Анализ страницы https://tylersnetwork.github.io/publications.html
Основное Готовность: 95%
Домен
tylersnetwork.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.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 01.11.2026 2:38:01.
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
~0,28сек
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 0,28сек оптимальна.
Объем документа
49Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 49Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 2
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 2 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | text/css | jemdoc.css |
| js | text/javascript | //cdn.clustrmaps.com/map_v2.js?d=leIDuRwlUzsESOVq6m32RqbgLChp2xkZYp22IZ7QInU&cl=ffffff&w=a&t=tt |
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 | "6a82fa40-c736" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 1132:BD61:2F5E10:331708:6A8A0FDE |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 21:08:47 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270042-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787432927.143888,VS0,VE122 |
| Vary | Accept-Encoding |
| x-fastly-request-id | a3b4d87e48f741743c1307d07c60d999cee07845 |
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: 22%
Title
Tyler Derr - Publications
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо увеличить число символов в title (текущее значение: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Установите мета-тег description!
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Рекомендуем прописать канонический Url.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport не указан. Страница не адаптивная.
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 1
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 1шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | generator | jemdoc, see http://jemdoc.jaboc.net/ |
Оптимизация Готовность: 80%
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 3 встречаются в тексте достаточно.
Абзацев с текстом 128 достаточно.
Среднее число слов в абзаце 37 достаточно.
Кол-во знаков контента 33325 на странице оптимально.
Кол-во слов 5041 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> 10. Это хорошо.
Тошнота
8,54
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
1,17%
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 |
|---|---|---|
| conference | 73 | 1,45% |
| proceedings | 58 | 1,15% |
| international | 54 | 1,07% |
| jiliang | 36 | 0,71% |
| mining | 29 | 0,58% |
| networks | 28 | 0,56% |
| yuying | 26 | 0,52% |
| neural | 26 | 0,52% |
| knowledge | 25 | 0,50% |
| learning | 24 | 0,48% |
| network | 23 | 0,46% |
| social | 21 | 0,42% |
| karimi | 19 | 0,38% |
| signed | 17 | 0,34% |
| august | 15 | 0,30% |
| poster | 15 | 0,30% |
| information | 14 | 0,28% |
| analysis | 13 | 0,26% |
| november | 13 | 0,26% |
| online | 12 | 0,24% |
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 174 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: 36
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 36 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| /index.html |
Home
|
|
| /TylerDerr_CV.pdf |
CV(pdf)
|
|
| /openings.html |
Openings
|
|
| /publications.html |
Publications
|
|
| /papers/self_supervised_learning_on_graphs.pdf |
Self-supervised Learning on Graphs: Deep Insights and New
Directions.
|
|
| /papers/LLM-based_User_Simulated_Data_Generation_Survey.pdf |
Large Language Models for Conversational User Simulation: A Comprehensive Survey
|
|
| /papers/icdmw22-degreebiaslinkpred.pdf |
Degree-related Bias in Link Prediction.
|
|
| /papers/icdm22-think.pdf |
THINK: Temporal Hypergraph Hyperbolic Network.
|
|
| /papers/ssl_for_gnns.pdf |
preprint pdf
|
|
| /papers/cikm21-tree_decomposed_gnn.pdf |
Tree Decomposed Graph Neural Network.
|
|
| /papers/deep_adversarial_network_alignment.pdf |
Deep Adversarial Network Alignment.
|
|
| /papers/icann21-visual_understanding_cognitive_attention_ntework.pdf |
Interpretable Visual Understanding with Cognitive Attention Network.
|
|
| /papers/aaai21-hypergraph_attention_stock_selection.pdf |
Stock Selection via Spatiotemporal Hypergraph Attention Network: A Learning to Rank Approach.
|
|
| /papers/wsdm21-node_similarity_preserving_gcn.pdf |
Node Similarity Preserving Graph Convolutional Networks.
|
|
| /papers/icde21-recsys_crossdomain_user_copy_attack.pdf |
CopyAttack: Attacking Black-box Recommendations via Copying
Cross-domain User Profiles.
|
|
| /papers/tale20-promoting_teacher_connections_online.pdf |
Understanding and Promoting Teacher Connections in Online Social
Media: A Case Study on Pinterest.
|
|
| /papers/kdd2020-gnn_tutorial.pdf |
Deep Graph Learning: Foundations, Advances and Applications.
|
|
| /papers/icdm20-incomplete_labeled_data_learning.pdf |
Learning from Incomplete Labeled Data via Adversarial Data
Generation.
|
|
| /papers/edm20-online_course_prediction_gnn.pdf |
Online Academic Course Performance Prediction using Relational Graph
Convolutional Neural Network.
|
|
| /papers/lats20-teacher_connections_on_pinterest.pdf |
Characterizing Teacher Connections in Online Social Media: A Case Study on Pinterest.
|
|
| /papers/aied20-improving_teacher_representativeness_online.pdf |
Towards Improving Sample Representativeness of Teachers on Online Social Media: A Case Study on Pinterest.
|
|
| /papers/snam20-link_interaction_polarity_prediction.pdf |
Link and Interaction Polarity Predictions in Signed Networks.
|
|
| /papers/www20-rolebased_signed_embedding.pdf |
ROSE: Role-based Signed Network Embedding.
|
|
| /papers/aaai-ai4edu2020-predicting_online_course_performance.pdf |
A Deep Model for Predicting Online Course Performance.
|
|
| /papers/wsdm20-epidemic_gcn.pdf |
Epidemic Graph Convolutional Network.
|
|
| /papers/wsdm20-network_analysis_with_negative_links.pdf |
Network Analysis with Negative Links.
|
|
| /papers/cikm2019-signed_bipartite_networks.pdf |
Balance in Signed Bipartite Networks.
|
|
| /papers/asonam19-congressional_vote_prediction.pdf |
Multi-Factor Congressional Vote Prediction.
|
|
| /papers/ijcai19-adversarial_social_recommendation.pdf |
Deep Adversarial Social Recommendation.
|
|
| /papers/tcr2019_social_media_in_education_research.pdf |
A Roadmap for Incorporating Online Social Media in Educational
Research.
|
|
| /papers/icdm18-signed_graph_convolutional.pdf |
Signed Graph Convolutional Networks.
|
|
| /code/SGCN.zip |
repo
|
|
| /papers/icdmw218-congressional_analysis_signed_networks.pdf |
Congresional Vote Analysis Using Signed Networks.
|
|
| /papers/cikm17-weightloss.pdf |
Understanding and Predicting Weight Loss with Mobile Social Networking
Data.
|
|
| /papers/self_supervised_learning_on_graphs.pdf |
pdf
|
|
| /papers/mlg18-signed_relevance_measurements.pdf |
Relevance Measurements in Online Signed Social Networks.
|
|
Внешние ссылки
Кол-во: 132
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 132 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| scholar.google.com |
Google Scholar
|
| dblp.org |
DBLP
|
| linkedin.com |
LinkedIn
|
| twitter.com |
Twitter
|
| twitter.com |
NDS Twitter
|
| github.com |
NDS Github
|
| my.vanderbilt.edu |
NDS Lab @VU
|
| dse.cse.msu.edu |
DSE Lab @MSU
|
| arxiv.org |
Adverse Online Social Interactions: A Multi-Level Evolutionary Analysis of Local Patterns, Diffusion, and Community Disruption
|
| medrxiv.org |
Evaluating Large Language Models for Translating Multimodal Phenotype Documentations into Executable EHR Phenotyping Algorithms
|
| arxiv.org |
ReAD: Reinforcement-Guided Capability Distillation for Large Language Models
|
| arxiv.org |
SOMA: Efficient Multi-turn LLM Serving via Small Language Model
|
| arxiv.org |
Sparse Personalized Text Generation with Multi-Trajectory Reasoning
|
| arxiv.org |
Assessing Capabilities of Large Language Models in Social Media Analytics: A Multi-task Quest
|
| hal.science |
Figure Captioning with Large Generative Models: A Survey
|
| arxiv.org |
Reasoning-Based Personalized Generation for Users with Sparse Data
|
| arxiv.org |
Scaffold-Aware Generative Augmentation and Reranking for Enhanced Virtual Screening
|
| arxiv.org |
Mitigating Distribution Shift in Graph-Based Android Malware Classification via Function Metadata and LLM Embeddings
|
| arxiv.org |
Defining and Benchmarking a Data-Centric Design Space for Brain Graph Construction
|
| github.com |
repo
|
| arxiv.org |
Inverse-LLaVA: Eliminating Alignment Pre-training Through Text-to-Vision Mapping
|
| github.com |
repo
|
| arxiv.org |
Towards Bridging Review Sparsity in Recommendation with Textual Edge Graph Representation
|
| arxiv.org |
SimAug: Enhancing Recommendation with Pretrained Language Models for Dense and Balanced Data Augmentation
|
| arxiv.org |
Amplifying Your Social Media Presence: Personalized Influential Content Generation with LLMs
|
| arxiv.org |
Graph Unlearning: A Review
|
| yuwvandy.github.io |
Distance-wise Prototypical Graph Neural Network for Imbalanced Node Classification.
|
| github.com |
repo
|
| arxiv.org |
Chat as Expected: Manipulating Black-box Neural Dialogue Models.
|
| arxiv.org |
Say What I Want: Towards the Dark Side of Neural Dialogue Models.
|
| arxiv.org |
Towards Trustworthy Retrieval Augmented Generation for Large Language Models: A Survey
|
| arxiv.org |
Scaffold-Aware Generative Augmentation and Reranking for Enhanced Virtual Screening
|
| sciencedirect.com |
Mapping Relative Proximity within an Internalizing Symptoms Network
|
| aclanthology.org |
Risk-Controlled Event-Driven Cascading Updates for Knowledge Graph Consistency Restoration
|
| dl.acm.org |
A Survey on Signed Network Reconstruction Modeling and its Applications
|
| arxiv.org |
A Survey of Mamba
|
| dl.acm.org |
Referral Required: When AI Blocks Access to Human Doctors
|
| github.com |
repo
|
| arxiv.org |
Ensemble Privacy Defense for Knowledge-Intensive LLMs against Membership Inference Attacks
|
| github.com |
repo
|
| arxiv.org |
SAVE-TAG: Semantic-Aware Vicinal Risk Minimization for Long-Tailed Text-Attributed Graphs
|
| github.com |
repo
|
| arxiv.org |
Graph2Video: Leveraging Video Models to Model Dyanmic Graph Evolution
|
| nature.com |
SuperWater as a Generative AI Framework to Predict Water Molecule Positions on Protein Structures
|
| ojs.aaai.org |
Explanation Difference: Bridging Procedural and Distributional Fairness
|
| ieeexplore.ieee.org |
Edges Matter: An Analysis of Graph Time-Series Representations for Temporal Networks
|
| arxiv.org |
Personalization of Large Language Models: A Survey
|
| arxiv.org |
BTS: A Comprehensive Benchmark for Tie Strength Prediction
|
| github.com |
repo
|
| pubs.acs.org |
Advancements in Ligand-Based Virtual Screening through the Synergistic Integration of Graph Neural Networks and Expert-Crafted Descriptors.
|
| dl.acm.org |
Real-Time Freeway Traffic Anomalous Event Detection System via Radar Detector Sensors
|
| ieeexplore.ieee.org |
Signed Network Dataset Repository: Extracting Signed Relations From Social Networks
|
| arxiv.org |
A Large-scale Training Paradigm for Graph Generative Models
|
| arxiv.org |
Towards Trustworthy Knowledge Graph Reasoning: An Uncertainty Aware Perspective
|
| github.com |
repo
|
| arxiv.org |
Edge Classification on Graphs: New Directions in Topological Imbalance
|
| github.com |
repo
|
| welqrate.org |
WelQrate: Defining the Gold Standard in Small Molecule Drug Discovery Benchmarking
|
| welqrate.org |
link
|
| arxiv.org |
FT-AED: Benchmark Dataset for Early Freeway Traffic Anomalous Event Detection
|
| vu.edu |
link
|
| arxiv.org |
Robust Graph Neural Networks via Unbiased Aggregation
|
| dl.acm.org |
FairNNV: The Neural Network Verification Tool For Certifying Fairness.
|
| arxiv.org |
A Survey on Privacy in Graph Neural Networks: Attacks, Preservation, and Applications
|
| arxiv.org |
Augmenting Textual Generation via Topology Aware Retrieval
|
| link.springer.com |
EDGE-UP: Enhanced Dynamic GNN Ensemble for Unfollow Prediction in Online Social Networks
|
| arxiv.org |
Fairness and Diversity in Recommender Systems: A Survey.
|
| arxiv.org |
Knowledge Graph-based Session Recommendation with Session-Adaptive Propagation.
|
| arxiv.org |
Can One Embedding Fit All? A Multi-Interest Learning Paradigm Towards Improving User Interest Diversity Fairness
|
| arxiv.org |
A Topological Perspective on Demystifying GNN-Based Link Prediction Performance
|
| github.com |
repo
|
| arxiv.org |
Leveraging Opposite Gender Interaction Ratio as a Path Towards Fairness in Online Dating Recommendations Based on User Sexual Orientation
|
| github.com |
repo
|
| arxiv.org |
Knowledge Graph Prompting for Multi-Document Question Answering
|
| github.com |
repo
|
| ieeexplore.ieee.org |
An Analysis of the Dynamics of Ties on Twitter.
|
| arxiv.org |
NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics.
|
| github.com |
repo
|
| anwar-said.github.io |
link
|
| pytorch-geometric.readthedocs.io |
link
|
| arxiv.org |
Enhanced Graph Neural Networks with Ego-Centric Spectral Subgraph Embeddings Augmentation.
|
| github.com |
repo
|
| ieeexplore.ieee.org |
Adversarial Attacks for Black-box Recommender Systems via Copying Transferable Cross-domain User Profiles.
|
| cell.com |
ADEPT: Autoencoder with Differentially Expressed Genes and Imputation for a Robust Spatial Transcriptomics Clustering.
|
| github.com |
repo
|
| arxiv.org |
Collaboration-Aware Graph Neural Network for Recommender Systems.
|
| github.com |
repo
|
| arxiv.org |
Fairness and Explainability: Bridging the Gap Towards Fair Model Explanations.
|
| github.com |
repo
|
| biorxiv.org |
Interpretable Chirality-Aware Graph Neural Network for Quantitative Structure Relationship Modeling in Drug Discovery.
|
| github.com |
repo
|
| arxiv.org |
Decision Boundaries of Deep Neural Networks.
|
| github.com |
repo
|
| ieeexplore.ieee.org |
Enhancing Individual Fairness through Propensity Score Matching.
|
| arxiv.org |
Imbalanced Graph Classification via Graph-of-Graph Neural Networks.
|
| github.com |
repo
|
| ncbi.nlm.nih.gov |
Inferring EHR Utilization Workflows through Audit Logs.
|
| arxiv.org |
Improving Fairness in Graph Neural Networks
via Mitigating Sensitive Attribute Leakage.
|
| github.com |
repo
|
| arxiv.org |
On Structural Explanation of Bias in Graph Neural Networks.
|
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://tylersnetwork.github.io/publications.html готова к продвижению на 49%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: