diff --git a/chapter_introduction/index.md b/chapter_introduction/index.md
index 7462b753f..d99ab93e7 100644
--- a/chapter_introduction/index.md
+++ b/chapter_introduction/index.md
@@ -367,16 +367,27 @@
 #### 推荐系统
 :label:`subsec_recommender_systems`
 
-推荐系统是另一个与搜索和排名相关的问题。问题是相似的，因为目标是向用户显示一组相关的项目。主要区别在于强调*个性化*推荐给特定用户。例如，对于电影推荐，科幻迷的结果页面和喜剧爱好者的结果页面可能会有很大不同。类似的问题也会出现在其他推荐设置中，例如零售产品、音乐和新闻推荐。
-
-在某些情况下，客户会提供明确的反馈，传达他们对特定产品的喜爱程度（例如，亚马逊上的产品评级和评论）。在其他一些情况下，他们会提供隐性反馈，例如，跳过播放列表中的某些歌曲，这可能是在表示不满，但可能只是表明歌曲在上下文中不合适。在最简单的公式中，这些系统被训练成在给定用户和物品的情况下估计某些分数，例如估计的评级或购买的概率。
-
-给定这样的模型，对于任何给定的用户，我们都可以检索得分最高的对象集，然后将其推荐给用户。生产系统要先进得多，在计算这样的分数时，会将详细的用户活动和项目特征考虑在内。:numref:`fig_deeplearning_amazon`是亚马逊基于个性化算法推荐的深度学习书籍的一个例子，该算法经过调整，可以捕捉一个人的偏好。
+另一类与搜索和排名相关的问题是*推荐系统*(recommender system)，它的目标是向给特定用户进行“个性化”推荐。
+例如，对于电影推荐，科幻迷和喜剧爱好者的推荐结果页面可能会有很大不同。
+类似的应用也会出现在零售产品、音乐和新闻推荐等等。
+
+在某些应用中，客户会提供明确反馈，表达他们对特定产品的喜爱程度。
+例如，亚马逊上的产品评级和评论。
+在其他一些情况下，客户会提供隐性反馈。
+例如，某用户跳过播放列表中的某些歌曲，这可能说明歌曲对此用户不大合适。
+总的来说，推荐系统会为“给定用户和物品”的匹配性打分，这个“分数”可能是估计的评级或购买的概率。
+由此，对于任何给定的用户，推荐系统都可以检索得分最高的对象集，然后将其推荐给用户。以上只是简单的算法，而工艺生产的推荐系统要先进得多，它会将详细的用户活动和项目特征考虑在内。
+推荐系统算法经过调整，可以捕捉一个人的偏好。
+比如，:numref:`fig_deeplearning_amazon`是亚马逊基于个性化算法推荐的深度学习书籍，成功的捕捉了作者的喜好。
 
 ![亚马逊推荐的深度学习书籍。](../img/deeplearning-amazon.jpg)
 :label:`fig_deeplearning_amazon`
 
-尽管它们具有巨大的经济价值，但单纯建立在预测模型之上的推荐系统仍存在一些严重的概念缺陷。首先，我们只观察“审查后的反馈”：用户更倾向于给他们感觉强烈的电影打分。例如，在五分制中，您可能会注意到，电影会获得了许多五星级和一星级评级，但三星级评级却明显很少。此外，目前的购买习惯往往是由于目前的推荐算法，但学习算法并不总是考虑到这一细节。因此，有可能形成反馈循环，推荐系统会优先推送一个被认为更好（由于购买量较大）的商品，进而更频繁地被推荐。关于如何处理审查、激励和反馈循环的许多问题，都是重要的开放性研究问题。
+尽管推荐系统具有巨大的应用价值，但单纯用它作为预测模型仍存在一些缺陷。
+首先，我们的数据只包含“审查后的反馈”：用户更倾向于给他们感觉强烈的事物打分。
+例如，在五分制电影评分中，会有许多五星级和一星级评分，但三星级却明显很少。
+此外，推荐系统有可能形成反馈循环：推荐系统首先会优先推送一个购买量较大（可能被认为更好）的商品，然而目前用户的购买习惯往往是遵循推荐算法，但学习算法并不总是考虑到这一细节，进而更频繁地被推荐。
+综上所述，关于如何处理审查、激励和反馈循环的许多问题，都是重要的开放性研究问题。
 
 #### 序列学习