diff --git a/modules/text/embedding/word2vec_skipgram/README.md b/modules/text/embedding/word2vec_skipgram/README.md
index d148d2691e8f2cd96f6621a680de4888bc37328e..a21fa5540c57dce8439fee7e49d41f80da22bc94 100644
--- a/modules/text/embedding/word2vec_skipgram/README.md
+++ b/modules/text/embedding/word2vec_skipgram/README.md
@@ -1,26 +1,40 @@
-## 概述
+# word2vec_skipgram
+|模型名称|word2vec_skipgram|
+| :--- | :---: | 
+|类别|文本-词嵌入|
+|网络|skip-gram|
+|数据集|百度自建数据集|
+|是否支持Fine-tuning|是|
+|模型大小|861MB|
+|最新更新日期|2021-02-26|
+|数据指标|-|
 
-Word2vec是常用的词嵌入（word embedding）模型。该PaddleHub Module基于Skip-gram模型，在海量百度搜索数据集下预训练得到中文单词预训练词嵌入。其支持Fine-tune。Word2vec的预训练数据集的词汇表大小为1700249，word embedding维度为128。
+## 一、模型基本信息
 
-## API
+- ### 模型介绍
 
-### context(trainable=False, max_seq_len=128, num_slots=1)
+  - Word2vec是常用的词嵌入（word embedding）模型。该PaddleHub Module基于Skip-gram模型，在海量百度搜索数据集下预训练得到中文单词预训练词嵌入。其支持Fine-tune。Word2vec的预训练数据集的词汇表大小为1700249，word embedding维度为128。
 
-获取该Module的预训练program以及program相应的输入输出。
+## 二、安装
 
-**参数**
+- ### 1、环境依赖
 
-* trainable(bool): trainable=True表示program中的参数在Fine-tune时需要微调，否则保持不变。
-* max_seq_len(int): 模型使用的最大序列长度。
-* num_slots(int): 输入到模型所需要的文本个数，如完成单句文本分类任务，则num_slots=1；完成pointwise文本匹配任务，则num_slots=2；完成pairtwise文本匹配任务，则num_slots=3；
+  - paddlepaddle >= 1.8.2
 
-**返回**
+  - paddlehub >= 1.8.0    | [如何安装PaddleHub](../../../../docs/docs_ch/get_start/installation.rst)
 
-* inputs(dict): program的输入变量
-* outputs(dict): program的输出变量
-* main_program(Program): 带有预训练参数的program
+- ### 2、安装
 
-### 代码示例
+  - ```shell
+    $ hub install word2vec_skipgram
+    ```
+  - 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
+ | [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
+
+
+## 三、模型API
+
+- ### 1、Finetune代码示例
 
 ```python
 import paddlehub as hub
@@ -36,13 +50,25 @@ word_ids = inputs["text"]
 embedding = outputs["emb"]
 ```
 
-## 依赖
+- ### 2、API
+
+  - ```python
+    context(trainable=False, max_seq_len=128, num_slots=1)
+    ```
+
+    - **参数**
+
+      - trainable(bool): trainable=True表示program中的参数在Fine-tune时需要微调，否则保持不变。
+      - max_seq_len(int): 模型使用的最大序列长度。
+      - num_slots(int): 输入到模型所需要的文本个数，如完成单句文本分类任务，则num_slots=1；完成pointwise文本匹配任务，则num_slots=2；完成pairtwise文本匹配任务，则num_slots=3；
 
-paddlepaddle >= 1.8.2
+    - **返回**
 
-paddlehub >= 1.8.0
+      - inputs(dict): program的输入变量
+      - outputs(dict): program的输出变量
+      - main_program(Program): 带有预训练参数的program
 
-## 更新历史
+## 四、更新历史
 
 * 1.0.0
 
diff --git a/modules/text/language_model/lda_news/README.md b/modules/text/language_model/lda_news/README.md
index eb3b895cd938b467772845186eca4eac6393cb17..3c0c3f6c27b9406c125804d1859a7ea2f3c74a99 100644
--- a/modules/text/language_model/lda_news/README.md
+++ b/modules/text/language_model/lda_news/README.md
@@ -1,83 +1,47 @@
-## 模型概述
+# lda_news
 
-主题模型(Topic Model)是以无监督学习的方式对文档的隐含语义结构进行聚类的统计模型，其中LDA(Latent Dirichlet Allocation)算法是主题模型的一种。LDA根据对词的共现信息的分析，拟合出词-文档-主题的分布，从而将词、文本映射到一个语义空间中。本Module基于的数据集为百度自建的新闻领域数据集。
+|模型名称|lda_news|
+| :--- | :---: | 
+|类别|文本-主题模型|
+|网络|LDA|
+|数据集|百度自建新闻领域数据集|
+|是否支持Fine-tuning|否|
+|模型大小|19MB|
+|最新更新日期|2021-02-26|
+|数据指标|-|
 
-<p align="center">
-<img src="https://bj.bcebos.com/paddlehub/model/nlp/semantic_model/lda.png" hspace='10'/> <br />
-</p>
+## 一、模型基本信息
 
-更多详情请参考[LDA论文](http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf)。
+- ### 模型介绍
 
-注：该Module由第三方开发者DesmonDay贡献。
+  - 主题模型(Topic Model)是以无监督学习的方式对文档的隐含语义结构进行聚类的统计模型，其中LDA(Latent Dirichlet Allocation)算法是主题模型的一种。LDA根据对词的共现信息的分析，拟合出词-文档-主题的分布，从而将词、文本映射到一个语义空间中。
 
-## LDA模型 API 说明
-### cal_doc_distance(doc_text1, doc_text2)
-用于计算两个输入文档之间的距离，包括Jensen-Shannon divergence(JS散度)、Hellinger Distance(海林格距离)。
+    <p align="center">
+    <img src="https://bj.bcebos.com/paddlehub/model/nlp/semantic_model/lda.png" width=600 hspace='10'/> <br />
+    </p>
 
-**参数**
+    更多详情请参考[LDA论文](http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf)。
 
-- doc_text1(str): 输入的第一个文档。
-- doc_text2(str): 输入的第二个文档。
+## 二、安装
 
-**返回**
+- ### 1、环境依赖
 
-- jsd(float): 两个文档之间的JS散度([Jensen-Shannon divergence](https://blog.csdn.net/FrankieHello/article/details/80614422?utm_source=copy))。
-- hd(float): 两个文档之间的海林格距离([Hellinger Distance](http://blog.sina.com.cn/s/blog_85f1ffb70101e65d.html))。
+  - paddlepaddle >= 1.8.2
 
-### cal_doc_keywords_similarity(document, top_k=10)
+  - paddlehub >= 1.8.0    | [如何安装PaddleHub](../../../../docs/docs_ch/get_start/installation.rst)
 
-用于查找输入文档的前k个关键词及对应的与原文档的相似度。
+- ### 2、安装
 
-**参数**
+  - ```shell
+    $ hub install lda_news
+    ```
+  - 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
+ | [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
 
-- document(str): 输入文档。
-- top_k(int): 查找输入文档的前k个关键词。
+## 三、模型API预测
 
-**返回**
+- ### 1、预测代码示例
 
-- results(list): 包含每个关键词以及对应的与原文档的相似度。其中，list的基本元素为dict，dict的key为关键词，value为对应的与原文档的相似度。
-
-### cal_query_doc_similarity(query, document)
-
-用于计算短文档与长文档之间的相似度。
-
-**参数**
-
-- query(str): 输入的短文档。
-- document(str): 输入的长文档。
-
-**返回**
-
-- lda_sim(float): 返回短文档与长文档之间的相似度。
-
-### infer_doc_topic_distribution(document)
-
-用于推理出文档的主题分布。
-
-**参数**
-
-- document(str): 输入文档。
-
-**返回**
-
-- results(list): 包含主题分布下各个主题ID和对应的概率分布。其中，list的基本元素为dict，dict的key为主题ID，value为各个主题ID对应的概率。
-
-### show_topic_keywords(topic_id, k=10)
-
-用于展示出每个主题下对应的关键词，可配合推理主题分布的API使用。
-
-**参数**
-
-- topic_id(int): 主题ID。
-- k(int): 需要知道对应主题的前k个关键词。
-
-**返回**
-
-- results(dict): 返回对应文档的前k个关键词，以及各个关键词在文档中的出现概率。
-
-### 代码示例
-
-这里展示部分API的使用示例。
 ``` python
 import paddlehub as hub
 
@@ -121,18 +85,84 @@ keywords = lda_news.show_topic_keywords(topic_id=216)
 
 ```
 
-## 查看代码
-https://github.com/baidu/Familia
+- ### 2、API
+
+  - ```python
+    cal_doc_distance(doc_text1, doc_text2)
+    ```
+
+    - 用于计算两个输入文档之间的距离，包括Jensen-Shannon divergence(JS散度)、Hellinger Distance(海林格距离)。
+
+    - **参数**
+
+      - doc_text1(str): 输入的第一个文档。
+      - doc_text2(str): 输入的第二个文档。   
+
+    - **返回**
+
+      - jsd(float): 两个文档之间的JS散度([Jensen-Shannon divergence](https://blog.csdn.net/FrankieHello/article/details/80614422?utm_source=copy))。
+      - hd(float): 两个文档之间的海林格距离([Hellinger Distance](http://blog.sina.com.cn/s/blog_85f1ffb70101e65d.html))。    
+
+  - ```python
+    cal_doc_keywords_similarity(document, top_k=10)
+    ```
+
+    - 用于查找输入文档的前k个关键词及对应的与原文档的相似度。
+
+    - **参数**
+
+      - document(str): 输入文档。
+      - top_k(int): 查找输入文档的前k个关键词。
+
+    - **返回**
+
+      - results(list): 包含每个关键词以及对应的与原文档的相似度。其中，list的基本元素为dict，dict的key为关键词，value为对应的与原文档的相似度。    
+
+  - ```python
+    cal_query_doc_similarity(query, document)
+    ```
+
+    - 用于计算短文档与长文档之间的相似度。
+
+    -  **参数**
+
+      - query(str): 输入的短文档。
+      - document(str): 输入的长文档。
+
+    -  **返回**
+
+      - lda_sim(float): 返回短文档与长文档之间的相似度。 
+
+  - ```python
+    infer_doc_topic_distribution(document)
+    ```
+
+    - 用于推理出文档的主题分布。
+
+      - **参数**
+
+        - document(str): 输入文档。
+
+      - **返回**
+
+        - results(list): 包含主题分布下各个主题ID和对应的概率分布。其中，list的基本元素为dict，dict的key为主题ID，value为各个主题ID对应的概率。
+
+  - ```python
+    show_topic_keywords(topic_id, k=10)
+    ```
 
+    - 用于展示出每个主题下对应的关键词，可配合推理主题分布的API使用。
 
-## 依赖
+      - **参数**
 
-paddlepaddle >= 1.8.2
+        - topic_id(int): 主题ID。
+        - k(int): 需要知道对应主题的前k个关键词。
 
-paddlehub >= 1.8.0
+      - **返回**
 
+        - results(dict): 返回对应文档的前k个关键词，以及各个关键词在文档中的出现概率。         
 
-## 更新历史
+## 四、更新历史
 
 * 1.0.0
 
diff --git a/modules/text/language_model/lda_webpage/README.md b/modules/text/language_model/lda_webpage/README.md
index bcf054eb0ebdcceba81d773af638dc54057980bf..c70c8132919456aed97931d30278551beeac8732 100644
--- a/modules/text/language_model/lda_webpage/README.md
+++ b/modules/text/language_model/lda_webpage/README.md
@@ -1,83 +1,49 @@
-## 模型概述
+# lda_webpage
 
-主题模型(Topic Model)是以无监督学习的方式对文档的隐含语义结构进行聚类的统计模型，其中LDA(Latent Dirichlet Allocation)算法是主题模型的一种。LDA根据对词的共现信息的分析，拟合出词-文档-主题的分布，从而将词、文本映射到一个语义空间中。本Module基于的数据集为百度自建的网页领域数据集。
+|模型名称|lda_webpage|
+| :--- | :---: | 
+|类别|文本-主题模型|
+|网络|LDA|
+|数据集|百度自建网页领域数据集|
+|是否支持Fine-tuning|否|
+|模型大小|31MB|
+|最新更新日期|2021-02-26|
+|数据指标|-|
 
-<p align="center">
-<img src="https://bj.bcebos.com/paddlehub/model/nlp/semantic_model/lda.png" hspace='10'/> <br />
-</p>
+## 一、模型基本信息
 
-更多详情请参考[LDA论文](http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf)。
+- ### 模型介绍
 
-注：该Module由第三方开发者DesmonDay贡献。
+  - 主题模型(Topic Model)是以无监督学习的方式对文档的隐含语义结构进行聚类的统计模型，其中LDA(Latent Dirichlet Allocation)算法是主题模型的一种。LDA根据对词的共现信息的分析，拟合出词-文档-主题的分布，从而将词、文本映射到一个语义空间中。
 
-## LDA模型 API 说明
-### cal_doc_distance(doc_text1, doc_text2)
-用于计算两个输入文档之间的距离，包括Jensen-Shannon divergence(JS散度)、Hellinger Distance(海林格距离)。
+  <p align="center">
+  <img src="https://bj.bcebos.com/paddlehub/model/nlp/semantic_model/lda.png" hspace='10'/> <br />
+  </p>
 
-**参数**
+  更多详情请参考[LDA论文](http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf)。
 
-- doc_text1(str): 输入的第一个文档。
-- doc_text2(str): 输入的第二个文档。
+  注：该Module由第三方开发者DesmonDay贡献。
 
-**返回**
+## 二、安装
 
-- jsd(float): 两个文档之间的JS散度([Jensen-Shannon divergence](https://blog.csdn.net/FrankieHello/article/details/80614422?utm_source=copy))。
-- hd(float): 两个文档之间的海林格距离([Hellinger Distance](http://blog.sina.com.cn/s/blog_85f1ffb70101e65d.html))。
+- ### 1、环境依赖
 
-### cal_doc_keywords_similarity(document, top_k=10)
+  - paddlepaddle >= 1.8.2
 
-用于查找输入文档的前k个关键词及对应的与原文档的相似度。
+  - paddlehub >= 1.8.0    | [如何安装PaddleHub](../../../../docs/docs_ch/get_start/installation.rst)
 
-**参数**
+- ### 2、安装
 
-- document(str): 输入文档。
-- top_k(int): 查找输入文档的前k个关键词。
+  - ```shell
+    $ hub install lda_webpage
+    ```
+  - 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
+ | [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
 
-**返回**
+## 三、模型API预测
 
-- results(list): 包含每个关键词以及对应的与原文档的相似度。其中，list的基本元素为dict，dict的key为关键词，value为对应的与原文档的相似度。
+- ### 1、预测代码示例
 
-### cal_query_doc_similarity(query, document)
-
-用于计算短文档与长文档之间的相似度。
-
-**参数**
-
-- query(str): 输入的短文档。
-- document(str): 输入的长文档。
-
-**返回**
-
-- lda_sim(float): 返回短文档与长文档之间的相似度。
-
-### infer_doc_topic_distribution(document)
-
-用于推理出文档的主题分布。
-
-**参数**
-
-- document(str): 输入文档。
-
-**返回**
-
-- results(list): 包含主题分布下各个主题ID和对应的概率分布。其中，list的基本元素为dict，dict的key为主题ID，value为各个主题ID对应的概率。
-
-### show_topic_keywords(topic_id, k=10)
-
-用于展示出每个主题下对应的关键词，可配合推理主题分布的API使用。
-
-**参数**
-
-- topic_id(int): 主题ID。
-- k(int): 需要知道对应主题的前k个关键词。
-
-**返回**
-
-- results(dict): 返回对应文档的前k个关键词，以及各个关键词在文档中的出现概率。
-
-### 代码示例
-
-这里展示部分API的使用示例。
 ``` python
 import paddlehub as hub
 
@@ -118,17 +84,87 @@ keywords = lda_webpage.show_topic_keywords(3458)
 
 ```
 
-## 查看代码
-https://github.com/baidu/Familia
+  - #### 查看代码
+  https://github.com/baidu/Familia
+
+- ### 2、API
+
+  - ```python
+    cal_doc_distance(doc_text1, doc_text2)
+    ```
+
+    - 用于计算两个输入文档之间的距离，包括Jensen-Shannon divergence(JS散度)、Hellinger Distance(海林格距离)。
+
+    - **参数**
+
+      - doc_text1(str): 输入的第一个文档。
+      - doc_text2(str): 输入的第二个文档。   
+
+    - **返回**
+
+      - jsd(float): 两个文档之间的JS散度([Jensen-Shannon divergence](https://blog.csdn.net/FrankieHello/article/details/80614422?utm_source=copy))。
+      - hd(float): 两个文档之间的海林格距离([Hellinger Distance](http://blog.sina.com.cn/s/blog_85f1ffb70101e65d.html))。    
+
+  - ```python
+    cal_doc_keywords_similarity(document, top_k=10)
+    ```
+
+    - 用于查找输入文档的前k个关键词及对应的与原文档的相似度。
+
+    - **参数**
+
+      - document(str): 输入文档。
+      - top_k(int): 查找输入文档的前k个关键词。
+
+    - **返回**
+
+      - results(list): 包含每个关键词以及对应的与原文档的相似度。其中，list的基本元素为dict，dict的key为关键词，value为对应的与原文档的相似度。    
+
+  - ```python
+    cal_query_doc_similarity(query, document)
+    ```
+
+    - 用于计算短文档与长文档之间的相似度。
+
+    -  **参数**
+
+      - query(str): 输入的短文档。
+      - document(str): 输入的长文档。
+
+    -  **返回**
+
+      - lda_sim(float): 返回短文档与长文档之间的相似度。 
+
+  - ```python
+    infer_doc_topic_distribution(document)
+    ```
+
+    - 用于推理出文档的主题分布。
+
+      - **参数**
+
+        - document(str): 输入文档。
+
+      - **返回**
+
+        - results(list): 包含主题分布下各个主题ID和对应的概率分布。其中，list的基本元素为dict，dict的key为主题ID，value为各个主题ID对应的概率。
+
+  - ```python
+    show_topic_keywords(topic_id, k=10)
+    ```
+
+    - 用于展示出每个主题下对应的关键词，可配合推理主题分布的API使用。
 
+      - **参数**
 
-## 依赖
+        - topic_id(int): 主题ID。
+        - k(int): 需要知道对应主题的前k个关键词。
 
-paddlepaddle >= 1.8.2
+      - **返回**
 
-paddlehub >= 1.8.0
+        - results(dict): 返回对应文档的前k个关键词，以及各个关键词在文档中的出现概率。         
 
-## 更新历史
+## 四、更新历史
 
 * 1.0.0
 
diff --git a/modules/text/language_model/simnet_bow/README.md b/modules/text/language_model/simnet_bow/README.md
index 08811352e2e016187476da10160c6e8dce1ad40d..330dd0237ca7b7c9d49cc06d1a08c6462f6702b6 100644
--- a/modules/text/language_model/simnet_bow/README.md
+++ b/modules/text/language_model/simnet_bow/README.md
@@ -1,100 +1,146 @@
-# SimnetBOW API说明
+# simnet_bow
+|模型名称|simnet_bow|
+| :--- | :---: | 
+|类别|文本-语义匹配|
+|网络|BOW|
+|数据集|百度自建数据集|
+|是否支持Fine-tuning|否|
+|模型大小|245MB|
+|最新更新日期|2021-02-26|
+|数据指标|-|
 
-## similarity(texts=[], data={}, use_gpu=False, batch_size=1)
 
-simnet_bow预测接口，计算两个句子的cosin相似度
+## 一、模型基本信息
 
-**参数**
+- ### 模型介绍
 
-* texts(list): 待预测数据，第一个元素(list)为第一顺序句子，第二个元素(list)为第二顺序句子，两个元素长度相同。
-如texts=[["这道题太难了", "这道题太难了", "这道题太难了"], ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]]。
-如果使用texts参数，则不用传入data参数，二选一即可
-* data(dict): 预测数据，key必须为'text_1' 和'text_2'，相应的value(list)是第一顺序句子和第二顺序句子。
-如data={"text_1": ["这道题太难了", "这道题太难了", "这道题太难了"], "text_2": ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]}。
-如果使用data参数，则不用传入texts参数，二选一即可。建议使用texts参数，data参数后续会废弃。
-* data(dict): 预测数据，key必须为'text_1' 和'text_2'，相应的value(list)是第一顺序句子和第二顺序句子。如果使用data参数，则不用传入texts参数，二选一即可。建议使用texts参数，data参数后续会废弃。
-* use_gpu(bool): 是否使用GPU预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置
-* batch_size(int): 批处理大小
+  - 短文本语义匹配(SimilarityNet, SimNet)是一个计算短文本相似度的模型，可以根据用户输入的两个文本，计算出相似度得分。SimNet在百度各产品上广泛应用，适用于信息检索、新闻推荐、智能客服等多个应用场景，帮助企业解决语义匹配问题。该PaddleHub Module基于BOW网络结构，支持预测。
 
-**返回**
+## 二、安装
 
-* results(list): 带预测数据的cosin相似度
+- ### 1、环境依赖
 
-### context(trainable=False, max_seq_len=128, num_slots=1)
+  - paddlepaddle >= 2.1.0
 
-获取该Module的预训练program以及program相应的输入输出。
+  - paddlehub >= 2.1.0    | [如何安装PaddleHub](../../../../docs/docs_ch/get_start/installation.rst)
 
-**参数**
+- ### 2、安装
 
-* trainable(bool): trainable=True表示program中的参数在Fine-tune时需要微调，否则保持不变。
-* max_seq_len(int): 模型使用的最大序列长度。
-* num_slots(int): 输入到模型所需要的文本个数，如完成单句文本分类任务，则num_slots=1；完成pointwise文本匹配任务，则num_slots=2；完成pairtwise文本匹配任务，则num_slots=3；
+  - ```shell
+    $ hub install simnet_bow
+    ```
 
-**返回**
+  - 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
+ | [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
 
-* inputs(dict): program的输入变量
-* outputs(dict): program的输出变量
-* main_program(Program): 带有预训练参数的program
+## 三、模型API预测
 
-## get_vocab_path()
+- ### 1、命令行预测
 
-获取预训练时使用的词汇表
+  - ```shell
+    $ hub run simnet_bow --text_1 "这道题很难" --text_2 "这道题不简单"
+    ```
+    - 通过命令行方式实现文字识别模型的调用，更多请见 [PaddleHub命令行指令](../../../../docs/docs_ch/tutorial/cmd_usage.rst)
 
-**返回**
+- ### 2、预测代码示例
 
-* vocab_path(str): 词汇表路径
+  - ```python
+    import paddlehub as hub
 
-# SimnetBow 服务部署
+    simnet_bow = hub.Module(name="simnet_bow")
 
-PaddleHub Serving可以部署一个在线语义匹配服务，可以将此接口用于在线web应用。
+    # Data to be predicted
+    test_text_1 = ["这道题太难了", "这道题太难了", "这道题太难了"]
+    test_text_2 = ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]
 
-## 第一步：启动PaddleHub Serving
+    inputs = {"text_1": test_text_1, "text_2": test_text_2}
+    results = simnet_bow.similarity(data=inputs, batch_size=2)
+    print(results)
 
-运行启动命令：
-```shell
-$ hub serving start -m simnet_bow  
-```
+    # [{'text_1': '这道题太难了', 'text_2': '这道题是上一年的考题', 'similarity': 0.689}, {'text_1': '这道题太难了', 'text_2': '这道题不简单', 'similarity': 0.855}, {'text_1': '这道题太难了', 'text_2': '这道题很有意思', 'similarity': 0.8166}]
+    ```
+  
+- ### 3、 API
 
-启动时会显示加载模型过程，启动成功后显示
-```shell
-Loading simnet_bow successful.
-```
+  - ```python
+    similarity(texts=[], use_gpu=False, batch_size=1)
+    ```
 
-这样就完成了服务化API的部署，默认端口号为8866。
+    - simnet_bow预测接口，计算两个句子的cosin相似度
 
-**NOTE:** 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。
+    - **参数**
 
-## 第二步：发送预测请求
+      - texts(list): 待预测数据，第一个元素(list)为第一顺序句子，第二个元素(list)为第二顺序句子，两个元素长度相同。
+        如texts=[["这道题太难了", "这道题太难了", "这道题太难了"], ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]]。
+      - use_gpu(bool): 是否使用GPU预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置
+      - batch_size(int): 批处理大小
 
-配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果
+    - **返回**
 
-```python
-import requests
-import json
+      - results(list): 带预测数据的cosin相似度
 
-# 待预测数据
-test_text_1 = ["这道题太难了", "这道题太难了", "这道题太难了"]
-test_text_2 = ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]
+  - ```python
+    get_vocab_path()
+    ```
+    - 获取预训练时使用的词汇表
 
-text = [test_text_1, test_text_2]
+    - **返回**
 
-# 设置运行配置
-# 对应本地预测simnet_bow.similarity(texts=text, batch_size=1, use_gpu=True)
-data = {"texts": text, "batch_size": 1, "use_gpu":True}
+      - vocab_path(str): 词汇表路径
 
-# 指定预测方法为simnet_bow并发送post请求，content-type类型应指定json方式
-# HOST_IP为服务器IP
-url = "http://HOST_IP:8866/predict/simnet_bow"
-headers = {"Content-Type": "application/json"}
-r = requests.post(url=url, headers=headers, data=json.dumps(data))
+## 四、服务部署
 
-# 打印预测结果
-print(json.dumps(r.json(), indent=4, ensure_ascii=False))
-```
+- PaddleHub Serving可以部署一个在线语义匹配服务，可以将此接口用于在线web应用。
 
-关于PaddleHub Serving更多信息参考[服务部署](https://github.com/PaddlePaddle/PaddleHub/blob/release/v1.6/docs/tutorial/serving.md)
+- ### 第一步：启动PaddleHub Serving
 
-## 更新历史
+  - 运行启动命令：
+
+  - ```shell
+    $ hub serving start -m simnet_bow
+    ```
+
+  - 启动时会显示加载模型过程，启动成功后显示
+
+  - ```shell
+    Loading simnet_bow successful.
+    ```
+
+  - 这样就完成了服务化API的部署，默认端口号为8866。
+
+  - **NOTE:** 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。
+
+- ### 第二步：发送预测请求
+
+  - 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果
+
+  - ```python
+    import requests
+    import json
+
+    # 待预测数据
+    test_text_1 = ["这道题太难了", "这道题太难了", "这道题太难了"]
+    test_text_2 = ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]
+
+    text = [test_text_1, test_text_2]
+
+    # 设置运行配置
+    # 对应本地预测simnet_bow.similarity(texts=text, batch_size=1, use_gpu=True)
+    data = {"texts": text, "batch_size": 1, "use_gpu":True}
+
+    # 指定预测方法为simnet_bow并发送post请求，content-type类型应指定json方式
+    # HOST_IP为服务器IP
+    url = "http://HOST_IP:8866/predict/simnet_bow"
+    headers = {"Content-Type": "application/json"}
+    r = requests.post(url=url, headers=headers, data=json.dumps(data))
+
+    # 打印预测结果
+    print(json.dumps(r.json(), indent=4, ensure_ascii=False))
+    ```
+
+  - 关于PaddleHub Serving更多信息参考：[服务部署](../../../../docs/docs_ch/tutorial/serving.md)
+
+## 五、更新历史
 
 * 1.0.0