Анализ страницы https://jundongli.github.io/publications.html
Основное Готовность: 95%
Домен
jundongli.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.
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
~0,36сек
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 0,36сек оптимальна.
Объем документа
82Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 82Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 1
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 1 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | text/css | jemdoc.css |
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 | "6a883536-149fe" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 58FC:1459C1:2D74BC1:2DD65FD:6A8A2096 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 22:20:06 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230188-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787437207.521797,VS0,VE110 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 23fdc61b20a16eee8791731d05b8619b04010535 |
CMS
jemdoc, see http://jemdoc.jaboc.net/
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.
В мета-теге generator указано: jemdoc, see http://jemdoc.jaboc.net/.
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: 22%
Title
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: 13, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Установите мета-тег description!
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Рекомендуем прописать канонический Url.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
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 не указан. Страница не адаптивная.
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 1
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 1шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | generator | jemdoc, see http://jemdoc.jaboc.net/ |
Оптимизация Готовность: 60%
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 в единственном экземпляре).
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 1 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 251 достаточно.
Среднее число слов в абзаце 31 достаточно.
Кол-во знаков контента 55265 на странице оптимально.
Кол-во слов 7857 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 <h2> 12. Это хорошо.
Тошнота
15,87
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
2,86%
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 |
|---|---|---|
| jundong | 252 | 3,21% |
| conference | 170 | 2,16% |
| international | 96 | 1,22% |
| learning | 90 | 1,15% |
| knowledge | 87 | 1,11% |
| mining | 66 | 0,84% |
| acceptance | 53 | 0,67% |
| networks | 49 | 0,62% |
| yushun | 47 | 0,60% |
| discovery | 43 | 0,55% |
| information | 41 | 0,52% |
| language | 39 | 0,50% |
| transactions | 32 | 0,41% |
| neural | 31 | 0,39% |
| yaochen | 29 | 0,37% |
| sigkdd | 29 | 0,37% |
| machine | 29 | 0,37% |
| systems | 29 | 0,37% |
| intelligence | 27 | 0,34% |
| processing | 26 | 0,33% |
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 278 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: 26
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 26 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| /index.html |
Home
|
|
| /publications.html |
Publications
|
|
| /tutorials.html |
Tutorials
|
|
| /teaching.html |
Teaching
|
|
| /services.html |
Services
|
|
| /students.html |
Students
|
|
| /awards.html |
Awards
|
|
| / |
Grounding Memory Summarization in Utility Intent
|
|
| / |
The Past Is Prologue: A Plug-in Controller for Selective Updates in Sequentially Evolving LLM Memory
|
|
| / |
TeacherGRPO: Closing the Capacity Gap in Reasoning Distillation via Teacher Alignmenty
|
|
| / |
RoutePO: Personalized Routing Policy Optimization for LLM-based Multi-Channel Recall
|
|
| / |
End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost
|
|
| / |
LSP-RAG: Latent Scoring Perspectives for Knowledge Graph Retrieval-Augmented Generation
|
|
| / |
SMILE: Extended Deep Submodular Function-Based Instruction and In-context Learning Demonstration Selection
|
|
| / |
Rethinking the Potential of Layer Freezing for DNN Training Efficiency
|
|
| / |
Unified Heterogeneous Event Sequence Modeling for Remission-Stage Risk Prediction among Cancer Survivors with Multiple Chronic Conditions
|
|
| / |
Dynamic Treatment for Chronic Kidney Disease Mineral and Bone Disorder (CKD-MBD) Among Patients with Kidney Failure on Hemodialysis: A Demonstration Project
|
|
| / |
Spatiotemporal Modeling of Social Capital and Infrastructure Mobility Resilience during Hurricane Harvey
|
|
| / |
Interpreting Pretrained Language Models via Concept Bottlenecks (Extended Abstract)
|
|
| / |
Learning Causal Effects on Hypergraphs (Extended Abstract)
|
|
| / |
A Deep Multi-View Framework for Anomaly Detection on Attributed Networks (Extended Abstract)
|
|
| /paper/IJCAI22_FAITH.pdf |
FAITH: Few-Shot Graph Classification with Hierarchical Task Graphs
|
|
| /paper/SDM18_Errata.html |
errata]
|
|
| /paper/AAAI18_Errata.html |
errata]
|
|
| /paper/SDM17_Errata.pdf |
errata]
|
|
| / |
among the most cited papers of WSDM within 5 years
|
|
Внешние ссылки
Кол-во: 252
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 252 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| scholar.google.com |
Google Scholar
|
| dblp.org |
DBLP
|
| arxiv.org |
CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching
|
| arxiv.org |
Generalizing GNNs with Tokenized Mixture of Experts
|
| dl.acm.org |
Certified Defense on the Fairness of Graph Neural Networks
|
| arxiv.org |
IAPO: Information-Aware Policy Optimization for Token-Efficient Reasoning
|
| arxiv.org |
LOKA: Conflict-Aware LLM Knowledge Update with Memory-Adaptive Knowledge Codebook
|
| arxiv.org |
Mind the Gap in Cultural Alignment: Task-Aware Culture Management for Large Language Models
|
| openreview.net |
Reforming the Mechanism: Editing Reasoning Patterns in LLMs with Circuit Reshaping
|
| openreview.net |
Rank-GRPO: Training LLM-based Conversational Recommender Systems with Reinforcement Learning
|
| openreview.net |
Energy-Based Transformers are Scalable Learners and Thinkers
|
| openreview.net |
Probing to Refine: Reinforcement Distillation of LLM Reasoners via Explanatory Inversion
|
| arxiv.org |
BrainTAP: Brain Disorder Prediction with Adaptive Distill and Selective Prior Integration
|
| dl.acm.org |
MolEdit: Knowledge Editing for Multimodal Molecule Language Models
|
| arxiv.org |
Adapting to Any Bit-Width: Channel-Wise Mixed-Precision Quantization for LLMs
|
| openreview.net |
Explainable Graph Learning for Particle Accelerator Operations
|
| arxiv.org |
A Survey of Scaling in Large Language Model Reasoning
|
| dl.acm.org |
Reversing the Death of Hypertext: Mechanistic Interpretability for LLM Navigation
|
| arxiv.org |
Usable XAI: 10 Strategies Towards Exploiting Explainability in the LLM Era
|
| arxiv.org |
Safety in Graph Machine Learning: Threats and Safeguards
|
| openreview.net |
SemCoT: Accelerating Chain-of-Thought Reasoning through Semantically-Aligned Implicit Tokens
|
| openreview.net |
Hierarchical Demonstration Order Optimization for Many-shot In-Context Learning
|
| openreview.net |
GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks
|
| ieeexplore.ieee.org |
VirtualGCN – Enhancing Graph Collaborative Filtering with Virtual Interactions
|
| ieeexplore.ieee.org |
Dynamic, Efficient, and Generalizable Multi-Agent Communication for Large Language Models
|
| aclanthology.org |
Learning from Diverse Reasoning Paths with Routing and Collaboration
|
| aclanthology.org |
AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction
|
| aclanthology.org |
Separate the Wheat from the Chaff: Winnowing Down Divergent Views in Retrieval Augmented Generation
|
| aclanthology.org |
LLM-based Conversational Recommendation Agents with Collaborative Verbalized Experience
|
| aclanthology.org |
From Cross-Task Examples to In-Task Prompts: A Graph-Based Pseudo-Labeling Framework for In-context Learning
|
| aclanthology.org |
CoRAG: Enhancing Hybrid Retrieval-Augmented Generation through a Cooperative Retriever Architecture
|
| dl.acm.org |
MI4Rec: Pretrained Language Model based Cold-Start Recommendation with Meta-Item Embeddings
|
| dl.acm.org |
GraphRCG: Self-Conditioned Graph Generation
|
| dl.acm.org |
TGN-PNM: A Near-Memory Architecture for Temporal GNN Inference on 3D-Stacked Memory
|
| openreview.net |
Knowledge Graph Retrieval-Augmented Generation via GNN-Guided Prompting
|
| dl.acm.org |
Energy-Based Models for Predicting Mutational Effects on Proteins
|
| dl.acm.org |
Fairness-Aware Graph Learning: A Benchmark
|
| dl.acm.org |
Graph Prompting for Graph Learning Models: Recent Advances and Future Directions
|
| dl.acm.org |
Graph Foundation Models: Challenges, Methods, and Open Questions
|
| aclanthology.org |
Question-Aware Knowledge Graph Prompting for Enhancing Large Language Models
|
| aclanthology.org |
Harnessing Large Language Models for Disaster Management: A Survey
|
| openreview.net |
Beyond the Permutation Symmetry of Transformers: The Role of Rotation for Model Fusion
|
| openreview.net |
Towards Global-level Mechanistic Interpretability: A Perspective of Modular Circuits of Large Language Models
|
| openreview.net |
MAPLE: Many-Shot Adaptive Pseudo-Labeling In-Context Learning
|
| link.springer.com |
Deep Interactions for Multimodal Molecular Property Prediction
|
| openreview.net |
CEB: Compositional Evaluation Benchmark for Fairness in Large Language Models
|
| openreview.net |
Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective
|
| arxiv.org |
Edge Prompt Tuning for Graph Neural Networks
|
| openreview.net |
Causal Effect Estimation with Mixed Latent Confounders and Post-treatment Variables
|
| openreview.net |
Reasoning of Large Language Models over Knowledge Graphs with Super-Relations
|
| dl.acm.org |
Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems
|
| dl.acm.org |
Collaborative Diffusion Model for Recommender System
|
| ojs.aaai.org |
Virtual Nodes Can Help: Tackling Distribution Shifts in Federated Graph Learning
|
| ojs.aaai.org |
BrainMAP: Learning Multiple Activation Pathways in Brain Networks
|
| ojs.aaai.org |
ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data
|
| dl.acm.org |
Demystify Epidemic Containment in Directed Networks: Theory and Algorithms
|
| openaccess.thecvf.com |
Invariant Shape Representation Learning for Image Classification
|
| openreview.net |
FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs
|
| academic.oup.com |
CeLLTra: Aligning Cell Names with Gene Expression via a Pathway-Informed Transformer
|
| arxiv.org |
A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation
|
| openreview.net |
Global Graph Counterfactual Explanation: A Subgraph Mapping Approach
|
| openreview.net |
Generative Risk Minimization for Out-of-Distribution Generalization on Graphs
|
| openreview.net |
Instance-Aware Graph Prompt Learning
|
| openreview.net |
SEESAW: Do Graph Neural Networks Improve Node Representation Learning for All?
|
| openreview.net |
Mixture of Demonstrations for In-Context Learning
|
| openreview.net |
Efficient Prompt Optimization Through the Lens of Best Arm Identification
|
| ieeexplore.ieee.org |
KG-CF: Knowledge Graph Completion with Context Filtering under the Guidance of Large Language Models
|
| aclanthology.org |
Explaining Graph Neural Networks with Large Language Models: A Counterfactual Perspective on Molecule Graphs
|
| aclanthology.org |
"Glue Pizza and Eat Rocks" – Exploiting Vulnerabilities in Retrieval-Augmented Generative Models
|
| aclanthology.org |
Large Language Models for Data Annotation: A Survey
|
| ieeexplore.ieee.org |
Enhancing Distribution and Label Consistency for Graph Out-of-Distribution Generalization
|
| dl.acm.org |
Understanding and Modeling Job Marketplace with Pretrained Language Models
|
| dl.acm.org |
Federated Graph Learning with Structure Proxy Alignment
|
| dl.acm.org |
IDEA: A Flexible Framework of Certified Unlearning for Graph Neural Networks
|
| dl.acm.org |
Causal Inference with Latent Variables: Recent Advances and Future Prospectives
|
| aclanthology.org |
Knowledge Graph-Enhanced Large Language Models via Path Selection
|
| aclanthology.org |
FastGAS: Fast Graph-based Annotation Selection for In-Context Learning
|
| openreview.net |
Verification of Machine Unlearning is Fragile
|
| openreview.net |
Towards Certified Unlearning for Deep Neural Networks
|
| aclanthology.org |
Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation
|
| dl.acm.org |
PyGDebias: A Python Library for Debiasing in Graph Learning
|
| dl.acm.org |
Collaborative Large Language Model for Recommender Systems
|
| openreview.net |
Adversarial Attacks on Fairness of Graph Neural Networks
|
| link.springer.com |
SD-Attack: Targeted Spectral Attacks on Graphs
|
| link.springer.com |
Interpreting Pretrained Language Models via Concept Bottlenecks
|
| ieeexplore.ieee.org |
Personalized Federated Learning with Attention-based Client Selection
|
| openreview.net |
Federated Graph Learning with Graphless Clients
|
| dl.acm.org |
Knowledge Editing for Large Language Models: A Survey
|
| frontiersin.org |
Graph Learning for Particle Accelerator Operations
|
| ieeexplore.ieee.org |
Semi-Supervised Graph Contrastive Learning with Virtual Adversarial Augmentation
|
| aclanthology.org |
Noise-Robust Fine-Tuning of Pretrained Language Models via External Guidance
|
| ieeexplore.ieee.org |
Generative Few-shot Graph Classification: An Adaptive Perspective
|
| dl.acm.org |
GiGaMAE: Generalizable Graph Masked Autoencoder via Collaborative Latent Space Reconstruction
|
| journals.sagepub.com |
Fair Few-shot Learning with Auxiliary Sets
|
| dl.acm.org |
Learning for Counterfactual Fairness from Observational Data
|
| dl.acm.org |
Path-Specific Counterfactual Fairness for Recommender Systems
|
| dl.acm.org |
Federated Few-shot Learning
|
| dl.acm.org |
Contrastive Meta-Learning for Few-shot Node Classification
|
| dl.acm.org |
Empower Post-hoc Graph Explanations with Information Bottleneck: A Pre-training and Fine-tuning Perspective
|
| dl.acm.org |
A Look into Causal Effects under Entangled Treatment in Graphs: Investigating the Impact of Contact on MRSA Infection
|
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://jundongli.github.io/publications.html готова к продвижению на 44%. 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: