Анализ страницы https://sigir-2024.github.io/proceedings.html
Основное Готовность: 70%
Домен
sigir-2024.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
~0,54сек
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 0,54сек оптимальна.
Объем документа
834Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 834Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 14
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 14 много для одной страницы. Приемлемо до 10. Проведите оптимизацию файлов ресурсов!
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | css/bootstrap.min.css | |
| stylesheet | css/style.css | |
| stylesheet | css/ie8.css | |
| stylesheet | css/blocks.css | |
| stylesheet | css/plugins.css | |
| stylesheet | css/app.css | |
| stylesheet | css/custom1.css | |
| stylesheet | css/header-v2.css | |
| stylesheet | css/footer-v1.css | |
| stylesheet | css/animate.css | |
| stylesheet | css/line-icons.css | |
| stylesheet | css/font-awesome.min.css | |
| stylesheet | css/shortcode_timeline2.css | |
| stylesheet | css/blue.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 | "66b2318a-d0a8e" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | FA1A:3B108:1B1F9D5:1B59BEB:6A898504 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 11:16:20 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230159-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787397381.576155,VS0,VE137 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 03a303cb014d73640db3f321d1c839183f01fcf1 |
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: 7%
Title
SIGIR '24: Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval
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.
Устраните дубли в title: sigir(2)
Необходимо уменьшить число символов в title (текущее значение: 122, оптимально: от 40 до 45)
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: 0
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Мета-теги не найдены. Без них роботы и устройства действуют по умолчанию (не всегда это хорошо).
Оптимизация Готовность: 82%
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 одном экземпляре).
Контент
Ошибок нет
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 16 встречаются в тексте достаточно.
Абзацев с текстом 451 достаточно.
Среднее число слов в абзаце 167 достаточно.
Кол-во знаков контента 603603 на странице оптимально.
Кол-во слов 83797 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> 53. Это хорошо.
На странице присутствуют заголовки <h3> 389.
Тошнота
22,87
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
43,38%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота превышает норму 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 |
|---|---|---|
| retrieval | 523 | 0,62% |
| models | 471 | 0,56% |
| information | 398 | 0,47% |
| recommendation | 360 | 0,43% |
| search | 268 | 0,32% |
| methods | 262 | 0,31% |
| learning | 256 | 0,31% |
| systems | 250 | 0,30% |
| language | 249 | 0,30% |
| performance | 219 | 0,26% |
| propose | 214 | 0,26% |
| datasets | 211 | 0,25% |
| existing | 188 | 0,22% |
| framework | 186 | 0,22% |
| however | 185 | 0,22% |
| knowledge | 165 | 0,20% |
| experiments | 163 | 0,19% |
| results | 159 | 0,19% |
| different | 146 | 0,17% |
| between | 145 | 0,17% |
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 525 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: 38
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 38 оптимально.
На странице присутствуют изображения 1.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| / |
Program
|
|
| /program.html |
Program-At-a-Glance
|
|
| /program_details.html |
Detailed Program
|
|
| /proceedings.html |
Proceedings
|
|
| /program_papers.html |
Accepted Papers
|
|
| /best_papers.html |
Best Paper Awards
|
|
| /keynotes.html |
Keynote Speeches (Live Streamed)
|
|
| /call_for_participation_llm_day.html |
LLM Day
|
|
| /call_for_participation_government_day.html |
Government Day
|
|
| /program_doctoral_consortium.html |
Doctoral Consortium
|
|
| /attend_Tutorials.html |
Tutorials
|
|
| /attend_workshops.html |
Workshops
|
|
| /program_SIRIP.html |
SIRIP 2024
|
|
| /attend_events.html |
Social Events
|
|
| / |
Attend
|
|
| /attend.html |
Conference Venue
|
|
| /attend_registration.html |
Conference Registration
|
|
| /attend_accommodation.html |
Accommodation
|
|
| /attend_visitingGT.html |
Visiting Washington DC
|
|
| /attend_info4authors.html |
Information for Authors
|
|
| /attend_studAwards.html |
Travel Awards
|
|
| /attend_events.html |
Social Events
|
|
| /organizers.html |
Organizers
|
|
| /sponsorlist.html |
Sponsors
|
|
| /call_for_sponsors.html |
Call for Sponsorship
|
|
| /policy_arxiv.html |
Arxiv Policy
|
|
| /policy_inperson.html |
In-person Policy
|
|
| /FAQs.html |
FAQ
|
|
| /tracks.html |
Tracks
|
|
| /call_for_papers.html |
Call for Full Papers
|
|
| /call_for_short_papers.html |
Call for Short Papers
|
|
| /call_for_res_rep_papers.html |
Call for Resource & Reproducibility Papers
|
|
| /call_for_demo_papers.html |
Call for Demonstration Papers
|
|
| /call_for_perspectives_papers.html |
Call for Perspectives Papers
|
|
| /call_for_tutorials.html |
Call for Tutorial Proposals
|
|
| /call_for_workshops.html |
Call for Workshop Proposals
|
|
| /call_for_DC_papers.html |
Call for Doctoral Consortium Papers
|
|
| /call_for_SIRIP.html |
Call for SIRIP 2024 (Industry Track)
|
|
Внешние ссылки
Кол-во: 482
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 482 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| acm.org |
Policy against Harassment
|
| acm.org |
Privacy Policy
|
| ictir2024.org |
ICTIR
|
| urldefense.com |
<img class="DLlogo" alt="Digital Library logo" height="30" src="https://dl.acm.org/specs/products/acm/releasedAssets/images/footer-logo1.png">
Full Citation in the ACM Digital Library
|
| urldefense.com |
Representation Learning and Information Retrieval
|
| urldefense.com |
TRAD: Enhancing LLM Agents with Step-Wise Thought Retrieval and Aligned Decision
|
| urldefense.com |
https://github.com/skyriver-2000/TRAD-Official
|
| urldefense.com |
"In-Context Learning" or: How I learned to stop worrying and love "Applied Information Retrieval"
|
| urldefense.com |
CorpusLM: Towards a Unified Language Model on Corpus for Knowledge-Intensive Tasks
|
| urldefense.com |
A Setwise Approach for Effective and Highly Efficient Zero-shot Ranking with Large Language Models
|
| urldefense.com |
https://github.com/ielab/llm-rankers
|
| urldefense.com |
Unsupervised Large Language Model Alignment for Information Retrieval via Contrastive Feedback
|
| urldefense.com |
MetaHKG: Meta Hyperbolic Learning for Few-shot Temporal Reasoning
|
| urldefense.com |
Transformer-based Reasoning for Learning Evolutionary Chain of Events on Temporal Knowledge Graph
|
| urldefense.com |
LDRE: LLM-based Divergent Reasoning and Ensemble for Zero-Shot Composed Image Retrieval
|
| urldefense.com |
NativE: Multi-modal Knowledge Graph Completion in the Wild
|
| urldefense.com |
https://github.com/zjukg/NATIVE
|
| urldefense.com |
Contrast then Memorize: Semantic Neighbor Retrieval-Enhanced Inductive Multimodal Knowledge Graph Completion
|
| urldefense.com |
https://github.com/OreOZhao/CMR
|
| urldefense.com |
EditKG: Editing Knowledge Graph for Recommendation
|
| urldefense.com |
https://github.com/gutang-97/2024SIGIR-EditKG
|
| urldefense.com |
Amazon-KG: A Knowledge Graph Enhanced Cross-Domain Recommendation Dataset
|
| urldefense.com |
https://github.com/WangYuhan-0520/Amazon-KG-v2.0-dataset
|
| urldefense.com |
YAGO 4.5: A Large and Clean Knowledge Base with a Rich Taxonomy
|
| urldefense.com |
Ranked List Truncation for Large Language Model-based Re-Ranking
|
| urldefense.com |
Efficient Inverted Indexes for Approximate Retrieval over Learned Sparse Representations
|
| urldefense.com |
GUITAR: Gradient Pruning toward Fast Neural Ranking
|
| urldefense.com |
Neural Passage Quality Estimation for Static Pruning
|
| urldefense.com |
Revisiting Document Expansion and Filtering for Effective First-Stage Retrieval
|
| urldefense.com |
Unsupervised Cross-Domain Image Retrieval with Semantic-Attended Mixture-of-Experts
|
| urldefense.com |
Invisible Relevance Bias: Text-Image Retrieval Models Prefer AI-Generated Images
|
| urldefense.com |
https://github.com/xsc1234/Invisible-Relevance-Bias
|
| urldefense.com |
COMI: COrrect and MItigate Shortcut Learning Behavior in Deep Neural Networks
|
| urldefense.com |
Simple but Effective Raw-Data Level Multimodal Fusion for Composed Image Retrieval
|
| urldefense.com |
Fine-grained Textual Inversion Network for Zero-Shot Composed Image Retrieval
|
| urldefense.com |
The Treatment of Ties in Rank-Biased Overlap
|
| urldefense.com |
Uncontextualized significance considered dangerous
|
| urldefense.com |
Can We Trust Recommender System Fairness Evaluation? The Role of Fairness and Relevance
|
| urldefense.com |
What Matters in a Measure? A Perspective from Large-Scale Search Evaluation
|
| urldefense.com |
CIRAL: A Test Collection for CLIR Evaluations in African Languages
|
| urldefense.com |
https://github.com/ciralproject/ciral
|
| urldefense.com |
ACORDAR 2.0: A Test Collection for Ad Hoc Dataset Retrieval with Densely Pooled Datasets and Question-Style Queries
|
| urldefense.com |
Browsing and Searching Metadata of TREC
|
| urldefense.com |
Large Language Models for Intent-Driven Session Recommendations
|
| urldefense.com |
Sequential Recommendation with Latent Relations based on Large Language Model
|
| urldefense.com |
Enhancing Sequential Recommenders with Augmented Knowledge from Aligned Large Language Models
|
| urldefense.com |
IDGenRec: LLM-RecSys Alignment with Textual ID Learning
|
| urldefense.com |
https://github.com/agiresearch/IDGenRec
|
| urldefense.com |
Data-efficient Fine-tuning for LLM-based Recommendation
|
| urldefense.com |
Reinforcement Learning-based Recommender Systems with Large Language Models for State Reward and Action Modeling
|
| urldefense.com |
OpenP5: An Open-Source Platform for Developing, Training, and Evaluating LLM-based Recommender Systems
|
| urldefense.com |
https://github.com/agiresearch/OpenP5
|
| urldefense.com |
Fair Sequential Recommendation without User Demographics
|
| urldefense.com |
CaDRec: Contextualized and Debiased Recommender Model
|
| urldefense.com |
https://github.com/WangXFng/CaDRec
|
| urldefense.com |
Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems
|
| urldefense.com |
Adaptive Fair Representation Learning for Personalized Fairness in Recommendations via Information Alignment
|
| urldefense.com |
Configurable Fairness for New Item Recommendation Considering Entry Time of Items
|
| urldefense.com |
Fair Recommendations with Limited Sensitive Attributes: A Distributionally Robust Optimization Approach
|
| urldefense.com |
Generative Retrieval via Term Set Generation
|
| urldefense.com |
Planning Ahead in Generative Retrieval: Guiding Autoregressive Generation through Simultaneous Decoding
|
| urldefense.com |
Large Language Models and Future of Information Retrieval: Opportunities and Challenges
|
| urldefense.com |
GraphGPT: Graph Instruction Tuning for Large Language Models
|
| urldefense.com |
https://github.com/HKUDS/GraphGPT
|
| urldefense.com |
Instruction-based Hypergraph Pretraining
|
| urldefense.com |
LLM-enhanced Cascaded Multi-level Learning on Temporal Heterogeneous Graphs
|
| urldefense.com |
Course Recommender Systems Need to Consider the Job Market
|
| urldefense.com |
Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients
|
| urldefense.com |
https://github.com/zzhUSTC2016/RAREMed
|
| urldefense.com |
MIRROR: A Multi-View Reciprocal Recommender System for Online Recruitment
|
| urldefense.com |
MIND Your Language: A Multilingual Dataset for Cross-lingual News Recommendation
|
| urldefense.com |
https://github.com/andreeaiana/xMIND
|
| urldefense.com |
MealRec+: A Meal Recommendation Dataset with Meal-Course Affiliation for Personalization and Healthiness
|
| urldefense.com |
https://github.com/WUT-IDEA/MealRecPlus
|
| urldefense.com |
Negative Sampling Techniques for Dense Passage Retrieval in a Multilingual Setting
|
| urldefense.com |
Steering Large Language Models for Cross-lingual Information Retrieval
|
| urldefense.com |
Multilingual Meta-Distillation Alignment for Semantic Retrieval
|
| urldefense.com |
DAC: Quantized Optimal Transport Reward-based Reinforcement Learning Approach to Detoxify Query Auto-Completion
|
| urldefense.com |
Enhanced Packed Marker with Entity Information for Aspect Sentiment Triplet Extraction
|
| urldefense.com |
https://github.com/MKMaS-GUET/EPMEI
|
| urldefense.com |
Exogenous and Endogenous Data Augmentation for Low-Resource Complex Named Entity Recognition
|
| urldefense.com |
C-Pack: Packed Resources For General Chinese Embeddings
|
| urldefense.com |
https://github.com/FlagOpen/FlagEmbedding
|
| urldefense.com |
QuanTemp: A real-world open-domain benchmark for fact-checking numerical claims
|
| urldefense.com |
ACE-2005-PT: Corpus for Event Extraction in Portuguese
|
| urldefense.com |
Who To Align With: Feedback-Oriented Multi-Modal Alignment in Recommendation Systems
|
| urldefense.com |
Multimodality Invariant Learning for Multimedia-Based New Item Recommendation
|
| urldefense.com |
https://github.com/HaoyueBai98/MILK
|
| urldefense.com |
IISAN: Efficiently Adapting Multimodal Representation for Sequential Recommendation with Decoupled PEFT
|
| urldefense.com |
https://github.com/GAIR-Lab/IISAN
|
| urldefense.com |
EEG-SVRec: An EEG Dataset with User Multidimensional Affective Engagement Labels in Short Video Recommendation
|
| urldefense.com |
Dataset and Models for Item Recommendation Using Multi-Modal User Interactions
|
| urldefense.com |
The Power of Noise: Redefining Retrieval for RAG Systems
|
| urldefense.com |
IM-RAG: Multi-Round Retrieval-Augmented Generation Through Learning Inner Monologues
|
| urldefense.com |
Towards a Search Engine for Machines: Unified Ranking for Multiple Retrieval-Augmented Large Language Models
|
| urldefense.com |
Optimization Methods for Personalizing Large Language Models through Retrieval Augmentation
|
| urldefense.com |
FeB4RAG: Evaluating Federated Search in the Context of Retrieval Augmented Generation
|
| urldefense.com |
https://github.com/ielab/FeB4RAG
|
| urldefense.com |
Dynamic Demonstration Retrieval and Cognitive Understanding for Emotional Support Conversation
|
| urldefense.com |
Broadening the View: Demonstration-augmented Prompt Learning for Conversational Recommendation
|
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://sigir-2024.github.io/proceedings.html готова к продвижению на 40%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: