Анализ сайта lsjxjtu.github.io
Основное Готовность: 95%
Домен
lsjxjtu.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://lsjxjtu.github.io
301 MovedPermanently
https://lsjxjtu.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 04.10.2026 22:45:22.
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
~0,44сек
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 0,44сек оптимальна.
Объем документа
34Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 34Кб 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 | "6a526be6-8bfd" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | D7BC:174B6E:10B0D1:11C901:6A890CE3 |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 02:43:48 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270020-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787366628.235081,VS0,VE120 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 9252c80c68b41d11fb73875351b638c25dec852d |
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
Sijia Liu - CSE@MSU
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: 20, 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: 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 единственном 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 134 достаточно.
Среднее число слов в абзаце 28 достаточно.
Кол-во знаков контента 23087 на странице оптимально.
Кол-во слов 3579 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> 5. Это хорошо.
Тошнота
6,08
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
163,17%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота 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 |
|---|---|---|
| research | 37 | 1,03% |
| machine | 29 | 0,81% |
| papers | 27 | 0,75% |
| unlearning | 23 | 0,64% |
| learning | 21 | 0,59% |
| grateful | 20 | 0,56% |
| models | 19 | 0,53% |
| congratulations | 18 | 0,50% |
| receive | 17 | 0,47% |
| optimization | 16 | 0,45% |
| adversarial | 16 | 0,45% |
| accepted | 15 | 0,42% |
| engineering | 13 | 0,36% |
| workshop | 10 | 0,28% |
| training | 10 | 0,28% |
| [honor] | 10 | 0,28% |
| tutorial | 10 | 0,28% |
| robustness | 9 | 0,25% |
| intelligence | 9 | 0,25% |
| university | 8 | 0,22% |
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 126 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: 10
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 10 оптимально.
На странице присутствуют изображения 1.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| /index.html |
Home
|
|
Анализировать url |
| /links\CV_SLiu_v2.pdf |
CV(2 pages)
|
|
|
| /publications.html |
Publications
|
|
Анализировать url |
| /funding.html |
Projects
|
|
Анализировать url |
| /CSE891.html |
CSE891
|
|
Анализировать url |
| /talk.html |
Talks
|
|
Анализировать url |
| /funding.html |
Projects
|
|
Анализировать url |
| /pdf/recruitment/Welcome2OPTML.pdf |
Welcome2OPTML Booklet
|
|
|
| /pdf/recruitment/Welcome2OPTML.pdf |
Welcome2OPTML Booklet
|
|
|
| /index.jemdoc |
source
|
|
Анализировать url |
Внешние ссылки
Кол-во: 114
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 114 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| optml-group.com |
OPTML Group
|
Анализировать url |
| cse.msu.edu |
<br> Department of Computer Science and Engineering
|
Анализировать url |
| msu.edu |
Michigan State University
|
Анализировать url |
| mitibmwatsonailab.mit.edu |
Affiliated Professor@IBM Research, MIT-IBM Watson AI Lab affiliated PI
|
Анализировать url |
| scholar.google.com |
Google scholar
|
Анализировать url |
| csrankings.org |
CSRankings
|
Анализировать url |
| optml-group.com |
OPTML
|
Анализировать url |
| openreview.net |
The Fragile Truth of Saliency: Improving LLM Input Attribution via Attention Bias Optimization
|
Анализировать url |
| nature.com |
Rethinking Machine Unlearning For Large Language Models
|
Анализировать url |
| arxiv.org |
Salun: Empowering Machine Unlearning Via Gradient-based Weight Saliency In Both Image Classification And Generation
|
Анализировать url |
| arxiv.org |
Model Sparsity Can Simplify Machine Unlearning
|
Анализировать url |
| arxiv.org |
Revisiting And Advancing Fast Adversarial Training Through The Lens Of Bi-level Optimization
|
Анализировать url |
| arxiv.org |
Deepzero: Scaling Up Zeroth-order Optimization For Deep Model Training
|
Анализировать url |
| arxiv.org |
Selectivity Drives Productivity: Efficient Dataset Pruning For Enhanced Transfer Learning
|
Анализировать url |
| arxiv.org |
Distributed Adversarial Training To Robustify Deep Neural Networks At Scale
|
Анализировать url |
| arxiv.org |
Advancing Model Pruning Via Bi-level Optimization
|
Анализировать url |
| arxiv.org |
Min-Max Optimization Without Gradients: Convergence And Applications To Adversarial ML
|
Анализировать url |
| advml-frontier.github.io |
<em>AdvML-Frontiers x CoTMA Workshop</em>
|
Анализировать url |
| link.springer.com |
<em>Machine Unlearning for Governance of Foundation Models</em>
|
Анализировать url |
| arxiv.org |
Reasoning Model Unlearning: Forgetting Traces, Not Just Answers, While Preserving Reasoning Skills
|
Анализировать url |
| milcom2025.ieee-milcom.org |
link
|
Анализировать url |
| inns.org |
International Neural Network Society (INNS)
|
Анализировать url |
| cse.buffalo.edu |
the U.S.–Southeast Asia Regional Workshop on Responsible Artificial Intelligence
|
Анализировать url |
| engineering.msu.edu |
<b>2025 Withrow Rising Scholar Award</b>
|
Анализировать url |
| nature.com |
Rethinking machine unlearning for large language models
|
Анализировать url |
| openreview.net |
When is Task Vector Provably Effective for Model Editing? A Generalization Analysis of Nonlinear Transformers
|
Анализировать url |
| research.ibm.com |
the prestigious IBM PhD Fellowship
|
Анализировать url |
| cpal.cc |
the CPAL Rising Star Award
|
Анализировать url |
| societyforscience.org |
the Top 300 Scholars of the 84th Annual Science Talent Search in 2025
|
Анализировать url |
| ieeexplore.ieee.org |
“Elevating Visual Prompting in Transfer Learning via Pruned Model Ensembles: No Retrain, No Pain”
|
Анализировать url |
| amazon.science |
Amazon Research Award
|
Анализировать url |
| optml-group.com |
OPTML Menu of Innovations @ NeurIPS 2024
|
Анализировать url |
| arxiv.org |
Rethinking Machine Unlearning for LLMs
|
Анализировать url |
| nature.com |
Nature Machine Intelligence
|
Анализировать url |
| wacv2025.thecvf.com |
WACV’25
|
Анализировать url |
| arxiv.org |
Can Adversarial Examples Be Parsed to Reveal Victim Model Information?
|
Анализировать url |
| neurips.cc |
NeurIPS’24
|
Анализировать url |
| 2024.emnlp.org |
EMNLP’24
|
Анализировать url |
| arxiv.org |
SOUL: Unlocking the Power of Second-Order Optimization for LLM Unlearning
|
Анализировать url |
| advml-frontier.github.io |
The 3rd AdvML-Frontiers Workshop
|
Анализировать url |
| mlcommons.org |
2024 MLCommons Rising Stars Award
|
Анализировать url |
| eccv.ecva.net |
ECCV’24
|
Анализировать url |
| arxiv.org |
Exploring adversarial robustness of safety-driven concept-unlearned diffusion models through a diffusion classifier perspective
|
Анализировать url |
| arxiv.org |
Challenging forgets to unveil when and why machine unlearning could be more challenging than common beliefs
|
Анализировать url |
| icml.cc |
ICML’24
|
Анализировать url |
| arxiv.org |
Benchmarking zeroth-order optimization for memory-efficient LLM fine-tuning
|
Анализировать url |
| arxiv.org |
Why does graph transformer generalize? A Theoretical Dive into Self-attention and Positional Encoding
|
Анализировать url |
| ieeexplore.ieee.org |
“An Introduction to Bilevel Optimization: Foundations and applications in signal processing and machine learning”
|
Анализировать url |
| arxiv.org |
Rethinking Machine Unlearning for Large Language Models
|
Анализировать url |
| arxiv.org |
Revisiting Zeroth-Order Optimization for Memory-Efficient LLM Fine-Tuning: A Benchmark
|
Анализировать url |
| arxiv.org |
UnlearnCanvas: A Stylized Image Dataset to Benchmark Machine Unlearning for Diffusion Models
|
Анализировать url |
| arxiv.org |
Challenging Forgets: Unveiling the Worst-Case Forget Sets in Machine Unlearning
|
Анализировать url |
| arxiv.org |
SOUL: Unlocking the Power of Second-Order Optimization for LLM Unlearning
|
Анализировать url |
| arxiv.org |
Defensive Unlearning with Adversarial Training for Robust Concept Erasure in Diffusion Models
|
Анализировать url |
| nowpublishers.com |
“Reverse Engineering Deceptions in Machine- and Human-Centric Attacks”
|
Анализировать url |
| project-aro.netlify.app |
Project Website
|
Анализировать url |
| iclr.cc |
ICLR’24
|
Анализировать url |
| arxiv.org |
Machine unlearning for safe image generation
|
Анализировать url |
| arxiv.org |
DeepZero: Training neural networks from scratch using only forward passes
|
Анализировать url |
| arxiv.org |
Visual prompting automation
|
Анализировать url |
| arxiv.org |
To Generate or Not? Safety-Driven Unlearned Diffusion Models Are Still Easy To Generate Unsafe Images … For Now
|
Анализировать url |
| arxiv.org |
From Trojan Horses to Castle Walls: Unveiling Bilateral Backdoor Effects in Diffusion Models
|
Анализировать url |
| arxiv.org |
Adversarial Training for MoE
|
Анализировать url |
| iccv2023.thecvf.com |
ICCV’23
|
Анализировать url |
| advml-frontier.github.io |
2nd AdvML-Frontiers Workshop
|
Анализировать url |
| iccv2023.thecvf.com |
ICCV’23
|
Анализировать url |
| sites.google.com |
[link]
|
Анализировать url |
| arxiv.org |
Visual Prompting for Adversarial Robustness
|
Анализировать url |
| drive.google.com |
Top 3% Paper Recognition
|
Анализировать url |
| icml.cc |
ICML’23
|
Анализировать url |
| advml-frontier.github.io |
2nd AdvML-Frontiers Workshop
|
Анализировать url |
| arxiv.org |
[Paper]
|
Анализировать url |
| github.com |
[Code]
|
Анализировать url |
| advml-frontier.github.io |
AdvML-Frontiers
|
Анализировать url |
| arxiv.org |
[Paper]
|
Анализировать url |
| advml-frontier.github.io |
New Frontiers in Adversarial Machine Learning
|
Анализировать url |
| cvpr2023.thecvf.com |
CVPR’23
|
Анализировать url |
| 2023.ieeeicassp.org |
ICASSP’23
|
Анализировать url |
| sites.google.com |
link
|
Анализировать url |
| iclr.cc |
ICLR’23
|
Анализировать url |
| openreview.net |
Issues and Fixes in IRM
|
Анализировать url |
| openreview.net |
TextGrad: Differentiable Solution to NLP Attack Generation
|
Анализировать url |
| openreview.net |
Provable Benefits of Sparse GNN
|
Анализировать url |
| openreview.net |
Sample Complexity Analysis of ViT
|
Анализировать url |
| aspdac.com |
ASP-DAC’23
|
Анализировать url |
| saner2023.must.edu.mo |
SANER 2023
|
Анализировать url |
| arxiv.org |
Towards Both Robust and Accurate Code Models
|
Анализировать url |
| sites.google.com |
Foundational Robustness of Foundation Models
|
Анализировать url |
| aaai.org |
AAAI’23
|
Анализировать url |
| nips.cc |
NeurIPS’22
|
Анализировать url |
| arxiv.org |
Distributed Adversarial Training to Robustify Deep Neural Networks at Scale
|
Анализировать url |
| auai.org |
UAI’22
|
Анализировать url |
| icml.cc |
ICML’22
|
Анализировать url |
| arxiv.org |
Bi-level adversarial training
|
Анализировать url |
| arxiv.org |
Winning lottery tickets from robust pretraining
|
Анализировать url |
| arxiv.org |
Pruning helps certified robustness
|
Анализировать url |
| arxiv.org |
Contrastive learning theory
|
Анализировать url |
| 2022.naacl.org |
NAACL’22
|
Анализировать url |
| ijcai-22.org |
IJCAI’22
|
Анализировать url |
| advml-frontier.github.io |
AdvML-Frontiers@ICML’22
|
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 lsjxjtu.github.io выполнена всего на 49%. Чтобы исправить ситуацию и попасть в ТОП необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: