diff --git a/ctr/README.md b/ctr/README.md
index c70ac78c34b8f174078a58ca40f4af8953d27309..1de5e843f8fc9cf9e9f1cb2f3403337e23029185 100644
--- a/ctr/README.md
+++ b/ctr/README.md
@@ -2,29 +2,29 @@
Table of Contents
-
+
# 背景介绍
@@ -32,7 +32,7 @@ CTR(Click-through rate) 是用来表示用户点击一个特定链接的概率
通常被用来衡量一个在线广告系统的有效性。
当有多个广告位时，CTR 预估一般会作为排序的基准。
-比如在百度的搜索广告系统，当用户输入一个带商业价值的搜索词（query）时，系统大体上会执行下列步骤：
+比如在搜索引擎的广告系统里，当用户输入一个带商业价值的搜索词（query）时，系统大体上会执行下列步骤：
1. 召回满足 query 的广告集合
2. 业务规则和相关性过滤
@@ -51,7 +51,7 @@ CTR(Click-through rate) 是用来表示用户点击一个特定链接的概率
逐渐地接过 CTR 预估任务的大旗。
-
+
## LR vs DNN
@@ -70,10 +70,10 @@ LR 部分和蓝色箭头部分可以直接类比到 NN 中的结构，可以看
LR 对于 NN 模型的优势是对大规模稀疏特征的容纳能力，包括内存和计算量等，工业界都有非常成熟的优化方法。
-本文后面的章节会演示如何使用 Paddle 编写一个结合两者优点的模型。
+本文后面的章节会演示如何使用 PaddlePaddle 编写一个结合两者优点的模型。
-
+
# 数据和任务抽象
@@ -89,14 +89,14 @@ LR 对于 NN 模型的优势是对大规模稀疏特征的容纳能力，包括
具体的特征处理方法参看 [data process](./dataset.md)
-
+
# Wide & Deep Learning Model
谷歌在 16 年提出了 Wide & Deep Learning 的模型框架，用于融合 适合学习抽象特征的 DNN 和 适用于大规模系数特征的 LR 两种模型的优点。
-
+
## 模型简介
@@ -111,7 +111,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
而模型右边的 Deep 部分，能够学习特征间的隐含关系，在相同数量的特征下有更好的学习和推导能力。
-
+
## 编写模型输入
@@ -132,7 +132,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
click = paddle.layer.data(name='click', type=dtype.dense_vector(1))
-
+
## 编写 Wide 部分
@@ -142,7 +142,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
return fc
-
+
## 编写 Deep 部分
@@ -159,7 +159,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
return _input_layer
-
+
## 两者融合
@@ -175,7 +175,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
return fc
-
+
## 训练任务的定义
@@ -221,7 +221,7 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
num_passes=100)
-
+
# 写在最后
diff --git a/ctr/README.org b/ctr/README.org
index a88d9838edd2bc8dc34bb9a0fe67b04c69288f94..6adaf4e670c85e534c7339288be53d92555dc699 100644
--- a/ctr/README.org
+++ b/ctr/README.org
@@ -4,7 +4,7 @@ CTR(Click-through rate) 是用来表示用户点击一个特定链接的概率
通常被用来衡量一个在线广告系统的有效性。
当有多个广告位时，CTR 预估一般会作为排序的基准。
-比如在百度的搜索广告系统，当用户输入一个带商业价值的搜索词（query）时，系统大体上会执行下列步骤：
+比如在搜索引擎的广告系统里，当用户输入一个带商业价值的搜索词（query）时，系统大体上会执行下列步骤：
1. 召回满足 query 的广告集合
2. 业务规则和相关性过滤
@@ -38,7 +38,7 @@ LR 部分和蓝色箭头部分可以直接类比到 NN 中的结构，可以看
LR 对于 NN 模型的优势是对大规模稀疏特征的容纳能力，包括内存和计算量等，工业界都有非常成熟的优化方法。
-本文后面的章节会演示如何使用 Paddle 编写一个结合两者优点的模型。
+本文后面的章节会演示如何使用 PaddlePaddle 编写一个结合两者优点的模型。
* 数据和任务抽象
我们可以将 `click` 作为学习目标，具体任务可以有以下几种方案：
diff --git a/ctr/dataset.md b/ctr/dataset.md
index 6c437434952980641a50b13c418d49ffd41b0090..a368411b18f2c5bdee1d4654eebdc085459619c8 100644
--- a/ctr/dataset.md
+++ b/ctr/dataset.md
@@ -2,35 +2,34 @@
Table of Contents
-
+
# 数据集介绍
@@ -55,7 +54,7 @@
- C14-C21 – anonymized categorical variables
-
+
# 特征提取
@@ -79,7 +78,7 @@
- hour (可以转化成数值，也可以按小时为单位转化为类别）
-
+
## 类别类特征
@@ -89,7 +88,7 @@
2. 类似词向量，用一个 Embedding Table 将每个类别映射到对应的向量
-
+
## ID 类特征
@@ -104,7 +103,7 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
上面的方法尽管存在一定的碰撞概率，但能够处理任意数量的 ID 特征，并保留一定的效果[2]。
-
+
## 数值型特征
@@ -114,19 +113,12 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
- 用区间分割处理成类别类特征，稀疏化表示，模糊细微上的差别
-
-
-## 特征处理方法
-
-具体特征处理方法参看 [data process](./dataset.md)
-
-
-
+
# 特征处理
-
+
## 类别型特征
@@ -173,7 +165,7 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
本任务中，类别类特征会输入到 DNN 中使用。
-
+
## ID 类特征
@@ -198,7 +190,7 @@ ID 类特征代稀疏值，且值的空间很大的情况，一般用模操作
return self.max_dim
-
+
## 交叉类特征
@@ -215,12 +207,12 @@ LR 模型作为 Wide & Deep model 的 \`wide\` 部分，可以输入很 wide 的
我们通过组合出两者组合来捕捉这类信息。
-
+
## 特征维度
-
+
### Deep submodel(DNN)特征
@@ -279,7 +271,7 @@ LR 模型作为 Wide & Deep model 的 \`wide\` 部分，可以输入很 wide 的
-
+
### Wide submodel(LR)特征
@@ -338,9 +330,9 @@ LR 模型作为 Wide & Deep model 的 \`wide\` 部分，可以输入很 wide 的
-
+
-# 输入到 Paddle 中
+# 输入到 PaddlePaddle 中
Deep 和 Wide 两部分均以 \`sparsebinaryvector\` 的格式[1]输入，输入前需要将相关特征拼合，模型最终只接受 3 个 input，
分别是
diff --git a/ctr/dataset.org b/ctr/dataset.org
index 8cdcc0f894eec0c4185c580bd1e10ada61df1138..128e3f4caf7d082d14b4d07a031b7d9d3154f387 100644
--- a/ctr/dataset.org
+++ b/ctr/dataset.org
@@ -170,7 +170,7 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
|---------------------+-----------|
| Total | 1,040,000 |
|---------------------+-----------|
-* 输入到 Paddle 中
+* 输入到 PaddlePaddle 中
Deep 和 Wide 两部分均以 `sparse_binary_vector` 的格式[1]输入，输入前需要将相关特征拼合，模型最终只接受 3 个 input，
分别是