Анализ сайта parthatalukdar.github.io
Основное Готовность: 85%
Домен
parthatalukdar.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://parthatalukdar.github.io
301 MovedPermanently
https://parthatalukdar.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.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 04.10.2026 22:45:22.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Кодировка на странице не определена. Укажите явно кодировку документа!
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
~0,50сек
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 0,50сек оптимальна.
Объем документа
68Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 68Кб 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 | stylegray.css |
Серверные заголовки
Кол-во: 17
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 17шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "6a5925f7-110a4" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 32FE:93A43:9BE63E:9D0416:6A88E70F |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 00:02:23 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230041-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787356943.103760,VS0,VE123 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 71f0a1b1fde4985191ae51d7b861c3f9c3b0b1ef |
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: 17%
Title
Partha Talukdar: Google DeepMind
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: 32, 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: 0
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Мета-теги не найдены. Без них роботы и устройства действуют по умолчанию (не всегда это хорошо).
Оптимизация Готовность: 67%
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.
Абзацев с текстом 5 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Слова из title 3 встречаются в тексте достаточно.
Среднее число слов в абзаце 13 достаточно.
Кол-во знаков контента 39646 на странице оптимально.
Кол-во слов 5657 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 <h3> 7.
Тошнота
11,40
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
31,54%
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 |
|---|---|---|
| talukdar | 130 | 2,30% |
| partha | 125 | 2,21% |
| learning | 63 | 1,11% |
| conference | 51 | 0,90% |
| knowledge | 41 | 0,72% |
| international | 35 | 0,62% |
| pratim | 34 | 0,60% |
| language | 31 | 0,55% |
| mitchell | 28 | 0,49% |
| research | 27 | 0,48% |
| 19 | 0,34% | |
| workshop | 19 | 0,34% |
| natural | 16 | 0,28% |
| shikhar | 16 | 0,28% |
| methods | 16 | 0,28% |
| machine | 15 | 0,27% |
| information | 14 | 0,25% |
| slides | 13 | 0,23% |
| graph-based | 13 | 0,23% |
| graphs | 12 | 0,21% |
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 392 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: 75
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 75 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| /partha_cv.pdf |
CV
|
|
|
| /./papers/mergedistill_acl2021.pdf |
MergeDistill: Merging Language Models using Pre-trained Distillation
|
|
|
| /./papers/relatelm_acl2021.pdf |
Exploiting Language Relatedness for Low Web-Resource Language Model Adaptation: An Indic Languages Study
|
|
|
| /./papers/okgit_acl2021.pdf |
OKGIT: Open Knowledge Graph Link Prediction with Implicit Types
|
|
|
| /./papers/CaRe_EMNLP2019.pdf |
CaRe: Open Knowledge Graph Embeddings
|
|
|
| /./papers/ReAl-LiFE-aaai19.pdf |
ReAl-LiFE: Accelerating the Discovery of Individualized Brain Connectomes on GPUs
|
|
|
| /./papers/emnlp2018_HyTE.pdf |
HyTE: Hyperplane-based Temporally aware Knowledge Graph Embedding
|
|
|
| /./papers/emnlp2018_AD3.pdf |
AD3: Attentive Deep Document Dater
|
|
|
| /./papers/emnlp2017_ojha_talukdar.pdf |
KGEval: Accuracy Estimation of Automatically Constructed Knowledge Graphs
|
|
|
| /./papers/emnlp2017_scaling_IE_A3C.pdf |
Speeding up Reinforcement Learning-based Information Extraction Training using Asynchronous Methods
|
|
|
| /./papers/emnlp16_SICTF.pdf |
Relation Schema Induction using Tensor Factorization with Side Information
|
|
|
| /./papers/hcomp16_ojha_talukdar.pdf |
Quality Estimation of Workers in Collaborative Crowdsourcingusing Group Testing
|
|
|
| /./papers/ClaimEvalAAAI16Final.pdf |
ClaimEval: Integrated and Flexible Framework for Claim Evaluation Using Credibility of Sources
|
|
|
| /./papers/ICDM16_PID4481545.pdf |
Efficient and Distributed Algorithms for Large-Scale Generalized Canonical Correlations Analysis
|
|
|
| /./papers/emnlp15_entity_centric_kb_pop.pdf |
An Entity-centric Approach for Overcoming Knowledge Graph Sparsity
|
|
|
| /./papers/emnlp15_pra_oda.pdf |
Knowledge Base Inference using Bridging Entities
|
|
|
| /./papers/emnlp15_trans_invariant_embedding.pdf |
Translation Invariant Word Embeddings
|
|
|
| /./papers/ijcai15_AskWorld.pdf |
AskWorld: Budget-Sensitive Query Evaluation for Knowledge-on-Demand
|
|
|
| /./papers/NELL_aaai15.pdf |
Never-Ending Learning
|
|
|
| /./papers/wsdm15_gloss.pdf |
Automatic Gloss Finding for a Knowledge Base using Ontological Constraints
|
|
|
| /./papers/naacl15_comp_nnse.pdf |
A Compositional and Interpretable Semantic Space
|
|
|
| /./papers/sdm15.pdf |
Principled Neuro-Functional Connectivity Discovery
|
|
|
| /./papers/aaai15_spring_symp.pdf |
Combining Vector Space Embeddings with Symbolic Logical Inference over Open-Domain Text
|
|
|
| /./papers/graph_ssl_sketch_aistats2014.pdf |
Scaling Graph-based Semi Supervised Learning to Large Number of Labels Using Count-Min Sketch
|
|
|
| /./papers/emnlp2014_vector_space_pra.pdf |
Incorporating Vector Space Similarity in Random Walk Inference over Knowledge Bases
|
|
|
| /./papers/jnnse_brain_text_acl2014.pdf |
Interpretable Semantic Vectors from a Joint Model of Brain- and Text-based Meaning
|
|
|
| /./papers/kdd14-gebm.pdf |
Good-Enough Brain Model: Challenges, Algorithms and Discoveries in Multi-Subject Experiments
|
|
|
| /./papers/sdm14-turbo-smt.pdf |
Turbo-SMT: Accelerating Coupled Sparse Matrix-Tensor Factorizations by 200x
|
|
|
| /./papers/sdm14_turbo_smt_supp.pdf |
Supplementary
|
|
|
| /./papers/sdm14-flexifact.pdf |
FlexiFaCT: Scalable Flexible Factorization of Coupled Tensors on Hadoop
|
|
|
| /./papers/latent_pra_emnlp13.pdf |
Improving Learning and Inference in a Large Knowledge-base using Latent Syntactic Cues
|
|
|
| /./papers/pidgin-cikm2013.pdf |
PIDGIN: Ontology Alignment using Web Text as Interlingua
|
|
|
| /./papers/deps_docs_conll13.pdf |
Documents and Dependencies: an Exploration of Vector Space Models for Semantic Composition
|
|
|
| /./papers/active_q_vldb13.pdf |
Actively Soliciting Feedback for Query Answers in Keyword Search-Based Data Integration
|
|
|
| /./papers/temporal_constraint_acq_cikm12.pdf |
Acquiring Temporal Constraints between Relations
|
|
|
| /./papers/wsdm367-talukdar.pdf |
Coupled Temporal Scoping of Relational Facts
|
|
|
| /./papers/nnse_coling12.pdf |
Learning Effective and Interpretable Semantic Models using Non-Negative Sparse Embedding
|
|
|
| /./papers/slides/nnse_coling12_slides.pdf |
[ Slides ]
|
|
|
| /./papers/neuro_decode_starsem12.pdf |
Selecting Corpus-Semantic Models for Neurolinguistic Decoding
|
|
|
| /./papers/graph_da_coling12.pdf |
Metric Learning for Graph-based Domain Adaptation
|
|
|
| /./papers/crowdcomp-bea7.pdf |
Crowdsourced Comprehension: Predicting Prerequisite Structure in Wikipedia
|
|
|
| /./papers/scad_www2011.pdf |
SCAD: Collective Discovery of Attribute Values
|
|
|
| /./papers/ImageText-ICDM2011.pdf |
Improving Product Classification Using Images
|
|
|
| /./papers/355_Paper.pdf |
Experiments in Graph-based Semi-Supervised Learning Methods for Class-Instance Acquisition
|
|
|
| /./papers/slides/class_inst_acl10_slides.pdf |
[ Slides ]
|
|
|
| /./papers/idml_short.pdf |
Learning Better Data Representation using Inference-Driven Metric Learning
|
|
|
| /./papers/slides/idml_acl10_poster.pdf |
[ Poster ]
|
|
|
| /./papers/auto-integrate_sigmod2010.pdf |
Automatically Incorporating New Sources in Keyword Search-Based Data Integration
|
|
|
| /./papers/slides/auto_integrate_sigmod2010_slides.pdf |
[ Slides ]
|
|
|
| /./papers/MS-CIS-10-18.pdf |
Inference-Driven Metric Learning (IDML) for Graph Construction
|
|
|
| /./papers/adsorption_ecml09.pdf |
New Regularized Algorithms for Transductive Learning
|
|
|
| /./papers/slides/transductive_reg_ecml09_slides.pdf |
[ Slides ]
|
|
|
| /./papers/mld09_multi_label.pdf |
Sequence Learning from Data with Multiple Labels
|
|
|
| /./papers/slides/multi_label_sequence_mld09.pdf |
[ Slides ]
|
|
|
| /./papers/cidr.pdf |
Interactive Data Integration through Smart Copy and Paste
|
|
|
| /./papers/NIPS2008_0959.pdf |
Regularized Learning with Networks of Features.
|
|
|
| /./papers/MS-CIS-09-13.pdf |
Topics in Graph Construction for Semi-Supervised Learning
|
|
|
| /./papers/adsorption_emnlp08_final.pdf |
Weakly Supervised Acquisition
of Labeled Class Instances using Graph Random Walks
|
|
|
| /./papers/slides/adsorption_emnlp08_slides.pdf |
[ Slides ]
|
|
|
| /./papers/sigrec.pdf |
The Orchestra Collaborative Data Sharing System
|
|
|
| /./papers/kbdi_final.pdf |
Learning to Create Data-Integrating Queries
|
|
|
| /./papers/slides/learning_data_integrating_queries_slides.ppt |
[ Slides ]
|
|
Анализировать url |
| /./papers/628.pdf |
A Rate-Distortion One-Class Model and its Applications to Clustering
|
|
|
| /./papers/slides/slides_icml08.pdf |
[ Slides ]
|
|
|
| /./papers/slides/draso_pktl.pdf |
[ Slides ]
|
|
|
| /./papers/attribute_nips07_workshop.pdf |
Lightly-Supervised Attribute Extraction
|
|
|
| /./papers/adaptation_conll07.pdf |
Frustratingly Hard Domain Adaptation for Dependency Parsing
|
|
|
| /./papers/cmc_bionlp07.pdf |
Automatic Code Assignment to Medical Text.
|
|
|
| /./papers/cpi_conll2006_camera.pdf |
A Context Pattern Induction Method for Named Entity Extraction
|
|
|
| /./papers/slides/cpi_conllxv0.3.ppt.pdf |
[ Slides ]
|
|
|
| /./papers/KBCS04_HPL-1.pdf |
Hindi Text Normalization
|
|
|
| /./papers/hpsearch_camera_icon04.pdf |
Phonetic Distance Based Cross-lingual Search
|
|
|
| /./papers/1042.pdf |
Tools for the Development of a Hindi Speech Synthesis System
|
|
|
| /./papers/icslp04_hpl.pdf |
Duration Modeling for Hindi Text-to-Speech Synthesis
|
|
|
| /./papers/501.pdf |
Automatic Generation of Compound Word Lexicon for Hindi Speech Synthesis
|
|
Внешние ссылки
Кол-во: 317
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 317 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| deepmind.google |
Google DeepMind
|
Анализировать url |
| deepmind.google |
Gemini
|
Анализировать url |
| inae.in |
Indian National Academy of Engineering (INAE)
|
Анализировать url |
| acm.org |
ACM India Early Career 2022 Award
|
Анализировать url |
| transacl.org |
Transactions of the ACL (TACL)
|
Анализировать url |
| github.com |
Tutorial Page
|
Анализировать url |
| shikhar-vashishth.github.io |
Slides
|
Анализировать url |
| malllabiisc.github.io |
Our paper
|
Анализировать url |
| acl2019.org |
1
|
Анализировать url |
| pbs.twimg.com |
2
|
Анализировать url |
| sites.google.com |
tutorial
|
Анализировать url |
| icml.cc |
ICML 2019
|
Анализировать url |
| goldmansachs.com |
Goldman Sachs Research
|
Анализировать url |
| akbc.ws |
AKBC 2019
|
Анализировать url |
| itechlaw.org |
ITech Law
|
Анализировать url |
| weforum.org |
World Economic Forum Centre for the Fourth Industrial Revolution India
|
Анализировать url |
| sites.google.com |
MLSLP 2018
|
Анализировать url |
| sites.google.com |
tutorial
|
Анализировать url |
| nobelprize.org |
Nobel Prize Series, India 2018
|
Анализировать url |
| researchmatters.in |
Press
|
Анализировать url |
| tedxnitw.com |
TedXNITW
|
Анализировать url |
| sites.google.com |
Google NLU Workshop
|
Анализировать url |
| cis.unimelb.edu.au |
University of Melbourne, Australia
|
Анализировать url |
| research.ibm.com |
IBM Faculty Award
|
Анализировать url |
| ikdd.acm.org |
CODS 2017
|
Анализировать url |
| www2.cse.iitk.ac.in |
ML Workshop
|
Анализировать url |
| allenai.org |
Allen Institute for Artificial Intelligence (AI2)
|
Анализировать url |
| sites.google.com |
NLU
|
Анализировать url |
| sites.google.com |
NLP
|
Анализировать url |
| drona.csa.iisc.ernet.in |
IISc Big Data Initiative
|
Анализировать url |
| ijcai-16.org |
IJCAI 2016
|
Анализировать url |
| iaf2015.intel.com |
Intel India Academic Forum (IAF 2015)
|
Анализировать url |
| acl2016.org |
ACL 2016
|
Анализировать url |
| research.google.com |
Focused Faculty Research Award
|
Анализировать url |
| newsroom.accenture.com |
Press Release
|
Анализировать url |
| research.google.com |
Google Research
|
Анализировать url |
| flipkart.com |
Flipkart
|
Анализировать url |
| cse.iitkgp.ac.in |
MLCN 2015 workshop
|
Анализировать url |
| art.bits-csa.org |
Alumni Research Talk
|
Анализировать url |
| cns.iisc.ernet.in |
Center for Neuroscience, IISc
|
Анализировать url |
| cse.iitm.ac.in |
CSE, IIT Madras
|
Анализировать url |
| textgraphs.org |
TextGraphs 2014
|
Анализировать url |
| xerox.com |
Xerox Research, India
|
Анализировать url |
| university-relations.in |
IBM I-CARE 2014 Big Data Analytics and Cognitive Computing Winter School
|
Анализировать url |
| esslli2014.info |
ESSLLI 2014
|
Анализировать url |
| sites.google.com |
WACCK 2014
|
Анализировать url |
| swank.stanford.edu |
SWANK 2014
|
Анализировать url |
| research.google.com |
Google Research
|
Анализировать url |
| nyas.org |
NYAS 2014 Annual ML Symposium
|
Анализировать url |
| sites.google.com |
Language Understanding and Knowledge Discovery workshop
|
Анализировать url |
| akbc.ws |
AKBC 2013
|
Анализировать url |
| talukdar.net |
paper
|
Анализировать url |
| cikm2013.org |
CIKM 2013
|
Анализировать url |
| sites.google.com |
Mid-Atlantic Student Colloquium on Speech, Language, and Learning
|
Анализировать url |
| natlang.cs.sfu.ca |
NLP Lab at Simon Fraser University
|
Анализировать url |
| sites.google.com |
Amar Subramanya
|
Анализировать url |
| icassp2013.com |
ICASSP 2013
|
Анализировать url |
| lxmls.it.pt |
Lisbon Machine Learning School 2012
|
Анализировать url |
| sites.google.com |
Amar Subramanya
|
Анализировать url |
| graph-ssl.wikidot.com |
Graph-based Semi-Supervised Learning Algorithms for NLP
|
Анализировать url |
| acl2012.org |
ACL 2012
|
Анализировать url |
| societyforscience.org |
ISEF 2012
|
Анализировать url |
| emnlp-conll2012.unige.ch |
EMNLP-CoNLL 2012
|
Анализировать url |
| naaclhlt2012.org |
NAACL-HLT 2012
|
Анализировать url |
| akbcwekex2012.wordpress.com |
Automatic Knowledge Extraction from Text
|
Анализировать url |
| github.com |
Junto label propagation toolkit
|
Анализировать url |
| sites.google.com |
Knowledge Discovery Workshop
|
Анализировать url |
| cs.cmu.edu |
Tom Mitchell
|
Анализировать url |
| ml.cmu.edu |
Machine Learning Department
|
Анализировать url |
| cmu.edu |
Carnegie Mellon University
|
Анализировать url |
| research.microsoft.com |
Microsoft Research Search Labs
|
Анализировать url |
| research.google.com |
Fernando Pereira
|
Анализировать url |
| cis.upenn.edu |
Zack Ives
|
Анализировать url |
| ling.upenn.edu |
Mark Liberman
|
Анализировать url |
| malllabiisc.github.io |
Machine And Language Learning (MALL) Lab
|
Анализировать url |
| ai.iisc.ac.in |
here
|
Анализировать url |
| rtw.ml.cmu.edu |
Read the Web (CMU)
|
Анализировать url |
| cs.cmu.edu |
CMU Brain Research Group
|
Анализировать url |
| research.microsoft.com |
Search Labs
|
Анализировать url |
| research.microsoft.com |
Microsoft Research
|
Анализировать url |
| seas.upenn.edu |
Structured Learning at Penn
|
Анализировать url |
| priml.upenn.edu |
Penn Research in Machine Learning (PRIML)
|
Анализировать url |
| nlp.cis.upenn.edu |
Penn Natural Language Processing
|
Анализировать url |
| bioie.ldc.upenn.edu |
Penn BioIE Group
|
Анализировать url |
| github.com |
Graph Neural Networks for Natural Language Processing
|
Анализировать url |
| emnlp-ijcnlp2019.org |
EMNLP 2019
|
Анализировать url |
| cods-comad.in |
CODS-COMAD 2020
|
Анализировать url |
| sites.google.com |
Never-Ending Learning
|
Анализировать url |
| facebook.com |
1
|
|
| facebook.com |
2
|
|
| icml.cc |
ICML 2019
|
Анализировать url |
| sites.google.com |
Knowledge Extraction and Inference from Text
|
Анализировать url |
| kdd.org |
KDD 2018
|
Анализировать url |
| sites.google.com |
Knowledge Extraction and Inference from Text
|
Анализировать url |
| cikmconference.org |
CIKM 2017
|
Анализировать url |
| graph-ssl.wikidot.com |
Graph-based Semi-supervised Learning
|
Анализировать url |
| mirror.aclweb.org |
ACL 2012
|
Анализировать url |
| www2.securecms.com |
ICASSP 2013
|
Анализировать url |
| scholar.google.com |
Google Scholar
|
Анализировать url |
| arxiv.org |
Arxiv
|
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
Сайт parthatalukdar.github.io не совсем готов к продвижению (процент готовности лишь 42%). Для попадания в ТОПы поисковых систем нужно:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: