Анализ сайта tzhao.io
Основное Готовность: 55%
Домен
tzhao.io
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
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
~0,30сек
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 0,30сек оптимальна.
Объем документа
33Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 33Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 3
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 3 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | text/css | jemdoc.css |
| js | text/javascript | https://cdnjs.cloudflare.com/ajax/libs/mathjax/2.7.1/MathJax.js?config=TeX-MML-AM_CHTML |
| js | text/javascript | //cdn.clustrmaps.com/map_v2.js?cl=080808&w=a&t=n&d=nCwwgUBh34M7l50-aXqyal2ReEO6EpSn8UMFTkPBBq8&co=ffffff&cmo=3acc3a&cmn=ff5353&ct=808080 |
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 |
|---|---|
| Connection | keep-alive |
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| ETag | "6a88b248-8438" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| X-GitHub-Request-Id | D812:19A3F5:15C6E9F:15F29F6:6A894B88 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 07:11:05 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230117-FRA |
| X-Cache | MISS |
| X-Cache-Hits | 0 |
| X-Timer | S1787382665.947146,VS0,VE113 |
| Vary | Accept-Encoding |
| X-Fastly-Request-ID | 7839b9ee641fd1ced10ff647af138619a4557c70 |
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: 38%
Title
Tong Zhao | 赵通
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: 14, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Tong Zhao - Senior Manager, Post-Training Research at Scale AI. AI researcher working on LLM post-training, LLM agents, and agentic search; previously generative recommendation and graph machine learning at Snap.
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 уменьшить число символов в description (текущее значение: 212, 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
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
Кол-во: 5
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:type | profile |
| og:title | Tong Zhao | 赵通 |
| og:description | Tong Zhao - Senior Manager, Post-Training Research at Scale AI. AI researcher working on LLM post-training, LLM agents, and agentic search. |
| og:url | https://tzhao.io |
| og:image | https://tzhao.io/images/profile2.jpg |
Все мета-теги
Кол-во: 7
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 7шт. 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/ |
| name | description | Tong Zhao - Senior Manager, Post-Training Research at Scale AI. AI researcher working on LLM post-training, LLM agents, and agentic search; previously generative recommendation and graph machine learning at Snap. |
| property | og:type | profile |
| property | og:title | Tong Zhao | 赵通 |
| property | og:description | Tong Zhao - Senior Manager, Post-Training Research at Scale AI. AI researcher working on LLM post-training, LLM agents, and agentic search. |
| property | og:url | https://tzhao.io |
| property | og:image | https://tzhao.io/images/profile2.jpg |
Оптимизация Готовность: 82%
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
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 4 встречаются в тексте достаточно.
Абзацев с текстом 90 достаточно.
Среднее число слов в абзаце 31 достаточно.
Кол-во знаков контента 19292 на странице оптимально.
Кол-во слов 3001 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> 3. Это хорошо.
На странице присутствуют заголовки <h3> 2.
Тошнота
7,21
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
2,17%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота 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 |
|---|---|---|
| conference | 52 | 1,73% |
| learning | 37 | 1,23% |
| international | 35 | 1,17% |
| mingxuan | 30 | 1,00% |
| neural | 20 | 0,67% |
| knowledge | 19 | 0,63% |
| systems | 18 | 0,60% |
| information | 14 | 0,47% |
| recommendation | 12 | 0,40% |
| mining | 12 | 0,40% |
| machine | 11 | 0,37% |
| graphs | 11 | 0,37% |
| jiliang | 11 | 0,37% |
| networks | 11 | 0,37% |
| research | 9 | 0,30% |
| leonardo | 9 | 0,30% |
| processing | 9 | 0,30% |
| collins | 9 | 0,30% |
| sigkdd | 9 | 0,30% |
| discovery | 9 | 0,30% |
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 111 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: 13
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 13 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| / |
Training Industry-scale GNNs with GiGL
|
|
Анализировать url |
| / |
RoutePO: Personalized Routing Policy Optimization for LLM-based Multi-Channel Recall
|
|
Анализировать url |
| / |
Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation
|
|
Анализировать url |
| /files/slides/CIKM21-eland.pdf |
slides
|
|
|
| /files/slides/AAAI21-GAug.pdf |
slides
|
|
|
| /files/papers/TNNLS21_pamful.pdf |
A Synergistic Approach for Graph Anomaly Detection with Pattern Mining and Feature Learning
|
|
|
| /files/papers/CIKM20_GAL.pdf |
Error-bounded Graph Anomaly Loss for GNNs
|
|
|
| /files/slides/CIKM20-GAL.pdf |
slides
|
|
|
| /files/papers/BIBM19-ctga.pdf |
CTGA: Graph-based Biomedical Literature Search
|
|
|
| /files/papers/EMNLP19-mimo.pdf |
Multi-input Multi-output Sequence Labeling for Joint Extraction of Fact and Condition Tuples from Scientific Text
|
|
|
| /files/papers/KDD19-condition.pdf |
The Role of ‘‘Condition’’: A Novel Scientific Knowledge Graph Representation and Construction Model
|
|
|
| /files/papers/BigData18-aoo.pdf |
Actionable Objective Optimization for Suspicious Behavior Detection on Large Bipartite Graphs
|
|
|
| /files/slides/BigData18-aoo.pdf |
slides
|
|
Внешние ссылки
Кол-во: 98
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 98 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор | Анализировать |
|---|---|---|
| github.com |
GitHub
|
Анализировать url |
| linkedin.com |
LinkedIn
|
Анализировать url |
| scholar.google.com |
Google Scholar
|
Анализировать url |
| meng-jiang.com |
Prof. Meng Jiang
|
Анализировать url |
| kdd2025.kdd.org |
KDD 2025
|
Анализировать url |
| sites.google.com |
Large-Scale Graph Neural Networks: the Past and New Frontiers
|
Анализировать url |
| kdd.org |
KDD 2023
|
Анализировать url |
| github.com |
Augmentation Methods for Graph Learning
|
Анализировать url |
| siam.org |
SDM 2023
|
Анализировать url |
| mlog-workshop.github.io |
MLoG Workshop
|
Анализировать url |
| claws.cc.gatech.edu |
Mis2-TrueFact Workshop
|
Анализировать url |
| shenlanxueyuan.com |
ShenLanXueYuan
|
Анализировать url |
| shenlanxueyuan.com |
Graph Data Augmentation for Graph Machine Learning
|
Анализировать url |
| arxiv.org |
FlexRec: Adapting LLM-based Recommenders for Flexible Needs via Reinforcement Learning
|
Анализировать url |
| arxiv.org |
Enhancing Item Tokenization for Generative Recommendation through Self-Improvement
|
Анализировать url |
| arxiv.org |
Retrieval-Augmented Generation with Graphs (GraphRAG)
|
Анализировать url |
| arxiv.org |
Graph Transformers for Large Graphs
|
Анализировать url |
| arxiv.org |
Understanding ID-Text Complementarity in Sequential Recommendation
|
Анализировать url |
| arxiv.org |
EGR: Embedding-Native Generative Retrieval with a Shared LLM
|
Анализировать url |
| arxiv.org |
Breaking Information Cocoons: A Hyperbolic Graph-LLM Framework for Exploration and Exploitation in Recommender Systems
|
Анализировать url |
| arxiv.org |
Understanding Generative Recommendation with Semantic IDs from a Model-scaling View
|
Анализировать url |
| arxiv.org |
Plain Transformers are Surprisingly Powerful Link Predictors
|
Анализировать url |
| arxiv.org |
Threshold Differential Attention for Sink-Free, Ultra-Sparse, and Non-Dispersive Language Modeling
|
Анализировать url |
| arxiv.org |
Hierarchical Token Prepending: Enhancing Information Flow in Decoder-based LLM Embeddings
|
Анализировать url |
| arxiv.org |
MemRec: Collaborative Memory-Augmented Agentic Recommender System
|
Анализировать url |
| arxiv.org |
Semantic IDs for Recommender Systems at Snapchat: Use Cases, Technical Challenges, and Design Choices
|
Анализировать url |
| arxiv.org |
Beyond Unimodal Perspectives: Generative Retrieval with Multimodal Semantics
|
Анализировать url |
| arxiv.org |
Sequential Data Augmentation for Generative Recommendation
|
Анализировать url |
| arxiv.org |
Heuristic Methods are Good Teachers to Distill MLPs for Graph Link Prediction
|
Анализировать url |
| arxiv.org |
A Pre-training Framework for Relational Data with Information-theoretic Principles
|
Анализировать url |
| arxiv.org |
Generative Recommendation with Semantic IDs: A Practitioner's Handbook
|
Анализировать url |
| dl.acm.org |
MI4Rec: Pretrained Language Model based Cold-Start Recommendation with Meta-Item Embeddings
|
Анализировать url |
| openreview.net |
SEESAW: Do Graph Neural Networks Improve Node Representation Learning for All?
|
Анализировать url |
| arxiv.org |
Node Duplication Improves Cold-start Link Prediction
|
Анализировать url |
| arxiv.org |
GiGL: Large-Scale Graph Neural Networks at Snapchat
|
Анализировать url |
| arxiv.org |
Revisiting Self-Attention for Cross-Domain Sequential Recommendation
|
Анализировать url |
| arxiv.org |
On the Role of Weight Decay in Collaborative Filtering: A Popularity Perspective
|
Анализировать url |
| arxiv.org |
Learning Along the Arrow of Time: Hyperbolic Geometry for Backward-Compatible Representation Learning
|
Анализировать url |
| arxiv.org |
Haste Makes Waste: A Simple Approach for Scaling Graph Neural Networks
|
Анализировать url |
| arxiv.org |
Learning Universal User Representations Leveraging Cross-domain User Intent at Snapchat
|
Анализировать url |
| arxiv.org |
Mosaic of Modalities: A Comprehensive Benchmark for Multimodal Graph Learning
|
Анализировать url |
| arxiv.org |
GraphHash: Graph Clustering Enables Parameter Efficiency in Recommender Systems
|
Анализировать url |
| arxiv.org |
Understanding and Scaling Collaborative Filtering Optimization from the Perspective of Matrix Rank
|
Анализировать url |
| arxiv.org |
Improving Out-of-Vocabulary Handling in Recommendation Systems
|
Анализировать url |
| arxiv.org |
Towards Neural Scaling Laws on Graphs
|
Анализировать url |
| arxiv.org |
How Does Message Passing Improve Collaborative Filtering?
|
Анализировать url |
| arxiv.org |
Robust Training Objectives Improve Embedding-based Retrieval in Industrial Recommendation Systems
|
Анализировать url |
| dl.acm.org |
Improving Embedding-Based Retrieval in Friend Recommendation with ANN Query Expansion
|
Анализировать url |
| arxiv.org |
LLaGA: Large Language and Graph Assistant
|
Анализировать url |
| arxiv.org |
Graph Foundational Models
|
Анализировать url |
| openreview.net |
Learning from Graphs Beyond Message Passing Neural Networks
|
Анализировать url |
| openreview.net |
Revisiting Link Prediction: a Data Perspective
|
Анализировать url |
| openreview.net |
A Topological Perspective on Demystifying GNN-based Link Prediction Performance
|
Анализировать url |
| arxiv.org |
GraphPatcher: Mitigating Degree Bias for Graph Neural Networks via Test-time Augmentation
|
Анализировать url |
| arxiv.org |
Data-Centric Learning from Unlabeled Graphs with Diffusion Model
|
Анализировать url |
| arxiv.org |
Demystifying Structural Disparity in Graph Neural Networks: Can One Size Fit All?
|
Анализировать url |
| arxiv.org |
Semi-supervised Graph Imbalanced Regression
|
Анализировать url |
| arxiv.org |
CARL-G: Clustering-Accelerated Representation Learning on Graphs
|
Анализировать url |
| arxiv.org |
Linkless Link Prediction via Relational Distillation
|
Анализировать url |
| github.com |
code
|
Анализировать url |
| arxiv.org |
Multi-task Self-supervised Graph Neural Networks Enable Stronger Task Generalization
|
Анализировать url |
| arxiv.org |
MLPInit: Embarrassingly Simple GNN Training Acceleration with MLP Initialization
|
Анализировать url |
| arxiv.org |
Empowering Graph Representation Learning with Test-Time Graph Transformation
|
Анализировать url |
| arxiv.org |
Link Prediction with Non-Contrastive Learning
|
Анализировать url |
| sites.computer.org |
Graph Data Augmentation for Graph Machine Learning: A Survey
|
Анализировать url |
| github.com |
reading list
|
Анализировать url |
| openreview.net |
AutoGDA: Automated Graph Data Augmentation for Node Classification
|
Анализировать url |
| arxiv.org |
Grape: Knowledge Graph Enhanced Passage Reader for Open-domain Question Answering
|
Анализировать url |
| github.com |
code
|
Анализировать url |
| arxiv.org |
Graph Rationalization with Environment-based Augmentations
|
Анализировать url |
| github.com |
code
|
Анализировать url |
| arxiv.org |
Learning from Counterfactual Links for Link Prediction
|
Анализировать url |
| github.com |
code
|
Анализировать url |
| arxiv.org |
Diversifying Content Generation for Commonsense Reasoning with Mixture of Knowledge Graph Experts
|
Анализировать url |
| github.com |
code
|
Анализировать url |
| wyu97.github.io |
Deep Multimodal Complementarity Learning
|
Анализировать url |
| doi.org |
DOI
|
Анализировать url |
| arxiv.org |
Neural-PDE: A RNN based Neural Network for Solving Time Dependent PDEs
|
Анализировать url |
| dx.doi.org |
DOI
|
Анализировать url |
| ieeexplore.ieee.org |
Dynamic Attributed Graph Prediction with Conditional Normalizing Flows
|
Анализировать url |
| arxiv.org |
Sentence-Permuted Paragraph Generation
|
Анализировать url |
| github.com |
code
|
Анализировать url |
| arxiv.org |
Action Sequence Augmentation for Early Graph-based Anomaly Detection
|
Анализировать url |
| github.com |
code
|
Анализировать url |
| arxiv.org |
A Unified View on Graph Neural Networks as Graph Signal Denoising
|
Анализировать url |
| arxiv.org |
Data Augmentation for Graph Neural Networks
|
Анализировать url |
| github.com |
code
|
Анализировать url |
| dl.acm.org |
Federated Dynamic Graph Neural Networks with Secure Aggregation for Video-based Distributed Surveillance
|
Анализировать url |
| doi.org |
DOI
|
Анализировать url |
| doi.org |
DOI
|
Анализировать url |
| github.com |
code & datasets
|
Анализировать url |
| ieeexplore.ieee.org |
Modeling Co-evolution of Attributed and Structural Information in Graph Sequence
|
Анализировать url |
| doi.org |
DOI
|
Анализировать url |
| github.com |
code & datasets
|
Анализировать url |
| meng-jiang.com |
Identifying Referential Intention with Heterogeneous Contexts
|
Анализировать url |
| ieeexplore.ieee.org |
Biomedical Knowledge Graphs Construction from Conditional Statements
|
Анализировать url |
| doi.org |
DOI
|
Анализировать url |
| github.com |
jemdoc+MathJax
|
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
Выполнен подробный анализ сайта tzhao.io: готовность на 44%. Чтобы выполнить все условия и попасть на первую страницу выдачи поисковых систем требуется:
Постарайтесь исправить общие ошибки.
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: