diff --git a/fluid/PaddleRec/TagSpace/README.md b/fluid/PaddleRec/TagSpace/README.md
index aa80cedeb44f6d662e2344195f9c75b39c6a1722..922e59ae38e43d2f0c1b3d81e78cc255fb85bfb0 100644
--- a/fluid/PaddleRec/TagSpace/README.md
+++ b/fluid/PaddleRec/TagSpace/README.md
@@ -41,9 +41,10 @@ CPU 环境
 python train.py small_train.txt small_test.txt
 ```
 
-##Future work
-infer will be add
+## 未来工作
 
-Multiple types of pairwise loss will be added in this project.
+添加预测部分
+
+添加多种负例采样方式
 
 
diff --git a/fluid/PaddleRec/gru4rec/README.md b/fluid/PaddleRec/gru4rec/README.md
index 62214113f1f6498f72aa14927ffce0c29cc8e927..6b3c9c66bf76765dd14a14f0b875b0c32538000a 100644
--- a/fluid/PaddleRec/gru4rec/README.md
+++ b/fluid/PaddleRec/gru4rec/README.md
@@ -17,7 +17,13 @@
 
 ## 简介
 
-GRU4REC模型的介绍可以参阅论文[Session-based Recommendations with Recurrent Neural Networks](https://arxiv.org/abs/1511.06939)，在本例中，我们实现了GRU4REC的模型。
+GRU4REC模型的介绍可以参阅论文[Session-based Recommendations with Recurrent Neural Networks](https://arxiv.org/abs/1511.06939)。
+
+论文的贡献在于首次将RNN（GRU）运用于session-based推荐，相比传统的KNN和矩阵分解，效果有明显的提升。
+
+论文的核心思想是在一个session中，用户点击一系列item的行为看做一个序列，用来训练RNN模型。预测阶段，给定已知的点击序列作为输入，预测下一个可能点击的item。
+
+session-based推荐应用场景非常广泛，比如用户的商品浏览、新闻点击、地点签到等序列数据。
 
 ## RSC15 数据下载及预处理
 运行命令 下载RSC15官网数据集