diff --git a/youtube_recall/README.cn.md b/youtube_recall/README.cn.md
index 47e16ab8c6520788965ed7ca71afec7ac3e9fb8f..98c567e574baa62dd842025f14cd498ff6aed1d6 100644
--- a/youtube_recall/README.cn.md
+++ b/youtube_recall/README.cn.md
@@ -19,10 +19,10 @@
```
## 背景介绍\[[1](#参考文献)\]
-Youtube是世界最大的视频网站之一, 其推荐系统帮助10亿以上的用户,从海量视频中,发现个性化的内容。该推荐系统主要面临以下三个挑战:
-- 规模: 许多现有的推荐算法证明在小数据量下运行良好，但不能满足YouTube这样庞大的用户群和内容库的场景,因此需要高度专业化的分布式学习算法和高效的线上服务。
-- 新鲜度: YouTube内容库更新频率极高，每秒上传大量视频。系统应及时追踪新上传的视频和用户的实时行为,并且模型在推荐新/旧视频上有良好平衡能力。
-- 噪音: 噪音来自于两方面,其一,用户历史行为稀疏,且有各种不可观测的外部因素,以及用户满意度不明确。其二,内容本身的数据是非结构化的。因此算法应更具有鲁棒性。
+Youtube是世界最大的视频网站之一，其推荐系统帮助10亿以上的用户，从海量视频中，发现个性化的内容。该推荐系统主要面临以下三个挑战:
+- 规模: 许多现有的推荐算法证明在小数据量下运行良好，但不能满足YouTube这样庞大的用户群和内容库的场景，因此需要高度专业化的分布式学习算法和高效的线上服务。
+- 新鲜度: YouTube内容库更新频率极高，每秒上传大量视频。系统应及时追踪新上传的视频和用户的实时行为，并且模型在推荐新/旧视频上有良好平衡能力。
+- 噪音: 噪音来自于两方面，其一，用户历史行为稀疏，且有各种不可观测的外部因素，以及用户满意度不明确。其二，内容本身的数据是非结构化的。因此算法应更具有鲁棒性。
下图展示了整个推荐系统框图:
@@ -31,15 +31,15 @@ Figure 1. 推荐系统框图
整个推荐系统有两部分组成: 召回(candidate generation/recall)和排序(ranking)。
-- 召回模型: 输入用户的历史行为, 从大规模的内容库中获得一个小集合(百级别)。召回出的视频与用户高度相关。一个用户是用其历史点击过的视频,搜索过的关键词,和人口统计相关的特征来表征。
-- 排序模型: 采用更精细的特征计算得到排序分,对召回得到的候选集合中的视频进行排序。
+- 召回模型: 输入用户的历史行为，从大规模的内容库中获得一个小集合(百级别)。召回出的视频与用户高度相关。一个用户是用其历史点击过的视频，搜索过的关键词，和人口统计相关的特征来表征。
+- 排序模型: 采用更精细的特征计算得到排序分，对召回得到的候选集合中的视频进行排序。
## 召回模型简介
-该推荐问题可以被建模成一个"超大规模多分类"问题。即在时刻,为用户(已知上下文信息)在视频库中预测出观看视频的类别,
+该推荐问题可以被建模成一个"超大规模多分类"问题。即在时刻，为用户(已知上下文信息)在视频库中预测出观看视频的类别，
%3D%5Cfrac%7Be%5E%7B%5Cmathbf%7Bv_i%7D%5Cmathbf%7Bu%7D%7D%7D%7B%5Csum_%7Bj%5Cin%20V%7D%5E%7B%20%7De%5E%7B%5Cmathbf%7Bv_j%7D%5Cmathbf%7Bu%7D%7D%7D)
-其中,是<用户,上下文信息>的高维向量表示。是视频的高维向量表示。DNN模型的目标是以用户信息和上下文信息为输入条件下,学习用户的高维向量表示,以此输入softmax分类器,来预测视频库中各个视频(类别)的观看概率。
+其中，是<用户，上下文信息>的高维向量表示。是视频的高维向量表示。DNN模型的目标是以用户信息和上下文信息为输入条件下，学习用户的高维向量表示，以此输入softmax分类器，来预测视频库中各个视频(类别)的观看概率。
下图展示了召回模型的网络结构:
@@ -48,12 +48,12 @@ Figure 2. 召回模型网络结构
- 输入层:用户的浏览序列、搜索序列、人口统计学特征、和其他上下文信息等
-- embedding层:将用户浏览视频序列接embedding层,再做时间序列上的平均。对于搜索序列同样处理。
-- 隐层:包含三个隐层,用RELU激活函数,最后一层隐层的输出即为高维向量表示。
-- 输出层: softmax层,输出视频库中各个视频(类别)的观看概率。在线上预测时,提取模型训练得到的softmax层内部的参数,作为视频的高维向量表示。可利用类似局部敏感哈希(Locality Sensitive Hashing)用查询最相关的N个视频。
+- embedding层:将用户浏览视频序列接embedding层，再做时间序列上的平均。对于搜索序列同样处理。
+- 隐层:包含三个隐层，用RELU激活函数，最后一层隐层的输出即为高维向量表示。
+- 输出层: softmax层，输出视频库中各个视频(类别)的观看概率。在线上预测时，提取模型训练得到的softmax层内部的参数，作为视频的高维向量表示。可利用类似局部敏感哈希(Locality Sensitive Hashing)用查询最相关的N个视频。
## 数据预处理
-本例模拟了用户的视频点击日志,作为样本数据。格式如下:
+本例模拟了用户的视频点击日志，作为样本数据。格式如下:
```
用户Id \t 所在省份 \t 所在城市 \t 历史点击的视频序列信息 \t 手机型号
历史点击的视频序列信息的格式为 视频信息1;视频信息2;...;视频信息K
@@ -67,7 +67,7 @@ cd data
tar -zxvf data.tar
```
-然后,脚本`data_preprocess.py`将对训练数据做预处理。具体使用方法参考如下说明：
+然后，脚本`data_preprocess.py`将对训练数据做预处理。具体使用方法参考如下说明：
```
usage: data_processor.py [-h] --train_set_path TRAIN_SET_PATH --output_dir
OUTPUT_DIR [--feat_appear_limit FEAT_APPEAR_LIMIT]
@@ -75,7 +75,7 @@ usage: data_processor.py [-h] --train_set_path TRAIN_SET_PATH --output_dir
PaddlePaddle Youtube Recall Model Example
optional arguments:
- -h, --help show this help message and exit
+ -h， --help show this help message and exit
--train_set_path TRAIN_SET_PATH
path of the train set
--output_dir OUTPUT_DIR
@@ -85,11 +85,11 @@ optional arguments:
20)
```
该脚本的作用如下:
-- 借鉴\[[2](#参考文献)\]中对特征的处理,过滤低频特征(样本中出现次数低于`feat_appear_limit`)。
-- 对特征进行编码,生成字典`feature_dict.pkl`。
-- 统计每个视频出现的概率,保存至`item_freq.pkl`,提供给nce层使用。
+- 借鉴\[[2](#参考文献)\]中对特征的处理，过滤低频特征(样本中出现次数低于`feat_appear_limit`)。
+- 对特征进行编码，生成字典`feature_dict.pkl`。
+- 统计每个视频出现的概率，保存至`item_freq.pkl`，提供给nce层使用。
-例如可执行下列命令, 完成数据预处理:
+例如可执行下列命令，完成数据预处理:
```shell
mkdir output
python data_processor.py --train_set_path=./data/train.txt \
@@ -98,7 +98,7 @@ python data_processor.py --train_set_path=./data/train.txt \
```
## 模型实现
-下面是网络中各个部分的具体实现,相关代码均包含在 `./network_conf.py` 中。
+下面是网络中各个部分的具体实现，相关代码均包含在 `./network_conf.py` 中。
### 输入层
```python
@@ -173,7 +173,7 @@ def _build_embedding_layer(self):
```
### 隐层
-对原paper中做了改进,历史用户点击视频序列,经过embedding后,不再是加权求平均。而是连接lstm层,将用户点击的先后次序纳入模型,再在时间序列上做最大池化,得到定长的向量表示,从而使模型学习到与点击时序相关的隐藏信息。考虑到数据规模与训练性能,这边只用了两个Relu层,也有不错的效果。
+对原paper中做了改进，历史用户点击视频序列，经过embedding后，不再是加权求平均。而是连接lstm层，将用户点击的先后次序纳入模型，再在时间序列上做最大池化，得到定长的向量表示，从而使模型学习到与点击时序相关的隐藏信息。考虑到数据规模与训练性能，这边只用了两个Relu层，也有不错的效果。
```python
self._rnn_cell = paddle.networks.simple_lstm(
input=self._history_clicked_items_emb, size=64)
@@ -203,7 +203,7 @@ self._rnn_cell = paddle.networks.simple_lstm(
```
### 输出层
-为了提高模型训练速度,使用噪声对比估计（Noise-contrastive estimation, NCE）\[[3](#参考文献)\]。将[数据预处理](#数据预处理)中产出的item_freq.pkl,也就是负样例的分布，作为nce层的参数。
+为了提高模型训练速度，使用噪声对比估计（Noise-contrastive estimation， NCE）\[[3](#参考文献)\]。将[数据预处理](#数据预处理)中产出的item_freq.pkl，也就是负样例的分布，作为nce层的参数。
```python
return paddle.layer.nce(
input=self._fc_1,
@@ -217,15 +217,15 @@ return paddle.layer.nce(
```
## 训练
-首先,准备`reader.py`,负责将输入原始数据中的特征,转为编码后的特征id。对一条训练数据,根据`window_size`产出多条训练样本给trainer,例如:
+首先，准备`reader.py`，负责将输入原始数据中的特征，转为编码后的特征id。对一条训练数据，根据`window_size`产出多条训练样本给trainer，例如:
```
window_size=2
原始数据:
用户Id \t 所在省份 \t 所在城市 \t 视频信息1;视频信息2;...;视频信息K \t 手机型号
多条训练样本:
-用户Id,所在省份,所在城市,[,历史点击视频1],[,历史点击视频类目1],[,历史点击视频标签1],手机型号,历史点击视频2
-用户Id,所在省份,所在城市,[历史点击视频1,历史点击视频2],[历史点击视频类目1,历史点击视频类目2],[历史点击视频标签1,历史点击视频标签2],手机型号,历史点击视频3
-用户Id,所在省份,所在城市,[历史点击视频2,历史点击视频3],[历史点击视频类目2,历史点击视频类目3],[历史点击视频标签2,历史点击视频标签3],手机型号,历史点击视频4
+用户Id，所在省份，所在城市，[，历史点击视频1]，[，历史点击视频类目1]，[，历史点击视频标签1]，手机型号，历史点击视频2
+用户Id，所在省份，所在城市，[历史点击视频1，历史点击视频2]，[历史点击视频类目1，历史点击视频类目2]，[历史点击视频标签1，历史点击视频标签2]，手机型号，历史点击视频3
+用户Id，所在省份，所在城市，[历史点击视频2，历史点击视频3]，[历史点击视频类目2，历史点击视频类目3]，[历史点击视频标签2，历史点击视频标签3]，手机型号，历史点击视频4
......
```
相关代码如下:
@@ -255,7 +255,7 @@ reader = Reader(feature_dict, args.window_size)
feeding=feeding,
event_handler=event_handler)
```
-接下去就可以开始训练了,可执行以下命令:
+接下去就可以开始训练了，可执行以下命令:
```shell
mkdir output/model
python train.py --train_set_path='./data/train.txt' \
@@ -266,7 +266,7 @@ python train.py --train_set_path='./data/train.txt' \
```
## 离线预测
-输入用户相关的特征,输出topN个最可能观看的视频,可执行以下命令:
+输入用户相关的特征，输出topN个最可能观看的视频，可执行以下命令:
```shell
python infer.py --infer_set_path='./data/infer.txt' \
--model_path='./output/model/model_pass_00000.tar.gz' \
@@ -284,9 +284,9 @@ python infer.py --infer_set_path='./data/infer.txt' \
- 对于用户向量，变换后的，，其中是模长归一化后的。
-线上对于一个用内积召回,作上述变换后，不改变内积排序的顺序。又因为 和都为1，因此%20%3D%20%5Ctilde%7B%5Cmathbf%7Bu%7D%7D%5Ccdot%20%5Ctilde%7B%5Cmathbf%7Bv%7D%7D)，就可以兼容ANN用cosin的方式召回了，结果等价。
+线上对于一个用内积召回，作上述变换后，不改变内积排序的顺序。又因为 和都为1，因此%20%3D%20%5Ctilde%7B%5Cmathbf%7Bu%7D%7D%5Ccdot%20%5Ctilde%7B%5Cmathbf%7Bv%7D%7D)，就可以兼容ANN用cosin的方式召回了，结果等价。
-线上使用时，为保留精度，可以不除以,也就变成，排序依然等价。
+线上使用时，为保留精度，可以不除以，也就变成，排序依然等价。
可使用`user_vector.py`和`vector.py`分别获取用户和视频向量。例如执行下列命令：
```shell
diff --git a/youtube_recall/README.md b/youtube_recall/README.md
index e15955527c20ad07e0a459984165cca29e4a8f9b..dc57ac463b977aa8c13647c88b6e626ec8ef8150 100644
--- a/youtube_recall/README.md
+++ b/youtube_recall/README.md
@@ -257,7 +257,7 @@ python infer.py --infer_set_path='./data/infer.txt' \
```
## Online prediction
-For online prediction，Approximate Nearest Neighbor(ANN) is adopted to directly recall top N most likely watch video. However, our ANN system currently only supports cosin sorting, not by inner product sorting, which leads to big effect difference.
+For online prediction, Approximate Nearest Neighbor(ANN) is adopted to directly recall top N most likely watch video. However, our ANN system currently only supports cosin sorting, not by inner product sorting, which leads to big effect difference.
To solve it, user and video vectors are sliently modified by a SIMPLE-LSH conversion\[[4](#References)\], so that inner sorting is equivalent to cosin sorting after conversion.
@@ -281,7 +281,7 @@ python item_vector.py --model_path='./output/model/model_pass_00000.tar.gz' \
```
## Offline data mining
-Since it is inevitable to consume large amount of machine resources for online predicting，an alternative is offline data mining, e.g. hottest videos, user personalized recommendation, item-based recommendation, and online systems directly access it。Here shows an example to get user personalized recommendation.
+Since it is inevitable to consume large amount of machine resources for online predicting, an alternative is offline data mining, e.g. hottest videos, user personalized recommendation, item-based recommendation, and online systems directly access it. Here shows an example to get user personalized recommendation.
```
python infer_user.py --model_path='./output/model/model_pass_00000.tar.gz' \
--feature_dict='./output/feature_dict.pkl'