diff --git a/4.人工智能/FunRec概述.md b/4.人工智能/FunRec概述.md
index 54e4b11..af1441b 100644
--- a/4.人工智能/FunRec概述.md
+++ b/4.人工智能/FunRec概述.md
@@ -2,7 +2,7 @@
 
 # 序言
 
-这是一篇datawhale的相当优秀的推荐系统教程，因此特别请相先生废了九牛二虎之力把FunRec的半套内容，较为完整的移植到了本wiki中。
+这是一篇datawhale的相当优秀的推荐系统教程，因此特别废了九牛二虎之力把FunRec的半套内容，较为完整的移植到了本wiki中。
 
 ## 为什么要专门移植这篇？
 
diff --git a/4.人工智能/ch02/ch2.2/ch2.2.5/MMOE.md b/4.人工智能/ch02/ch2.2/ch2.2.5/MMOE.md
index 53ae82d..af8dd6f 100644
--- a/4.人工智能/ch02/ch2.2/ch2.2.5/MMOE.md
+++ b/4.人工智能/ch02/ch2.2/ch2.2.5/MMOE.md
@@ -77,8 +77,8 @@ OK， 到这里就把MMOE的故事整理完了，模型结构本身并不是很
 
 那么， 为什么多任务学习为什么是有效的呢？  这里整理一个看到比较不错的答案：
 >多任务学习有效的原因是引入了归纳偏置，两个效果：
-> - 互相促进： 可以把多任务模型之间的关系看作是互相先验知识，也称为归纳迁移，有了对模型的先验假设，可以更好提升模型的效果。解决数据稀疏性其实本身也是迁移学习的一个特性，多任务学习中也同样会体现
->- 泛化作用：不同模型学到的表征不同，可能A模型学到的是B模型所没有学好的，B模型也有其自身的特点，而这一点很可能A学不好，这样一来模型健壮性更强
+> - 互相促进： 可以把多任务模型之间的关系看作是互相 先验知识，也称为归纳迁移，有了对模型的先验假设，可以更好提升模型的效果。解决数据稀疏性其实本身也是迁移学习的一个特性，多任务学习中也同样会体现
+> - 泛化作用：不同模型学到的表征不同，可能A模型学到的是B模型所没有学好的，B模型也有其自身的特点，而这一点很可能A学不好，这样一来模型健壮性更强
 
 ## MMOE模型的简单复现之多任务预测
 ### 模型概貌