Анализ страницы https://mine-lab-nd.github.io/publications
Основное Готовность: 100%
Домен
mine-lab-nd.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://mine-lab-nd.github.io/publications
301 MovedPermanently
https://mine-lab-nd.github.io/publications/
200 OK
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 26.09.2026 0:36:48.
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
~0,59сек
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 0,59сек оптимальна.
Объем документа
187Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 187Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 9
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 9 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | https://fonts.googleapis.com/css2?family=Fraunces:opsz,wght@9..144,400;9..144,500;9..144,600;9..144,700&family=Inter:wght@400;500;600;700&display=swap | |
| stylesheet | https://cdnjs.cloudflare.com/ajax/libs/font-awesome/6.0.0/css/all.min.css | |
| stylesheet | /css/main.css | |
| stylesheet | /css/responsive.css | |
| stylesheet | /css/bootstrap-overrides.css | |
| js | https://ajax.googleapis.com/ajax/libs/jquery/1.12.4/jquery.min.js | |
| js | https://maxcdn.bootstrapcdn.com/bootstrap/3.3.7/js/bootstrap.min.js | |
| js | https://ajax.googleapis.com/ajax/libs/jquery/1.11.3/jquery.min.js | |
| js | /js/bootstrap.min.js |
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 | "6a2792a1-2eda3" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 4EA6:3B108:3150BB4:31BBAE3:6A8A45C4 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 00:58:44 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230028-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787446724.115635,VS0,VE106 |
| Vary | Accept-Encoding |
| x-fastly-request-id | e7e8b3593e2931d44061cb0a28b21326f938684f |
CMS
WordPress
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
Сайт работает на CMS WordPress.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 17%
Title
Publications · MINE 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 мало: 23, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Selected publications from the MINE Lab at the University of Notre Dame.
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: 72, минимум: 80, оптимально: от 120 до 130)
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
/publications/
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Домен в каноническом Url не совпадает!
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
width=device-width, initial-scale=1
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 2
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 2шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | viewport | width=device-width, initial-scale=1 |
| name | description | Selected publications from the MINE Lab at the University of Notre Dame. |
Оптимизация Готовность: 67%
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 625 достаточно.
Кол-во знаков контента 59681 на странице оптимально.
Кол-во слов 8412 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 <h3> 311.
Тошнота
17,66
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
1,74%
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 |
|---|---|---|
| xiangliang | 312 | 3,71% |
| learning | 57 | 0,68% |
| transactions | 34 | 0,40% |
| knowledge | 30 | 0,36% |
| nitesh | 28 | 0,33% |
| chawla | 28 | 0,33% |
| xiuying | 24 | 0,29% |
| shichao | 23 | 0,27% |
| guoxian | 22 | 0,26% |
| detection | 22 | 0,26% |
| models | 21 | 0,25% |
| zhenwen | 20 | 0,24% |
| systems | 20 | 0,24% |
| generation | 20 | 0,24% |
| recommendation | 19 | 0,23% |
| carlotta | 19 | 0,23% |
| domeniconi | 19 | 0,23% |
| engineering | 18 | 0,21% |
| network | 18 | 0,21% |
| language | 17 | 0,20% |
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 285 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: 6
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 6 оптимально.
На странице присутствуют изображения 1.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| / |
Home
|
|
| /research |
Research
|
|
| /publications |
Publications
|
|
| /team |
Team
|
|
| /vacancies |
Join Us
|
|
| /pictures |
Gallery
|
|
Внешние ссылки
Кол-во: 278
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 278 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| scholar.google.com |
Google Scholar
|
| sites.nd.edu |
homepage
|
| arxiv.org |
ProbeLLM: Automating Principled Diagnosis of LLM Failures
|
| arxiv.org |
Capability-Oriented Training Induced Alignment Risk
|
| techrxiv.org |
Beyond Prediction: Toward Verifiable Physiological Waveform Reasoning with Foundation Models and Agentic LLMs
|
| arxiv.org |
