Анализ страницы https://grlplus.github.io/papers
Основное Готовность: 95%
Домен
grlplus.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://grlplus.github.io/papers
301 MovedPermanently
https://grlplus.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 09.01.2027 2:59:59.
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
~0,35сек
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 0,35сек 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?1595006525227082468 | |
| js | text/javascript | https://ajax.googleapis.com/ajax/libs/jquery/3.3.1/jquery.min.js |
| js | text/javascript | /js/main.js?1595006525227082468 |
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 | "5f11de3f-52d2" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 5808:0A46:1F166C:219CDA:6A89B265 |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 14:29:58 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270036-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787408998.049580,VS0,VE126 |
| Vary | Accept-Encoding |
| x-fastly-request-id | d077f5bc7821c234e181b6b0e4d03c157577924a |
CMS
UMI.CMS
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 UMI.CMS.
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
ICML 2020 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: 18, 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
grlplus.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 | ICML 2020 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 | ICML 2020 Workshop |
| name | author | Andreea Deac |
| 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 | ICML 2020 Workshop |
| name | theme-color | #ffffff |
| property | og:type | article |
| property | og:title | Accepted Papers |
| property | og:description | ICML 2020 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 11317 на странице оптимально.
Кол-во слов 1598 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> 3.
Тошнота
5,83
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 3. Измените текст страницы!
Академич. тошнота
3,19%
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 |
|---|---|---|
| neural | 34 | 2,13% |
| networks | 29 | 1,81% |
| learning | 16 | 1,00% |
| graphs | 10 | 0,63% |
| prediction | 9 | 0,56% |
| pietro | 8 | 0,50% |
| embedding | 7 | 0,44% |
| michael | 7 | 0,44% |
| covid-19 | 6 | 0,38% |
| network | 6 | 0,38% |
| jonathan | 5 | 0,31% |
| attention | 5 | 0,31% |
| bronstein | 5 | 0,31% |
| daniel | 5 | 0,31% |
| representation | 4 | 0,25% |
| models | 4 | 0,25% |
| subgraph | 4 | 0,25% |
| andrew | 4 | 0,25% |
| applications | 4 | 0,25% |
| inference | 4 | 0,25% |
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 86 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
|
|
| /covid19 |
COVID-19 Resources
|
|
| /papers |
Accepted Papers
|
|
| /schedule |
<b>Schedule</b>
|
|
| /speakers |
Speakers
|
|
| /organizers |
Organizers
|
|
| /pcom |
Program Committee
|
|
| /papers/56.pdf |
<strong>Get Rid of Suspended Animation: Deep Diffusive Neural Network for Graph Representation Learning</strong>
|
|
| /papers/61.pdf |
<strong>Learning Graph Models for Template-Free Retrosynthesis</strong>
|
|
| /papers/32.pdf |
<strong>Wiki-CS: A Wikipedia-Based Benchmark for Graph Neural Networks</strong>
|
|
| /papers/48.pdf |
<strong>Graph Neural Networks for Massive MIMO Detection</strong>
|
|
| /papers/91.pdf |
<strong>Embedding a random graph via GNN: Extended mean-field inference theory and RL applications to NP-Hard multi-robot/machine scheduling</strong>
|
|
| /papers/30.pdf |
<strong>Navigating the Dynamics of Financial Embeddings over Time</strong>
|
|
| /papers/60.pdf |
<strong>Integrating Logical Rules Into Neural Multi-Hop Reasoning for Drug Repurposing</strong>
|
|
| /papers/69.pdf |
<strong>Gaining insight into SARS-CoV-2 infection and COVID-19 severity using self-supervised edge features and Graph Neural Networks</strong>
|
|
| /papers/3.pdf |
<strong>When Spectral Domain Meets Spatial Domain in Graph Neural Networks</strong>
|
|
| /papers/9.pdf |
<strong>Graph Neural Networks in TensorFlow and Keras with Spektral</strong>
|
|
| /papers/12.pdf |
<strong>Deep Graph Contrastive Representation Learning</strong>
|
|
| /papers/18.pdf |
<strong>Hierarchical Protein Function Prediction with Tail-GNNs</strong>
|
|
| /papers/19.pdf |
<strong>Neural Bipartite Matching</strong>
|
|
| /papers/20.pdf |
<strong>Principal Neighbourhood Aggregation for Graph Nets</strong>
|
|
| /papers/28.pdf |
<strong>Contrastive Graph Neural Network Explanation</strong>
|
|
| /papers/34.pdf |
<strong>Set2Graph: Learning Graphs From Sets</strong>
|
|
| /papers/36.pdf |
<strong>A Graph VAE and Graph Transformer Approach to Generating Molecular Graphs</strong>
|
|
| /papers/37.pdf |
<strong>Geometric Matrix Completion: A Functional View</strong>
|
|
| /papers/39.pdf |
<strong>Hierarchically Attentive Graph Pooling with Subgraph Attention</strong>
|
|
| /papers/45.pdf |
<strong>Hierarchical Inter-Message Passing for Learning on Molecular Graphs</strong>
|
|
| /papers/48.pdf |
<strong>Graph Neural Networks for Massive MIMO Detection</strong>
|
|
| /papers/50.pdf |
<strong>Graph Convolutional Gaussian Processes for Link Prediction</strong>
|
|
| /papers/51.pdf |
<strong>Deep Lagrangian Propagation in Graph Neural Networks</strong>
|
|
| /papers/53.pdf |
<strong>Scene Graph Reasoning for Visual Question Answering</strong>
|
|
| /papers/55.pdf |
<strong>Uncertainty in Neural Relational Inference Trajectory Reconstruction</strong>
|
|
| /papers/58.pdf |
<strong>Temporal Graph Networks for Deep Learning on Dynamic Graphs</strong>
|
|
| /papers/60.pdf |
<strong>Integrating Logical Rules Into Neural Multi-Hop Reasoning for Drug Repurposing</strong>
|
|
| /papers/64.pdf |
<strong>Differentiable Graph Module (DGM) for Graph Convolutional Networks</strong>
|
|
| /papers/71.pdf |
<strong>Population Graph GNNs for Brain Age Prediction</strong>
|
|
| /papers/75.pdf |
<strong>Improving Graph Neural Network Expressivity via Subgraph Isomorphism Counting</strong>
|
|
| /papers/77.pdf |
<strong>SIGN: Scalable Inception Graph Neural Networks</strong>
|
|
| /papers/79.pdf |
<strong>TUDataset: A collection of benchmark datasets for learning with graphs</strong>
|
|
| /papers/89.pdf |
<strong>Graphs, Entities, and Step Mixture</strong>
|
|
| /papers/90.pdf |
<strong>Pointer Graph Networks</strong>
|
|
| /papers/92.pdf |
<strong>From Graph Low-Rank Global Attention to 2-FWL Approximation</strong>
|
|
| /papers/93.pdf |
<strong>Geoopt: Riemannian Optimization in PyTorch</strong>
|
|
| /papers/96.pdf |
<strong>Active Learning on Graphs via Meta Learning</strong>
|
|
| /papers/97.pdf |
<strong>Clustered Dynamic Graph CNN for Biometric 3D Hand Shape Recognition</strong>
|
|
| /papers/101.pdf |
<strong>Graph neural induction of value iteration</strong>
|
|
| /papers/4.pdf |
<strong>Spectral-designed Depthwise Separable Graph Neural Networks</strong>
|
|
| /papers/8.pdf |
<strong>Practical Adversarial Attacks on Graph Neural Networks</strong>
|
|
| /papers/15.pdf |
<strong>Learning Distributed Representations of Graphs with Geo2DR</strong>
|
|
| /papers/21.pdf |
<strong>Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions</strong>
|
|
| /papers/23.pdf |
<strong>A Note on Over-Smoothing for Graph Neural Networks</strong>
|
|
| /papers/24.pdf |
<strong>Degree-Quant: Quantization-Aware Training for Graph Neural Networks</strong>
|
|
| /papers/26.pdf |
<strong>Message Passing Query Embedding</strong>
|
|
| /papers/29.pdf |
<strong>Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing</strong>
|
|
| /papers/30.pdf |
<strong>Navigating the Dynamics of Financial Embeddings over Time</strong>
|
|
| /papers/31.pdf |
<strong>Generalized Multi-Relational Graph Convolution Network</strong>
|
|
| /papers/32.pdf |
<strong>Wiki-CS: A Wikipedia-Based Benchmark for Graph Neural Networks</strong>
|
|
| /papers/38.pdf |
<strong>Meta-Learning GNN Initializations for Low-Resource Molecular Property Prediction</strong>
|
|
| /papers/40.pdf |
<strong>HNHN: Hypergraph Networks with Hyperedge Neurons</strong>
|
|
| /papers/43.pdf |
<strong>Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings</strong>
|
|
| /papers/46.pdf |
<strong>Discrete Planning with End-to-end Trained Neuro-algorithmic Policies</strong>
|
|
| /papers/54.pdf |
<strong>SE(3)-Transformers: 3D Roto-Translation Equivariant Attention Networks</strong>
|
|
| /papers/56.pdf |
<strong>Get Rid of Suspended Animation: Deep Diffusive Neural Network for Graph Representation Learning</strong>
|
|
| /papers/61.pdf |
<strong>Learning Graph Models for Template-Free Retrosynthesis</strong>
|
|
| /papers/62.pdf |
<strong>Relate and Predict: Structure-Aware Prediction with Jointly Optimized Neural Dependency Graph</strong>
|
|
| /papers/63.pdf |
<strong>Stay Positive: Knowledge Graph Embedding Without Negative Sampling</strong>
|
|
| /papers/65.pdf |
<strong>Software Engineering Event Modeling using Relative Time in Temporal Knowledge Graphs</strong>
|
|
| /papers/66.pdf |
<strong>Bi-Level Graph Neural Networks for Drug-Drug Interaction Prediction</strong>
|
|
| /papers/67.pdf |
<strong>Continuous Graph Flow</strong>
|
|
| /papers/69.pdf |
<strong>Gaining insight into SARS-CoV-2 infection and COVID-19 severity using self-supervised edge features and Graph Neural Networks</strong>
|
|
| /papers/70.pdf |
<strong>Molecule Edit Graph Attention Network: Modeling Chemical Reactions as Sequences of Graph Edits</strong>
|
|
| /papers/73.pdf |
<strong>Evaluating Logical Generalization in Graph Neural Networks</strong>
|
|
| /papers/74.pdf |
<strong>Relation-Dependent Sampling for Multi-Relational Link Prediction</strong>
|
|
| /papers/80.pdf |
<strong>Weisfeiler and Leman go sparse: Towards scalable higher-order graph embeddings</strong>
|
|
| /papers/82.pdf |
<strong>Scattering GCN: Overcoming Oversmoothness in Graph Convolutional Networks</strong>
|
|
| /papers/83.pdf |
<strong>Connecting Graph Convolutional Networks and Graph-Regularized PCA</strong>
|
|
| /papers/84.pdf |
<strong>UniKER: A Unified Framework for Combining Embedding and Horn Rules for Knowledge Graph Inference</strong>
|
|
| /papers/86.pdf |
<strong>Graph Generation with Energy-Based Models</strong>
|
|
| /papers/87.pdf |
<strong>Bi-Level Attention Neural Architectures for Relational Data</strong>
|
|
| /papers/91.pdf |
<strong>Embedding a random graph via GNN: Extended mean-field inference theory and RL applications to NP-Hard multi-robot/machine scheduling</strong>
|
|
| /papers/94.pdf |
<strong>Are Hyperbolic Representations in Graphs Created Equal?</strong>
|
|
| /papers/95.pdf |
<strong>Graphein - a Python Library for Geometric Deep Learning and Network Analysis on Protein Structures</strong>
|
|
Внешние ссылки
Кол-во: 2
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 2 оптимально.
Показать внешние ссылки
| Url | Анкор |
|---|---|
| icml.cc |
Workshop Livestream
|
| app.sli.do |
Workshop Slido
|
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://grlplus.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: