diff --git a/README.md b/README.md
index 3c89d18..b86a7ae 100644
--- a/README.md
+++ b/README.md
@@ -15,6 +15,8 @@
 ![](img/微信截图_20210212153059.png)
 
 - [百面百搭](#百面百搭)
+  - [LSTM输入的维度是100，隐状态的维度是50，问总共的参数量是多少？](#lstm输入的维度是100隐状态的维度是50问总共的参数量是多少)
+  - [简述fm和矩阵分解模型思想上的的异同点。](#简述fm和矩阵分解模型思想上的的异同点)
   - [如何挖掘情感极性词典？](#如何挖掘情感极性词典)
   - [问题：推荐系统如何解决重复推荐用户刚刚行为过的item的问题？](#问题推荐系统如何解决重复推荐用户刚刚行为过的item的问题)
   - [问题：WIDEand deep 哪类输入wide，哪类输入deep](#问题wideand-deep-哪类输入wide哪类输入deep)
@@ -47,6 +49,25 @@
   - [问题二：w&d模型的特征，哪些放到wide侧，哪些放到deep侧？ w&d模型在线上，如何做到根据实时数据更新模型（推荐）](#问题二wd模型的特征哪些放到wide侧哪些放到deep侧-wd模型在线上如何做到根据实时数据更新模型推荐)
   - [问题一：召回模型中，模型评价指标怎么设计？（推荐）](#问题一召回模型中模型评价指标怎么设计推荐)
 
+
+## LSTM输入的维度是100，隐状态的维度是50，问总共的参数量是多少？
+
+((100+50)*50+50)*4 = 30200
+
+## 简述fm和矩阵分解模型思想上的的异同点。
+
+曾伟:
+
+简述fm和矩阵分解模型思想上的的异同点。
+
+- MF 是用use和item 的特征隐向量表示user 和 item 的特征，进而做相似度计算，用于item召回。
+- FM 是用因子分解机来做特征的二阶交叉，进而预测user 和 item 的ctr概率，可用于召回或者排序阶段。
+
+1. 相同点：MF可以理解为一种特殊的FM，即只有 uid 和 iid 的 FM模型，MF将这两类特征通过矩阵分解来达到 embedding 的目的。
+2. 区别：FM使用了id 之外的特征，同时FM还做了矩阵积的优化，复杂度大幅降低。
+
+![](img/微信截图_20211013090502.png)
+
 ## 如何挖掘情感极性词典？
 
 1. tfidf
diff --git "a/img/\345\276\256\344\277\241\346\210\252\345\233\276_20211013090502.png" "b/img/\345\276\256\344\277\241\346\210\252\345\233\276_20211013090502.png"
new file mode 100644
index 0000000..d0fa9f0
Binary files /dev/null and "b/img/\345\276\256\344\277\241\346\210\252\345\233\276_20211013090502.png" differ