Анализ сайта ligechina.github.io
Основное Готовность: 95%
Домен
ligechina.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Цепочка редиректов:
http://ligechina.github.io
301 MovedPermanently
https://ligechina.github.io/
200 OK
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 25.09.2026 2:42:51.
Включён HSTS (Strict-Transport-Security) — защита от подмены на http.
HTTP автоматически перенаправляется на HTTPS.
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
~0,59сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,59сек оптимальна.
Объем документа
95Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 95Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 4
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 4 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | text/css | css/homepage.css |
| stylesheet | text/css | css/beautify.css |
| stylesheet | css/login.css | |
| js | js/login.js |
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 | "6a73862d-17d86" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 1F38:182471:88E335:89D78B:6A8897FD |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Fri, 21 Aug 2026 18:25:05 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230069-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787336705.142233,VS0,VE116 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 913c7fcfcb4b1946caf663b981a33ee347cfabb9 |
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: 32%
Title
Ge Li
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: 5, 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
width=device-width, initial-scale=1.0
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 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 | viewport | width=device-width, initial-scale=1.0 |
Оптимизация Готовность: 35%
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 4 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 32 достаточно.
Кол-во знаков контента 40790 на странице оптимально.
Кол-во слов 6424 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 <h2> 4. Это хорошо.
Тошнота
9,22
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
0,98%
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 |
|---|---|---|
| proceedings | 85 | 1,32% |
| conference | 62 | 0,97% |
| engineering | 51 | 0,79% |
| software | 50 | 0,78% |
| yihong | 46 | 0,72% |
| generation | 43 | 0,67% |
| international | 40 | 0,62% |
| learning | 39 | 0,61% |
| language | 39 | 0,61% |
| models | 29 | 0,45% |
| annual | 27 | 0,42% |
| [arxiv | 25 | 0,39% |
| preprint | 25 | 0,39% |
| arxiv: | 24 | 0,37% |
| neural | 24 | 0,37% |
| processing | 23 | 0,36% |
| computational | 22 | 0,34% |
| linguistics | 21 | 0,33% |
| meeting | 19 | 0,30% |
| association | 19 | 0,30% |
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 263 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: 94
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 94 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| /../files/BibTex/myPaperRefs.bib |
BibTex
|
|
Анализировать url |
| /../files/BibTex/geBibStyle.bst |
BibStyle
|
|
Анализировать url |
| /My%20Papers/ICSE%202026%20-%20SEAlign-%20Alignment%20Training%20for%20Software%20Engineering%20Agent.pdf |
[PDF]
|
|
|
| /My%20Papers/ICSE%202026%20-%20AdapTrack-%20Constrained%20Decoding%20without%20Distorting%20LLM%27s%20Output%20Intent.pdf |
[PDF]
|
|
|
| /My%20Papers/ICLR%202026%20-%20Detecting%20Data%20Contamination%20from%20Reinforcement%20Learning%20Post-training%20for%20Large%20Language%20Models.pdf |
[PDF]
|
|
|
| /My Papers/2025 - SCIS - Learning to Represent Code Semantics.pdf |
PDF
|
|
|
| /My%20Papers/NeurIPS%202025%20-%20Recursive%20Transformer-%20Boosting%20Reasoning%20Ability%20with%20State%20Stack.pdf |
[PDF]
|
|
|
| /My%20Papers/NeurIPS%202025%20-%20SATURN-%20SAT-based%20Reinforcement%20Learning%20to%20Unleash%20LLMs%20Reasoning.pdf |
[PDF]
|
|
|
| /My%20Papers/NeurIPS%202025%20-%20Reasoning%20is%20Periodicity-%20Improving%20Large%20Language%20Models%20Through%20Effective%20Periodicity%20Modeling.pdf |
[PDF]
|
|
|
| /My Papers/2025 - TOSEM - Exploring Data-Efficient Adaptation of Large Language Models for Code Generation.pdf |
PDF
|
|
|
| /My Papers/2025 - TOSEM - M2CVD - Enhancing Vulnerability Understanding through Multi-Model Collaboration for Code Vulnerability Detection.pdf |
PDF
|
|
|
| /My Papers/2025 - TOSEM - Large language Model-aware in-Context Learning for Code Generation.pdf |
PDF
|
|
|
| /My Papers/2024 - TOSEM - Transformer-based Code Model with Compressed Hierarchy Representation.pdf |
PDF
|
|
|
| /My Papers/2025 - EMSE - SCodeSearcher: Soft Contrastive Learning for Code Search.pdf |
PDF
|
|
|
| /My Papers/2025 - TOSEM - PATCH- Empowering Large Language Model with Programmer-Intent Guidance and Collaborative-Behavior Simulation for Automatic Bug Fixing.pdf |
PDF
|
|
|
| /My Papers/2025 - TOSEM - Structured Chain-of-Thought Prompting for Code Generation.pdf |
PDF
|
|
|
| /My Papers/2024 - TOSEM - CodeScore - Evaluating Code Generation by Learning Code Execution.pdf |
PDF
|
|
|
| /My Papers/2024 - ASE - SlicePromptTest4J- High-coverage Test Generation using LLM via Method Slicing.pdf |
PDF
|
|
|
| /My Papers/2024 - NeurIPS - EvoCodeBench- An Evolving Code Generation Benchmark with Domain-Specific Evaluations.pdf |
PDF
|
|
|
| /My Papers/2024 - TOSEM - AceCoder- An Effective Prompting Technique Specialized in Code Generation.pdf |
PDF
|
|
|
| /My Papers/2024 - TOSEM - Self-collaboration Code Generation via ChatGPT.pdf |
PDF
|
|
|
| /My Papers/2024 - TOSEM - Self-Planning Code Generation with Large Language Model.pdf |
PDF
|
|
|
| /My Papers/2024 - JSEP - WELL- Applying Bug Detectors to Bug Localization via Weakly Supervised Learning.pdf |
PDF
|
|
|
| /My Papers/2024 - ACL - HiRoPE- Length Extrapolation for Code Models Using Hierarchical Position.pdf |
PDF
|
|
|
| /My Papers/2024 - ACL - CodeAgent- Enhancing Code Generation with Tool-Integrated Agent Systems for Real-World Repo-level Coding Challenges.pdf |
PDF
|
|
|
| /My Papers/2024 - ACL - Generalization or Memorization- Data Contamination and Trustworthy Evaluation for Large Language Models.pdf |
PDF
|
|
|
| /My Papers/2024 - ACL - DevEval- A Manually-Annotated Code Generation Benchmark Aligned with Real-World Code Repositories.pdf |
PDF
|
|
|
| /My Papers/2024 - ACL - PACE- Improving Prompt with Actor-Critic Editing for Large Language Model.pdf |
PDF
|
|
|
| /My Papers/2024 - FSE - Exploring and Unleashing the Power of Large Language Models in Automated Code Translation.pdf |
PDF
|
|
|
| /My Papers/2024 - JSEP - Codebert-Attack- Adversarial Attack against Source Code Deep Learning Models via Pre-trained Model.pdf |
PDF
|
|
|
| /My Papers/2024 - SCIS - Deep Learning for Code Generation - A Survey.pdf |
PDF
|
|
|
| /My Papers/2024 - TOSEM - Poison Attack and Poison Detection on Deep Source Code Processing Models.pdf |
PDF
|
|
|
| /My Papers/2024 - AAAI - Hot or Cold - Adaptive Temperature Sampling for Code Generation with Large Language Models.pdf |
PDF
|
|
|
| /My Papers/2023 - ASEJ - AdaComplete- Improve DL-based Code Completion Method’s Domain Adaptability.pdf |
PDF
|
|
|
| /My Papers/2023 - Internetware - Mcodesearcher- Multi-view Contrastive Learning for Code Search.pdf |
PDF
|
|
|
| /My Papers/2023 - Internetware - Seq2Seq or Seq2Tree- Generating Code Using Both Paradigms via Mutual Learning.pdf |
PDF
|
|
|
| /My Papers/2023 - ECAI - Antecedent Predictions Are More Important Than You Think - An Effective Method for Tree-Based Code Generation.pdf |
PDF
|
|
|
| /My Papers/2023 - ASE - ZC3 Zero-Shot Cross-Language Code Clone Detection.pdf |
PDF
|
|
|
| /My Papers/2023 - ACL - Self-Edit- Fault-Aware Code Editor for Code Generation.pdf |
PDF
|
|
|
| /My Papers/2023 - TOSEM - CodeEditor- Learning to Edit Source Code with Pre-trained Models.pdf |
PDF
|
|
|
| /My Papers/2023 - ISSTA - CODEP- Grammatical Seq2Seq Model for General-Purpose Code Generation.pdf |
PDF
|
|
|
| /My Papers/2023 - ICSE - SkCoder- A Sketch-based Approach for Automatic Code Generation.pdf |
PDF
|
|
|
| /My Papers/2023 - ICPC - Implant Global and Local Hierarchy Information to Sequence based Code Representation Models.pdf |
PDF
|
|
|
| /My Papers/2023 - SANER - Learning Program Representations with a Tree-Structured Transformer.pdf |
PDF
|
|
|
| /My Papers/2022 - EMNLP - Rethinking Positional Encoding in Tree Transformer for Code Representation.pdf |
PDF
|
|
|
| /My Papers/2022 - NeurIPS - Fine-Tuning Pre-Trained Language Models Effectively by Optimizing Subnetworks Adaptively.pdf |
PDF
|
|
|
| /My Papers/2022 - FSE - Incorporating Domain Knowledge through Task Augmentation for Front-End JavaScript Code Generation.pdf |
PDF
|
|
|
| /My Papers/2022 - FSE - We Building on the Rock - On the Importance of Data Preprocessing for Code Summarization.pdf |
PDF
|
|
|
| /My Papers/2022 - CIKM - SK2- Integrating Implicit Sentiment Knowledge and Explicit Syntax Knowledge for Aspect-Based Sentiment Analysis.pdf |
PDF
|
|
|
| /My Papers/2022 - TOSEM - Assessing and Improving an Evaluation Dataset for Detecting Semantic Code Clones via Deep Learning.pdf |
PDF
|
|
|
| /My Papers/2022 - ICSE - Learning to Recommend Method Names with Global Context.pdf |
PDF
|
|
|
| /My Papers/2022 - ICSE - Automated Assertion Generation via Information Retrieval and Its Integration with Deep Learning.pdf |
PDF
|
|
|
| /My Papers/2022 - ICPC - Learning to Represent Programs with Heterogeneous Graphs.pdf |
PDF
|
|
|
| /My Papers/2022 - ESE - A Unified Multi-task Learning Model for AST-level and Token-level Code Completion.pdf |
PDF
|
|
|
| /My Papers/2022 - TOSEM - Towards Robustness of Deep Program Processing Models—Detection, Estimation, and Enhancement.pdf |
PDF
|
|
|
| /My Papers/2022 - TSE - Deep Learning Based Program Generation From Requirements Text- Are We There Yet.pdf |
PDF
|
|
|
| /My Papers/2022 - JSS - Precise Learning of Source Code Contextual Semantics via Hierarchical Dependence Structure and Graph Attention Networks.pdf |
PDF
|
|
|
| /My Papers/2021 - NeurIPS - CodeXGLUE - A Machine Learning Benchmark Dataset for Code Understanding and Generation.pdf |
PDF
|
|
|
| /My Papers/2021 - NeurIPS - Integrating Tree Path in Transformer for Code Representation.pdf |
PDF
|
|
|
| /My Papers/2021 - ASE - EDITSUM- A Retrieve-and-Edit Framework for Source Code Summarization.pdf |
PDF
|
|
|
| /My Papers/2020 - IJCAI - NLocalSAT- Boosting Local Search with Solution Prediction.pdf |
PDF
|
|
|
| /My Papers/2020 - ASE - Multi-task Learning based Pre-trained Language Model for Code Completion.pdf |
PDF
|
|
|
| /My Papers/2020 - ASE - Retrieve and Refine- Exemplar-based Neural Comment Generation.pdf |
PDF
|
|
|
| /My Papers/2020 - TOSEM - Modular Tree Network for Source Code Representation Learning.pdf |
PDF
|
|
|
| /My Papers/2020 - ICPC - A Self-Attentional Neural Architecture for Code Completion with Multi-Task Learning.pdf |
PDF
|
|
|
| /My Papers/2020 - SANER - Detecting Code Clones with Graph Neural Network and Flow-Augmented Abstract Syntax Tree.pdf |
PDF
|
|
|
| /My Papers/2020 - AAAI - Generating Adversarial Examples for Holding Robustness of Source Code Processing Models.pdf |
PDF
|
|
|
| /My Papers/2019 - NeurIPS - Code Generation as a Dual Task of Code Summarization.pdf |
PDF
|
|
|
| /My Papers/2019 - ICASSP - Why Do Neural Dialog Systems Generate Short and Meaningless Replies - a Comparison between Dialog and Translation.pdf |
PDF
|
|
|
| /My Papers/2019 - COMPSAC - Deep-AutoCoder- Learning to Complete Code Precisely with Induced Code Tokens.pdf |
PDF
|
|
|
| /My Papers/2019 - EMSE - Deep Code Comment Generation with Hybrid Lexical and Syntactical Information.pdf |
PDF
|
|
|
| /My Papers/2019 - ICPC - Neural Detection of Semantic Code Clones via Tree-based Convolution.pdf |
PDF
|
|
|
| /My Papers/2019 - AAAI - A Grammar-Based Structural CNN Decoder for Code Generation.pdf |
PDF
|
|
|
| /My Papers/2018 - ICPC - Unsupervised Deep Bug Report Summarization.pdf |
PDF
|
|
|
| /My Papers/2018 - IJCAI - Summarizing Source Code with Transferred API Knowledge.pdf |
PDF
|
|
|
| /My Papers/2018 - ICPC - Deep Code Comment Generation.pdf |
PDF
|
|
|
| /My Papers/2017 - KSEM - Learning Sparse Overcomplete Word Vectors without Intermediate Dense Representations.pdf |
PDF
|
|
|
| /My Papers/2017 - KSEM - Learning To Infer API Mappings From API Documents.pdf |
PDF
|
|
|
| /My Papers/2017 - KSEM - Improved Knowledge Base Completion by the Path-Augmented TransR Model.pdf |
PDF
|
|
|
| /My Papers/2016 - COLING - Sequence to Backward and Forward Sequences- A Content-Introducing Approach to Generative Short-Text Conversation.pdf |
PDF
|
|
|
| /My Papers/2016 - COLING - Improved Relation Classification by Deep Recurrent Neural Networks with Data Augmentation.pdf |
PDF
|
|
|
| /My Papers/2016 - EMNLP - How Transferable are Neural Networks in NLP Applications.pdf |
PDF
|
|
|
| /My Papers/2016 - ACL - Compressing Neural Language Models by Sparse Word Representations.pdf |
PDF
|
|
|
| /My Papers/2016 - ACL - Natural Language Inference by Tree-Based Convolution and Heuristic Matching.pdf |
PDF
|
|
|
| /My Papers/2016 - AAAI - Convolutional Neural Networks over Tree Structures for Programming Language Processing.pdf |
PDF
|
|
|
| /My Papers/2016 - CIKM - Distilling Word Embeddings- An Encoding Approach.pdf |
PDF
|
|
|
| /My Papers/2016 - KSEM - Context-Aware Tree-Based Convolutional Neural Networks for Natural Language Inference.pdf |
PDF
|
|
|
| /My Papers/2016 - KSEM - Learning Embeddings Of API Tokens To Facilitate Deep Learning Based Program Processing.pdf |
PDF
|
|
|
| /My Papers/2015 - EMNLP - A Comparative Study on Regularization Strategies for Embedding-based Neural Networks.pdf |
PDF
|
|
|
| /My Papers/2015 - KSEM - Building Program Vector Representations for Deep Learning.pdf |
PDF
|
|
|
| /My Papers/2015 - EMNLP - Discriminative Neural Sentence Modeling by Tree-Based Convolution.pdf |
PDF
|
|
|
| /My Papers/2015 - EMNLP - Classifying Relations via Long Short Term Memory Networks along Shortest Dependency Paths.pdf |
PDF
|
|
|
| /My Papers/2014 - KSEM - Verification based on Hyponymy Hierarchical Characteristics for Web-based Hyponymy Discovery.pdf |
PDF
|
|
|
| /My Papers/2014 - IJSEKE - Learning Non-Taxonomic Relations on Demand for Ontology Extension.pdf |
PDF
|
|
Внешние ссылки
Кол-во: 163
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 163 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| pku.edu.cn |
<div class="pku_logo"></div>
|
Анализировать url |
| aixcoder.com |
<div class="aiXcoder_logo"></div>
|
Анализировать url |
| arxiv.org |
arXiv:2601.22690
|
Анализировать url |
| arxiv.org |
arXiv:2601.13240
|
Анализировать url |
| scholar.google.com |
(Cited by 3)
|
Анализировать url |
| arxiv.org |
arXiv:2602.00066
|
Анализировать url |
| arxiv.org |
arXiv:2604.02709
|
Анализировать url |
| arxiv.org |
arXiv:2511.04014
|
Анализировать url |
| scholar.google.com |
(Cited by 7)
|
Анализировать url |
| arxiv.org |
arXiv:2510.18471
|
Анализировать url |
| scholar.google.com |
(Cited by 10)
|
Анализировать url |
| arxiv.org |
arXiv:2510.18165
|
Анализировать url |
| scholar.google.com |
(Cited by 8)
|
Анализировать url |
| arxiv.org |
arXiv:2510.09259
|
Анализировать url |
| scholar.google.com |
(Cited by 3)
|
Анализировать url |
| arxiv.org |
arXiv:2509.11523
|
Анализировать url |
| scholar.google.com |
(Cited by 1)
|
Анализировать url |
| arxiv.org |
arXiv:2508.07809
|
Анализировать url |
| scholar.google.com |
(Cited by 3)
|
Анализировать url |
| arxiv.org |
arXiv:2508.00083
|
Анализировать url |
| scholar.google.com |
(Cited by 78)
|
Анализировать url |
| arxiv.org |
arXiv:2503.04359
|
Анализировать url |
| scholar.google.com |
(Cited by 14)
|
Анализировать url |
| arxiv.org |
arXiv:2506.17125
|
Анализировать url |
| scholar.google.com |
(Cited by 1)
|
Анализировать url |
| arxiv.org |
arXiv: 2506.02658
|
Анализировать url |
| scholar.google.com |
(Cited by 5)
|
Анализировать url |
| arxiv.org |
arXiv:
2503.15341
|
Анализировать url |
| scholar.google.com |
(Cited by 31)
|
Анализировать url |
| arxiv.org |
arXiv: 2504.10046
|
Анализировать url |
| scholar.google.com |
(Cited by 13)
|
Анализировать url |
| arxiv.org |
arXiv: 2412.14872
|
Анализировать url |
| scholar.google.com |
(Cited by 1)
|
Анализировать url |
| arxiv.org |
arXiv: 2410.03351
|
Анализировать url |
| scholar.google.com |
(Cited by 5)
|
Анализировать url |
| arxiv.org |
arXiv: 2403.00046
|
Анализировать url |
| scholar.google.com |
(Cited by 6)
|
Анализировать url |
| arxiv.org |
arXiv: 2305.04032
|
Анализировать url |
| scholar.google.com |
(Cited by 75)
|
Анализировать url |
| arxiv.org |
arXiv: 2311.00272
|
Анализировать url |
| arxiv.org |
arXiv: 2207.08466
|
Анализировать url |
| scholar.google.com |
(Cited by 12)
|
Анализировать url |
| arxiv.org |
arXiv: 2503.18455
|
Анализировать url |
| scholar.google.com |
(Cited by 6)
|
Анализировать url |
| scholar.google.com |
(Cited by 1)
|
Анализировать url |
| arxiv.org |
arXiv: 2510.09259
|
Анализировать url |
| scholar.google.com |
(Cited by 4)
|
Анализировать url |
| arxiv.org |
arXiv: 2508.00222
|
Анализировать url |
| scholar.google.com |
(Cited by 18)
|
Анализировать url |
| arxiv.org |
arXiv: 2510.18471
|
Анализировать url |
| scholar.google.com |
(Cited by 10)
|
Анализировать url |
| arxiv.org |
arXiv: 2601.13240
|
Анализировать url |
| scholar.google.com |
(Cited by 3)
|
Анализировать url |
| arxiv.org |
arXiv: 2602.00066
|
Анализировать url |
| arxiv.org |
arXiv: 2508.07809
|
Анализировать url |
| scholar.google.com |
(Cited by 3)
|
Анализировать url |
| arxiv.org |
arXiv: 2507.15343
|
Анализировать url |
| arxiv.org |
arXiv: 2505.16368
|
Анализировать url |
| scholar.google.com |
(Cited by 1)
|
Анализировать url |
| arxiv.org |
arXiv: 2502.21309
|
Анализировать url |
| scholar.google.com |
(Cited by 5)
|
Анализировать url |
| arxiv.org |
arXiv: 2410.02675
|
Анализировать url |
| scholar.google.com |
(Cited by 81)
|
Анализировать url |
| arxiv.org |
arXiv:
2503.15301
|
Анализировать url |
| scholar.google.com |
(Cited by 19)
|
Анализировать url |
| scholar.google.com |
(Cited by 49)
|
Анализировать url |
| scholar.google.com |
(Cited by 6)
|
Анализировать url |
| scholar.google.com |
(Cited by 21)
|
Анализировать url |
| scholar.google.com |
(Cited by 20)
|
Анализировать url |
| scholar.google.com |
(Cited by 2)
|
Анализировать url |
| scholar.google.com |
(Cited by 92)
|
Анализировать url |
| scholar.google.com |
(Cited by 11)
|
Анализировать url |
| scholar.google.com |
(Cited by 25)
|
Анализировать url |
| scholar.google.com |
(Cited by 4)
|
Анализировать url |
| scholar.google.com |
(Cited by 3)
|
Анализировать url |
| scholar.google.com |
(Cited by 21)
|
Анализировать url |
| scholar.google.com |
(Cited by 396)
|
Анализировать url |
| scholar.google.com |
(Cited by 118)
|
Анализировать url |
| scholar.google.com |
(Cited by 60)
|
Анализировать url |
| scholar.google.com |
(Cited by 73)
|
Анализировать url |
| scholar.google.com |
(Cited by 566)
|
Анализировать url |
| scholar.google.com |
(Cited by 326)
|
Анализировать url |
| scholar.google.com |
(Cited by 4)
|
Анализировать url |
| scholar.google.com |
(Cited by 17)
|
Анализировать url |
| scholar.google.com |
(Cited by 348)
|
Анализировать url |
| scholar.google.com |
(Cited by 246)
|
Анализировать url |
| scholar.google.com |
(Cited by 88)
|
Анализировать url |
| scholar.google.com |
(Cited by 42)
|
Анализировать url |
| scholar.google.com |
(Cited by 184)
|
Анализировать url |
| scholar.google.com |
(Cited by 27)
|
Анализировать url |
| scholar.google.com |
(Cited by 31)
|
Анализировать url |
| scholar.google.com |
(Cited by 51)
|
Анализировать url |
| lj2lijia.github.io |
Jia Allen Li
|
Анализировать url |
| scholar.google.com |
(Cited by 115)
|
Анализировать url |
| scholar.google.com |
(Cited by 6)
|
Анализировать url |
| scholar.google.com |
(Cited by 5)
|
Анализировать url |
| scholar.google.com |
(Cited by 4)
|
Анализировать url |
| lj2lijia.github.io |
Jia Allen Li
|
Анализировать url |
| scholar.google.com |
(Cited by 15)
|
Анализировать url |
| lj2lijia.github.io |
Jia Allen Li
|
Анализировать url |
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
Оптимизация сайта ligechina.github.io выполнена всего на 40%. Чтобы исправить ситуацию и попасть в ТОП необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: