Анализ страницы https://grlearning.github.io/papers
Основное Готовность: 95%
Домен
grlearning.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://grlearning.github.io/papers
301 MovedPermanently
https://grlearning.github.io/papers/
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
~0,38сек
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 0,38сек оптимальна.
Объем документа
20Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 20Кб 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?1622975884304145675 | |
| js | text/javascript | https://ajax.googleapis.com/ajax/libs/jquery/3.3.1/jquery.min.js |
| js | text/javascript | /js/main.js?1622975884304145675 |
Серверные заголовки
Кол-во: 19
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 19шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| x-origin-cache | HIT |
| Access-Control-Allow-Origin | * |
| Strict-Transport-Security | max-age=31556952 |
| ETag | "60bca58e-530b" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | D46C:1C389F:1E9DAE:20FDD7:6A898AC7 |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 11:40:56 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270029-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787398857.725284,VS0,VE115 |
| Vary | Accept-Encoding |
| x-fastly-request-id | bf4a59bdf2c561c3115d94cad7534c9f663cbbc1 |
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: 33%
Title
Accepted Papers
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: 15, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
NeurIPS 2019 Workshop
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: 21, 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
grlearning.github.io/papers/
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.
Пропишите корректный 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, maximum-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».
Meta-тег viewport со значением maximum-scale определяет максимальный масштаб области просмотра.
Разметка OpenGraph
Кол-во: 3
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:type | article |
| og:title | Accepted Papers |
| og:description | NeurIPS 2019 Workshop |
Все мета-теги
Кол-во: 15
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 15шт. 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 | NeurIPS 2019 Workshop |
| name | author | Petar Veličković and William L. Hamilton |
| name | HandheldFriendly | True |
| name | MobileOptimized | 320 |
| name | apple-mobile-web-app-capable | yes |
| name | apple-mobile-web-app-status-bar-style | black-translucent |
| name | viewport | width=device-width, initial-scale=1, maximum-scale=1 |
| name | twitter:card | summary |
| name | twitter:title | Accepted Papers |
| name | twitter:description | NeurIPS 2019 Workshop |
| name | theme-color | #ffffff |
| property | og:type | article |
| property | og:title | Accepted Papers |
| property | og:description | NeurIPS 2019 Workshop |
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 1 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 3 слишком мало. Сделайте контент более читаемым!
Кол-во знаков контента 11756 на странице оптимально.
Кол-во слов 1654 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> 2. Это прекрасно.
На странице присутствуют заголовки <h2> 3. Это хорошо.
На странице присутствуют заголовки <h3> 2.
Тошнота
5,74
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
3,75%
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 |
|---|---|---|
| learning | 33 | 2,00% |
| networks | 27 | 1,63% |
| neural | 23 | 1,39% |
| representation | 14 | 0,85% |
| network | 11 | 0,67% |
| graphs | 10 | 0,60% |
| embedding | 9 | 0,54% |
| knowledge | 7 | 0,42% |
| convolutional | 6 | 0,36% |
| generation | 6 | 0,36% |
| bronstein | 6 | 0,36% |
| attention | 5 | 0,30% |
| classification | 5 | 0,30% |
| prediction | 5 | 0,30% |
| michael | 5 | 0,30% |
| structure | 4 | 0,24% |
| hamilton | 4 | 0,24% |
| embeddings | 4 | 0,24% |
| representations | 4 | 0,24% |
| generative | 4 | 0,24% |
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 84 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: 83
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 83 оптимально.
На странице присутствуют изображения 1.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| /overview |
Overview
|
|
| /cfp |
Call for Papers
|
|
| /papers |
Accepted Papers
|
|
| /schedule |
<b>Schedule</b>
|
|
| /speakers |
Speakers
|
|
| /organizers |
Organizers
|
|
| /pcom |
Program Committee
|
|
| /papers/128.pdf |
<strong>Variational Graph Convolutional Networks</strong>
|
|
| /papers/7.pdf |
<strong>Between the Interaction of Graph Neural Networks and Semantic Web</strong>
|
|
| /papers/31.pdf |
<strong>Approximation Power of Invariant Graph Networks</strong>
|
|
| /papers/137.pdf |
<strong>Leveraging Time Dependency in Graphs</strong>
|
|
| /papers/2.pdf |
<strong>Node2Motif: Hierarchical Invariant Embeddings of Structured Graphs Using the Bispectrum</strong>
|
|
| /papers/3.pdf |
<strong>Learning Hierarchical Representations in Kinematic Space</strong>
|
|
| /papers/6.pdf |
<strong>Applying Graph Neural Networks on Heterogeneous Nodes and Edge Features</strong>
|
|
| /papers/8.pdf |
<strong>Natural Question Generation with Reinforcement Learning Based Graph-to-Sequence Model</strong>
|
|
| /papers/11.pdf |
<strong>Convolution, attention and structure embedding</strong>
|
|
| /papers/12.pdf |
<strong>Disentangling Interpretable Generative Parameters of Random and Real-World Graphs</strong>
|
|
| /papers/13.pdf |
<strong>Graph Few-shot Learning via Knowledge Transfer</strong>
|
|
| /papers/15.pdf |
<strong>Group Representation Theory for Knowledge Graph Embedding</strong>
|
|
| /papers/17.pdf |
<strong>Graph Generation with Variational Recurrent Neural Network</strong>
|
|
| /papers/19.pdf |
<strong>Graph Embedding VAE: A Permutation Invariant Model of Graph Structure</strong>
|
|
| /papers/20.pdf |
<strong>Learning Visual Dynamics Models of Rigid Objects using Relational Inductive Biases</strong>
|
|
| /papers/23.pdf |
<strong>Image-Conditioned Graph Generation for Road Network Extraction</strong>
|
|
| /papers/24.pdf |
<strong>Deep geometric matrix completion: Are we doing it right?</strong>
|
|
| /papers/26.pdf |
<strong>Curvature Graph Network</strong>
|
|
| /papers/27.pdf |
<strong>Sequential Edge Clustering in Temporal Multigraphs</strong>
|
|
| /papers/30.pdf |
<strong>Learning interpretable hierarchical node representations via Ladder Gamma VAE</strong>
|
|
| /papers/32.pdf |
<strong>Multimodal Neural Graph Memory Networks for Visual Question Answering</strong>
|
|
| /papers/33.pdf |
<strong>Graph Alignment Networks with Node Matching Scores</strong>
|
|
| /papers/37.pdf |
<strong>Graph Attacks with Latent Variable Noise Modeling</strong>
|
|
| /papers/39.pdf |
<strong>Graph Representation Learning via Multi-task Knowledge Distillation</strong>
|
|
| /papers/40.pdf |
<strong>IsoNN: Isomorphic Neural Network for Graph Representation Learning and Classification</strong>
|
|
| /papers/41.pdf |
<strong>Diachronic Embedding for Temporal Knowledge Graph Completion</strong>
|
|
| /papers/43.pdf |
<strong>Improving Graph Attention Networks with Large Margin-based Constraints</strong>
|
|
| /papers/45.pdf |
<strong>Representation Learning of EHR Data via Graph-Based Medical Entity Embedding</strong>
|
|
| /papers/46.pdf |
<strong>Active Learning for Graph Neural Networks via Node Feature Propagation</strong>
|
|
| /papers/48.pdf |
<strong>On Learning Paradigms for the Travelling Salesman Problem</strong>
|
|
| /papers/51.pdf |
<strong>Graph Embeddings from Random Neural Features</strong>
|
|
| /papers/52.pdf |
<strong>Graph Structured Prediction Energy Net Algorithms</strong>
|
|
| /papers/53.pdf |
<strong>Meta-Graph: Few shot Link Prediction via Meta-Learning</strong>
|
|
| /papers/54.pdf |
<strong>Graph Representation Learning for Fraud Prediction: A Nearest Neighbour approach</strong>
|
|
| /papers/55.pdf |
<strong>Tensor Graph Neural Networks for Learning on Time Varying Graphs</strong>
|
|
| /papers/58.pdf |
<strong>Learning representations of Logical Formulae using Graph Neural Networks</strong>
|
|
| /papers/59.pdf |
<strong>SELFIES: a robust representation of semantically constrained graphs with an example application in chemistry</strong>
|
|
| /papers/62.pdf |
<strong>Residual or Gate? Towards Deeper Graph Neural Networks for Inductive Graph Representation Learning</strong>
|
|
| /papers/64.pdf |
<strong>Contextual Parameter Generation for Knowledge Graph Link Prediction</strong>
|
|
| /papers/66.pdf |
<strong>DynGAN: Generative Adversarial Networks for Dynamic Network Embedding</strong>
|
|
| /papers/67.pdf |
<strong>Relational Graph Representation Learning for Predicting Object Affordances</strong>
|
|
| /papers/68.pdf |
<strong>Conditional Neural Style Transfer with Peer-Regularized Feature Transform</strong>
|
|
| /papers/138.pdf |
<strong>R-SQAIR: Relational Sequential Attend, Infer, Repeat</strong>
|
|
| /papers/69.pdf |
<strong>Learning Compositional Koopman Operators for Model-Based Control</strong>
|
|
| /papers/70.pdf |
<strong>PiNet: Attention Pooling for Graph Classification</strong>
|
|
| /papers/72.pdf |
<strong>Multi-Graph Convolutional Neural Networks for Representation Learning in Recommendation</strong>
|
|
| /papers/73.pdf |
<strong>Keep It Simple: Graph Autoencoders Without Graph Convolutional Networks</strong>
|
|
| /papers/75.pdf |
<strong>Differentiation of Black-Box Combinatorial Solvers</strong>
|
|
| /papers/77.pdf |
<strong>Auto-regressive Graph Generation Modeling with Improved Evaluation Methods</strong>
|
|
| /papers/78.pdf |
<strong>Policy Learning for Task-driven Discovery of Incomplete Networks</strong>
|
|
| /papers/79.pdf |
<strong>Learning interpretable disease self-representations for drug repositioning</strong>
|
|
| /papers/80.pdf |
<strong>Building Dynamic Knowledge Graphs from Text-based Games</strong>
|
|
| /papers/82.pdf |
<strong>GraphMix: Improved Training of Graph Neural Networks for Semi-Supervised Learning</strong>
|
|
| /papers/84.pdf |
<strong>Learning Node Embeddings with Exponential Family Distributions</strong>
|
|
| /papers/85.pdf |
<strong>Group Anomaly Detection via Graph Autoencoders</strong>
|
|
| /papers/86.pdf |
<strong>Network discovery using reinforcement learning</strong>
|
|
| /papers/88.pdf |
<strong>Neural Execution of Graph Algorithms</strong>
|
|
| /papers/92.pdf |
<strong>Logical Expressiveness of Graph Neural Networks</strong>
|
|
| /papers/93.pdf |
<strong>Dynamic Network Representation Learning via Gaussian Embedding</strong>
|
|
| /papers/94.pdf |
<strong>Tri-graph Information Propagation for Polypharmacy Side Effect Prediction</strong>
|
|
| /papers/95.pdf |
<strong>Attributed Random Walk as Matrix Factorization</strong>
|
|
| /papers/98.pdf |
<strong>Dynamic Embedding on Textual Networks via a Gaussian Process</strong>
|
|
| /papers/101.pdf |
<strong>Low-Dimensional Knowledge Graph Embeddings via Hyperbolic Rotations</strong>
|
|
| /papers/103.pdf |
<strong>Supervised Graph Attention Network for Semi-Supervised Node Classification</strong>
|
|
| /papers/105.pdf |
<strong>Molecule-Augmented Attention Transformer</strong>
|
|
| /papers/109.pdf |
<strong>Transferability of Spectral Graph Convolutional Neural Networks</strong>
|
|
| /papers/111.pdf |
<strong>On the Interpretability and Evaluation of Graph Representation Learning</strong>
|
|
| /papers/115.pdf |
<strong>Learning interaction patterns from surface representations of protein structure</strong>
|
|
| /papers/118.pdf |
<strong>Graph-Driven Generative Models for Heterogeneous Multi-Task Learning</strong>
|
|
| /papers/123.pdf |
<strong>Relational Graph Representation Learning for Open-Domain Question Answering</strong>
|
|
| /papers/129.pdf |
<strong>Modeling Human Brain Connectomes using Structured Neural Networks</strong>
|
|
| /papers/131.pdf |
<strong>Neural Message Passing on High Order Paths</strong>
|
|
| /papers/132.pdf |
<strong>Multi-Task Learning on Graphs with Node and Graph Level Labels</strong>
|
|
| /papers/134.pdf |
<strong>Learnable Aggregator for GCN</strong>
|
|
| /papers/135.pdf |
<strong>Deep Generative Probabilistic Graph Neural Networks for Scene Graph Generation</strong>
|
|
| /papers/136.pdf |
<strong>Towards an Adaptive Skip-gram Model for Network Representation Learning</strong>
|
|
Внешние ссылки
Не найдено
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 не найдено.
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://grlearning.github.io/papers 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: