Анализ сайта xiaojingzi.github.io
Основное Готовность: 95%
Домен
xiaojingzi.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://xiaojingzi.github.io
301 MovedPermanently
https://xiaojingzi.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 28.09.2026 20:53:19.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf-8.
Язык
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык страницы не указан. Рекомендуется явно указать язык документа!
Скорость загрузки
~0,47сек
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 0,47сек оптимальна.
Объем документа
58Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 58Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 4
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 4 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| js | https://www.google-analytics.com/analytics.js | |
| js | https://www.google-analytics.com/analytics.js | |
| js | https://www.google-analytics.com/analytics.js | |
| js | https://www.google-analytics.com/analytics.js |
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 | "6a64bee4-ea35" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 6A04:1D1C91:3F7C72:449E49:6A8A9B56 |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 07:03:51 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270073-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787468631.453631,VS0,VE122 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 47c9a64b107f9367ed3aa779f052d6eabeaf6060 |
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: 34%
Title
Jing Zhang's Homepage
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: 23, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Jing Zhang's Homepage
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: 21, минимум: 80, оптимально: от 120 до 130)
Мета-тег description совпадает с title! Внесите правку в title или мета-тег description!
Keywords
Jing Zhang, data mining, natural language processing, large models, graph neural networks, knowledge graphs
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.
Keywords установлены.
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, shrink-to-fit=no
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
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: 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 | description | Jing Zhang's Homepage |
| name | viewport | width=device-width, initial-scale=1, shrink-to-fit=no |
| name | keywords | Jing Zhang, data mining, natural language processing, large models, graph neural networks, knowledge graphs |
Оптимизация Готовность: 32%
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.
Слова из title 2 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 13 достаточно.
Среднее число слов в абзаце 25 достаточно.
Кол-во знаков контента 28475 на странице оптимально.
Кол-во слов 4249 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 <h3> 5.
Тошнота
6,56
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
4,82%
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 |
|---|---|---|
| knowledge | 43 | 1,01% |
| cuiping | 42 | 0,99% |
| code&data | 30 | 0,71% |
| student | 26 | 0,61% |
| learning | 21 | 0,49% |
| juanzi | 20 | 0,47% |
| language | 20 | 0,47% |
| title: | 20 | 0,47% |
| conference | 19 | 0,45% |
| haoyang | 19 | 0,45% |
| employment: | 19 | 0,45% |
| invited | 19 | 0,45% |
| question | 18 | 0,42% |
| xiaokang | 18 | 0,42% |
| models | 16 | 0,38% |
| proceedings | 16 | 0,38% |
| thesis | 16 | 0,38% |
| yanling | 13 | 0,31% |
| yuxuan | 13 | 0,31% |
| findings | 13 | 0,31% |
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 207 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: 40
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 40 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| / |
SurveyReview: A Reviewer-Aligned Benchmark for Survey Evaluators.
|
|
Анализировать url |
| / |
MTP-RL: Acceleration of Reinforcement Learning Rollouts with Policy-Aligned Multi-Token Prediction.
|
|
Анализировать url |
| / |
PowerPM: Foundation Model for Power Systems.
|
|
Анализировать url |
| /publications/EMNLP22-Guo-et-al-DSM.pdf |
DSM: Question Generation over Knowledge Base via Modeling Diverse Subgraphs with Meta-learner.
|
|
|
| /publications/EMNLP22-Ke-et-al-ConversationKBQA.pdf |
Knowledge-augmented Self-training of A Question Rewriter for Conversational Knowledge Base Question Answering.
|
|
|
| /publications/ACL22-demo-HOSMEL-Zhang-et-al.pdf |
HOSMEL: A Hot-Swappable Modulized Entity Linking Toolkit for Chinese.
|
|
|
| /publications/WWW22-Wang-et-al-ClusterSCL.pdf |
ClusterSCL: Cluster-Aware Supervised Contrastive Learning on Graphs.
|
|
|
| /publications/SIGIR21-Wang-et-al-decoupled-GNN.pdf |
Decoupling Representation Learning and Classification for GNN-based Anomaly Detection.
|
|
|
| /publications/IJCAI20-Tang-et-al-BERT-INT.pdf |
BERT-INT: A BERT-based Interaction Model For Knowledge Graph Alignment.
|
|
|
| /publications/TKDE19-Chen-et-al-CONNA.pdf |
CONNA: Addressing Name Disambiguation on The Fly.
|
|
|
| /publications/PAKDD20-CHEN-et-al-JARKA.pdf |
JarKA: Modeling Attribute Interactions for Cross-lingual Knowledge Alignment.
|
|
|
| /publications/APWeb20-HAO-et-al-FewshotRec.pdf |
Few-Shot Representation Learning for Cold-Start Users and Items.
|
|
|
| /publications/DASFAA20-WANG-et-al-GCN.pdf |
Graph Convolutional Network using a Reliability-based Feature Aggregation Mechanism.
|
|
|
| /publications/AAAI19-zhang-et-al-HRL.pdf |
Hierarchical Reinforcement Learning for Course Recommendation in MOOCs.
|
|
|
| /publications/TKDE19-Cen-et-al-Trust-Relationship-Prediction.pdf |
Trust Relationship Prediction in Alibaba E-Commerce Platform.
|
|
|
| /publications/CIKM18-zhang-et-al-MEgo2Vec.pdf |
MEgo2Vec: Embedding Matched Ego Networks for User Alignment Across Social Networks.
|
|
|
| /publications/AAAI17-Zhang-et-al-structural-influence.pdf |
StructInf: Mining Structural Influence from Social Streams.
|
|
|
| /publications/TOIS17-Zhang-et-al-Fast-Top-K-Similarity-Search.pdf |
Fast and Flexible Top-k Similarity Search on Large Networks.
|
|
|
| /publications/kdd15-Zhang-et-al-network-similarity.pdf |
Panther: Fast Top-k Similarity Search on Large Networks.
|
|
|
| /publications/KDD15-slides-Zhang-et-al-Panther-network-similarity.pptx |
Slides_PPT
|
|
Анализировать url |
| /publications/KDD15-slides-Zhang-et-al-Panther-network-similarity.pdf |
Slides_PDF
|
|
|
| /publications/KDD15-poster-Zhang-et-al-Panther-network-similarity.pdf |
Poster
|
|
|
| /publications/TKDE15-Zhang-et-al-influence-diffusion-of-following.pdf |
Diffusion of "Following" Links in Microblogging Networks.
|
|
|
| /publications/TKDD15-Zhang-Tang-retweet-influence-locality.pdf |
Who Influenced You? Predicting Retweet via Social Influence Locality.
|
|
|
| /publications/kdd15-Dong-et-al-link-prediction-in-coupled-networks.pdf |
CoupledLP: Link Prediction in Coupled Networks.
|
|
|
| /publications/AAAI14-Zhang-et-al-Role-aware-Conformity-Influence.pdf |
Role-aware Conformity Influence Modeling and Analysis in Social Networks.
|
|
|
| /publications/IJCAI13-Zhang-et-al-social-influence-locality.pdf |
Social Influence Locality for Modeling Retweeting Behaviors.
|
|
|
| /publications/KDD08-Tang-et-al-ArnetMiner.pdf |
ArnetMiner:Extraction and Mining of Academic Social Networks.
|
|
|
| /publications/LLM4EngineeringSkills-zhangjing.pdf |
slides
|
|
|
| /publications/StructureDataLLM-zhangjing.pdf |
slides
|
|
|
| /publications/LLM Alignment-Jing Zhang-2024.5.18.pdf |
slides
|
|
|
| /publications/Slides-Cluster-Enhanced Graph Contrastive Learning-zhangjing-2022.6.2.pdf |
slides
|
|
|
| /publications/Slides-KBQA-Zhangjing-WAIC-2022.9.2.pdf |
slides
|
|
|
| /publications/Slides-Neural-Symbolic-Reasoning.pdf |
slides
|
|
|
| /publications/Slides-KBQA.pdf |
slides
|
|
|
| /publications/Slides-GraphSSL.pdf |
slides
|
|
|
| /publications/Slides-Neural-Symbolic-Reasoning-KB.pdf |
slides
|
|
|
| /publications/Slides-KBLinking.pdf |
slides
|
|
|
| /publications//Slides-ND.pdf |
slides
|
|
|
| /publications/Slides-Recommendation.pdf |
slides
|
|
Внешние ссылки
Кол-во: 122
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 122 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| info.ruc.edu.cn |
School of Information
|
Анализировать url |
| ruc.edu.cn |
Renmin University of China
|
Анализировать url |
| cs.tsinghua.edu.cn |
Department of Computer Science and Technology
|
Анализировать url |
| tsinghua.edu.cn |
Tsinghua University
|
Анализировать url |
| keg.cs.tsinghua.edu.cn |
Jie Tang
|
Анализировать url |
| keg.cs.tsinghua.edu.cn |
Juanzi Li
|
Анализировать url |
| scholar.google.com |
Google Scholar
|
Анализировать url |
| arxiv.org |
GeoVLMath: Enhancing Geometry Reasoning in Vision-Language Models via Cross-Modal Reward for Auxiliary Line Creation.
|
Анализировать url |
| arxiv.org |
Training Vision-Language-Action Models with Dense Embodied Chain-of-Thought Supervision.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
SpreadsheetBench 2: Evaluating Agents on End-to-End Business Spreadsheet Workflows.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| spreadsheetbench.github.io |
Leaderboard
|
Анализировать url |
| arxiv.org |
ProcVLM: Learning Procedure-Grounded Progress Rewards for Robotic Manipulation.
|
Анализировать url |
| procvlm.github.io |
homepage
|
Анализировать url |
| arxiv.org |
From Pixels to Tokens: A Systematic Study of Latent Action Supervision for Vision-Language-Action Model.
|
Анализировать url |
| arxiv.org |
Scaling Agentic Verifier for Competitive Coding.
|
Анализировать url |
| arxiv.org |
AsyncTLS: Efficient Generative LLM Inference with Asynchronous Two-level Sparse Attention.
|
Анализировать url |
| arxiv.org |
Sparse-RL: Breaking the Memory Wall in LLM Reinforcement Learning via Stable Sparse Rollouts.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
Optimizing Native Sparse Attention with Latent Attention and Local Global Alternating Strategies.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
Action Draft and Verify: A Self-Verifying Framework for Vision-Language-Action Model.
|
Анализировать url |
| arxiv.org |
TableCache: Primary Foreign Key Guided KV Cache Precomputation for Low Latency Text-to-SQL.
|
Анализировать url |
| arxiv.org |
MoBE: Mixture-of-Basis-Experts for Compressing MoE-based LLMs.
|
Анализировать url |
| arxiv.org |
LLMIdxAdvis: Resource-Efficient Index Advisor Utilizing Large Language Model.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| dl.acm.org |
A Multi-Agent Collaborative Framework for Database Konb Tuning.
|
Анализировать url |
| sciopen.com |
Efficient Low-Rank Adaptation for Sparse Large Language Model.
|
Анализировать url |
| arxiv.org |
E2ETune: End-to-End Knob Tuning via Fine-tuned Generative Language Model.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| vldb.org |
TACO: A Benchmark for Open-Domain Text-to-SQL with Ambiguous and Cross-Database Queries.
|
Анализировать url |
| arxiv.org |
FacLens: Transferable Probe for Foreseeing Non-Factuality in Fact-Seeking Question Answering of Large Language Models.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
A Query Optimization Method Utilizing Large Language Models.
|
Анализировать url |
| arxiv.org |
Quad: Quantization and Parameter-efficient Tuning of LLM with Activation Decomposition.
|
Анализировать url |
| arxiv.org |
OmniSQL: Synthesizing High-quality Text-to-SQL Data at Scale.
|
Анализировать url |
| github.com |
code&data&model
|
Анализировать url |
| arxiv.org |
Dynamic Scaling of Unit Tests for Code Reward Modeling.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
VisualSimpleQA: A Benchmark for Decoupled Evaluation of Large Vision-Language Models in Fact-Seeking Question Answering.
|
Анализировать url |
| huggingface.co |
benchmark
|
Анализировать url |
| arxiv.org |
SAM Decoding: Speculative Decoding via Suffix Automaton.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
P^2Law: Scaling Law for Post-Training After Model Pruning.
|
Анализировать url |
| arxiv.org |
Uncovering the Impact of Chain-of-Thought Reasoning for Direct Preference Optimization: Lessons from Text-to-SQL.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
CoT-based Synthesizer: Enhancing LLM Performance through Answer Synthesis.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
TableLLM: Enabling Tabular Data Manipulation by LLMs in Real Office Usage Scenarios.
|
Анализировать url |
| tablellm.github.io |
code&model&data&demo
|
Анализировать url |
| arxiv.org |
Compressing Large Language Models by Streamlining
the Unimportant Layer.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
A Solution-based LLM API-using Methodology for Academic Information Seeking.
|
Анализировать url |
| github.com |
code
|
Анализировать url |
| huggingface.co |
model checkpoint
|
Анализировать url |
| soay.aminer.cn |
demo
|
Анализировать url |
| huggingface.co |
benchmark
|
Анализировать url |
| arxiv.org |
Large Language Model for Table Processing: A Survey.
|
Анализировать url |
| arxiv.org |
SpreadsheetBench: Towards Challenging Real World Spreadsheet Manipulation.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| spreadsheetbench.github.io |
Leaderboard
|
Анализировать url |
| arxiv.org |
PCQPR: Proactive Conversational Question Planning with Reflection.
|
Анализировать url |
| arxiv.org |
R-Eval: A Unified Toolkit for Evaluating Domain Knowledge of Retrieval Augmented Large Language Models.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
Transferable and Efficient Non-Factual Content Detection via Probe Training with Offline Consistency Checking.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
AlignBench: Benchmarking Chinese Alignment of Large Language Models.
|
Анализировать url |
| arxiv.org |
SP^3: Enhancing Structured Pruning via PCA Projection.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
CodeS: Towards Building Open-source Language Models for
Text-to-SQL.
|
Анализировать url |
| github.com |
code&model&data
|
Анализировать url |
| github.com |
demo
|
Анализировать url |
| github.com |
schema linker
|
Анализировать url |
| ijcai.org |
Disentangling Domain and General Representations for Time Series Classification.
|
Анализировать url |
| ijcai.org |
Authorship style transfer with inverse transfer data augmentation.
|
Анализировать url |
| arxiv.org |
Open-World Semi-Supervised Learning for Node
Classification.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
A Cause-Effect Look at Alleviating Hallucination of Knowledge-grounded Dialogue Generation.
|
Анализировать url |
| arxiv.org |
Diversifying Question Generation over Knowledge Base via External Natural Questions.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
SGSH: Stimulate Large Language Models with Skeleton Heuristics for
Knowledge Base Question Generation.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| aclanthology.org |
A Generation-based Deductive Method for Math Word Problems.
|
Анализировать url |
| aclanthology.org |
FFAEval: Evaluating Dialogue System via Free-For-All Ranking.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
GLM-Dialog: Noise-tolerant Pre-training for Knowledge-grounded Dialogue Generation.
|
Анализировать url |
| github.com |
code&data&model
|
Анализировать url |
| github.com |
eval
|
Анализировать url |
| arxiv.org |
Web-Scale Academic Name Disambiguation: the WhoIsWho Benchmark, Leaderboard, and Toolkit.
|
Анализировать url |
| arxiv.org |
FC-KBQA: A Fine-to-Coarse Composition Framework for Knowledge Base Question Answering.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
Chain of Thought Prompting Elicits Knowledge Augmentation.
|
Анализировать url |
| github.com |
code&data
|
Анализировать url |
| arxiv.org |
RESDSQL: Decoupling Schema Linking and Skeleton Parsing for Text-to-SQL.
|
Анализировать url |
| github.com |
code&data&model
|
Анализировать url |
| arxiv.org |
A Multi-Strategy based Pre-Training Method for Cold-Start
Recommendation.
|
Анализировать url |
| sciencedirect.com |
A survey on complex factual question answering.
|
Анализировать url |
| arxiv.org |
Graph Contrastive Learning for Anomaly Detection.
|
Анализировать url |
| github.com |
code&data
|
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 xiaojingzi.github.io: готовность на 40%. Чтобы выполнить все условия и попасть на первую страницу выдачи поисковых систем требуется:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: