Оптимизация сайта mengzaiqiao.github.io выполнена на 61%

Домен

mengzaiqiao.github.io

Состояние доменного имени ?

Используйте для продвижения только домен второго уровня.

Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.

Исправить

Ответ сервера

200 Успешный ответ

HTTP-код ответа и цепочка редиректов ?

Сервер настроен корректно.

Цепочка редиректов:

http://mengzaiqiao.github.io 301 MovedPermanently

https://mengzaiqiao.github.io/ 200 OK

Безопасность

Сайт безопасен

Использование HTTPS и SSL-сертификат ?

На сайте работает защищенный протокол ssl и сайт открывается по https.

Ssl-сертификат действителен до 09.01.2027 2:59:59.

HTTP автоматически перенаправляется на HTTPS.

Поздравляем! Сайт не содержится в реестре РКН.

Кодировка

utf-8

Кодировка символов страницы ?

Указана кодировка на странице utf-8.

Язык

en-us

Атрибут lang в HTML-теге ?

Язык документа указан явно: en-us.

Скорость загрузки

~0,54сек

Время отклика сервера (TTFB) ?

Скорость загрузки сайта 0,54сек оптимальна.

Объем документа

73Кб

Размер HTML-кода страницы ?

Объем html-документа 73Кб оптимален.

Структура html-документа корректна.

Ресурсы

Ресурсы: 18

Внешние ресурсы страницы (CSS, JS, изображения) ?

Кол-во файлов ресурсов 18 много для одной страницы. Приемлемо до 10. Проведите оптимизацию файлов ресурсов!

Показать полный список ресурсов

Тип	Название	Значение
stylesheet		https://fonts.googleapis.com/css2?family=Cutive+Mono&family=Lora:wght@400;700&family=Roboto:wght@400;700&display=swap&display=swap
stylesheet		/css/vendor-bundle.min.16f785cdb553c8c4431db6775122af35.css
stylesheet		https://cdn.jsdelivr.net/npm/academicons@1.9.2/css/academicons.min.css
stylesheet		https://cdn.jsdelivr.net/npm/@fancyapps/fancybox@3.5.7/dist/jquery.fancybox.min.css
stylesheet		/css/wowchemy.209bb7215af0efb0f3a60da785646dc9.css
stylesheet		/css/libs/chroma/github-light.min.css
stylesheet		/css/libs/chroma/dracula.min.css
js		https://identity.netlify.com/v1/netlify-identity-widget.js
js		/js/wowchemy-init.min.ec9d49ca50e4b80bdb08f0417a28ed84.js
js	text/javascript	//cdn.clustrmaps.com/map_v2.js?cl=ffffff&w=200&t=m&d=oyBWdKgc_atuPMtdWl60JYfGyBqX68fW9yVibHv8MEk&co=2d78ad&cmo=3acc3a&cmn=ff5353&ct=ffffff
js		/js/vendor-bundle.min.b4708d4364577c16ab7001b265a063a4.js
js		https://cdn.jsdelivr.net/gh/desandro/imagesloaded@v4.1.4/imagesloaded.pkgd.min.js
js		https://cdn.jsdelivr.net/gh/metafizzy/isotope@v3.0.6/dist/isotope.pkgd.min.js
js		https://cdn.jsdelivr.net/npm/@fancyapps/fancybox@3.5.7/dist/jquery.fancybox.min.js
js		https://cdn.jsdelivr.net/gh/krisk/Fuse@v3.2.1/dist/fuse.min.js
js		https://cdn.jsdelivr.net/gh/julmot/mark.js@8.11.1/dist/jquery.mark.min.js
js		/en/js/wowchemy.min.6ab16275cbca742a586c1726e3d94093.js
js	module	/js/wowchemy-publication.af9327db0521d4a01354bfc8b77a4324.js

Исправить

Серверные заголовки

Кол-во: 18

HTTP-заголовки ответа сервера ?

Найдены серверные заголовки 18шт. Подробнее про серверные заголовки.

Показать полный список серверных заголовков

Ключ	Значение
Server	GitHub.com
x-origin-cache	HIT
Access-Control-Allow-Origin	*
ETag	"69d90af7-1271e"
Cache-Control	max-age=600
x-proxy-cache	MISS
x-github-request-id	CF88:3B108:2F9B4A5:30021F5:6A8A35AC
x-github-edge-region	fra
Accept-Ranges	bytes
Age	0
Date	Sat, 22 Aug 2026 23:50:04 GMT
Via	1.1 varnish
X-Served-By	cache-fra-eddf8230174-FRA
X-Cache	MISS
x-cache-hits	0
x-timer	S1787442604.273181,VS0,VE114
Vary	Accept-Encoding
x-fastly-request-id	4b0c09722d79bf824a4768758bcaf53ce30e9475

CMS

Не определена

Система управления сайтом (движок) ?

CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.

Веб-сервер

GitHub.com

Программное обеспечение сервера ?

В заголовке Server указано: GitHub.com.

Title

Zaiqiao Meng

Заголовок страницы в браузере и поисковой выдаче ?

Необходимо увеличить число символов в title (текущее значение мало: 12, минимум: 25, оптимально: от 40 до 45)

Дублей словоформ в title не найдено.

Исправить

Description

Wowchemy WowchemyWowchemyWowchemy WowchemyWowchemyWowchemy.

Описание страницы в поисковой выдаче (сниппет) ?

Необходимо увеличить число символов в description (текущее значение мало: 59, минимум: 80, оптимально: от 120 до 130)

Исправить

Keywords

Список ключевых слов страницы (устаревший тег) ?

Установите мета-тег keywords!

Исправить

Канонический Url

https://mengzaiqiao.github.io/

Указывает поисковику основную версию страницы ?

Канонический Url прописан корректно.

Robots

Ошибок нет

Директивы для поисковых роботов на уровне страницы ?

Meta-тег robots не указан. Страница свободна для индексации.

Адаптивность

width=device-width,initial-scale=1

Настройка масштабирования на мобильных устройствах ?

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

Кол-во: 7

Мета-теги для красивых превью в соцсетях ?

Разметка OpenGraph задана. Страница оптимизирована под социальные сети.

Показать полный список og мета-тегов

Тип	Значение
og:site_name	Zaiqiao Meng
og:url	https://mengzaiqiao.github.io/
og:title	Zaiqiao Meng
og:description	Wowchemy WowchemyWowchemyWowchemy WowchemyWowchemyWowchemy.
og:image	https://mengzaiqiao.github.io/media/icon_hu90c0c3bdc496405de24acfb5dd3deb77_64960_512x512_fill_lanczos_center_3.png
og:locale	en-us
og:updated_time	2030-06-01T13:00:00+00:00

Все мета-теги

Кол-во: 16

Полный список мета-тегов страницы ?

Найдены мета-теги 16шт. 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
name	generator	Wowchemy 5.7.0 for Hugo
name	author	Zaiqiao Meng (蒙在桥)
name	description	Wowchemy WowchemyWowchemyWowchemy WowchemyWowchemyWowchemy.
name	theme-color	#1565c0
property	twitter:card	summary
property	twitter:site	@mengzaiqiao
property	twitter:creator	@mengzaiqiao
property	twitter:image	https://mengzaiqiao.github.io/media/icon_hu90c0c3bdc496405de24acfb5dd3deb77_64960_512x512_fill_lanczos_center_3.png
property	og:site_name	Zaiqiao Meng
property	og:url	https://mengzaiqiao.github.io/
property	og:title	Zaiqiao Meng
property	og:description	Wowchemy WowchemyWowchemyWowchemy WowchemyWowchemyWowchemy.
property	og:image	https://mengzaiqiao.github.io/media/icon_hu90c0c3bdc496405de24acfb5dd3deb77_64960_512x512_fill_lanczos_center_3.png
property	og:locale	en-us
property	og:updated_time	2030-06-01T13:00:00+00:00

Структура

Ошибок нет

Семантические HTML-элементы страницы ?

Структура документа корректна (теги <html> и <body> присутствуют в единственном экземпляре).

Контент

Есть ошибки

Объём и качество текстового содержимого ?

Слова из title 2 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!

Абзацев с текстом 22 достаточно.

Среднее число слов в абзаце 65 достаточно.

Кол-во знаков контента 22645 на странице оптимально.

Кол-во слов 3283 на странице оптимально.

Исправить

Заголовки

Ошибок нет

Иерархия заголовков H1–H6 ?

На странице присутствуют заголовки <h1> 8. Это прекрасно.

На странице присутствуют заголовки <h2> 24. Это хорошо.

На странице присутствуют заголовки <h3> 45.

Тошнота

6,16

Насколько одно слово доминирует в тексте ?

Тошнота превышает норму 5. Измените текст страницы!

Исправить

Академич. тошнота

23,64%

Насколько текст перенасыщен ключевыми словами ?

Академическая тошнота превышает норму 5-15%. Измените текст страницы!

Исправить

Семантическое ядро

20

Наиболее часто встречающиеся слова на странице ?

Контент страницы содержит осмысленный текст и слова.

Показать список слов

Слово	Кол-во	Частота
university	38	1,16%
knowledge	32	0,97%
glasgow	31	0,94%
models	27	0,82%
language	26	0,79%
information	23	0,70%
conference	22	0,67%
student	20	0,61%
biomedical	19	0,58%
systems	18	0,55%
accepted	17	0,52%
reasoning	13	0,40%
probing	12	0,37%
zaiqiao	11	0,34%
performance	11	0,34%
retrieval	10	0,30%
learning	10	0,30%
research	9	0,27%
agents	9	0,27%
transactions	9	0,27%

Индексирование

Ошибок нет

Разрешено ли индексирование страницы ?

Анкоров на странице 174 оптимально. Поисковые роботы обязательно проиндексируют сайт.

Robots.txt

Найден корректный robots.txt

Файл управления сканированием сайта роботами ?

Robots.txt настроен корректно. Размер файла: 66 байт. Загружен за: 0сек.

Проверяемая страница не запрещена в robots.txt.

Robots.txt доступен по постоянному адресу

Цепочка редиректов для файла robots.txt:

http://mengzaiqiao.github.io/robots.txt 301 MovedPermanently

https://mengzaiqiao.github.io/robots.txt 200 OK

Показать содержимое robots.txt

User-agent: *

Sitemap: https://mengzaiqiao.github.io/sitemap.xml

Sitemap

Кол-во: 1

XML-карта сайта для поисковиков ?

Robots.txt содержит карту сайта. Это прекрасно!

Robots.txt не содержит ошибок в карте сайта.

Показать карту сайта

Url	Статус
https://mengzaiqiao.github.io/sitemap.xml

Внутренние ссылки

Кол-во: 24

Ссылки на другие страницы своего сайта ?

Внутренних ссылок на странице 24 оптимально.

Внутренние ссылки не запрещены к индексации в robots.txt.

На странице присутствуют изображения 12.

Показать внутренние ссылки

Url	Анкор	Анализировать
/	Zaiqiao Meng	Анализировать url
/	Zaiqiao Meng	Анализировать url
/post/working-with-me/	post	Анализировать url
/	<i class="fas fa-graduation-cap"></i>	Анализировать url
/project/ercstg/	GLA-SD - Towards General LLM-based Agents for Scientific Discovery.	Анализировать url
/project/sella/	Sella - Modeling Self-evolving Collaborative LLM-based Agents	Анализировать url
/project/biomedknowledge/	Biomedical Knowledge Integration and Editing for Large Pretrained Language Models	Анализировать url
/project/betarecsys/	Beta-RecSys	Анализировать url
/project/biocaster/	BioCaster	Анализировать url
/./publication/	publications	Анализировать url
/publication/yuan2023can/	Can Pretrained Language Models (Yet) Reason Deductively?	Анализировать url
/publication/yuan2023can/	<div class="article-style"><p>Acquiring factual knowledge with Pretrained Language Models (PLMs) has attracted increasing attention, showing promising performance in many knowledge-intensive tasks. Their good performance has led the community to believe that the models do possess a modicum of reasoning competence rather than merely memorising the knowledge. In this paper, we conduct a comprehensive evaluation of the learnable deductive (also known as explicit) reasoning capability of PLMs. Through a series of controlled experiments, we posit two main findings. (i) PLMs inadequately generalise learned logic rules and perform inconsistently against simple adversarial surface form edits. (ii) While the deductive reasoning fine-tuning of PLMs does improve their performance on reasoning over unseen knowledge facts, it results in catastrophically forgetting the previously learnt knowledge. Our main results suggest that PLMs cannot yet perform reliable deductive reasoning, demonstrating the importance of controlled examinations and probing of PLMs’ reasoning abilities; we reach beyond (misleading) task performance, revealing that PLMs are still far from human-level reasoning capabilities, even for simple deductive tasks.</p></div>	Анализировать url
/publication/meng2022biocaster/	BioCaster in 2021: Automatic Disease Outbreaks Detection from Global News Media	Анализировать url
/publication/meng2022biocaster/	<div class="article-style"><p>BioCaster was launched in 2008 to provide an ontology-based text mining system for early disease detection from open news sources. Following a 6-year break, we have re-launched the system in 2021. Our goal is to systematically upgrade the methodology using state-of-the-art neural network language models, whilst retaining the original benefits that the system provided in terms of logical reasoning and automated early detection of infectious disease outbreaks. Here, we present recent extensions such as neural machine translation in 10 languages, neural classification of disease outbreak reports and a new cloud-based visualization dashboard. Furthermore, we discuss our vision for further improvements, including combining risk assessment with event semantics and assessing the risk of outbreaks with multi-granularity. We hope that these efforts will benefit the global public health community.</p></div>	Анализировать url
/publication/meng2021graph/	Graph neural pre-training for enhancing recommendations using side information	Анализировать url
/publication/meng2021graph/	<div class="article-style"><p>Leveraging the side information associated with entities (i.e. users and items) to enhance the performance of recommendation systems has been widely recognized as an important modelling dimension. While many existing approaches focus on the integration scheme to incorporate entity side information – by combining the recommendation loss function with an extra side information-aware loss – in this paper, we propose instead a novel pre-training scheme for leveraging the side information. In particular, we first pre-train a representation model using the side information of the entities, and then fine-tune it using an existing general representation-based recommendation model. Specifically, we propose two pre-training models, named GCN-P and COM-P, by considering the entities and their relations constructed from side information as two different types of graphs respectively, to pre-train entity embeddings. For the GCN-P model, two single-relational graphs are constructed from all the users’ and items’ side information respectively, to pre-train entity representations by using the Graph Convolutional Networks. For the COM-P model, two multi-relational graphs are constructed to pre-train the entity representations by using the Composition-based Graph Convolutional Networks. An extensive evaluation of our pre-training models fine-tuned under four general representation-based recommender models, i.e. MF, NCF, NGCF and LightGCN, shows that effectively pre-training embeddings with both the user’s and item’s side information can significantly improve these original models in terms of both effectiveness and stability.</p></div>	Анализировать url
/publication/chen2022revisiting/	Revisiting Parameter-Efficient Tuning: Are We Really There Yet?	Анализировать url
/publication/chen2022revisiting/	<div class="article-style"><p>Parameter-efficient tuning (PETuning) methods have been deemed by many as the new paradigm for using pretrained language models (PLMs). By tuning just a fraction amount of parameters comparing to full model finetuning, PETuning methods claim to have achieved performance on par with or even better than finetuning. In this work, we take a step back and re-examine these PETuning methods by conducting the first comprehensive investigation into the training and evaluation of PETuning methods. We found the problematic validation and testing practice in current studies, when accompanied by the instability nature of PETuning methods, has led to unreliable conclusions. When being compared under a truly fair evaluation protocol, PETuning cannot yield consistently competitive performance while finetuning remains to be the best-performing method in medium- and high-resource settings. We delve deeper into the cause of the instability and observed that model size does not explain the phenomenon but training iteration positively correlates with the stability.</p></div>	Анализировать url
/publication/meng2022rewire/	Rewire-then-Probe: A Contrastive Recipe for Probing Biomedical Knowledge of Pre-trained Language Models	Анализировать url
/publication/meng2022rewire/	<div class="article-style"><p>Knowledge probing is crucial for understanding the knowledge transfer mechanism behind the pre-trained language models (PLMs). Despite the growing progress of probing knowledge for PLMs in the general domain, specialised areas such as biomedical domain are vastly under-explored. To catalyse the research in this direction, we release a well-curated biomedical knowledge probing benchmark, MedLAMA, which is constructed based on the Unified Medical Language System (UMLS) Metathesaurus. We test a wide spectrum of state-of-the-art PLMs and probing approaches on our benchmark, reaching at most 3% of acc@10. While highlighting various sources of domain-specific challenges that amount to this underwhelming performance, we illustrate that the underlying PLMs have a higher potential for probing tasks. To achieve this, we propose Contrastive-Probe, a novel self-supervised contrastive probing approach, that adjusts the underlying PLMs without using any probing data. While Contrastive-Probe pushes the acc@10 to 28%, the performance gap still remains notable. Our human expert evaluation suggests that the probing performance of our Contrastive-Probe is still under-estimated as UMLS still does not include the full spectrum of factual knowledge. We hope MedLAMA and Contrastive-Probe facilitate further developments of more suited probing techniques for this domain.</p></div>	Анализировать url
/publication/meng2021mixture/	Mixture-of-Partitions: Infusing Large Biomedical Knowledge Graphs into BERT	Анализировать url
/publication/meng2021mixture/	<div class="article-style"><p>Infusing factual knowledge into pre-trained models is fundamental for many knowledge-intensive tasks. In this paper, we proposed Mixture-of-Partitions (MoP), an infusion approach that can handle a very large knowledge graph (KG) by partitioning it into smaller sub-graphs and infusing their specific knowledge into various BERT models using lightweight adapters. To leverage the overall factual knowledge for a target task, these sub-graph adapters are further fine-tuned along with the underlying BERT through a mixture layer. We evaluate our MoP with three biomedical BERTs (SciBERT, BioBERT, PubmedBERT) on six downstream tasks (inc. NLI, QA, Classification), and the results show that our MoP consistently enhances the underlying BERTs in task performance, and achieves new SOTA performances on five evaluated datasets.</p></div>	Анализировать url
/publication/liu2021self/	Self-Alignment Pretraining for Biomedical Entity Representations	Анализировать url
/publication/liu2021self/	<div class="article-style"><p>Despite the widespread success of self-supervised learning via masked language models (MLM), accurately capturing fine-grained semantic relationships in the biomedical domain remains a challenge. This is of paramount importance for entity-level tasks such as entity linking where the ability to model entity relations (especially synonymy) is pivotal. To address this challenge, we propose SapBERT, a pretraining scheme that self-aligns the representation space of biomedical entities. We design a scalable metric learning framework that can leverage UMLS, a massive collection of biomedical ontologies with 4M+ concepts. In contrast with previous pipeline-based hybrid systems, SapBERT offers an elegant one-model-for-all solution to the problem of medical entity linking (MEL), achieving a new state-of-the-art (SOTA) on six MEL benchmarking datasets. In the scientific domain, we achieve SOTA even without task-specific supervision. With substantial improvement over various domain-specific pretrained MLMs such as BioBERT, SciBERTand and PubMedBERT, our pretraining scheme proves to be both effective and robust.</p></div>	Анализировать url

Внешние ссылки

Кол-во: 104

Ссылки на сторонние сайты ?

Внешних ссылок на странице 104 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!

Показать первые 100 внешних ссылок

Url	Анкор	Анализировать
twitter.com	<i class="fab fa-twitter" aria-hidden="true"></i>
gla.ac.uk	<span>University of Glasgow</span>	Анализировать url
ltl.mmll.cam.ac.uk	<span>University of Cambridge</span>	Анализировать url
twitter.com	<i class="fab fa-twitter big-icon"></i>
scholar.google.com	<i class="fas fa-graduation-cap big-icon"></i>	Анализировать url
github.com	<i class="fab fa-github big-icon"></i>	Анализировать url
linkedin.com	<i class="fab fa-linkedin big-icon"></i>	Анализировать url
orcid.org	<i class="fab fa-orcid big-icon"></i>	Анализировать url
gla.ac.uk	University of Glasgow	Анализировать url
gla.ac.uk	Information Retrieval Group	Анализировать url
gla.ac.uk	IDA section	Анализировать url
gla.ac.uk	School of Computing Science	Анализировать url
ltl.mmll.cam.ac.uk	Language Technology Lab (LTL)	Анализировать url
cam.ac.uk	University of Cambridge	Анализировать url
ltl.mmll.cam.ac.uk	Language Technology Lab (LTL)	Анализировать url
gla.ac.uk	Information Retrieval group	Анализировать url
gla.ac.uk	University of Glasgow	Анализировать url
cemse.kaust.edu.sa	MINE lab	Анализировать url
kaust.edu.sa	KAUST	Анализировать url
ai4biomed.org	Glasgow AI4BioMed Lab	Анализировать url
ai4biomed.org	page	Анализировать url
2025.emnlp.org	EMNLP 2025	Анализировать url
arxiv.org	arXiv	Анализировать url
github.com	GitHub	Анализировать url
github.com	EvoAgentX	Анализировать url
2025.aclweb.org	ACL 2025	Анализировать url
scimind.ai	Integrating Knowledge Graphs and Large Language Models for Advancing Scientific Research	Анализировать url
person.zju.edu.cn	Qiang Zhang	Анализировать url
chenjiaoyan.github.io	Jiaoyan Chen	Анализировать url
logconference.org	Learning on Graphs Conference 2024	Анализировать url
youtube.com	here	Анализировать url
2024.emnlp.org	EMNLP 2024	Анализировать url
academic.oup.com	Briefings in Bioinformatics	Анализировать url
2024.aclweb.org	ACL 2024	Анализировать url
arxiv.org	CLEX: Continuous Length Extrapolation for Large Language Models	Анализировать url
iclr.cc	ICLR 2024	Анализировать url
arxiv.org	BAND: Biomedical Alert News Dataset	Анализировать url
aaai.org	AAAI 2024	Анализировать url
2024.naacl.org	NAACL 2024	Анализировать url
2023.emnlp.org	EMNLP 2023	Анализировать url
arxiv.org	Knowledge Graph Embedding	Анализировать url
arxiv.org	Multimodal Language Modelling	Анализировать url
uobevents.eventsair.com	CIKM 2023	Анализировать url
2023.emnlp.org	EMNLP 2023	Анализировать url
nlp4social.github.io	“NLP for Social Good (NSG) Symposium 2023”	Анализировать url
procheta.github.io	Procheta Sen	Анализировать url
megagon.ai	Matching ACL 2023	Анализировать url
2023.aclweb.org	ACL 2023	Анализировать url
dl.acm.org	<em>Transactions on the Web</em> (TWEB)	Анализировать url
mmll.cam.ac.uk	“LI18 - Computational Linguistics”	Анализировать url
2023.aclweb.org	ACL 2023	Анализировать url
2023.eacl.org	EACL 2023	Анализировать url
arxiv.org	this link	Анализировать url
2022.emnlp.org	EMNLP 2022	Анализировать url
2022.emnlp.org	EMNLP 2022	Анализировать url
dl.acm.org	ACM TOIS	Анализировать url
linkedin.com	<i class="fab fa-linkedin"></i>	Анализировать url
scholar.google.com	<i class="fas fa-graduation-cap"></i>	Анализировать url
scholar.google.com	<i class="fas fa-graduation-cap"></i>	Анализировать url
scholar.google.com	<i class="fas fa-graduation-cap"></i>	Анализировать url
scholar.google.com	<i class="fas fa-graduation-cap"></i>	Анализировать url
scholar.google.com	<i class="fas fa-graduation-cap"></i>	Анализировать url
linkedin.com	<i class="fab fa-linkedin"></i>	Анализировать url
scholar.google.com	<i class="fas fa-graduation-cap"></i>	Анализировать url
linkedin.com	<i class="fab fa-linkedin"></i>	Анализировать url
linkedin.com	<i class="fab fa-linkedin"></i>	Анализировать url
scholar.google.com	<i class="fas fa-graduation-cap"></i>	Анализировать url
github.com	EvoAgentX - Building a Self-Evolving Ecosystem of AI Agents	Анализировать url
github.com	Code	Анализировать url
youtube.com	Video	Анализировать url
scholar.google.com	Google Scholar	Анализировать url
arxiv.org	PDF	Анализировать url
github.com	Code	Анализировать url
academic.oup.com	PDF	Анализировать url
github.com	Code	Анализировать url
youtube.com	Video	Анализировать url
arxiv.org	PDF	Анализировать url
github.com	Code	Анализировать url
arxiv.org	PDF	Анализировать url
github.com	Code	Анализировать url
arxiv.org	PDF	Анализировать url
github.com	Code	Анализировать url
arxiv.org	PDF	Анализировать url
github.com	Code	Анализировать url
arxiv.org	PDF	Анализировать url
github.com	Code	Анализировать url
ecir2024.org	The European Conference on Information Retrieval (<strong>ECIR</strong>) 2024	Анализировать url
keirworkshop.github.io	The First Workshop on Knowledge-Enhanced Information Retrieval workshop (KEIR @ ECIR 2024)	Анализировать url
aclrollingreview.org	ACL Rolling Review	Анализировать url
gla.ac.uk	<div class="section-subheading card-title exp-title text-muted my-0">Introduction to Data Science and Systems (M) - COMPSCI5089</div>	Анализировать url
gla.ac.uk	Glasgow	Анализировать url
gla.ac.uk	<div class="section-subheading card-title exp-title text-muted my-0">RECOMMENDER SYSTEMS (H/M) - COMPSCI4075/COMPSCI5091</div>	Анализировать url
gla.ac.uk	Glasgow	Анализировать url
mmll.cam.ac.uk	<div class="section-subheading card-title exp-title text-muted my-0">LI18 - Computational Linguistics (Guest Lecturer)</div>	Анализировать url
cam.ac.uk	Cambridge	Анализировать url
gla.ac.uk	<div class="section-subheading card-title exp-title text-muted my-0">RECOMMENDER SYSTEMS (H/M) - COMPSCI4075/COMPSCI5091 (Guest Lecturer)</div>	Анализировать url
gla.ac.uk	Glasgow	Анализировать url
gla.ac.uk	<div class="section-subheading card-title exp-title text-muted my-0">RECOMMENDER SYSTEMS (H/M) - COMPSCI4075/COMPSCI5091 (Guest Lecturer)</div>	Анализировать url
gla.ac.uk	Glasgow	Анализировать url
twitter.com	Follow Me

Исправить

Конкуренты в Яндексе

Кол-во: 0

Топ сайтов-конкурентов в Яндексе ?

Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.

Конкурентов в ТОП-10 Яндекса не нашлось.

Исправить

Конкуренты в Google

Кол-во: 0

Топ сайтов-конкурентов в Google ?

Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!

Конкурентов в ТОП-10 Google не нашлось.

Исправить

Нарушения

Не выявлены

Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.

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.

Нарушения

Не выявлены

Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.

Нарушения

Не выявлены

Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.

Анализ сайта mengzaiqiao.github.io

Основное Готовность: 75%

Домен

Ответ сервера

Безопасность

Кодировка

Язык

Скорость загрузки

Объем документа

Ресурсы

Серверные заголовки

CMS

Веб-сервер

Мета-теги Готовность: 48%

Title

Description

Keywords

Канонический Url

Robots

Адаптивность

Разметка OpenGraph

Все мета-теги

Оптимизация Готовность: 62%

Структура

Контент

Заголовки

Тошнота

Академич. тошнота

Семантическое ядро

Индексация Готовность: 60%

Индексирование

Robots.txt

Sitemap

Внутренние ссылки

Внешние ссылки

Конкуренты Готовность: 0%

Конкуренты в Яндексе

Конкуренты в Google

ЗоЗПП: права потребителей Готовность: 100%

Нарушения

ФЗ-149: рекомендательные технологии Готовность: 100%

Нарушения

ФЗ-38: реклама Готовность: 100%

Нарушения

ФЗ-436: защита детей Готовность: 100%

Нарушения

Вердикт