answers Formality Corpus (GYAFC) is the largest dataset for formality
classification which contains a total of 110K informal / formal sentence pairs. This is a...
<span class="invisible">Formality Classification</span>
</p>
</div>
|
|
| /explore/ged/fce/ |
<div class="card-body">
<h5 class="card-title">
CLC FCE Dataset
<span class="notice">ged/fce</span>
</h5>
<p class="card-text">
The First Certificate in English (FCE) dataset in sequence labeling format, converted by Rei and Yannakoudakis (2016), wher eeach token in a sentence is labelled either as correct or as incorrect....
<span class="invisible">Grammatical Error Detection</span>
</p>
</div>
|
|
| /explore/lm/poem/ |
<div class="card-body">
<h5 class="card-title">
poem
<span class="notice">lm/poem</span>
</h5>
<p class="card-text">
The model is trained to learn the structure of poems in the english language.
<span class="invisible">Language Modeling</span>
</p>
</div>
|
|
| /explore/lingaccept/cola/ |
<div class="card-body">
<h5 class="card-title">
CoLA
<span class="notice">lingaccept/cola</span>
</h5>
<p class="card-text">
The Corpus of Linguistic Acceptability (CoLA) in its full form consists of 10657 sentences from 23 linguistics publications, expertly annotated for acceptability (grammaticality) by their original...
<span class="invisible">Linguistic Acceptability</span>
</p>
</div>
|
|
| /explore/rc/multirc/ |
<div class="card-body">
<h5 class="card-title">
MultiRC
<span class="notice">rc/multirc</span>
</h5>
<p class="card-text">
The Multi-Sentence Reading Comprehension dataset (MultiRC, Khashabi et al., 2018) is a true/false question-answering task.
Each example consists of a context paragraph, a question about that...
<span class="invisible">Machine Reading Comprehension</span>
</p>
</div>
|
|
| /explore/rc/race/ |
<div class="card-body">
<h5 class="card-title">
RACE
<span class="notice">rc/race</span>
</h5>
<p class="card-text">
Race is a large-scale reading comprehension dataset with more than 28,000 passages and nearly 100,000 questions.
The dataset is collected from English examinations in China, which are designed for...
<span class="invisible">Machine Reading Comprehension</span>
</p>
</div>
|
|
| /explore/rc/record/ |
<div class="card-body">
<h5 class="card-title">
ReCoRD
<span class="notice">rc/record</span>
</h5>
<p class="card-text">
ReCoRD is a reading comprehension task requiring commonsense reasoning. The context paragraphs and queries are generated from curated CNN/ Daily Mail news articles. The task itself is formulated...
<span class="invisible">Machine Reading Comprehension</span>
</p>
</div>
|
|
| /explore/mt/wmt16_en_ro/ |
<div class="card-body">
<h5 class="card-title">
WMT16 English-Romanian
<span class="notice">mt/wmt16_en_ro</span>
</h5>
<p class="card-text">
The English-Romanian translation dataset from the shared task of the First Conference on Machine Translation (WMT16).
<span class="invisible">Machine Translation</span>
</p>
</div>
|
|
| /explore/mlki/ep/ |
<div class="card-body">
<h5 class="card-title">
MLKI_EP
<span class="notice">mlki/ep</span>
</h5>
<p class="card-text">
Enhancing the phrase-level cross-lingual entity alignment in language models, which is suitable for knowledge graph tasks
<span class="invisible">Multilingual Knowledge Integration</span>
</p>
</div>
|
|
| /explore/mlki/es/ |
<div class="card-body">
<h5 class="card-title">
MLKI_ES
<span class="notice">mlki/es</span>
</h5>
<p class="card-text">
Enhancing the sentence-level cross-lingual entity alignment in language models, which is suitable for language modeling tasks
<span class="invisible">Multilingual Knowledge Integration</span>
</p>
</div>
|
|
| /explore/mlki/tp/ |
<div class="card-body">
<h5 class="card-title">
MLKI_TP
<span class="notice">mlki/tp</span>
</h5>
<p class="card-text">
Enhancing the phrase-level factual triple knowledge in language models, which is suitable for knowledge graph tasks
<span class="invisible">Multilingual Knowledge Integration</span>
</p>
</div>
|
|
| /explore/mlki/ts/ |
<div class="card-body">
<h5 class="card-title">
MLKI_TS
<span class="notice">mlki/ts</span>
</h5>
<p class="card-text">
Enhancing the sentence-level factual triple knowledge in language models, which is suitable for language modeling tasks
<span class="invisible">Multilingual Knowledge Integration</span>
</p>
</div>
|
|
| /explore/ner/conll2003/ |
<div class="card-body">
<h5 class="card-title">
conll2003
<span class="notice">ner/conll2003</span>
</h5>
<p class="card-text">
The CoNLL 2003 Task is a language independent Named Entity Recognition. In the dataset are englich and german training, development and test sets. The english data is from the Reuter corpus and...
<span class="invisible">Named Entity Recognition
</span>
</p>
</div>
|
|
| /explore/ner/mit_movie_trivia/ |
<div class="card-body">
<h5 class="card-title">
MIT Movie Corpus (trivia10k13)
<span class="notice">ner/mit_movie_trivia</span>
</h5>
<p class="card-text">
The MIT Movie Corpus contains movie reviews tagged in BIO format. We use the larger trivia10k13 corpus which contains more complex examples.
<span class="invisible">Named Entity Recognition
</span>
</p>
</div>
|
|
| /explore/nli/cb/ |
<div class="card-body">
<h5 class="card-title">
CommitmentBank
<span class="notice">nli/cb</span>
</h5>
<p class="card-text">
The CommitmentBank is a corpus of naturally occurring discourses whose final sentence contains a clause-embedding
predicate under an entailment canceling operator.
<span class="invisible">Natural Language Inference</span>
</p>
</div>
|
|
| /explore/nli/multinli/ |
<div class="card-body">
<h5 class="card-title">
MultiNLI
<span class="notice">nli/multinli</span>
</h5>
<p class="card-text">
Multi-Genre Natural Language Inference is a large-scale, crowdsourced entailment classification task.
Given a pair of sentences, the goal is to predict whether the second sentence is an...
<span class="invisible">Natural Language Inference</span>
</p>
</div>
|
|
| /explore/nli/qnli/ |
<div class="card-body">
<h5 class="card-title">
QNLI
<span class="notice">nli/qnli</span>
</h5>
<p class="card-text">
Question Natural Language Inference is a version of SQuAD which has been converted to a binary classification task.
The positive examples are (question, sentence) pairs which do contain...
<span class="invisible">Natural Language Inference</span>
</p>
</div>
|
|
| /explore/nli/rte/ |
<div class="card-body">
<h5 class="card-title">
RTE
<span class="notice">nli/rte</span>
</h5>
<p class="card-text">
Recognizing Textual Entailment is a binary entailment task similar to MNLI, but with much less training data.
<span class="invisible">Natural Language Inference</span>
</p>
</div>
|
|
| /explore/nli/scitail/ |
<div class="card-body">
<h5 class="card-title">
SciTail
<span class="notice">nli/scitail</span>
</h5>
<p class="card-text">
The SciTail dataset is an entailment dataset created from multiple-choice science exams and web sentences.
Each question and the correct answer choice are converted into an assertive statement to...
<span class="invisible">Natural Language Inference</span>
</p>
</div>
|
|
| /explore/nli/sick/ |
<div class="card-body">
<h5 class="card-title">
SICK
<span class="notice">nli/sick</span>
</h5>
<p class="card-text">
The SICK relatedness (SICK-R) task trains a linear model to output a score from 1 to 5 indicating the relatedness of
two sentences. For the same dataset (SICK-E) can be treated as a three-class...
<span class="invisible">Natural Language Inference</span>
</p>
</div>
|
|
| /explore/pos/conll2003/ |
<div class="card-body">
<h5 class="card-title">
CoNLL 2003
<span class="notice">pos/conll2003</span>
</h5>
<p class="card-text">
POS-tagging using the part-of-speech tags provided by the English subset of the dataset for the CoNLL 2003 shared task for NER.
<span class="invisible">Part-Of-Speech Tagging</span>
</p>
</div>
|
|
| /explore/pos/ldc2012t13/ |
<div class="card-body">
<h5 class="card-title">
LDC2012T13
<span class="notice">pos/ldc2012t13</span>
</h5>
<p class="card-text">
English Web Treebank was developed by the Linguistic Data Consortium (LDC) with funding through a gift from Google Inc. It consists of over 250,000 words of English weblogs, newsgroups, email,...
<span class="invisible">Part-Of-Speech Tagging</span>
</p>
</div>
|
|
| /explore/pos/ud_ewt/ |
<div class="card-body">
<h5 class="card-title">
UD English EWT
<span class="notice">pos/ud_ewt</span>
</h5>
<p class="card-text">
POS-tagging on Universal Dependencies English EWT.
UD English EWT is a Gold Standard Universal Dependencies Corpus for English, built over the source material of the English Web Treebank...
<span class="invisible">Part-Of-Speech Tagging</span>
</p>
</div>
|
|
| /explore/chunk/conll2000/ |
<div class="card-body">
<h5 class="card-title">
CoNLL 2000
<span class="notice">chunk/conll2000</span>
</h5>
<p class="card-text">
Text chunking was the shared task for CoNLL-2000. This data consists of the same partitions of the Wall Street Journal corpus (WSJ) as the widely used data for noun phrase chunking: sections 15-18...
<span class="invisible">Phrase Chunking</span>
</p>
</div>
|
|
| /explore/chunk/conll2003/ |
<div class="card-body">
<h5 class="card-title">
CONLL2003
<span class="notice">chunk/conll2003</span>
</h5>
<p class="card-text">
CoNLL-2003 shared task:language-independent named entity recognition is a dataset corpus consisting of the Reuters news stories between August 1996 and August 1997. Each line of the corpus has...
<span class="invisible">Phrase Chunking</span>
</p>
</div>
|
|
| /explore/quality_estimation/wmt21/ |
<div class="card-body">
<h5 class="card-title">
WMT21
<span class="notice">quality_estimation/wmt21</span>
</h5>
<p class="card-text">
The WMT21 shared task on quality estimation. Training language pairs: high-resource English--German (En-De) and English--Chinese (En-Zh), medium-resource Russian-English (Ru-En), Romanian--English...
<span class="invisible">Quality Estimation</span>
</p>
</div>
|
|
| /explore/qa/boolq/ |
<div class="card-body">
<h5 class="card-title">
BoolQ
<span class="notice">qa/boolq</span>
</h5>
<p class="card-text">
We build a reading comprehension dataset, BoolQ, of such questions, and show that they are unexpectedly challenging.
<span class="invisible">Question Answering</span>
</p>
</div>
|
|
| /explore/qa/cq/ |
<div class="card-body">
<h5 class="card-title">
ComplexQuestions
<span class="notice">qa/cq</span>
</h5>
<p class="card-text">
ComplexQuestions is a QA dataset originally created for querying knowledge bases.
The questions are obtained from Google web queries and don’t provide supporting context paragraphs inthe original...
<span class="invisible">Question Answering</span>
</p>
</div>
|
|
| /explore/qa/narrativeqa/ |
<div class="card-body">
<h5 class="card-title">
narrativeqa
<span class="notice">qa/narrativeqa</span>
</h5>
<p class="card-text">
NarrativeQA is dataset of stories and corresponding questions which are designed to test reading comprehension.
<span class="invisible">Question Answering</span>
</p>
</div>
|
|
| /explore/qa/squad1/ |
<div class="card-body">
<h5 class="card-title">
SQuAD 1.1
<span class="notice">qa/squad1</span>
</h5>
<p class="card-text">
Stanford Question Answering Dataset (SQuAD) is a reading comprehension dataset, consisting of questions posed by crowdworkers on a set of Wikipedia articles, where the answer to every question is...
<span class="invisible">Question Answering</span>
</p>
</div>
|
|
| /explore/qa/squad2/ |
<div class="card-body">
<h5 class="card-title">
SQuAD 2.0
<span class="notice">qa/squad2</span>
</h5>
<p class="card-text">
SQuAD2.0 combines the 100,000 questions in SQuAD1.1 with over 50,000 unanswerable questions written adversarially by crowdworkers to look similar to answerable ones. To do well on SQuAD2.0,...
<span class="invisible">Question Answering</span>
</p>
</div>
|
|
| /explore/qa/wikihop/ |
<div class="card-body">
<h5 class="card-title">
WikiHop
<span class="notice">qa/wikihop</span>
</h5>
<p class="card-text">
WikiHop is open-domain and based on Wikipedia articles; the goal is to recover Wikidata information by hopping through documents. The example on the right shows the relevant documents leading to...
<span class="invisible">Question Answering</span>
</p>
</div>
|
|
| /explore/semtag/pmb/ |
<div class="card-body">
<h5 class="card-title">
Parallel Meaning Bank
<span class="notice">semtag/pmb</span>
</h5>
<p class="card-text">
The Parallel Meaning Bank (PMB), developed at the University of Groningen and building upon the Groningen Meaning Bank, comprises sentences and texts in raw and tokenised format, syntactic...
<span class="invisible">Semantic Tagging</span>
</p>
</div>
|
|
| /explore/sts/mrpc/ |
<div class="card-body">
<h5 class="card-title">
MRPC
<span class="notice">sts/mrpc</span>
</h5>
<p class="card-text">
Microsoft Research Paraphrase Corpus consists of sentence pairs automatically extracted from online news sources,
with human annotations for whether the sentences in the pair are semantically equivalent.
<span class="invisible">Semantic Textual Similarity</span>
</p>
</div>
|
|
| /explore/sts/qqp/ |
<div class="card-body">
<h5 class="card-title">
QQP
<span class="notice">sts/qqp</span>
</h5>
<p class="card-text">
Quora Question Pairs is a binary classification task where the goal is to determine if two questions asked on Quora are semantically equivalent.
<span class="invisible">Semantic Textual Similarity</span>
</p>
</div>
|
|
| /explore/sts/stackexchange/ |
<div class="card-body">
<h5 class="card-title">
StackExchange QA Similarity
<span class="notice">sts/stackexchange</span>
</h5>
<p class="card-text">
StackExchange QA similarity determines whether two questions or a question-answer pair in StackExchange forums are related or not (e.g., to find duplicate questions or relevant answers).
<span class="invisible">Semantic Textual Similarity</span>
</p>
</div>
|
|
| /explore/sts/sts-b/ |
<div class="card-body">
<h5 class="card-title">
STS-B
<span class="notice">sts/sts-b</span>
</h5>
<p class="card-text">
The Semantic Textual Similarity Benchmark is a collection of sentence pairs drawn from news headlines and other sources.
They were annotated with a score from 1 to 5 denoting how similar the two...
<span class="invisible">Semantic Textual Similarity</span>
</p>
</div>
|
|
| /explore/sentiment/hinglish-twitter-sentiment/ |
<div class="card-body">
<h5 class="card-title">
Hinglish Sentiment
<span class="notice">sentiment/hinglish-twitter-sentiment</span>
</h5>
<p class="card-text">
This dataset was released as part of SemEval 2020, Task 9 on Sentiment Analysis in Code Mixed Social Media (Twitter) text. It tags positive, neutral and negative sentiment. There are 17,000...
<span class="invisible">Sentiment Analysis</span>
</p>
</div>
|
|
| /explore/sentiment/imdb/ |
<div class="card-body">
<h5 class="card-title">
IMDb
<span class="notice">sentiment/imdb</span>
</h5>
<p class="card-text">
MDB dataset having 50K movie reviews for natural language processing or Text analytics.
This is a dataset for binary sentiment classification containing substantially more data than previous...
<span class="invisible">Sentiment Analysis</span>
</p>
</div>
|
|
| /explore/sentiment/rotten_tomatoes/ |
<div class="card-body">
<h5 class="card-title">
Rotten Tomatoes Movie Reviews
<span class="notice">sentiment/rotten_tomatoes</span>
</h5>
<p class="card-text">
Movie Review Dataset.
This is a dataset of containing 5,331 positive and 5,331 negative processed sentences from Rotten Tomatoes movie reviews.
This data was first used in Bo Pang and Lillian Lee,...
<span class="invisible">Sentiment Analysis</span>
</p>
</div>
|
|
| /explore/sentiment/sst-2/ |
<div class="card-body">
<h5 class="card-title">
SST-2
<span class="notice">sentiment/sst-2</span>
</h5>
<p class="card-text">
The Stanford Sentiment Treebank is a binary single-sentence classification task consisting of sentences extracted from movie reviews with human annotations of their sentiment.
<span class="invisible">Sentiment Analysis</span>
</p>
</div>
|
|
| /explore/sum/cnn_dailymail/ |
<div class="card-body">
<h5 class="card-title">
CNN/ DailyMail
<span class="notice">sum/cnn_dailymail</span>
</h5>
<p class="card-text">
CNN/ DailyMail summarization dataset.
<span class="invisible">Summarization</span>
</p>
</div>
|
|
| /explore/sum/xsum/ |
<div class="card-body">
<h5 class="card-title">
XSum
<span class="notice">sum/xsum</span>
</h5>
<p class="card-text">
Extreme Summarization (XSum) Dataset.
<span class="invisible">Summarization</span>
</p>
</div>
|
|
| /explore/wikiann/ar/ |
<div class="card-body">
<h5 class="card-title">
Arabic
<span class="notice">wikiann/ar</span>
</h5>
<p class="card-text">
NER on Wikipedia Documents.
<span class="invisible">Wiki Ann NER
</span>
</p>
</div>
|
|
| /explore/wikiann/en/ |
<div class="card-body">
<h5 class="card-title">
English
<span class="notice">wikiann/en</span>
</h5>
<p class="card-text">
NER on Wikipedia Documents.
<span class="invisible">Wiki Ann NER
</span>
</p>
</div>
|
|
| /explore/wikiann/ja/ |
<div class="card-body">
<h5 class="card-title">
Japanese
<span class="notice">wikiann/ja</span>
</h5>
<p class="card-text">
NER on Wikipedia Documents.
<span class="invisible">Wiki Ann NER
</span>
</p>
</div>
|
|
| /explore/wikiann/zh/ |
<div class="card-body">
<h5 class="card-title">
Chinese
<span class="notice">wikiann/zh</span>
</h5>
<p class="card-text">
NER on Wikipedia Documents.
<span class="invisible">Wiki Ann NER
</span>
</p>
</div>
|
|
| /explore/wordsense/wic/ |
<div class="card-body">
<h5 class="card-title">
WiC
<span class="notice">wordsense/wic</span>
</h5>
<p class="card-text">
The Word-in-Context dataset is a word sense disambiguation task in the form of a binary classification task. Each dataset example consists of two sentences and a polysemous word that appears in...
<span class="invisible">Word Sense Disambiguation</span>
</p>
</div>
|
|
Внешние ссылки
Кол-во: 3
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 3 оптимально.
На странице присутствуют ссылки на субдомены 2.
Показать внешние ссылки
| Url | Анкор |
|---|---|
| github.com |
<i class="fab fa-github"></i>
|
| twitter.com |
<i class="fab fa-twitter"></i>
|
| arxiv.org |
Paper
|
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
Страница https://adapterhub.ml/explore/ готова к продвижению на 58%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: