Анализ сайта sonyis.me
Основное Готовность: 65%
Домен
sonyis.me
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Домен второго уровня идеален для продвижения.
Отличный запоминающийся домен.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Безопасность
Сайт небезопасен
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 не найден защищенный протокол ssl и сайт не открывается по https!
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
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
en
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 документа указан явно: en.
Скорость загрузки
~0,82сек
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 0,82сек оптимальна.
Объем документа
66Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 66Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 0
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Ресурсы не найдены. Неужели ваш сайт на чистом html?
Серверные заголовки
Кол-во: 7
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 7шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Date | Sun, 23 Aug 2026 02:24:55 GMT |
| Server | Apache |
| Upgrade | h2 |
| Connection | Upgrade |
| ETag | "7ae64c0-10b8b-659a3c000cf81" |
| Accept-Ranges | bytes |
| Vary | Accept-Encoding |
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
Apache
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.
Сайт работает на веб-сервере Apache.
Мета-теги Готовность: 48%
Title
Yang Song - Researcher in Machine Learning, Data Mining and User Modeling
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 уменьшить число символов в title (текущее значение: 73, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Homepage of Dr. Yang Song, VP of Engineering, Recommendation Research at Meta.
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.
Необходимо увеличить число символов в description (текущее значение мало: 78, минимум: 80, оптимально: от 120 до 130)
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
Кол-во: 1
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 задана. Страница оптимизирована под социальные сети.
Показать полный список og мета-тегов
| Тип | Значение |
|---|---|
| og:title | Yang Song - Researcher in Machine Learning, Data Mining and User Modeling |
Все мета-теги
Кол-во: 3
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 3шт. 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 |
| name | description | Homepage of Dr. Yang Song, VP of Engineering, Recommendation Research at Meta. |
| property | og:title | Yang Song - Researcher in Machine Learning, Data Mining and User Modeling |
Оптимизация Готовность: 77%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют в одном экземпляре).
Контент
Есть ошибки
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Абзацев с текстом 8 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Слова из title 10 встречаются в тексте достаточно.
Среднее число слов в абзаце 43 достаточно.
Кол-во знаков контента 23804 на странице оптимально.
Кол-во слов 3846 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> 7. Это прекрасно.
На странице присутствуют заголовки <h2> 4. Это хорошо.
На странице присутствуют заголовки <h3> 7.
Тошнота
6,24
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
2,21%
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 |
|---|---|---|
| recommendation | 39 | 1,01% |
| search | 26 | 0,68% |
| xiaoxue | 21 | 0,55% |
| research | 18 | 0,47% |
| learning | 18 | 0,47% |
| systems | 16 | 0,42% |
| jianxin | 12 | 0,31% |
| zhongxiang | 11 | 0,29% |
| modeling | 10 | 0,26% |
| transactions | 10 | 0,26% |
| journal | 9 | 0,23% |
| generative | 9 | 0,23% |
| engineering | 8 | 0,21% |
| information | 8 | 0,21% |
| depeng | 8 | 0,21% |
| li-wei | 8 | 0,21% |
| hongning | 8 | 0,21% |
| recommender | 7 | 0,18% |
| technology | 7 | 0,18% |
| models | 7 | 0,18% |
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 156 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: 43
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 43 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| /paperpdf/tkde-2014.pdf |
Task Trail: An Effective Segmentation of User Search Behavior
|
|
|
| /paperpdf/ieetranc.pdf |
Hierarchical Online Problem Classification for IT Support Services
|
|
|
| /paperpdf/ibm_ermis.pdf |
ERMIS: Designing, developing, and delivering a remote managed infrastructure services solution
|
|
|
| /paperpdf/SoftwarePE2009.pdf |
Better Naive Bayes Classification for High-Precision Spam Detection
|
|
|
| /paperpdf/acmTweb_tagging.pdf |
Automatic Tag Recommendation Algorithms for Social Recommender Systems
|
|
|
| /paperpdf/IEEEcomputing_farooq.pdf |
Social Bookmarking for Scholarly Digital Libraries
|
|
|
| /paperpdf/CIKM_2016_paper_1139.pdf |
Large-Scale Analysis of Viewing Behavior: Towards Measuring Satisfaction with Mobile Proactive Systems
|
|
|
| /paperpdf/spr209-song_sigir16.pdf |
Multi-Rate Deep Learning for Temporal Recommendation
|
|
|
| /paperpdf/frp0447-song-www2016.pdf |
Query-Less: Predicting Task Repetition for NextGen Proactive Search and Recommendation Engines
|
|
|
| /paperpdf/ECIR16-ProactiveRanking-cameraready01042016.pdf |
Modelling User Interest for Zero-query Ranking
|
|
|
| /paperpdf/aaai2016-cr.pdf |
Exploring Multiple Feature Spaces for Novel Entity Discovery
|
|
|
| /paperpdf/frp1159-songA-www-2015.pdf |
A Multi-View Deep Learning Approach for User Modeling in Recommendation Systems
|
|
|
| /paperpdf/Microsoft%20Academic%20Graph%20WWW%202015.pdf |
An Overview of Microsoft Academic Service (MAS) and Applications
|
|
|
| /paperpdf/ieeebigdata_wu_2015.pdf |
Robust and Distributed Web-Scale Near-Dup Document Conflation in Microsoft Academic Service
|
|
|
| /paperpdf/sigir226-song.pdf |
Context-Aware Web Search Abandonment Prediction
|
|
|
| /paperpdf/fp258-wang-sigir2014.pdf |
Modeling Action-level Satisfaction for Search Task Satisfaction Prediction
|
|
|
| /paperpdf/wsdm233-song-2014.pdf |
Adapting Deep RankNet for Personalized Search
|
|
|
| /paperpdf/www2014-de14-song.pdf |
Online Behavioral Genome Sequencing from Usage Logs: Decoding the Search Behaviors
|
|
|
| /paperpdf/sigir2013_wang.pdf |
Personalized Ranking Model Adaptation for Web Search
|
|
|
| /paperpdf/pe072-songPS-www2013.pdf |
Evaluating and Predicting User Engagement Change with Degraded Search Relevance
|
|
|
| /paperpdf/fp016-songPS-www2013.pdf |
Exploring and Exploiting User Search Behavior on Mobile and Tablet Devices to Improve Search Relevance
|
|
|
| /paperpdf/WWW13_camera_fp020-white.pdf |
Enhancing Personalized Search by Mining and Modeling Task Behavior
|
|
|
| /paperpdf/WWW13_camera_fp067-wang.pdf |
Learning to Extract Cross-Session Search Tasks
|
|
|
| /paperpdf/www2012_task_metric.pdf |
Evaluating the Effectiveness of Search Task Trails
|
|
|
| /paperpdf/wsdm111-song.pdf |
Query Suggestion by Constructing Term-Transition Graphs
|
|
|
| /paperpdf/cikmfp0486-song.pdf |
Hierarchical Tag Visualization and Application for Tag Recommendations
|
|
|
| /paperpdf/cikm1146-hassan.pdf |
A Task Level User Satisfaction Metric and its Application on Improving Relevance Estimation
|
|
|
| /paperpdf/sigir11-fp546-song.pdf |
Post-Ranking Query Suggestion by Diversifying Search Results
|
|
|
| /paperpdf/wsdm11-71-songPS.pdf |
Searchable Web Sites Recommendation
|
|
|
| /paperpdf/www10-wfp0763-song.pdf |
Optimal Rare Query Suggestion With Implicit User Feedback
|
|
|
| /paperpdf/jain-websci2010.pdf |
Evaluating the Unaccounted Cost of Distraction of Display Ads to the Users
|
|
|
| /paperpdf/icpr-2008-CollaborativeFiltering-rev3.pdf |
Efficient User Preference Predictions Using Collaborative Filtering
|
|
|
| /paperpdf/icdm08_song.pdf |
A Non-parametric Approach to Pair-wise Dynamic Topic Correlation Detection
|
|
|
| /paperpdf/CIKM08_song.pdf |
Sparse Gaussian Processes Classification for Fast Tag Recommendation
|
|
|
| /paperpdf/sigir08_song.pdf |
Real-time Automatic Tag Recommendation
|
|
|
| /paperpdf/group-07-p351-farooq.pdf |
Evaluating tagging behavior in social bookmarking systems: metrics and design heuristics
|
|
|
| /paperpdf/SDM2007-huang.pdf |
Efficient Multiclass Boosting Classification with Active Learning
|
|
|
| /paperpdf/pkdd07_song.pdf |
IKNN: Informative K-Nearest Neighbor Classification
|
|
|
| /paperpdf/jcdl07_song.pdf |
Efficient Topic-based Unsupervised Name Disambiguation
|
|
|
| /paperpdf/www07_song.pdf |
Generative Models for Name Disambiguation
|
|
|
| /paperpdf/icdm06_song.pdf |
Boosting the Feature Space: Text Categorization for Unstructured Data on the Web
|
|
|
| /paperpdf/icmla05_zhou.pdf |
Towards Discovering Organizational Structure from Email Corpus
|
|
|
| /paperpdf/infoscale06_li.pdf |
CiteSeerX - A scalable autonomous scientific digital library
|
|
Внешние ссылки
Кол-во: 106
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 106 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| about.meta.com |
Meta
|
|
| tiktok.com |
TikTok
|
|
| kuaishou.com |
Kuaishou Technology (HK: 1024)
|
Анализировать url |
| ai.google.com |
Google AI
|
Анализировать url |
| research.microsoft.com |
Microsoft Research Redmond
|
Анализировать url |
| wsdm-conference.org |
WSDM 2027
|
Анализировать url |
| wsdm-conference.org |
CFP page
|
Анализировать url |
| about.meta.com |
Meta
|
|
| tiktok.com |
TikTok
|
|
| ir.kuaishou.com |
Kuaishou Technology
|
Анализировать url |
| ai.google |
Google Research/AI
|
Анализировать url |
| microsoft.com |
Microsoft Research (MSR)
|
Анализировать url |
| psu.edu |
The Pennsylvania State University
|
Анализировать url |
| zju.edu.cn |
Zhejiang University
|
Анализировать url |
| cs.tsinghua.edu.cn |
Applications of Large Language Models in Kuaishou's AI
|
Анализировать url |
| toutiao.com |
toutiao
|
Анализировать url |
| jiqizhixin.com |
jiqizhixin
|
Анализировать url |
| minnewic2019.umn.edu |
ACM MinneWIC 2019
|
Анализировать url |
| allenai.org |
Allen Institute for Artificial Intelligence (AI2)
|
Анализировать url |
| cse.unt.edu |
AAAI 2015 Workshop on Scholarly Big Data
|
Анализировать url |
| springer.com |
Query Understanding for Search Engines
|
Анализировать url |
| igi-global.com |
Using Machine Learning and Probabilistic Frameworks to Enhance Incident and Problem Management
|
Анализировать url |
| igi-global.com |
Maximizing Management Performance and Quality with Service Analytics
|
Анализировать url |
| arxiv.org |
Disentangled Interest Network for Out-of-Distribution CTR Prediction
|
Анализировать url |
| dl.acm.org |
Enhancing Recommendation with Search Data in a Causal Learning Manner
|
Анализировать url |
| arxiv.org |
IPS: In-Prompt Process Supervision for Short Video Content Moderation
|
Анализировать url |
| arxiv.org |
Relative Advantage Debiasing for Watch-Time Prediction in Short-Video Recommendation
|
Анализировать url |
| arxiv.org |
When Rules Fall Short: Agent-Driven Discovery of Emerging Content Issues in Short Video Platforms
|
Анализировать url |
| arxiv.org |
Latent-SFT: LLM Latent Reasoning as Chain of Superposition
|
Анализировать url |
| openreview.net |
ReDeEP: Detecting Hallucination in Retrieval-Augmented Generation via Mechanistic Interpretability
|
Анализировать url |
| openreview.net |
Pyramidal Flow Matching for Efficient Video Generative Modeling
|
Анализировать url |
| pyramid-flow.github.io |
github
|
Анализировать url |
| openreview.net |
Making Transformer Decoders Better Differentiable Indexers
|
Анализировать url |
| arxiv.org |
RecFlow: An Industrial Full Flow Recommendation Dataset
|
Анализировать url |
| github.com |
github
|
Анализировать url |
| arxiv.org |
LargePiG for Hallucination-Free Query Generation: Your Large Language Model is Secretly a Pointer Generator
|
Анализировать url |
| arxiv.org |
Trigger^3: Refining Query Correction via Adaptive Model Selector
|
Анализировать url |
| github.com |
github
|
Анализировать url |
| ojs.aaai.org |
Granularity-Adaptive Spatial Evidence Tokenization for Video Question Answering
|
Анализировать url |
| arxiv.org |
DimeRec: A Unified Framework for Enhanced Sequential Recommendation via Generative Diffusion Models
|
Анализировать url |
| arxiv.org |
Trustworthy Process Rewarding for Retrieval-Augmented Reasoning
|
Анализировать url |
| arxiv.org |
Retrieval Augmented Generation with Collaborative Filtering for Personalized Text Generation
|
Анализировать url |
| arxiv.org |
GenSAR: Unifying Balanced Search and Recommendation with Generative Retrieval
|
Анализировать url |
| arxiv.org |
Following the Autoregressive Nature of LLM Embeddings via Compression and Alignment
|
Анализировать url |
| arxiv.org |
Reasoning-Enhanced Domain-Adaptive Pretraining of Multimodal Large Language Models for Short Video Content Governance
|
Анализировать url |
| arxiv.org |
RectifID: Personalizing Rectified Flow with Anchored Classifier Guidance
|
Анализировать url |
| github.com |
github
|
Анализировать url |
| arxiv.org |
Contextual Distillation Model for Diversified Recommendation
|
Анализировать url |
| arxiv.org |
A Self-boosted Framework for Calibrated Ranking
|
Анализировать url |
| arxiv.org |
GradCraft: Elevating Multi-task Recommendations through Holistic Gradient Crafting
|
Анализировать url |
| arxiv.org |
Video-LaVIT: Unified Video-Language Pre-training with Decoupled Visual-Motional Tokenization
|
Анализировать url |
| video-lavit.github.io |
github
|
Анализировать url |
| arxiv.org |
UniSAR: Modeling User Transition Behaviors between Search and Recommendation
|
Анализировать url |
| arxiv.org |
To Search or to Recommend: Predicting Open-App Motivation with Neural Hawkes Process
|
Анализировать url |
| arxiv.org |
Full Stage Learning to Rank: A Unified Framework for Multi-Stage Systems
|
Анализировать url |
| arxiv.org |
Mixed Attention Network for Cross-domain Sequential Recommendation
|
Анализировать url |
| arxiv.org |
Inverse Learning with Extremely Sparse Feedback for Recommendation
|
Анализировать url |
| arxiv.org |
LabelCraft: Empowering Short Video Recommendations with Automated Label Crafting
|
Анализировать url |
| arxiv.org |
TWIN V2: Scaling Ultra-Long User Behavior Sequence Modeling for Enhanced CTR Prediction at Kuaishou
|
Анализировать url |
| arxiv.org |
Large Language Models Enhanced Collaborative Filtering
|
Анализировать url |
| ieeexplore.ieee.org |
Incorporating Dynamic Temperature Estimation into Contrastive Learning on Graphs
|
Анализировать url |
| arxiv.org |
Federated Adaptation for Foundation Model-based Recommendations
|
Анализировать url |
| arxiv.org |
Generative Retrieval with Semantic Tree-Structured Identifiers and Contrastive Learning
|
Анализировать url |
| sigir-ap.org |
SIGIR-AP'24
|
Анализировать url |
| arxiv.org |
Graph Contrastive Learning with Generative Adversarial Network
|
Анализировать url |
| arxiv.org |
TWIN: TWo-stage Interest Network for Lifelong User Behavior Modeling in CTR Prediction at Kuaishou
|
Анализировать url |
| arxiv.org |
PEPNet: Parameter and Embedding Personalized Network for Infusing with Personalized Prior Information
|
Анализировать url |
| arxiv.org |
Multi-behavior Self-supervised Learning for Recommendation
|
Анализировать url |
| arxiv.org |
When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation
|
Анализировать url |
| arxiv.org |
Dual-interest Factorization-heads Attention for Sequential Recommendation
|
Анализировать url |
| arxiv.org |
Instant Representation Learning for Recommendation over Large Dynamic Graphs
|
Анализировать url |
| arxiv.org |
Towards the Understanding and Modeling of Passive-Negative Feedback in Sequential Short-video Recommendation
|
Анализировать url |
| arxiv.org |
Leveraging Watch-time Feedback for Short-Video Recommendations: A Causal Labeling Framework
|
Анализировать url |
| arxiv.org |
SHARK: A Lightweight Model Compression Approach for Large-scale Recommender Systems
|
Анализировать url |
| arxiv.org |
Learning and Optimization of Implicit Negative Feedback for Industrial Short-video Recommender System
|
Анализировать url |
| arxiv.org |
KuaiSAR: A Unified Search And Recommendation Dataset
|
Анализировать url |
| arxiv.org |
When Multi-Level Meets Multi-Interest: A Multi-Grained Neural Model for Sequential Recommendation
|
Анализировать url |
| arxiv.org |
A Model-Agnostic Causal Learning Framework for Recommendation using Search Data
|
Анализировать url |
| arxiv.org |
Disentangling Long and Short-Term Interests for Recommendation
|
Анализировать url |
| arxiv.org |
HybridGNN: Learning Hybrid Representation for recommendation in Multiplex Heterogeneous Networks
|
Анализировать url |
| arxiv.org |
Billion-user Customer Lifetime Value Prediction: An Industrial-scale Solution from Kuaishou
|
Анализировать url |
| arxiv.org |
Sequential Recommendation with Graph Convolutional Networks
|
Анализировать url |
| arxiv.org |
PhotoChat: A Human-Human Dialogue Dataset With Photo Sharing Behavior For Joint Image-Text Modeling
|
Анализировать url |
| arxiv.org |
Concept-Aware Denoising Graph Neural Network for Micro-Video Recommendation
|
Анализировать url |
| arxiv.org |
Fast WordPiece Tokenization
|
Анализировать url |
| arxiv.org |
Extremely Small BERT Models from Mixed-Vocabulary Training
|
Анализировать url |
| research.microsoft.com |
Problem Classification Method to Enhance the ITIL Incident, Problem and Change Management Process
|
Анализировать url |
| wsdm-conference.org |
WSDM 2027
|
Анализировать url |
| cikm2025.org |
CIKM'25
|
Анализировать url |
| www2025.thewebconf.org |
Sponsor Chair
|
Анализировать url |
| acmmm2025.org |
Sponsor Chair
|
Анализировать url |
| recsys.acm.org |
Recsys 2023
|
Анализировать url |
| wsdm-conference.org |
WSDM CUP 2023 Chair
|
Анализировать url |
| cci.drexel.edu |
IEEE Big Data 2018 Conference
|
Анализировать url |
| pila26-workshop.github.io |
Personal Intelligence in the Agentic AI Era
|
Анализировать url |
| generative-rec.github.io |
The 3rd Workshop on Personal Intelligence with Generative AI
|
Анализировать url |
| generative-rec.github.io |
The 2nd Workshop on Recommendation with Generative Models
|
Анализировать url |
| jmlr.csail.mit.edu |
Journal of Machine Learning Research (JMLR)
|
Анализировать url |
| tois.acm.org |
ACM Transactions on Information Systems (TOIS)
|
Анализировать url |
| toit.acm.org |
ACM Transactions on Internet Technology (TOIT)
|
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 sonyis.me не совсем готов к продвижению (процент готовности лишь 48%). Для попадания в ТОПы поисковых систем нужно:
Постарайтесь исправить общие ошибки.
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: