Анализ страницы https://mainlp.github.io/publications/
Основное Готовность: 75%
Домен
mainlp.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 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
en
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 документа указан явно: en.
Скорость загрузки
~0,33сек
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 0,33сек оптимальна.
Объем документа
68Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 68Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 13
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 13 много для одной страницы. Приемлемо до 10. Проведите оптимизацию файлов ресурсов!
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | https://cdn.jsdelivr.net/npm/bootstrap@4.6.1/dist/css/bootstrap.min.css | |
| stylesheet | https://cdn.jsdelivr.net/npm/mdbootstrap@4.20.0/css/mdb.min.css | |
| stylesheet | /assets/fontawesome/css/fontawesome.css | |
| stylesheet | /assets/fontawesome/css/brands.css | |
| stylesheet | /assets/fontawesome/css/regular.css | |
| stylesheet | /assets/fontawesome/css/solid.css | |
| stylesheet | text/css | https://fonts.googleapis.com/css?family=Roboto:300,400,500,700|Roboto+Slab:100,300,400,500,700|Material+Icons |
| stylesheet | https://cdn.jsdelivr.net/gh/jwarby/jekyll-pygments-themes@master/github.css | |
| stylesheet | /assets/css/main.css | |
| js | https://cdn.jsdelivr.net/npm/jquery@3.6.0/dist/jquery.min.js | |
| js | https://cdn.jsdelivr.net/npm/bootstrap@4.6.1/dist/js/bootstrap.bundle.min.js | |
| js | https://cdn.jsdelivr.net/npm/mdbootstrap@4.20.0/js/mdb.min.js | |
| js | /assets/js/common.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 | "6a7c7d98-11557" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | F0EA:15CB:61569B:6228AC:6A89FE06 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 19:52:38 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230165-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787428358.102108,VS0,VE112 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 3776ec1fa2ce29ee7114368af9f79d4bcadae0ac |
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: 32%
Title
Publications | MaiNLP research lab
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: 34, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Munich AI & NLP lab
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: 20, 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
https://mainlp.github.io/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.
Канонический Url прописан корректно.
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, shrink-to-fit=no
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: 3
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 3шт. 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, shrink-to-fit=no |
| name | author | MaiNLP research lab |
| name | description | Munich AI & NLP lab |
Оптимизация Готовность: 75%
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.
Среднее число слов в абзаце 8 слишком мало. Сделайте контент более читаемым!
Слова из title 4 встречаются в тексте достаточно.
Абзацев с текстом 215 достаточно.
Кол-во знаков контента 27021 на странице оптимально.
Кол-во слов 3869 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> 2. Это хорошо.
Тошнота
10,30
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
0,67%
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 |
|---|---|---|
| barbara | 106 | 2,74% |
| proceedings | 77 | 1,99% |
| language | 63 | 1,63% |
| computational | 52 | 1,34% |
| conference | 44 | 1,14% |
| association | 40 | 1,03% |
| natural | 29 | 0,75% |
| linguistics | 28 | 0,72% |
| linguistics: | 24 | 0,62% |
| workshop | 24 | 0,62% |
| empirical | 22 | 0,57% |
| methods | 22 | 0,57% |
| processing | 22 | 0,57% |
| findings | 21 | 0,54% |
| evaluation | 18 | 0,47% |
| verena | 17 | 0,44% |
| volume | 17 | 0,44% |
| papers | 17 | 0,44% |
| blaschke | 16 | 0,41% |
| models | 14 | 0,36% |
Индексация Готовность: 60%
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 124 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Найден корректный robots.txt
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.
Robots.txt настроен корректно. Размер файла: 71 байт. Загружен за: 0сек.
Проверяемая страница не запрещена в robots.txt.
Robots.txt доступен по постоянному адресу
Показать содержимое robots.txt
User-agent: *
Disallow:
Sitemap: https://mainlp.github.io/sitemap.xml
Sitemap
Кол-во: 1
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 содержит карту сайта. Это прекрасно!
Robots.txt не содержит ошибок в карте сайта.
Показать карту сайта
| Url | Статус |
|---|---|
| https://mainlp.github.io/sitemap.xml |
|
Внутренние ссылки
Кол-во: 9
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 9 оптимально.
Внутренние ссылки не запрещены к индексации в robots.txt.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| / |
<span class="font-weight-bold">MaiNLP </span>research lab
|
|
| / |
Home
|
|
| /jobs/ |
Jobs
|
|
| /events/ |
Events
|
|
| /projects/ |
Projects
|
|
| /thesis/ |
Thesis
|
|
| /publications/ |
Publications<span class="sr-only">(current)</span>
|
|
| /contact/ |
Contact
|
|
| /contact |
Impressum
|
|
Внешние ссылки
Кол-во: 113
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 113 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| aclanthology.org |
Establishing Trustworthiness: Rethinking Tasks and Model Evaluation
|
| aclanthology.org |
ActiveAED: A Human in the Loop Improves Annotation Error Detection
|
| aclanthology.org |
MAKIEval: A Multilingual Automatic WiKidata-based Framework for Cultural Awareness Evaluation for LLMs
|
| aclanthology.org |
Make Every Letter Count: Building Dialect Variation Dictionaries from Monolingual Corpora
|
| aclanthology.org |
RAcQUEt: Unveiling the Dangers of Overlooked Referential Ambiguity in Visual LLMs
|
| aclanthology.org |
Disentangling Subjectivity and Uncertainty for Hate Speech Annotation and Modeling using Gaze
|
| aclanthology.org |
The Validation Gap: A Mechanistic Analysis of How Language Models Compute Arithmetic but Fail to Validate It
|
| aclanthology.org |
Threading the Needle: Reweaving Chain-of-Thought Reasoning to Explain Human Label Variation
|
| aclanthology.org |
LiTEx: A Linguistic Taxonomy of Explanations for Understanding Within-Label Variation in Natural Language Inference
|
| aclanthology.org |
Crossing Domains without Labels: Distant Supervision for Term Extraction
|
| aclanthology.org |
What Media Frames Reveal About Stance: A Dataset and Study about Memes in Climate Change Discourse
|
| aclanthology.org |
BlackboxNLP-2025 MIB Shared Task: Exploring Ensemble Strategies for Circuit Localization Methods
|
| aclanthology.org |
Relevant for the Right Reasons? Investigating Lexical Biases in Zero-Shot and Instruction-Tuned Rerankers
|
| aclanthology.org |
Revisiting Active Learning under (Human) Label Variation
|
| aclanthology.org |
Aligning NLP Models with Target Population Perspectives using PAIR: Population-Aligned Instance Replication
|
| aclanthology.org |
LeWiDi-2025 at NLPerspectives: The Third Edition of the Learning with Disagreements Shared Task
|
| aclanthology.org |
BoN Appetit Team at LeWiDi-2025: Best-of-N Test-time Scaling Can Not Stomach Annotation Disagreements (Yet)
|
| aclanthology.org |
Tracing Multilingual Factual Knowledge Acquisition in Pretraining
|
| aclanthology.org |
Reason to Rote: Rethinking Memorization in Reasoning
|
| aclanthology.org |
M-ABSA: A Multilingual Dataset for Aspect-Based Sentiment Analysis
|
| aclanthology.org |
DistaLs: a Comprehensive Collection of Language Distance Measures
|
| ieeexplore.ieee.org |
Human-centered LLMs for Inclusive Language Technology: The Need to Embrace Variation Holistically in NLP
|
| isca-archive.org |
A Multi-Dialectal Dataset for German Dialect ASR and Dialect-to-Standard Speech Translation
|
| aclanthology.org |
Algorithmic Fidelity of Large Language Models in Generating Synthetic German Public Opinions: A Case Study
|
| aclanthology.org |
Pragmatics in the Era of Large Language Models: A Survey on Datasets, Evaluation, Opportunities and Challenges
|
| aclanthology.org |
A Rose by Any Other Name: LLM-Generated Explanations Are Good Proxies for Human Explanations to Collect Label Distributions on NLI
|
| aclanthology.org |
Circuit Compositions: Exploring Modular Structures in Transformer-Based Language Models
|
| aclanthology.org |
Probing LLMs for Multilingual Discourse Generalization Through a Unified Label Set
|
| aclanthology.org |
What’s the Difference? Supporting Users in Identifying the Effects of Prompt and Model Changes Through Token Patterns
|
| aclanthology.org |
LLMs instead of Human Judges? A Large Scale Empirical Study across 20 NLP Evaluation Tasks
|
| aclanthology.org |
Do LLMs Give Psychometrically Plausible Responses in Educational Assessments?
|
| aclanthology.org |
Analyzing the Effect of Linguistic Similarity on Cross-Lingual Transfer: Tasks and Experimental Setups Matter
|
| doi.org |
Methods and Resources in Germanic Variationist Linguistics
|
| aclanthology.org |
Dialetto, ma Quanto Dialetto? Transcribing and Evaluating Dialects on a Continuum
|
| aclanthology.org |
Evaluating Pixel Language Models on Non-Standardized Languages
|
| aclanthology.org |
Cross-Dialect Information Retrieval: Information Access in Low-Resource and High-Variance Languages
|
| aclanthology.org |
KARRIEREWEGE: A large scale Career Path Prediction Dataset
|
| aclanthology.org |
Neural Text Normalization for Luxembourgish Using Real-Life Variation Data
|
| aclanthology.org |
Neural Text Normalization for Luxembourgish Using Real-Life Variation Data
|
| aclanthology.org |
Improving Dialectal Slot and Intent Detection with Auxiliary Tasks: A Multi-Dialectal Bavarian Case Study
|
| aclanthology.org |
Add Noise, Tasks, or Layers? MaiNLP at the VarDial 2025 Shared Task on Norwegian Dialectal Slot and Intent Detection
|
| aclanthology.org |
Fine-grained Sexism Detection in Italian Newspapers
|
| aclanthology.org |
The Potential and Challenges of Evaluating Attitudes, Opinions, and Values in Large Language Models
|
| aclanthology.org |
“Seeing the Big through the Small”: Can LLMs Approximate Human Judgment Distributions on NLI from a Few Explanations?
|
| aclanthology.org |
To Know or Not To Know? Analyzing Self-Consistency of Large Language Models under Ambiguity
|
| aclanthology.org |
Liar, Liar, Logical Mire: A Benchmark for Suppositional Reasoning in Large Language Models
|
| openreview.net |
Beyond Accuracy: Evaluating the Reasoning Behavior of Large Language Models - A Survey
|
| openreview.net |
Look at the Text: Instruction-Tuned Language Models are More Robust Multiple Choice Selectors than You Think
|
| aclanthology.org |
Through the Lens of Split Vote: Exploring Disagreement, Difficulty and Calibration in Legal Case Outcome Classification
|
| aclanthology.org |
What Do Dialect Speakers Want? A Survey of Attitudes Towards Language Technology for German Dialects
|
| aclanthology.org |
“My Answer is C”: First-Token Probabilities Do Not Match Text Answers in Instruction-Tuned Language Models
|
| aclanthology.org |
Comparing Inferential Strategies of Humans and Large Language Models in Deductive Reasoning
|
| aclanthology.org |
VariErr NLI: Separating Annotation Error from Human Label Variation
|
| aclanthology.org |
CLIMATELI: Evaluating Entity Linking on Climate Change Data
|
| openreview.net |
Position: Insights from Survey Methodology can Improve Training Data
|
| aclanthology.org |
Universal NER: A Gold-Standard Multilingual Named Entity Recognition Benchmark
|
| aclanthology.org |
MaiNLP at SemEval-2024 Task 1: Analyzing Source Language Selection in Cross-Lingual Textual Relatedness
|
| aclanthology.org |
MaiBaam: A Multi-Dialectal Bavarian Universal Dependency Treebank
|
| aclanthology.org |
Sebastian, Basti, Wastl?! Recognizing Named Entities in Bavarian Dialectal Data
|
| aclanthology.org |
Slot and Intent Detection Resources for Bavarian and Lithuanian: Assessing Translations vs Natural Queries to Digital Assistants
|
| aclanthology.org |
EEVEE: An Easy Annotation Tool for Natural Language Processing
|
| aclanthology.org |
Donkii: Characterizing and Detecting Errors in Instruction-Tuning Datasets
|
| aclanthology.org |
Proceedings of the 1st Workshop on Uncertainty-Aware NLP (UncertaiNLP 2024)
|
| aclanthology.org |
Interpreting Predictive Probabilities: Model Confidence or Human Label Variation?
|
| aclanthology.org |
NNOSE: Nearest Neighbor Occupational Skill Extraction
|
| aclanthology.org |
Exploring the Robustness of Task-oriented Dialogue Systems for Colloquial German Varieties
|
| aclanthology.org |
Deep Learning-based Computational Job Market Analysis: A Survey on Skill Extraction and Classification from Job Postings
|
| aclanthology.org |
Entity Linking in the Job Market Domain
|
| aclanthology.org |
Different Tastes of Entities: Investigating Human Label Variation in Named Entity Annotations
|
| aclanthology.org |
More Labels or Cases? Assessing Label Variation in Natural Language Inference
|
| arxiv.org |
MaiBaam Annotation Guidelines
|
| aclanthology.org |
Subspace Chronicles: How Linguistic Information Emerges, Shifts and Interacts during Language Model Training
|
| aclanthology.org |
What Comes Next? Evaluating Uncertainty in Neural Text Generators Against Human Production Variability
|
| aclanthology.org |
From Dissonance to Insights: Dissecting Disagreements in Rationale Construction for Case Outcome Classification
|
| aclanthology.org |
ACTOR: Active Learning with Annotator-specific Classification Heads to Embrace Human Label Variation
|
| aclanthology.org |
Establishing Trustworthiness: Rethinking Tasks and Model Evaluation
|
| aclanthology.org |
Evaluating Emotion Arcs Across Languages: Bridging the Global Divide in Sentiment Analysis
|
| aclanthology.org |
Language and Mental Health: Measures of Emotion Dynamics from Text as Linguistic Biosocial Markers
|
| arxiv.org |
LoHoRavens: A Long-Horizon Language-Conditioned Benchmark for Robotic Tabletop Manipulation
|
| aclanthology.org |
ActiveAED: A Human in the Loop Improves Annotation Error Detection
|
| aclanthology.org |
Silver Syntax Pre-training for Cross-Domain Relation Extraction
|
| aclanthology.org |
Boosting Zero-shot Cross-lingual Retrieval by Training on Artificially Code-Switched Data
|
| aclanthology.org |
SemEval-2023 Task 11: Learning with Disagreements (LeWiDi)
|
| aclanthology.org |
How to Distill your BERT: An Empirical Study on the Impact of Weight Initialisation and Distillation Objectives
|
| aclanthology.org |
ESCOXLM-R: Multilingual Taxonomy-driven Pre-training for the Job Market Domain
|
| arxiv.org |
Uncertainty in Natural Language Generation: From Theory to Applications
|
| aclanthology.org |
A Survey of Corpora for Germanic Low-Resource Languages and Dialects
|
| aclanthology.org |
Low-resource Bilingual Dialect Lexicon Induction with Large Language Models
|
| aclanthology.org |
Multi-CrossRE A Multi-Lingual Multi-Domain Dataset for Relation Extraction
|
| aclanthology.org |
Findings of the VarDial Evaluation Campaign 2023
|
| aclanthology.org |
Does Manipulating Tokenization Aid Cross-Lingual Transfer? A Study on POS Tagging for Non-Standardized Languages
|
| aclanthology.org |
CrossRE: A Cross-Domain Dataset for Relation Extraction
|
| aclanthology.org |
Experimental Standards for Deep Learning in Natural Language Processing Research
|
| aclanthology.org |
On Language Spaces, Scales and Cross-Lingual Transfer of UD Parsers
|
| aclanthology.org |
The “Problem” of Human Label Variation: On Ground Truth in Data, Modeling and Evaluation
|
| aclanthology.org |
Spectral Probing
|
| aclanthology.org |
Evidence > Intuition: Transferability Estimation for Encoder Selection
|
| aclanthology.org |
Stop Measuring Calibration When Humans Disagree
|
| ieeexplore.ieee.org |
An Interdisciplinary Perspective on Evaluation and Experimental Design for Visual Text Analytics: Position Paper
|
| ceur-ws.org |
Skill Extraction from Job Postings using Weak Supervision
|
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://mainlp.github.io/publications/ готова к продвижению на 60%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: