Анализ страницы https://weizhangltt.github.io/publications.html
Основное Готовность: 95%
Домен
weizhangltt.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 11.10.2026 19:43:42.
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
~0,33сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,33сек оптимальна.
Объем документа
41Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 41Кб 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 | jemdoc.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 | "6a880332-a7eb" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 6F20:3B108:40EF318:417FB0A:6A8AD962 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 11:28:34 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230034-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787484515.819472,VS0,VE103 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 8fbdb0cacaa9947d81afd021a69b34f1f7d6b604 |
CMS
jemdoc, see http://jemdoc.jaboc.net/
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: jemdoc, see http://jemdoc.jaboc.net/.
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
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 мало: 12, минимум: 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: 52%
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
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 1 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 1 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 5 слишком мало. Сделайте контент более читаемым!
Кол-во знаков контента 26542 на странице оптимально.
Кол-во слов 3849 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h1> 1. Это прекрасно.
На странице присутствуют заголовки <h2> 1. Это хорошо.
На странице присутствуют заголовки <h3> 3.
Тошнота
8,60
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
1,04%
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 |
|---|---|---|
| zhang* | 74 | 1,92% |
| conference | 71 | 1,84% |
| knowledge | 43 | 1,12% |
| learning | 35 | 0,91% |
| international | 34 | 0,88% |
| jianyong | 33 | 0,86% |
| systems | 26 | 0,68% |
| transactions | 23 | 0,60% |
| information | 22 | 0,57% |
| recommendation | 22 | 0,57% |
| language | 19 | 0,49% |
| mining | 17 | 0,44% |
| prediction | 16 | 0,42% |
| intelligence | 16 | 0,42% |
| discovery | 16 | 0,42% |
| engineering | 15 | 0,39% |
| sigkdd | 15 | 0,39% |
| artificial | 15 | 0,39% |
| hongyuan | 14 | 0,36% |
| computational | 13 | 0,34% |
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 129 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: 41
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 41 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| /index.html |
Home
|
|
| /biography.html |
Biography
|
|
| /publications.html |
Publications
|
|
| /teaching.html |
Teaching
|
|
| /activities.html |
Services
|
|
| /pictures.html |
Pictures
|
|
| /publications.html |
Disentangling Representations from Search Behaviors for Recommendation via
Counterfactual Learning
|
|
| /publications.html |
Attention Residual Fusion Network with Contrast for Source-free Domain Adaptation
|
|
| /paper/PR23_DataFree.pdf |
Conditional Pseudo-supervised Contrast for Data-Free Knowledge Distillation
|
|
| /paper/TOIS23_KT.pdf |
Fine-Grained Interaction Modeling with Multi-Relational Transformer for Knowledge Tracing
|
|
| /paper/LocationPrediction_Preprint.pdf |
Learning Social Relations and Spatiotemporal Trajectories for Next Check-in Inference
|
|
| /publications.html |
Recall-Aware Early Termination in Approximate Nearest Neighbor Search
|
|
| /publications.html |
GraphDx: A Cost-Aware Knowledge-Enhanced Multi-Agent Framework for Sequential Diagnosis
|
|
| /publications.html |
CASG: Drive Text to IDs for Sequential Recommendation via Collaboration-Aware Spectral Guidance
|
|
| /publications.html |
Query-focused and Memory-aware Reranker for Long Context Processing
|
|
| /paper/AAAI25-LLM.pdf |
Coherency Improved Explainable Recommendation via Large Language Model
|
|
| / |
Capturing Homogeneous Influence among Students: Hypergraph Cognitive Diagnosis for Intelligent Education Systems
|
|
| / |
DRFormer: Multi-Scale Transformer Utilizing Diverse Receptive Fields for Long Time-Series Forecasting
|
|
| /paper/WWW23_Quantize.pdf |
Quantize Sequential Recommenders Without Private Data
|
|
| /paper/AAAI23_SDES.pdf |
Self-Decoupling and Ensemble Distillation for Efficient Segmentation
|
|
| / |
From Complex to Simple: Unraveling the Cognitive Tree for Reasoning with Small Language Models
|
|
| /paper/SIGIR20-Wang.pdf |
Group-Aware Long- and Short-Term Graph Representation Learning for Sequential Group Recommendation
|
|
| /paper/zhang-aaai20.pdf |
Learning Long- and Short-Term User Literal-Preference with Multimodal Hierarchical Transformer Network for Personalized Image Caption
|
|
| /paper/Wang-ICDM19.pdf |
Learning Robust Representations with Graph Denoising Policy Network
|
|
| /paper/yin-kdd18.pdf |
Model-Based Clustering of Short Text Streams
|
|
| /paper/zhang-www18.pdf |
User-Guided Hierarchical Attention Network for Multi-Modal Social Image Popularity Prediction
|
|
| /paper/sigir18-cap-preprint.pdf |
Learning to Detect Pathogenic Microorganism of Community-Acquired Pneumonia
|
|
| /paper/ijcai18-seqpop-preprint.pdf |
Learning Sequential Correlation for User Generated Textual Content Popularity Prediction
|
|
| /paper/lu-aaai18.pdf |
Co-Attending Free-Form Regions and Detections with Multi-Modal Multiplicative Feature Embedding for Visual Question Answering
|
|
| /paper/cikm18-stock-preprint.pdf |
Hybrid Deep Sequential Modeling for Social Text-Driven Stock Prediction
|
|
| /paper/wangwen-dasfaa18.pdf |
Factorization Meets Memory Network: Learning to Predict Activity Popularity
|
|
| /paper/wanglu-dasfaa18.pdf |
Personalized Prescriptions for Comorbidity
|
|
| /paper/yuan-wsdm17.pdf |
Periodic Region Detection for Mobility Modeling of Social Media Users
|
|
| /paper/zhang-ijcai2016.pdf |
Collaborative Multi-Level Embedding Learning from Reviews for Rating Prediction
|
|
| /paper/zhang-cikm2015.pdf |
Location and Time Aware Social Collaborative Retrieval for New Successive Point-of-Interest Recommendation
|
|
| /paper/zhang-kdd2015.pdf |
A Collective Bayesian Poisson Factorization Model for Cold-start Local Event Recommendation
|
|
| /paper/zhang-ijcai2015.pdf |
Prior-based Dual Additive Latent Dirichlet Allocation for User-Item Connected Documents
|
|
| /paper/feng-icde15.pdf |
StreamCube: Hierarchical Spatio-Temporal Hashtag Clustering for Event Exploration over the Twitter Stream
|
|
| /paper/zhang-kdd2013.pdf |
Combining Latent factor Model with Location Features for Event-Based Group Recommendation
|
|
| /paper/zhang-ijcai2013.pdf |
Integrating Semantic Relatedness and Words’ Intrinsic Features for Keyword Extraction
|
|
| /publications.html |
记忆与认知融合的个性化OJ习题推荐方法
|
|
Внешние ссылки
Кол-во: 88
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 88 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор |
|---|---|
| scholar.google.com |
Google Scholar
|
| sciencedirect.com |
Unleashing the Potential of Un-interacted Exercises for Boosting Cognitive Diagnosis
|
| arxiv.org |
A Comprehensive Exploration of Personalized Learning in Smart Education: From Student Modeling to Personalized Recommendations
|
| arxiv.org |
Pattern-wise Transparent Sequential Recommendation
|
| arxiv.org |
Rebalancing Discriminative Responses for Knowledge Tracing
|
| arxiv.org |
Coincident Assistant Domains Transformer for Source-free Domain Adaptation
|
| arxiv.org |
Preference-Consistent Knowledge Distillation for Recommender System
|
| arxiv.org |
Explainable Session-based Recommendation via Path Reasoning
|
| computer.org |
Modeling Dynamic Item Tendency Bias in Sequential Recommendation with Causal Intervention
|
| sciencedirect.com |
Improving the Performance and Explainability of Knowledge Tracing via Markov Blanket
|
| arxiv.org |
Understanding Adversarial Robustness From Feature Maps of Convolutional Layers
|
| arxiv.org |
Learning Interpretable Rules for Scalable Data Representation and Classification
|
| ieeexplore.ieee.org |
Contrastive Personalized Exercise Recommendation with Reinforcement Learning
|
| ieeexplore.ieee.org |
StableGCN: Decoupling and Reconciling Information Propagation for Collaborative Filtering
|
| browse.arxiv.org |
Knowledge-aware Collaborative Filtering with Pre-trained Language Model for Personalized Review-based Rating Prediction
|
| sciencedirect.com |
Contrastive Author-aware Text Clustering
|
| ieeexplore.ieee.org |
A KG-enhanced Multi-Graph Neural Network for Attentive Herb Recommendation
|
| ieeexplore.ieee.org |
Hierarchical Multi-Agent Reinforcement Learning for Allocating Guaranteed Display Ads
|
| ieeexplore.ieee.org |
Incorporating Link Prediction into Multi-Relational Item Graph Modeling for Session-based Recommendation
|
| dl.acm.org |
Learning from Substitutable and Complementary Relations for Graph-based Sequential Product Recommendation
|
| arxiv.org |
Attentive Representation Learning with Adversarial Training for Short Text Clustering
|
| arxiv.org |
Social Link Inference via Multiview Matching Network From Spatiotemporal Trajectories
|
| sciencedirect.com |
Adaptive Multi-Teacher Multi-level Knowledge Distillation
|
| ieeexplore.ieee.org |
Integrating Topic and Latent Factors for Scalable Personalized Review-based Rating Prediction
|
| arxiv.org |
Beyond Semantic Understanding: Preserving Collaborative Frequency Components in LLM-based Recommendation
|
| arxiv.org |
Rejuvenating Cross-Entropy Loss in Knowledge Distillation for Recommender Systems
|
| arxiv.org |
A Survey of Inductive Reasoning for Large Language Models
|
| arxiv.org |
LongNovel: A Multi-Scale Benchmark for Hallucination Detection in Long-Context Novel Summarization
|
| arxiv.org |
Collaborative Filtering Meets Spectrum Shift: Connecting User-Item Interaction with Graph-Structured Side Information
|
| arxiv.org |
Exploring Feature-based Knowledge Distillation For Recommender System: A Frequency Perspective
|
| dl.acm.org |
A Dual-Fusion Cognitive Diagnosis Framework for Open Student Learning Environments
|
| dl.acm.org |
Incomplete Multi-View Drug Recommendation via Multi-Level Representation Learning and Curriculum Learning
|
| arxiv.org |
LIFBench: Evaluating the Instruction Following Performance and Stability of Large Language Models in Long-Context Scenarios
|
| aclanthology.org |
Mis-prompt: Benchmarking Large Language Models for Proactive Error Handling
|
| arxiv.org |
CNNSum: Exploring Long-Context Summarization with Large Language Models in Chinese Novels
|
| aclanthology.org |
Flow2Code: Evaluating Large Language Models for Flowchart-based Code Generation Capability
|
| arxiv.org |
STAIR: Manipulating Collaborative and Multimodal Information for E-Commerce Recommendation
|
| arxiv.org |
CIKT: A Collaborative and Iterative Knowledge Tracing Framework with Large Language Models
|
| arxiv.org |
E2LLM: Encoder Elongated Large Language Models for Long-Context Understanding and Reasoning
|
| arxiv.org |
Towards Boosting LLMs-driven Relevance Modeling with Progressive Retrieved Behavior-augmented Prompting
|
| arxiv.org |
Graph-enhanced Optimizers for Structure-aware Recommendation Embedding Evolution
|
| arxiv.org |
Leveraging Pedagogical Theories to Understand Student Learning Process with Graph-based Reasonable Knowledge Tracing
|
| arxiv.org |
D2LLM: Decomposed and Distilled Large Language Models for Semantic Search
|
| arxiv.org |
Everything of Thoughts: Defying the Law of Penrose Triangle for Thought Generation
|
| arxiv.org |
Interpretable Knowledge Tracing via Response Influence-based Counterfactual Reasoning
|
| arxiv.org |
Symbolic Cognitive Diagnosis via Hybrid Optimization for Intelligent Education Systems
|
| aclanthology.org |
TRELM: Towards Robust and Efficient Pre-training for Knowledge-Enhanced Language Models
|
| arxiv.org |
DMT: Comprehensive Distillation with Multiple Self-supervised Teachers
|
| arxiv.org |
Dynamic Token-Pass Transformers for Semantic Segmentation
|
| ijcai.org |
Learning to Binarize Continuous Features for Neuro-Rule Networks
|
| arxiv.org |
Robust Positive-Unlabeled Learning via Noise Negative Sample Self-correction
|
| openaccess.thecvf.com |
Data-free Knowledge Distillation for Fine-grained Vision Categorization
|
| arxiv.org |
Beyond Semantics: Learning a Behavior Augmented Relevance Model with Self-supervised Learning
|
| dl.acm.org |
Neuro-Symbolic Interpretable Collaborative Filtering for Attribute-based Recommendation
|
| aaai.org |
Multi-Knowledge Aggregation and Transfer for Semantic Segmentation
|
| arxiv.org |
Effective Few-Shot Named Entity Linking by Meta-Learning
|
| ieeexplore.ieee.org |
Is it fair? Resource allocation for differentiated services on demands
|
| arxiv.org |
Multi-view Pre-trained Model for Code Vulnerability Identification
|
| lupantech.github.io |
IconQA: A New Benchmark for Abstract Diagram Understanding and Visual Language Reasoning
|
| arxiv.org |
Scalable Rule-Based Representation Learning for Interpretable Classification
|
| arxiv.org |
Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation
|
| arxiv.org |
Zero-shot Adversarial Quantization
|
| arxiv.org |
Source-Free Domain Adaptation for Semantic Segmentation
|
| arxiv.org |
Graph-Based Tri-Attention Network for Answer Ranking in CQA
|
| springerprofessional.de |
Susceptible Temporal Patterns Discovery for Electronic Health Records via Adversarial Attack
|
| arxiv.org |
Syndrome-aware Herb Recommendation with Multi-Graph Convolution Network
|
| arxiv.org |
Beyond Clicks: Modeling Multi-Relational Item Graph for Session-based Target Behavior Prediction
|
| arxiv.org |
Transparent Classification with Multilayer Logical Perceptrons and Random Binarization
|
| arxiv.org |
Improving Domain-Adapted Sentiment Classification by Deep Adversarial Mutual Learning
|
| dl.acm.org |
HyFea: Winning Solution to Social Media Popularity Prediction for Multimedia Grand Challenge 2020
|
| link.springer.com |
Sequential Multi-fusion Network for Multi-Channel Video CTR Prediction
|
| link.springer.com |
Improved Representations for Personalized Document-Level Sentiment Classification
|
| link.springer.com |
Coupled Graph Neural Networks for Text-oriented Clinical Diagnosis Inference
|
| dl.acm.org |
Forecasting Pavement Performance with a Feature Fusion LSTM-BPNN Model
|
| dl.acm.org |
Content-Based Video Relevance Prediction with Multi-View Multi-Level Deep Interest Network
|
| ieeexplore.ieee.org |
Knowledge-Aware Deep Dual Networks for Text-Based Mortality Prediction
|
| link.springer.com |
Continuous Patient-Centric Sequence Generation via Sequentially Coupled Adversarial Learning
|
| link.springer.com |
Deep Sequential Multi-Task Modeling for Next Check-in Time and Location Prediction
|
| link.springer.com |
A Novel Hybrid Sequential Model for Review-Based Rating Prediction
|
| arxiv.org |
Supervised Reinforcement Learning with Recurrent Neural Network for Dynamic Treatment Recommendation
|
| arxiv.org |
R-VQA: Learning Visual Relation Facts with Semantic Attention for Visual Question Answering
|
| dl.acm.org |
Combining Multiple Features for Image Popularity Prediction in Social Media
|
| cjc.ict.ac.cn |
深度学习中的知识蒸馏研究综述
|
| cjc.ict.ac.cn |
带有时间辅助预测任务的会话式序列推荐
|
| cjc.ict.ac.cn |
融合时空行为与社交关系的用户轨迹识别模型
|
| kns.cnki.net |
目标依赖的作者身份识别方法
|
| kns.cnki.net |
基于层次注意力机制的多任务疾病进展模型
|
| kns.cnki.net |
基于维基百科类别图的推特用户兴趣挖掘
|
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://weizhangltt.github.io/publications.html готова к продвижению на 42%. 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: