Анализ страницы https://nlpprogress.com/english/summarization.html
Основное Готовность: 100%
Домен
nlpprogress.com
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Домен второго уровня идеален для продвижения.
Отличный запоминающийся домен.
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.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 23.09.2026 12:45:52.
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-US
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-US.
Скорость загрузки
~0,25сек
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 0,25сек оптимальна.
Объем документа
54Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 54Кб 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 | /assets/css/style.css?v=379f03ff7568b18bd9843490b84c94679f880a79 |
Серверные заголовки
Кол-во: 17
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 17шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "667842e6-d956" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 2D50:0A74:11BDD2:133434:6A89D4B9 |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 16:56:26 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270046-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787417787.788251,VS0,VE135 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 5284978867f981b98f52f97c042dcab4b88994fb |
CMS
Jekyll v3.9.5
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: Jekyll v3.9.5.
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
Summarization | NLP-progress
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: 28, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Repository to track the progress in Natural Language Processing (NLP), including the datasets and the current state-of-the-art for the most common NLP tasks.
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 уменьшить число символов в description (текущее значение: 157, 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
http://nlpprogress.com/english/summarization.html
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,maximum-scale=2
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 maximum-scale определяет максимальный масштаб области просмотра.
Разметка OpenGraph
Кол-во: 6
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:title | Summarization |
| og:locale | en_US |
| og:description | Repository to track the progress in Natural Language Processing (NLP), including the datasets and the current state-of-the-art for the most common NLP tasks. |
| og:url | http://nlpprogress.com/english/summarization.html |
| og:site_name | NLP-progress |
| og:type | website |
Все мета-теги
Кол-во: 11
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 11шт. 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,maximum-scale=2 |
| name | generator | Jekyll v3.9.5 |
| name | description | Repository to track the progress in Natural Language Processing (NLP), including the datasets and the current state-of-the-art for the most common NLP tasks. |
| name | twitter:card | summary |
| property | og:title | Summarization |
| property | og:locale | en_US |
| property | og:description | Repository to track the progress in Natural Language Processing (NLP), including the datasets and the current state-of-the-art for the most common NLP tasks. |
| property | og:url | http://nlpprogress.com/english/summarization.html |
| property | og:site_name | NLP-progress |
| property | og:type | website |
| property | twitter:title | Summarization |
Оптимизация Готовность: 72%
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 2 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 24 достаточно.
Среднее число слов в абзаце 30 достаточно.
Кол-во знаков контента 19364 на странице оптимально.
Кол-во слов 2795 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> 4. Это хорошо.
На странице присутствуют заголовки <h3> 6.
Тошнота
9,43
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
10,88%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота страницы в пределах нормы.
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 |
|---|---|---|
| summarization | 89 | 3,18% |
| abstractive | 53 | 1,90% |
| official | 45 | 1,61% |
| sentence | 30 | 1,07% |
| neural | 22 | 0,79% |
| dataset | 16 | 0,57% |
| extractive | 15 | 0,54% |
| generation | 14 | 0,50% |
| summary | 13 | 0,47% |
| rouge-1 | 12 | 0,43% |
| rouge-2 | 12 | 0,43% |
| rouge-l | 12 | 0,43% |
| language | 11 | 0,39% |
| models | 11 | 0,39% |
| pre-training | 11 | 0,39% |
| compression | 10 | 0,36% |
| document | 9 | 0,32% |
| sequence-to-sequence | 9 | 0,32% |
| details | 9 | 0,32% |
| content | 7 | 0,25% |
Индексация Готовность: 0%
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 172 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: 1
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 1 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| / |
Go back to the README
|
|
Внешние ссылки
Кол-во: 166
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 166 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| github.com |
View on GitHub
|
| arxiv.org |
CNN / Daily Mail dataset
|
| aclweb.org |
Nallapati et al. (2016)
|
| aclweb.org |
Nallapati et al. (2016)
|
| aaai.org |
Learning to Extract Coherent Summary via Deep Reinforcement Learning
|
| aclweb.org |
Extractive Summarization with SWAP-NET: Sentences and Words from Alternating Pointer Networks
|
| ieeexplore.ieee.org |
A Hierarchical Structured Self-Attentive Model for Extractive Document Summarization (HSSAS)
|
| aaai.org |
Generative Adversarial Network for Abstractive Text Summarization
|
| aclweb.org |
Guiding Generation for Abstractive Text Summarization based on Key Information Guide Network
|
| arxiv.org |
SummaRuNNer: A Recurrent Neural Network based Sequence Model for Extractive Summarization of Documents
|
| aclweb.org |
Fast Abstractive Summarization with Reinforce-Selected Sentence Rewriting
|
| github.com |
Official
|
| openreview.net |
A Deep Reinforced Model for Abstractive Summarization
|
| arxiv.org |
SummaRuNNer: A Recurrent Neural Network based Sequence Model for Extractive Summarization of Documents
|
| aclweb.org |
Improving Abstraction in Text Summarization
|
| aclweb.org |
Abstractive Document Summarization with a Graph-Based Attentional Neural Model
|
| aclweb.org |
Abstractive Text Summarization using Sequence-to-sequence RNNs and Beyond
|
| aclweb.org |
See et al. (2017)
|
| arxiv.org |
Extractive Summarization as Text Matching
|
| github.com |
Official
|
| cs.utexas.edu |
A Discourse-Aware Neural Extractive Model for Text Summarization
|
| github.com |
Official
|
| arxiv.org |
Text Summarization with Pretrained Encoders
|
| github.com |
Official
|
| arxiv.org |
Summary Level Training of Sentence Rewriting for Abstractive Summarization
|
| arxiv.org |
Searching for Effective Neural Extractive Summarization: What Works and What’s Next
|
| github.com |
Official
|
| arxiv.org |
HIBERT: Document Level Pre-training of Hierarchical Bidirectional Transformers for Document Summarization
|
| aclweb.org |
Neural Document Summarization by Jointly Learning to Score and Select Sentences
|
| github.com |
Official
|
| aclweb.org |
Neural Latent Extractive Document Summarization
|
| aclweb.org |
BANDITSUM: Extractive Summarization as a Contextual Bandit
|
| github.com |
Official
|
| aclweb.org |
Ranking Sentences for Extractive Summarization with Reinforcement Learning
|
| github.com |
Official
|
| aclweb.org |
Get To The Point: Summarization with Pointer-Generator Networks
|
| github.com |
Official
|
| arxiv.org |
BRIO: Bringing Order to Abstractive Summarization
|
| github.com |
Official
|
| arxiv.org |
SimCLS: A Simple Framework for Contrastive Learning of Abstractive Summarization
|
| github.com |
Official
|
| arxiv.org |
GSum: A General Framework for Guided Neural Abstractive Summarization
|
| github.com |
Official
|
| arxiv.org |
ProphetNet: Predicting Future N-gram for Sequence-to-Sequence Pre-training
|
| github.com |
Official
|
| arxiv.org |
PEGASUS: Pre-training with Extracted Gap-sentences for Abstractive Summarization
|
| github.com |
Official
|
| arxiv.org |
BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension
|
| github.com |
Official
|
| arxiv.org |
Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer
|
| github.com |
Official
|
| arxiv.org |
Unified Language Model Pre-training for Natural Language Understanding and Generation
|
| github.com |
Official
|
| mdpi.com |
Abstract Text Summarization with a Convolutional Seq2Seq Model
|
| arxiv.org |
Text Summarization with Pretrained Encoders
|
| github.com |
Official
|
| arxiv.org |
Summary Level Training of Sentence Rewriting for Abstractive Summarization
|
| arxiv.org |
Pretraining-Based Natural Language Generation for Text Summarization
|
| aclweb.org |
Deep Communicating Agents for Abstractive Summarization
|
| arxiv.org |
An Editorial Network for Enhanced Document Summarization
|
| aclweb.org |
Fast Abstractive Summarization with Reinforce-Selected Sentence Rewriting
|
| github.com |
Official
|
| arxiv.org |
Bottom-Up Abstractive Summarization
|
| github.com |
Official
|
| aclweb.org |
Improving Neural Abstractive Document Summarization with Explicit Information Selection Modeling
|
| aclweb.org |
Improving Neural Abstractive Document Summarization with Structural Regularization
|
| aclweb.org |
Multi-Reward Reinforced Summarization with Saliency and Entailment
|
| aclweb.org |
A Unified Model for Extractive and Abstractive Summarization using Inconsistency Loss
|
| aclweb.org |
Closed-Book Training to Improve Summarization Encoder Memory
|
| aclweb.org |
Fast Abstractive Summarization with Reinforce-Selected Sentence Rewriting
|
| github.com |
Official
|
| aclweb.org |
Soft Layer-Specific Multi-Task Summarization with Entailment and Question Generation
|
| aclweb.org |
Improving Abstraction in Text Summarization
|
| aclweb.org |
Get To The Point: Summarization with Pointer-Generator Networks
|
| github.com |
Official
|
| aclweb.org |
Rush et al., 2015
|
| arxiv.org |
Controlling the Amount of Verbatim Copying in Abstractive Summarization
|
| github.com |
Official
|
| arxiv.org |
ProphetNet: Predicting Future N-gram for Sequence-to-Sequence Pre-training
|
| github.com |
Official
|
| arxiv.org |
Unified Language Model Pre-training for Natural Language Understanding and Generation
|
| github.com |
Official
|
| arxiv.org |
PEGASUS: Pre-training with Extracted Gap-sentences for Abstractive Summarization
|
| github.com |
Official
|
| aclweb.org |
BiSET: Bi-directional Selective Encoding with Template for Abstractive Summarization
|
| github.com |
Official
|
| arxiv.org |
MASS: Masked Sequence to Sequence Pre-training for Language Generation
|
| github.com |
Official
|
| aclweb.org |
Retrieve, Rerank and Rewrite: Soft Template Based Neural Summarization
|
| arxiv.org |
Joint Parsing and Generation for Abstractive Summarization
|
| github.com |
Official
|
| mdpi.com |
Abstract Text Summarization with a Convolutional Seq2Seq Model
|
| ijcai.org |
A Reinforced Topic-Aware Convolutional Sequence-to-Sequence Model for Abstractive Text Summarization
|
| aclweb.org |
Global Encoding for Abstractive Summarization
|
| github.com |
Official
|
| aclweb.org |
Soft Layer-Specific Multi-Task Summarization with Entailment and Question Generation
|
| aclweb.org |
Structure-Infused Copy Mechanisms for Abstractive Summarization
|
| github.com |
Official
|
| arxiv.org |
Faithful to the Original: Fact Aware Neural Abstractive Summarization
|
| aclweb.org |
Deep Recurrent Generative Decoder for Abstractive Text Summarization
|
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://nlpprogress.com/english/summarization.html готова к продвижению на 51%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: