diff --git a/docs/14.利用SVD简化数据.md b/docs/14.利用SVD简化数据.md
index 4f8f81cf..0f769b5a 100644
--- a/docs/14.利用SVD简化数据.md
+++ b/docs/14.利用SVD简化数据.md
@@ -21,14 +21,14 @@
 > 推荐引擎
 
 1. 利用SVD从数据中构建一个主题空间。
-2. 再在该空间下计算其相似度。
+2. 再在该空间下计算其相似度。(从高维-低维空间的转化，在低维空间来计算相似度，SVD提升了推荐引擎的效率。)
 
 * ![主题空间案例1](/images/14.SVD/SVD_推荐系统_主题空间案例1.jpg)
 * 上图右边标注的为一组共同特征，表示美式BBQ 空间；另一组在上图右边未标注的为日式食品 空间。
 
 > 图像压缩
 
-
+例如：`32*32=1024 => 32*2+2*1+32*2=130`(2*1表示去掉了除对角线的0), 几乎获得了10倍的压缩比。
 
 ## SVD矩阵分解
 
@@ -98,12 +98,20 @@
     3. 对这些物品的评分从高到低进行排序，返回前N个物品。
 * 现在我们来观测代码实现。
 
-## 利用SVD提升推荐引擎的性能
+> 补充：基于内容(content-based)的推荐
 
-> 利用SVD提高推荐效果
-* 将矩阵降维
+1. 通过各种标签来标记菜肴
+2. 将这些属性作为相似度计算所需要的数据
+3. 这就是：基于内容的推荐。
 
 > 构建推荐引擎面临的挑战
+
+* 问题
 * 1）在大规模的数据集上，SVD分解会降低程序的速度
 * 2）存在其他很多规模扩展性的挑战性问题，比如矩阵的表示方法和计算相似度得分消耗资源。
-* 3）如何在缺乏数据时给出好的推荐（冷启动问题，解决方案就是将推荐看成是搜索问题）
+* 3）如何在缺乏数据时给出好的推荐-称为冷启动【简单说：用户不会喜欢一个无效的物品，而用户不喜欢的物品又无效。】
+
+* 建议
+* 1）在大型系统中，SVD分解(可以在程序调入时运行一次)每天运行一次或者其频率更低，并且还要离线运行。
+* 2）在实际中，另一个普遍的做法就是离线计算并保存相似度得分。(物品相似度可能被用户重复的调用)
+* 3）冷启动问题，解决方案就是将推荐看成是搜索问题，通过各种标签／属性特征进行`基于内容的推荐`。