更新文档结构

codes/funrec/data/readme.md

@@ -2,7 +2,7 @@
 ## 数据集介绍
 
 1. taobao电商数据，用于测试序列、图相关模型。下载链接：https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1
-2. criteo数据，用于测特征交叉和wide&deep系列模型，下载链接：https://www.kaggle.com/c/criteo-display-ad-challenge/data
+2. criteo数据，用于测特征交叉和wide&deep系列模型，链接：https://pan.baidu.com/s/15-xG7u2Rq1Mr9A-abrjtqw （提取码：htb7）
 3. 人口普查收录数据，用于测试多任务学习模型，下载链接：https://archive.ics.uci.edu/ml/datasets/census+income
 4. movielens(ml-1m)数据集，用于测试召回相关模型，下载链接：https://grouplens.org/datasets/movielens/
 

docs/推荐算法基础/经典召回模型/基于协同过滤的召回/readme.md

@@ -0,0 +1 @@
+# README

docs/推荐算法基础/经典召回模型/基于向量的召回/readme.md

@@ -0,0 +1 @@
+# README

docs/推荐算法基础/经典召回模型/基于图的召回/readme.md

@@ -0,0 +1 @@
+# README

docs/推荐算法基础/经典召回模型/基于序列的召回/readme.md

@@ -0,0 +1 @@
+# README

docs/推荐算法基础/经典召回模型/基于树模型的召回/readme.md

@@ -0,0 +1 @@
+# README

docs/推荐算法基础/经典排序模型/Wide&Deep系列/readme.md

@@ -0,0 +1 @@
+# README

docs/推荐算法基础/经典排序模型/多任务学习/readme.md

@@ -0,0 +1 @@
+# README

docs/推荐算法基础/经典排序模型/序列模型/readme.md

@@ -0,0 +1 @@
+# README

docs/推荐算法基础/经典排序模型/特征交叉/readme.md

@@ -0,0 +1 @@
+# README

docs/推荐系统概述/readme.md

@@ -0,0 +1 @@
+# README

docs/第一章 推荐系统基础/1.2 深度推荐模型/1.2.7 DCN.md

@@ -94,7 +94,7 @@ Cross&Deep模型的原理就是这些了，其核心部分就是Cross Network，
 
 ## 3. 代码实现
 
-下面我们看下DCN的代码复现，这里主要是给大家说一下这个模型的设计逻辑，参考了deepctr的函数API的编程风格， 具体的代码以及示例大家可以去参考后面的GitHub，里面已经给出了详细的注释， 这里主要分析模型的逻辑这块。关于函数API的编程式风格，我们还给出了一份文档， 大家可以先看这个，再看后面的代码部分，会更加舒服些。下面开始： 
+下面我们看下DCN的代码复现，这里主要是给大家说一下这个模型的设计逻辑，参考了deepctr的函数API的编程风格， 具体的代码以及示例大家可以去参考后面的GitHub，里面已经给出了详细的注释， 这里主要分析模型的逻辑这块。关于函数API的编程式风格，我们还给出了一份文档， 大家可以先看这个，再看后面的代码部分，会更加舒服些。
 
 从上面的结构图我们也可以看出， DCN的模型搭建，其实主要分为几大模块， 首先就是建立输入层，用到的函数式`build_input_layers`，有了输入层之后， 我们接下来是embedding层的搭建，用到的函数是`build_embedding_layers`， 这个层的作用是接收离散特征，变成低维稠密。 接下来就是把连续特征和embedding之后的离散特征进行拼接，分别进入wide端和deep端。 wide端就是交叉网络，而deep端是DNN网络， 这里分别是`CrossNet()`和`get_dnn_output()`, 接下来就是把这两块的输出拼接得到最后的输出了。所以整体代码如下：