Анализ страницы https://aml-cityu.github.io/publications
Основное Готовность: 95%
Домен
aml-cityu.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:
https://aml-cityu.github.io/publications
301 MovedPermanently
https://aml-cityu.github.io/publications/
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 04.10.2026 22:45:22.
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
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 страницы не указан. Рекомендуется явно указать язык документа!
Скорость загрузки
~0,47сек
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 0,47сек оптимальна.
Объем документа
121Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 121Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 3
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 3 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | /css/main.css | |
| js | https://ajax.googleapis.com/ajax/libs/jquery/1.11.3/jquery.min.js | |
| js | /js/bootstrap.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 | "6a8ac1a2-1f47b" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 38EE:174B6E:530067:59E962:6A8B4A5D |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 19:30:37 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270044-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787513437.123223,VS0,VE123 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 3552aaeef9fabe803ae2992ecc8cf42620f84335 |
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: 17%
Title
AML Lab - Publications
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
AML Lab -- Publications.
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.
Необходимо увеличить число символов в description (текущее значение мало: 24, минимум: 80, оптимально: от 120 до 130)
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
/publications/
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.
Домен в каноническом Url не совпадает!
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
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: 2
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 2шт. 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 |
| name | description | AML Lab -- Publications. |
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 3 встречаются в тексте достаточно.
Абзацев с текстом 301 достаточно.
Среднее число слов в абзаце 38 достаточно.
Кол-во знаков контента 84317 на странице оптимально.
Кол-во слов 12238 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> 9.
Тошнота
16,97
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
2,47%
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 |
|---|---|---|
| xiangyu | 288 | 2,35% |
| conference | 225 | 1,84% |
| proceedings | 224 | 1,83% |
| international | 125 | 1,02% |
| information | 105 | 0,86% |
| knowledge | 101 | 0,83% |
| learning | 62 | 0,51% |
| systems | 62 | 0,51% |
| recommendation | 60 | 0,49% |
| mining | 54 | 0,44% |
| maolin | 53 | 0,43% |
| pengyue | 45 | 0,37% |
| language | 43 | 0,35% |
| recommender | 42 | 0,34% |
| research | 41 | 0,34% |
| management | 40 | 0,33% |
| retrieval | 39 | 0,32% |
| yejing | 37 | 0,30% |
| discovery | 35 | 0,29% |
| recommendations | 34 | 0,28% |
Индексация Готовность: 0%
Индексирование
Есть ошибки
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 474 слишком много. Проведите ревизию и оптимизацию ссылок сайта.
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: 189
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 189 слишком много. Проведите оптимизацию сайта!
Показать первые 100 внутренних ссылок
| Url | Анкор | Состояние |
|---|---|---|
| / |
AML Lab @ CityU
|
|
| / |
Home
|
|
| /team |
Team
|
|
| /openings |
Openings
|
|
| /publications |
Publications
|
|
| /research |
Research
|
|
| /pictures |
(Pics)
|
|
| /bibtex/fan2023trustworthy.html |
CITE
|
|
| /bibtex/fan2022comprehensive.html |
CITE
|
|
| /bibtex/tang2023automl.html |
CITE
|
|
| /bibtex/zhao2022automated.html |
CITE
|
|
| /bibtex/t_west2021summary.html |
CITE
|
|
| /bibtex/11083659.html |
CITE
|
|
| /bibtex/li2023agent4ranking.html |
CITE
|
|
| /bibtex/HU2025128939.html |
CITE
|
|
| /bibtex/wen2025domaingap.html |
CITE
|
|
| /bibtex/han2025swarmintel.html |
CITE
|
|
| /bibtex/zhang2025lsrp.html |
CITE
|
|
| /bibtex/zhu2025learninggen.html |
CITE
|
|
| /bibtex/wang2025putteacher.html |
CITE
|
|
| /bibtex/wang2025findrec.html |
CITE
|
|
| /bibtex/liu2025multioffRL.html |
CITE
|
|
| /bibtex/liu2024llmsurvey.html |
CITE
|
|
| /bibtex/zhang2025glint.html |
CITE
|
|
| /bibtex/zhang2025dimcl.html |
CITE
|
|
| /bibtex/zhang2025notellm.html |
CITE
|
|
| /bibtex/guo2025improving.html |
CITE
|
|
| /bibtex/zhou2025data.html |
CITE
|
|
| /bibtex/liu2025bridge.html |
CITE
|
|
| /bibtex/wang2025pre.html |
CITE
|
|
| /bibtex/gao2025generative.html |
CITE
|
|
| /bibtex/wang2025star.html |
CITE
|
|
| /bibtex/hou2025fire.html |
CITE
|
|
| /bibtex/yang2025multi.html |
CITE
|
|
| /bibtex/yu2025uniform.html |
CITE
|
|
| /bibtex/fu2023unified.html |
CITE
|
|
| /bibtex/ni2025zeroed.html |
CITE
|
|
| /bibtex/wang2025metalora.html |
CITE
|
|
| /bibtex/yang2024dual.html |
CITE
|
|
| /bibtex/yi2025adaptive.html |
CITE
|
|
| /bibtex/gao2025samplellm.html |
CITE
|
|
| /bibtex/li2024gas.html |
CITE
|
|
| /bibtex/li2024gas.html |
CITE
|
|
| /bibtex/wang2025behavior.html |
CITE
|
|
| /bibtex/JIANG2025123973.html |
CITE
|
|
| /bibtex/luo2025tapo.html |
CITE
|
|
| /bibtex/zhang2024llm.html |
CITE
|
|
| /bibtex/han2024gpt.html |
CITE
|
|
| /bibtex/li2024harnessing.html |
CITE
|
|
| /bibtex/cheng2025poi.html |
CITE
|
|
| /bibtex/liu2024bidirectional.html |
CITE
|
|
| /bibtex/liu2024large.html |
CITE
|
|
| /bibtex/zhang-etal-2025-llmtreerec.html |
CITE
|
|
| /bibtex/liu2024contrastive.html |
CITE
|
|
| /bibtex/liu2024llm.html |
CITE
|
|
| /bibtex/zhouunveiling.html |
CITE
|
|
| /bibtex/zhouassociation.html |
CITE
|
|
| /bibtex/jia2024g.html |
CITE
|
|
| /bibtex/gaodoes.html |
CITE
|
|
| /bibtex/xu2024mitigating.html |
CITE
|
|
| /bibtex/xu2024large.html |
CITE
|
|
| /bibtex/yang2024multi.html |
CITE
|
|
| /bibtex/liu2024multimodal.html |
CITE
|
|
| /bibtex/zhang2024dns.html |
CITE
|
|
| /bibtex/chen2024multi.html |
CITE
|
|
| /bibtex/wang2024multi.html |
CITE
|
|
| /bibtex/xu2024editing.html |
CITE
|
|
| /bibtex/liu2024efficient.html |
CITE
|
|
| /bibtex/gao2024hierrec.html |
CITE
|
|
| /bibtex/wang2024llm4msr.html |
CITE
|
|
| /bibtex/qu2024scalable.html |
CITE
|
|
| /bibtex/zhu2024multi.html |
CITE
|
|
| /bibtex/han2024adapting.html |
CITE
|
|
| /bibtex/zhu2024controltraj.html |
CITE
|
|
| /bibtex/jia2024erase.html |
CITE
|
|
| /bibtex/liu2024modeling.html |
CITE
|
|
| /bibtex/ni2023automatic.html |
CITE
|
|
| /bibtex/lin2024graph.html |
CITE
|
|
| /bibtex/liukddc.html |
CITE
|
|
| /bibtex/lienhancing.html |
CITE
|
|
| /bibtex/liu2024sequential.html |
CITE
|
|
| /bibtex/liu2023moelora.html |
CITE
|
|
| /bibtex/zhang2024m3oe.html |
CITE
|
|
| /bibtex/li2024optimal.html |
CITE
|
|
| /bibtex/li2023opensiterec.html |
CITE
|
|
| /bibtex/zou2024modeling.html |
CITE
|
|
| /bibtex/jia2023mill.html |
CITE
|
|
| /bibtex/10468597.html |
CITE
|
|
| /bibtex/xu2024multi.html |
CITE
|
|
| /bibtex/wang2023large.html |
CITE
|
|
| /bibtex/zhang2024federated.html |
CITE
|
|
| /bibtex/wang2023tensorized.html |
CITE
|
|
| /bibtex/jia2024d3.html |
CITE
|
|
| /bibtex/zhang2024ssdrec.html |
CITE
|
|
| /bibtex/wang2024diff.html |
CITE
|
|
| /bibtex/liu2024multifs.html |
CITE
|
|
| /bibtex/LIU2024122183.html |
CITE
|
|
| /bibtex/fan2023recommender.html |
CITE
|
|
| /bibtex/gao2024smlp4rec.html |
CITE
|
|
| /bibtex/zhou2023opportunities.html |
CITE
|
|
Внешние ссылки
Кол-во: 285
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 285 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| scholar.google.com |
Google Scholar
|
| github.com |
Lab GitHub
|
| doi.org |
Tutorial on Generative Recommendation: Foundations and Frontiers
|
| doi.org |
Learning from Spatio-Temporal Data in the LLM Era: Foundations, Models, and Emerging Trends
|
| doi.org |
Large Language Model Enhanced Recommender Systems: Methods, Applications and Trends
|
| dl.acm.org |
Joint Modeling in Deep Recommender Systems
|
| ijcai-23.org |
Trustworthy Recommender Systems: Foundations and Frontiers
|
| arxiv.org |
A Comprehensive Survey on Trustworthy Recommender Systems
|
| advanced-recommender-systems.github.io |
AutoML for Deep Recommender Systems: Fundamentals and Advances
|
| advanced-recommender-systems.github.io |
Automated Machine Learning for Recommendations: Fundamentals and Advances
|
| deeprs-tutorial.github.io |
Deep Recommender System: Fundamentals and Advances
|
| advanced-recommender-systems.github.io |
Deep Learning for Recommendations: Fundamentals and Advances
|
| arxiv.org |
Sliding Window Attention Training for Efficient Large Language Models
|
| arxiv.org |
HardGen: Generating Hard Samples for Tool-use Agents
|
| arxiv.org |
SkillBrew: Multi-Objective Curation of Skill Banks for LLM Agents
|
| arxiv.org |
How to Utilize Complementary Vision-Text Information for 2D Structure Understanding
|
| doi.org |
LLM4CGDS: Large language model-based agents for Chinese graded document simplification
|
| arxiv.org |
R²-Searcher: Calibrating Retrieval and Reasoning Boundaries for Agentic Search
|
| arxiv.org |
From Local Indices to Global Identifiers: Generative Reranking for Recommender Systems via Global Action Space
|
| arxiv.org |
Behavior-Equivalent Token: Single-Token Replacement for Long Prompts in LLMs
|
| arxiv.org |
BRIDGE: Bridging Reasoning In Distillation Gap Elimination via Structure-Aware Masking
|
| doi.org |
Embedding in Recommender Systems: A Survey
|
| doi.org |
The Best of Both Worlds: Harmonizing Semantic and Hash IDs for Sequential Recommendation
|
| doi.org |
Generative Auto-Bidding in Large-Scale Auctions via Diffusion Completer-Aligner
|
| doi.org |
Hierarchical Residual Policy Optimization for Generative Recommendations
|
| doi.org |
TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework
|
| icml.cc |
T-GINEE: A Tensor-Based Multi-Graph Representation Learning
|
| icml.cc |
Towards Pareto-Optimal Tool-Integrated Agents with Pareto Ranking Policy Optimization
|
| icml.cc |
Message Tuning Outshines Graph Prompt Tuning: A Prismatic Space Perspective
|
| aclanthology.org |
MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search
|
| doi.org |
GeoArena: Evaluating Open-World Geographic Reasoning in Large Vision-Language Models
|
| doi.org |
MTA: A Merge-then-Adapt Framework for Personalized Large Language Models
|
| openreview.net |
Learning How and What to Memorize: Cognition-Inspired Two-Stage Optimization for Evolving Memory
|
| aclanthology.org |
Logic Jailbreak: Efficiently Unlocking LLM Safety Restrictions Through Formal Logical Expression
|
| doi.org |
Tandem: Riding Together with Large and Small Language Models for Efficient Reasoning
|
| doi.org |
AdapTime: Enabling Adaptive Temporal Reasoning in Large Language Models
|
| doi.org |
MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning
|
| doi.org |
SEARCH-R: Structured Entity-Aware Retrieval with Chain-of-Reasoning Navigator for Multi-hop Question Answering
|
| doi.org |
BalanceSFT: Improving LLM Function Calling with Balanced Training Signals and Data Hardness
|
| doi.org |
LLM-EDT: Large Language Models Enhanced Cross-domain Sequential Recommendation with Dual-phase Training
|
| doi.org |
GFlowGR: Fine-tuning Generative Recommendation Frameworks with Generative Flow Networks
|
| doi.org |
DeepResearch-9K: A Challenging Benchmark Dataset of Deep-Research Agent
|
| doi.org |
Personalized Deep Research: A User-Centric Framework, Dataset, and Hybrid Evaluation for Knowledge Discovery
|
| ieeexplore.ieee.org |
TORepair: Diffusion-based Task-Oriented Error Repair via Differentiable Bi-Level Optimization
|
| openaccess.thecvf.com |
When Safety Collides: Resolving Multi-Category Harmful Conflicts in Text-to-Image Diffusion via Adaptive Safety Guidance
|
| doi.org |
Democratic Recommendation with User and Item Representatives Produced by Graph Condensation
|
| link.springer.com |
Multi-agents based User Values Mining for Recommendation
|
| link.springer.com |
AEGI: Anchor Event Guided Inference for TKGQA
|
| openreview.net |
SONATA: Synergistic Coreset Informed Adaptive Temporal Tensor Factorization
|
| openreview.net |
From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents
|
| openreview.net |
Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval
|
| openreview.net |
Fair Decision Utility in Human-AI Collaboration: Interpretable Confidence Adjustment for Humans with Cognitive Disparities
|
| doi.org |
D2TCDR: Disentangled Diffusion-based Transfer for Cross-Domain Recommendation
|
| doi.org |
DeepCGC: Unveiling the Deep Clustering Mechanism of Fast Graph Condensation
|
| doi.org |
Generating Compressed Counterfactual Hard Negative Samples for Graph Contrastive Learning
|
| doi.org |
Clue2Emo: A Brain-Inspired Framework for Open-Vocabulary Multimodal Emotion Recognition
|
| dl.acm.org |
To Search or Not to Search: Aligning the Decision Boundary of Deep Search Agents via Causal Intervention
|
| dl.acm.org |
BlossomRec: Block-level Fused Sparse Attention Mechanism for Sequential Recommendations
|
| dl.acm.org |
Detecting Miscitation on the Scholarly Web through LLM-Augmented Text-Rich Graph Learning
|
| dl.acm.org |
SAGE: Global Semantic Alignment with LLMs for Long-Tail Sequential Recommendation
|
| dl.acm.org |
ARCHER: Shooting Straight in Multimodal E-Commerce Search at Alibaba with Progressive Alignment
|
| dl.acm.org |
NEZHA: A Zero-sacrifice and Hyperspeed Parallel Decoding Architecture for Generative Recommendations
|
| dl.acm.org |
PromptX: A Cognitive Agent Platform with Long-term Memory
|
| doi.org |
Function Calling in Large Language Models: Industrial Practices, Challenges, and Future Directions
|
| doi.org |
A Survey of Personalization: From RAG to Agent
|
| dl.acm.org |
Automated Information Flow Selection for Multi-Scenario Multi-Task Recommendation
|
| nature.com |
Enhancing Clinical Documentation with Voice Processing and Large Language Models: A Study on the LAOS System
|
| ojs.aaai.org |
Boosting Fine-Grained Urban Flow Inference via Lightweight Architecture and Focalized Optimization
|
| ojs.aaai.org |
Personalize Before Retrieve: LLM-based Personalized Query Expansion for User-Centric Retrieval
|
| ojs.aaai.org |
Renormalization Group Guided Tensor Network Structure Search
|
| doi.org |
Emotion and Intention Guided Multi-Modal Learning for Sticker Response Selection
|
| ojs.aaai.org |
RoSA: RoPE-aware Selective Adaptation for Efficient LLM Fine-Tuning
|
| doi.org |
Sparse Gradient Training for Recommender Systems
|
| doi.org |
Towards On-Device Personalization: Cloud-device Collaborative Data Augmentation for Efficient On-device Language Model
|
| openreview.net |
UniTraj: Learning a Universal Trajectory Foundation Model from Billion-Scale Worldwide Traces
|
| openreview.net |
GeoRanker: Distance-Aware Ranking for Worldwide Image Geolocalization
|
| neurips.cc |
Data Efficient Adaptation in Large Language Models via Continuous Low-Rank Fine-Tuning
|
| openreview.net |
Process vs. Outcome Reward: Which is Better for Agentic RAG Reinforcement Learning
|
| doi.org |
Cross-Task Collaborative Meta-Learning for Cold-Start Recommendations
|
| doi.org |
Towards Propagation-aware Representation Learning for Supervised Social Media Graph Analytics
|
| doi.org |
Twice the Gradient, Twice the Privacy Risk in Federated Learning? A Case Study of Federated Recommendation Systems
|
| doi.org |
CTKGRec: A Context-Aware Temporal Knowledge Graph Reasoning Model for Next POI Recommendation
|
| doi.org |
Causality-aware Graph Aggregation Weight Estimator for Popularity Debiasing in Top-K Recommendation
|
| doi.org |
SELF: Surrogate-light Feature Selection with Large Language Models in Deep Recommender Systems
|
| doi.org |
Scenario-Wise Rec: A Multi-Scenario Recommendation Benchmark
|
| doi.org |
PAnDA: Combating Negative Augmentation via Large Language Models for User Cold-Start Recommendations
|
| doi.org |
Empowering Denoising Sequential Recommendation with Large Language Model Embeddings
|
| doi.org |
Contextual Attention Modulation: Towards Efficient Multi-Task Adaptation in Large Language Models
|
| doi.org |
SPARK: Adaptive Low-Rank Knowledge Graph Modeling in Hybrid Geometric Spaces for Recommendation
|
| doi.org |
Empowering Large Language Model for Sequential Recommendation via Multimodal Embeddings and Semantic IDs
|
| doi.org |
ECKGBench: Benchmarking Large Language Models in E-commerce Leveraging Knowledge Graph
|
| doi.org |
Prompt Tuning as User Inherent Profile Inference Machine
|
| link.springer.com |
Tackling Data Heterogeneity in Federated Time Series Forecasting
|
| ieeexplore.ieee.org |
PolyFootNet: Extracting Polygonal Building Footprints in Off-Nadir Remote Sensing Images
|
| doi.org |
Mitigating Stereotypes in Text-to-Image Generation: A Novel Perspective of Selective Neural Suppression
|
| dl.acm.org |
Agent4Ranking: Semantic Robust Ranking via Personalized Query Rewriting Using Multi-agent LLM
|
| doi.org |
Comparative Analysis of Greenery Inequalities in New York and London: Social-Economic And Spatial Dimensions
|
| aclanthology.org |
AI4Reading: Chinese Audiobook Interpretation System Based on Multi-Agent Collaboration
|
| aclanthology.org |
Stepwise Reasoning Disruption Attack of LLMs
|
| aclanthology.org |
LLMs Trust Humans More, That’s a Problem! Unveiling and Mitigating the Authority Bias in Retrieval-Augmented Generation
|
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://aml-cityu.github.io/publications готова к продвижению на 46%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: