Анализ страницы https://cmu-mlsp.github.io/publications
Основное Готовность: 95%
Домен
cmu-mlsp.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://cmu-mlsp.github.io/publications
301 MovedPermanently
https://cmu-mlsp.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
~0,61сек
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 0,61сек оптимальна.
Объем документа
408Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 408Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 5
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 5 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | /css/main.css | |
| stylesheet | https://use.fontawesome.com/releases/v5.0.13/css/all.css | |
| stylesheet | /css/academicons/css/academicons.css | |
| js | https://code.jquery.com/jquery-3.7.1.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 | "69ea9eee-661e1" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 8660:10D7A:2C6B0B3:2CCA038:6A8A15FD |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 21:34:53 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230197-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787434494.642389,VS0,VE122 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 27c663b136a0ba2268462ada6e07d66fdb2d3b8f |
CMS
WordPress
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.
Сайт работает на CMS WordPress.
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
MLSP Group - 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: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
MLSP Group -- 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: 27, 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 | MLSP Group -- Publications. |
Оптимизация Готовность: 32%
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 881 достаточно.
Среднее число слов в абзаце 35 достаточно.
Кол-во знаков контента 177927 на странице оптимально.
Кол-во слов 25724 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 <h3> 49.
Тошнота
23,77
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
73,71%
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 |
|---|---|---|
| speech | 565 | 2,20% |
| bhiksha | 556 | 2,16% |
| richard | 361 | 1,40% |
| processing | 293 | 1,14% |
| conference | 286 | 1,11% |
| recognition | 273 | 1,06% |
| international | 264 | 1,03% |
| signal | 241 | 0,94% |
| acoustics | 177 | 0,69% |
| journal | 115 | 0,45% |
| icassp | 114 | 0,44% |
| robust | 109 | 0,42% |
| acoustical | 104 | 0,40% |
| society | 102 | 0,40% |
| preprint | 101 | 0,39% |
| proceedings | 98 | 0,38% |
| america | 97 | 0,38% |
| workshop | 96 | 0,37% |
| automatic | 88 | 0,34% |
| language | 77 | 0,30% |
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 2651 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: 24
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 24 оптимально.
На странице присутствуют изображения 1.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| /team |
Group
|
|
| /publications |
Publications
|
|
| /teaching |
Courses
|
|
| /contact |
Contact
|
|
| / |
TAPLoss: A Temporal Acoustic Parameter Loss for Speech Enhancement
|
|
| / |
Masked Proxy Loss for Text-Independent Speaker Verification
|
|
| / |
Improving Weakly Supervised Sound Event Detection with Self-Supervised Auxiliary Tasks
|
|
| / |
Introduction to Neural Networks
|
|
| / |
The Voice Signal and Its Information Content—1
|
|
| / |
Nonlinear Dimensionality Reduction of Spectrograms
|
|
| / |
Denoising acoustic signals using constrained non-negative matrix factorization
|
|
| / |
The Automatic Assessment of Knowledge Integration Processes in Project Teams
|
|
| / |
Method and system for FFT-based companding for automatic speech recognition
|
|
| / |
Method and system for FFT-based companding for automatic speech recognition
|
|
| / |
Ultrasonic Doppler System and Method for Gesture Recognition
|
|
| / |
Ultrasonic Doppler System and Method for Gesture Recognition
|
|
| / |
Ultrasonic Doppler System and Method for Gesture Recognition
|
|
| / |
Improving recognition accuracy in noise by using partial spectrographic information
|
|
| / |
Sphinx-4: A Flexible Open Source Framework for Speech Recognition; SMLI TR2004-0811; SUN Microsystems Inc
|
|
| / |
Lossless compression of ordered integer lists
|
|
| / |
Key word and key phrase based speech recognizer for information retrieval systems
|
|
| / |
Speaker adaptation and environmental compensation for the 1996 broadcast news task
|
|
| /about |
About
|
|
| /recruitment |
Recruitment
|
|
Внешние ссылки
Кол-во: 866
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 866 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| github.com |
Code
|
| huggingface.co |
Models
|
| sciencedirect.com |
A closer look at reinforcement learning-based automatic speech recognition
|
| sciencedirect.com |
A closer look at reinforcement learning-based automatic speech recognition
|
| ieeexplore.ieee.org |
Improving Continual Learning of Acoustic Scene Classification via Mutual Information Optimization
|
| ieeexplore.ieee.org |
Prompting Audios Using Acoustic Properties for Emotion Representation
|
| ieeexplore.ieee.org |
uSee: Unified Speech Enhancement And Editing with Conditional Diffusion Models
|
| ieeexplore.ieee.org |
Importance of negative sampling in weak label learning
|
| ieeexplore.ieee.org |
Training audio captioning models without audio
|
| ieeexplore.ieee.org |
Fixed Inter-Neuron Covariability Induces Adversarial Robustness
|
| arxiv.org |
Efficient LLM Jailbreak via Adaptive Dense-to-sparse Constrained Optimization
|
| arxiv.org |
Learning with Noisy Foundation Models
|
| arxiv.org |
ImageFolder: Autoregressive Image Generation with Folded Tokens
|
| arxiv.org |
ControlVAR: Exploring Controllable Visual Autoregressive Modeling
|
| arxiv.org |
Efficient Autoregressive Audio Modeling via Next-Scale Prediction
|
| arxiv.org |
-Bench: Benchmarking the Robustness of Referring Perception Models under Perturbations
|
| arxiv.org |
AutoPRM: Automating Procedural Supervision for Multi-Step Reasoning via Controllable Question Decomposition
|
| arxiv.org |
Evaluating and Improving Continual Learning in Spoken Language Understanding
|
| isca-archive.org |
SELM: Enhancing Speech Emotion Recognition for Out-of-Domain Scenarios
|
| isca-archive.org |
Domain Adaptation for Contrastive Audio-Language Models
|
| proceedings.neurips.cc |
🐧 Pengi: An audio language model for audio tasks
|
| proceedings.neurips.cc |
Weakly-Supervised Audio-Visual Segmentation
|
| proceedings.neurips.cc |
PaintSeg: Painting Pixels for Training-free Segmentation
|
| proceedings.neurips.cc |
Training on Foveated Images Improves Robustness to Adversarial Attacks
|
| proceedings.neurips.cc |
Fairness Continual Learning Approach to Semantic Scene Understanding in Open-World Environments
|
| arxiv.org |
Customizable Perturbation Synthesis for Robust SLAM Benchmarking
|
| arxiv.org |
A General Framework for Learning from Weak Supervision
|
| arxiv.org |
On Catastrophic Inheritance of Large Foundation Models
|
| isca-archive.org |
PAM: Prompting Audio-Language Models for Audio Quality Assessment
|
| arxiv.org |
AugSumm: towards generalizable speech summarization using synthetic labels from large language model
|
| arxiv.org |
Online Active Learning For Sound Event Detection
|
| mdpi.com |
Automatic Detection of Dyspnea in Real Human–Robot Interaction Scenarios
|
| scholar.google.com |
Respiratory Distress Estimation in Human-Robot Interaction Scenario
|
| ieeexplore.ieee.org |
Unsupervised Voice Type Discrimination Score Adaptation Using X-Vector Clusters
|
| ieeexplore.ieee.org |
Investigating the Important Temporal Modulations for Deep-Learning-Based Speech Activity Detection
|
| arxiv.org |
Audio Retrieval with WavText5K and CLAP Training
|
| ieeexplore.ieee.org |
Espnet-Summ: Introducing a Novel Large Dataset, Toolkit, and a Cross-Corpora Evaluation of Speech Summarization Systems
|
| aclanthology.org |
Towards noise-tolerant speech-referring video object segmentation: Bridging speech and text
|
| arxiv.org |
FALCON: Fairness Learning via Contrastive Attention Approach to Continual Semantic Scene Understanding in Open World
|
| arxiv.org |
Token Prediction as Implicit Classification to Identify LLM-Generated Text
|
| dl.acm.org |
Rethinking Voice-Face Correlation: A Geometry View
|
| arxiv.org |
Psychoacoustic Challenges Of Speech Enhancement On VoIP Platforms
|
| arxiv.org |
Privacy-oriented manipulation of speaker representations
|
| arxiv.org |
Continual Contrastive Spoken Language Understanding
|
| arxiv.org |
Loft: Local proxy fine-tuning for improving transferability of adversarial attacks against large language model
|
| arxiv.org |
Evaluating speech synthesis by training recognizers on synthetic speech
|
| arxiv.org |
Completing visual objects via bridging generation and segmentation
|
| arxiv.org |
Towards Robust Audiovisual Segmentation in Complex Environments with Quantization-based Semantic Decomposition
|
| arxiv.org |
Understanding and mitigating the label noise in pre-training on downstream tasks
|
| ui.adsabs.harvard.edu |
Rethinking audiovisual segmentation with semantic quantization and decomposition
|
| onlinelibrary.wiley.com |
Understanding political polarization using language models: A dataset and method
|
| openreview.net |
Transferable Adversarial Perturbations between Self-Supervised Speech Recognition Models
|
| arxiv.org |
The hidden dance of phonemes and visage: Unveiling the enigmatic link between phonemes and facial features
|
| arxiv.org |
BASS: Block-wise Adaptation for Speech Summarization
|
| proceedings.mlr.press |
How many perturbations break this model? evaluating robustness beyond adversarial accuracy
|
| ojs.aaai.org |
Panoramic video salient object detection with ambisonic audio guidance
|
| ojs.aaai.org |
VLTinT: visual-linguistic transformer-in-transformer for coherent video paragraph captioning
|
| arxiv.org |
Utopia: Unconstrained tracking objects without preliminary examination via cross-domain adaptation
|
| ieeexplore.ieee.org |
An Approach to Ontological Learning from Weak Labels
|
| ieeexplore.ieee.org |
👏 CLAP: learning audio concepts from natural language supervision
|
| ieeexplore.ieee.org |
Privacy-Preserving Automatic Speaker Diarization
|
| cvis.cs.cmu.edu |
The Interactive Machine Learning Paradigm
|
| arxiv.org |
PaintSeg: Training-free Segmentation via Painting
|
| arxiv.org |
Imprecise label learning: A unified framework for learning with various imprecise label configurations
|
| arxiv.org |
Improving Perceptual Quality, Intelligibility, and Acoustics on VoIP Platforms
|
| arxiv.org |
Approach to Learning Generalized Audio Representation Through Batch Embedding Covariance Regularization and Constant-Q Transforms
|
| pubs.aip.org |
Improving sound event detection with ontologies
|
| arxiv.org |
Synergy between human and machine approaches to sound/scene recognition and processing: An overview of ICASSP special session
|
| arxiv.org |
Softmatch: Addressing the quantity-quality trade-off in semi-supervised learning
|
| openaccess.thecvf.com |
Robust referring video object segmentation with cyclic structural consensus
|
| openaccess.thecvf.com |
Pairwise Similarity Learning is SimPLE
|
| openaccess.thecvf.com |
Fredom: Fairness domain adaptation approach to semantic scene understanding
|
| link.springer.com |
Aoe-net: Entities interactions modeling with adaptive attention mechanism for temporal action proposals generation
|
| biorxiv.org |
Connecting human voice profiling to genomics: A predictive algorithm for linking speech phenotypes to genetic microdeletion syndromes
|
| arxiv.org |
Learnable Front Ends Based on Temporal Modulation for Music Tagging
|
| journals.sagepub.com |
Effect of Titrated Exposure to Non-Traumatic Noise on Unvoiced Speech Recognition in Human Listeners with Normal Audiological Profiles
|
| scholar.google.com |
Improved Modulation-Domain Loss for Neural-Network-based Speech Enhancement}}
|
| scholar.google.com |
L3DAS22: Exploring Loss Functions for 3D Speech Enhancement
|
| proceedings.neurips.cc |
Usb: A unified semi-supervised learning benchmark for classification
|
| ieeexplore.ieee.org |
5 and L Shaped ACS Fed MIMO Antenna with Improved Isolation and Diversity Metrics
|
| arxiv.org |
An embarrassingly simple baseline for imbalanced semi-supervised learning
|
| arxiv.org |
Describing emotions with acoustic property prompts for speech emotion recognition
|
| ieeexplore.ieee.org |
Cross-utterance context for multimodal video transcription
|
| openreview.net |
R^ 2-VOS: Robust Referring Video Object Segmentation via Relational Cycle Consistency
|
| arxiv.org |
Xnor-former: Learning accurate approximations in long speech transformers
|
| arxiv.org |
Unifying the discrete and continuous emotion labels for speech emotion recognition
|
| arxiv.org |
There is more than one kind of robustness: Fooling whisper with adversarial examples
|
| openreview.net |
-VOS: Robust Referring Video Object Segmentation via Relational Cycle Consistency
|
| openreview.net |
Less Is More: Training on Low-Fidelity Images Improves Robustness to Adversarial Attacks
|
| openreview.net |
Training image classifiers using semi-weak label data
|
| arxiv.org |
Watch What You Pretrain For: Targeted, Transferable Adversarial Examples on Self-Supervised Speech Recognition models
|
| proceedings.mlr.press |
Hear: Holistic evaluation of audio representations
|
| arxiv.org |
Online video instance segmentation via robust context fusion
|
| arxiv.org |
R^ 2VOS: Robust Referring Video Object Segmentation via Relational Multimodal Cycle Consistency
|
| arxiv.org |
Improving speech enhancement through fine-grained speech characteristics
|
| arxiv.org |
Self-supervision and learnable strfs for age, emotion, and country prediction
|
| arxiv.org |
Towards End-to-End Private Automatic Speaker Recognition
|
| arxiv.org |
Bear the Query in Mind: Visual Grounding with Query-conditioned Convolution
|
| arxiv.org |
Freematch: Self-adaptive thresholding for semi-supervised learning
|
| arxiv.org |
On the pragmatism of using binary classifiers over data intensive neural network classifiers for detection of COVID-19 from voice
|
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://cmu-mlsp.github.io/publications готова к продвижению на 36%. 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: