update readme

PaddleRec/tdm/tdm_demo/README.md

@@ -2,7 +2,6 @@
 
 本代码仅作tdm组网示例，使用fake数据集，用于快速调研paddle-tdm。
 
-#
 ## 代码结构
 
 
@@ -10,6 +9,7 @@
 ### 名词概念
 
 为防止概念混淆，让我们明确tdm中名词的概念：
+![https://github.com/MrChengmo/models/blob/tdm_dev/PaddleRec/tdm/tdm_demo/img/demo_tree.png?raw=true](Demo-Tree)
 
 - **item**：具有实际物理含义，是我们希望通过tdm检索最后得到的结果，如一个商品，一篇文章，一个关键词等等，在tdm模型中，item位于树的叶子节点。item有其自身的ID，我们姑且称之为 `item_id`。
 - **节点(node)**：tdm树的任意节点。我们完成聚类后，会生成一颗树，树的叶子节点对应着item。而非叶子节点，则是一种类别上的概括，从大方向的兴趣，不断细分到小方向的兴趣。我们希望这棵树的结构满足最大堆树的性质。同样，节点也有其自身的ID，我们称之为node_id。如上图，最左下方的节点，它的node_id是14，而对应的item_id是0.
@@ -82,8 +82,9 @@
 
 ## TDM网络设计
 假设输入数据是 Emb + item_id，下面让我们开始介绍一个最简单的网络设计。
+![https://github.com/MrChengmo/models/blob/tdm_dev/PaddleRec/tdm/tdm_demo/img/demo_network.png?raw=true](Demo_Network)
 上图给出了一个非常简单的TDM示例网络，没有添加任何复杂的逻辑，纯用DNN实现。
-TDM的组网，宏观上，可以概括为三个部分：
+TDM的组网，宏观上，可以概括为三个部分
 - 第一部分，输入侧的组网，如果想要对user/query进行一些预处理，或者添加Attention结构，通常都是在这一层次实现。
 - 第二部分，每层的输入与节点信息交互的组网，这一部分是将user/query的信息与node信息结合，在树的不同层下，进行不同粒度兴趣的学习。通常而言，第一部分与第二部分具有紧密的联系，可以统一为一个部分。
 - 第三部分，最终的判别组网，将每层交互得到的信息进行最终的概率判决。但这一层也不是必须的，并不要求所有层的信息都经过一个统一的分类器，可以各层拥有独立的概率判决器。为了逻辑划分更加清晰，我们在示例中添加了这个层次的组网，方便您更加直观的理解tdm网络。