My Favorite Streamer is an LLM: Discovering, Bonding, and Co-Creating in AI VTuber Fandom
|
| arxiv.org |
MTSQL-R1: Towards Long-Horizon Multi-Turn Text-to-SQL via Agentic Training
|
| arxiv.org |
A Survey of Multimodal Mathematical Reasoning: From Perception, Alignment to Reasoning
|
| arxiv.org |
Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data
|
| arxiv.org |
Guardian-as-an-Advisor: Advancing Next-Generation Guardian Models for Trustworthy LLMs
|
| arxiv.org |
PolicyLLM: Towards Excellent Comprehension of Public Policy for Large Language Models
|
| arxiv.org |
TrustGen: A Platform of Dynamic Benchmarking on the Trustworthiness of Generative Foundation Models
|
| openreview.net |
Building a Foundational Guardrail for General Agentic Systems via Synthetic Data
|
| openreview.net |
Preference Leakage: A Contamination Problem in LLM-as-a-Judge
|
| openreview.net |
RankLLM: Weighted Ranking of LLMs by Quantifying Question Difficulty
|
| openreview.net |
TableDART: Dynamic Adaptive Multi-Modal Routing for Table Understanding
|
| arxiv.org |
Better Datasets Start From RefineLab: Automatic Optimization for High-Quality Dataset Refinement
|
| ojs.aaai.org |
RMO: Towards Better LLM Alignment via Reshaping Reward Margin Distributions
|
| arxiv.org |
SPA: Achieving Consensus in LLM Alignment via Self-Priority Optimization
|
| ojs.aaai.org |
Adaptive and Context-rich Generative Self-supervised Learning on Graphs
|
| doi.org |
Benchmarking Large Language Models on Safety Issues in Scientific Labs
|
| arxiv.org |
ChemOrch: Empowering LLMs with Chemical Intelligence via Groundbreaking Synthetic Instructions
|
| arxiv.org |
BenchmarkCards: Standardized Documentation for Large Language Model Benchmarks
|
| arxiv.org |
Quasiparticle Interference Kernel Extraction with Variational Autoencoders via Latent Alignment
|
| arxiv.org |
ReactionTeam: Teaming Experts for Divergent Thinking Beyond Typical Reaction Patterns
|
| dl.acm.org |
New Paradigm for Evaluating Scholar Summaries: A Facet-aware Metric and a Meta-evaluation Benchmark
|
| ieeexplore.ieee.org |
Towards Generalized Urban Computing: Pretraining a Spatial-Temporal Model for Diverse Urban Tasks
|
| sciencedirect.com |
Machine learning for 2D material-based devices
|
| doi.org |
Improving Reaction Prediction through Chemically Aware Transfer Learning
|
| kehanguo2.github.io |
Can LLMs Solve Molecule Puzzles? A Multimodal Benchmark for Molecular Structure Elucidation
|
| openreview.net |
The Best of Both Worlds: Toward an Honest and Helpful Large Language Model
|
| openreview.net |
Beyond Single Stationary Policies: Meta-Task Players as Naturally Superior Collaborators
|
| aclanthology.org |
1+1 >2: Can Large Language Models Serve as Cross-Lingual Knowledge Aggregators?
|
| arxiv.org |
Defending Jailbreak Prompts via In-Context Adversarial Game
|
| aclanthology.org |
RAt: Injecting Implicit Bias for Text-To-Image Prompt Refinement Models
|
| arxiv.org |
SaSR-Net: Source-Aware Semantic Representation Network for Enhancing Audio-Visual Question Answering
|
| arxiv.org |
Zero-Shot Relational Learning for Multimodal Knowledge Graphs
|
| pubs.acs.org |
Data-Efficient, Chemistry-Aware Machine Learning Predictions of Diels–Alder Reaction Outcomes
|
| dl.acm.org |
Application of Large Language Models in Chemistry Reaction Data Extraction and Cleaning
|
| usenix.org |
Lurking in the Shadows: Unveiling Stealthy Backdoor Attacks against Personalized Federated Learning
|
| dl.acm.org |
FaDE: A Face Segment Driven Identity Anonymization Framework For Fair Face Recognition
|
| dl.acm.org |
Cross-Context Backdoor Attacks against Graph Prompt Learning
|
| dl.acm.org |
LeMon: Automating Portrait Generation for Zero-Shot Story Visualization with Multi-Character Interactions
|
| icml.cc |
Attack-Free Evaluating and Enhancing Adversarial Robustness on Categorical Data
|
| icml.cc |
TrustLLM: Trustworthiness in Large Language Models
|
| arxiv.org |
Large Language Model Based Multi-Agents: A Survey of Progress and Challenges
|
| arxiv.org |
SceMQA: A Scientific College Entrance Level Multimodal Question Answering Benchmark
|
| dl.acm.org |
Flexible and Adaptable Summarization via Expertise Separation
|
| arxiv.org |
Are We Making Much Progress? Revisiting Chemical Reaction Yield Prediction from an Imbalanced Regression Perspective
|
| ojs.aaai.org |
Uncertainty-Aware Yield Prediction with Multimodal Molecular Features
|
| ieeexplore.ieee.org |
A Property-Guided Diffusion Model for Generating Molecular Graphs
|
| ieeexplore.ieee.org |
Think as People: Context-Driven Multi-Image News Captioning with Adaptive Dual Attention
|
| doi.org |
Causality-Based Fair Multiple Decision by Response Functions
|
| doi.org |
Gradient-Based Local Causal Structure Learning
|
| doi.org |
Personalized Federated Few-Shot Learning
|
| doi.org |
Write Summary Step-by-Step: A Pilot Study of Stepwise Summarization
|
| ieeexplore.ieee.org |
Forgetting User Preference in Recommendation Systems with Label-Flipping
|
| aclanthology.org |
Let GPT be a Math Tutor: Teaching Math Word Problem Solvers with Customized Exercise Generation
|
| aclanthology.org |
UniMath: A Foundational and Multimodal Mathematical Reasoner
|
| papers.nips.cc |
What can large language models do in chemistry? A comprehensive benchmark on eight tasks
|
| dl.acm.org |
Modeling Sequential Collaborative User Behaviors for Seller-aware Next Basket Recommendation
|
| link.springer.com |
Neural Multi-hop Logical Query Answering with Concept-level Answers
|
| dl.acm.org |
Few-shot Low-resource Knowledge Graph Completion with Multi-view Task Representation Generation
|
| dl.acm.org |
Counterfactual Learning on Heterogeneous Graphs with Greedy Perturbation
|
| aclanthology.org |
Improving the Robustness of Summarization Systems with Dual Augmentation
|
| aclanthology.org |
Compositional Mathematical Encoding for Math Word Problems
|
| aclanthology.org |
Few-shot Low-resource Knowledge Graph Completion with Reinforced Task Generation
|
| ijcai.org |
Character As Pixels: A Controllable Prompt Adversarial Attacking Framework for Black-Box Text Guided Image Generation Models
|
| ijcai.org |
Graph-based Molecular Representation Learning
|
| dl.acm.org |
A Topic-aware Summarization Framework with Different Modal Side Information
|
| dl.acm.org |
LogicRec: Recommendation with Users' Logical Requirements
|
| dl.acm.org |
Few-shot News Recommendation via Cross-lingual Transfer
|
| openreview.net |
Learning MLPs on Graphs: A Unified View of Effectiveness, Robustness, and Efficiency
|
| ojs.aaai.org |
Cross-domain Few-shot Graph Classification with a Reinforced Task Coordinator
|
| ojs.aaai.org |
Towards Efficient and Domain-Agnostic Evasion Attack with High-dimensional Categorical Inputs
|
| ojs.aaai.org |
Poisoning with Cerberus: Stealthy and Colluded Backdoor Attack against Federated Learning
|
| ojs.aaai.org |
Generalizing Math Word Problem Solvers via Solution Diversification
|
| ojs.aaai.org |
Learning towards Selective Data Augmentation for Dialogue Generation
|
| dl.acm.org |
Interpretable Research Interest Shift Detection with Temporal Heterogeneous Graphs
|
| dl.acm.org |
Telecommunication Traffic Forecasting via Multi-task Learning
|
| ieeexplore.ieee.org |
AdvCat: Domain-Agnostic Robustness Assessment for Cybersecurity-Critical Applications with Categorical Inputs
|
| ieeexplore.ieee.org |
QuoGNN: Quotient Graph Neural Network for Urban Flow Forecasting
|
| aclanthology.org |
Analogical Math Word Problems Solving with Enhanced Problem-Solution Association
|
| aclanthology.org |
Scientific Paper Extractive Summarization Enhanced by Citation Graphs
|
| aclanthology.org |
ArtELingo: A Million Emotion Annotations of WikiArt with Emphasis on Diversity over Language and Culture
|
| proceedings.neurips.cc |
Towards Improving Faithfulness in Abstractive Summarization
|
| dl.acm.org |
DEMO: Disentangled Molecular Graph Generation via an Invertible Flow Model
|
| dl.acm.org |
Generative Adversarial Zero-Shot Learning for Cold-Start News Recommendation
|
| dl.acm.org |
A Biased Sampling Method for Imbalanced Personalized Ranking
|
| dl.acm.org |
Look Twice as Much as You Say: Scene Graph Contrastive Learning for Self-Supervised Image Caption Generation
|
| dl.acm.org |
Few-shot Heterogeneous Graph Learning via Cross-domain Knowledge Transfer
|
| dl.acm.org |
Data-Driven Oracle Bone Rejoining: A Dataset and Practical Self-Supervised Learning Scheme
|
| ijcai.org |
Positive-Unlabeled Learning with Adversarial Data Augmentation for Knowledge Graph Completion
|
| ijcai.org |
Few-Shot Learning on Graphs: A Survey
|
| dl.acm.org |
Target-aware Abstractive Related Work Generation with Contrastive Learning
|
| aclanthology.org |
MWP-BERT: Numeracy-Augmented Pre-training for Math Word Problem Solving
|
| aclanthology.org |
ArMATH: a Dataset for Solving Arabic Math Word Problems
|
| openreview.net |
Towards Understanding the Robustness Against Evasion Attack on Categorical Data
|
| dl.acm.org |
Graph Alignment with Noisy Supervision
|
| doi.org |
Follow the Timeline! Generating Abstractive and Extractive Timeline Summary in Chronological Order
|
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://mine-lab-nd.github.io/publications готова к продвижению на 46%. 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: