diff --git a/PaddleNLP/dialogue_model_toolkit/auto_dialogue_evaluation/README.md b/PaddleNLP/dialogue_model_toolkit/auto_dialogue_evaluation/README.md
index 02e0039cec23e83e4527f1ec09b3897744be13e4..354a35568d6927a5f84871e5012f01e58079b185 100644
--- a/PaddleNLP/dialogue_model_toolkit/auto_dialogue_evaluation/README.md
+++ b/PaddleNLP/dialogue_model_toolkit/auto_dialogue_evaluation/README.md
@@ -1,96 +1,96 @@
 # Auto Dialogue Evaluation
-## 简介 
+## 简介
 ### 任务说明
 对话自动评估（Auto Dialogue Evaluation）评估开放领域对话系统的回复质量，能够帮助企业或个人快速评估对话系统的回复质量，减少人工评估成本。
 1. 在无标注数据的情况下，利用负采样训练匹配模型作为评估工具，实现对多个对话系统回复质量排序；
-2. 利用少量标注数据（特定对话系统或场景的人工打分），在匹配模型基础上进行微调，可以显著该对话系统或场景的评估效果。
+2. 利用少量标注数据（特定对话系统或场景的人工打分），在匹配模型基础上进行微调，可以显著提高该对话系统或场景的评估效果。
 
 ### 效果说明
 我们以四个不同的对话系统（seq2seq\_naive／seq2seq\_att／keywords／human）为例，使用对话自动评估工具进行自动评估。
 1. 无标注数据情况下，直接使用预训练好的评估工具进行评估；
-	在四个对话系统上，自动评估打分和人工评估打分spearman相关系数，如下：
+    在四个对话系统上，自动评估打分和人工评估打分spearman相关系数，如下：
 
-	/|seq2seq\_naive|seq2seq\_att|keywords|human
-	--|:--:|--:|:--:|--:
-	cor|0.361|0.343|0.324|0.288
+    /|seq2seq\_naive|seq2seq\_att|keywords|human
+    --|:--:|--:|:--:|--:
+    cor|0.361|0.343|0.324|0.288
 
-	对四个系统平均得分排序：
+    对四个系统平均得分排序：
 
-	人工评估|k(0.591)<n(0.847)<a(1.116)<h(1.240)
-	--|--:
-	自动评估|k(0.625)<n(0.909)<a(1.399)<h(1.683)
+    人工评估|k(0.591)<n(0.847)<a(1.116)<h(1.240)
+    --|--:
+    自动评估|k(0.625)<n(0.909)<a(1.399)<h(1.683)
 
 2. 利用少量标注数据微调后，自动评估打分和人工打分spearman相关系数，如下：
 
-	/|seq2seq\_naive|seq2seq\_att|keywords|human
-	--|:--:|--:|:--:|--:
-	cor|0.474|0.477|0.443|0.378
+    /|seq2seq\_naive|seq2seq\_att|keywords|human
+    --|:--:|--:|:--:|--:
+    cor|0.474|0.477|0.443|0.378
 
 ## 快速开始
 ### 安装说明
 1. paddle安装
 
-	本项目依赖于Paddle Fluid 1.3.1 及以上版本，请参考[安装指南](http://www.paddlepaddle.org/#quick-start)进行安装
+    本项目依赖于Paddle Fluid 1.3.1 及以上版本，请参考[安装指南](http://www.paddlepaddle.org/#quick-start)进行安装
 2. 安装代码
 
-	克隆数据集代码库到本地
-	```
-	git clone https://github.com/PaddlePaddle/models.git
-	cd models/PaddleNLP/dialogue_model_toolkit/auto_dialogue_evaluation
-	```
+    克隆数据集代码库到本地
+    ```
+    git clone https://github.com/PaddlePaddle/models.git
+    cd models/PaddleNLP/dialogue_model_toolkit/auto_dialogue_evaluation
+    ```
 
 3. 环境依赖
 
-	python版本依赖python 2.7
+    python版本依赖python 2.7
 
 ### 开始第一次模型调用
 1. 数据准备
 
-	下载经过预处理的数据，运行该脚本之后，data目录下会存在unlabel_data(train.ids/val.ids/test.ids/word2ids)，lable_data(四个任务数据train.ids/val.ids/test.ids)
+    下载经过预处理的数据，运行该脚本之后，data目录下会存在unlabel_data(train.ids/val.ids/test.ids)，lable_data(四个任务数据train.ids/val.ids/test.ids)，以及word2ids.
 
-	该项目只开源测试集数据，其他数据仅提供样例。
-	```
-	sh download_data.sh
-	```
+    该项目只开源测试集数据，其他数据仅提供样例。
+    ```
+    sh download_data.sh
+    ```
 2. 模型下载
 
-	我们开源了基于海量未标注数据训练好的模型，以及基于少量标注数据微调的模型，可供用户直接使用
-	```
-	cd model_files
-	sh download_model.sh
-	```
+    我们开源了基于海量未标注数据训练好的模型，以及基于少量标注数据微调的模型，可供用户直接使用
+    ```
+    cd model_files
+    sh download_model.sh
+    ```
 
-	我们提供了两种下载方式,以下载auto_dialogue_evaluation_matching_pretrained_model为例
+    我们提供了两种下载方式,以下载auto_dialogue_evaluation_matching_pretrained_model为例
 
-	方式一：基于PaddleHub命令行工具（PaddleHub可参考[安装指南](https://github.com/PaddlePaddle/PaddleHub)进行安装)
-	```
-	hub download auto_dialogue_evaluation_matching_pretrained_model --output_path ./
-	```
+    方式一：基于PaddleHub命令行工具（PaddleHub可参考[安装指南](https://github.com/PaddlePaddle/PaddleHub)进行安装)
+    ```
+    hub download auto_dialogue_evaluation_matching_pretrained_model --output_path ./
+    ```
 
-	方式二：直接下载
-	```
-	wget --no-check-certificate https://baidu-nlp.bj.bcebos.com/auto_dialogue_evaluation_matching_pretrained-1.0.0.tar.gz
-	```
+    方式二：直接下载
+    ```
+    wget --no-check-certificate https://baidu-nlp.bj.bcebos.com/auto_dialogue_evaluation_matching_pretrained-1.0.0.tar.gz
+    ```
 
 3. 模型预测
 
-	基于上面的模型和数据，可以运行下面的命令直接对对话数据进行打分。
-	```
-	TASK=human
-	python -u main.py \
-	  --do_infer True \
-	  --use_cuda \
-	  --test_path data/label_data/$TASK/test.ids \
-	  --init_model model_files/${TASK}_finetuned
-	```
+    基于上面的模型和数据，可以运行下面的命令直接对对话数据进行打分(预测结果输出在test_path中).
+    ```
+    TASK=human
+    python -u main.py \
+      --do_infer True \
+      --use_cuda \
+      --test_path data/label_data/$TASK/test.ids \
+      --init_model model_files/${TASK}_finetuned
+    ```
 4. 模型评估
 
-	基于上面的模型和数据，可以运行下面的命令进行效果评估。
+    基于上面的模型和数据，可以运行下面的命令进行效果评估。
 
-	评估预训练模型作为自动评估效果：
-	```
-	for task in seq2seq_naive seq2seq_att keywords human
-	do
+    评估预训练模型作为自动评估效果：
+    ```
+    for task in seq2seq_naive seq2seq_att keywords human
+    do
     echo $task
     python -u main.py \
       --do_val True \
@@ -98,50 +98,50 @@
       --test_path data/label_data/$task/test.ids \
       --init_model model_files/matching_pretrained \
       --loss_type L2
-	done
-	```
-
-	评估微调模型效果：
-	```
-	for task in seq2seq_naive seq2seq_att keywords human
-	do
-	  echo $task
-	  python -u main.py \
-	    --do_val True \
-	    --use_cuda \
-	    --test_path data/label_data/$task/test.ids \
-	    --init_model model_files/${task}_finetuned \
-	    --loss_type L2
-	done
-	```
+    done
+    ```
+
+    评估微调模型效果：
+    ```
+    for task in seq2seq_naive seq2seq_att keywords human
+    do
+      echo $task
+      python -u main.py \
+        --do_val True \
+        --use_cuda \
+        --test_path data/label_data/$task/test.ids \
+        --init_model model_files/${task}_finetuned \
+        --loss_type L2
+    done
+    ```
 
 5. 训练与验证
 
-	基于示例的数据集，可以运行下面的命令，进行第一阶段训练
-	```
-	python -u main.py \
-	  --do_train True \
-	  --use_cuda \
-	  --save_path model_files_tmp/matching_pretrained \
-	  --train_path data/unlabel_data/train.ids \
-	  --val_path data/unlabel_data/val.ids
-	```
-
-	在第一阶段训练基础上，可利用少量标注数据进行第二阶段训练
-	```
-	TASK=human
-	python -u main.py \
-	  --do_train True \
-	  --loss_type L2 \
-	  --use_cuda \
-	  --save_path model_files_tmp/${TASK}_finetuned \
-	  --init_model model_files/matching_pretrained \
-	  --train_path data/label_data/$TASK/train.ids \
-	  --val_path data/label_data/$TASK/val.ids \
-	  --print_step 1 \
-	  --save_step 1 \
-	  --num_scan_data 50
-	```
+    基于示例的数据集，可以运行下面的命令，进行第一阶段训练
+    ```
+    python -u main.py \
+      --do_train True \
+      --use_cuda \
+      --save_path model_files_tmp/matching_pretrained \
+      --train_path data/unlabel_data/train.ids \
+      --val_path data/unlabel_data/val.ids
+    ```
+
+    在第一阶段训练基础上，可利用少量标注数据进行第二阶段训练
+    ```
+    TASK=human
+    python -u main.py \
+      --do_train True \
+      --loss_type L2 \
+      --use_cuda \
+      --save_path model_files_tmp/${TASK}_finetuned \
+      --init_model model_files/matching_pretrained \
+      --train_path data/label_data/$TASK/train.ids \
+      --val_path data/label_data/$TASK/val.ids \
+      --print_step 1 \
+      --save_step 1 \
+      --num_scan_data 50
+    ```
 
 ## 进阶使用
 ### 任务定义与建模
@@ -152,6 +152,10 @@
 利用少量标注数据，在匹配模型基础上微调。
 ### 数据格式说明
 训练、预测、评估使用的数据示例如下，数据由三列组成，以制表符（'\t'）分隔，第一列是以空格分开的上文id，第二列是以空格分开的回复id，第三列是标签
+```
+723 236 7823 12 8     887 13 77 4       2
+8474 13 44 34         2 87 91 23       0
+```
 
 注：本项目额外提供了分词预处理脚本（在preprocess目录下），可供用户使用，具体使用方法如下：
 ```