features.py : 从原始数据集中生成特征
deepfm.py: 运行deepfm模型并取得预测结果
textdeepfm.py: 运行textdeepfm模型并取得预测结果
utils.py: deepctr运行环境
模型一：DeepFM
运行环境： DeepCTR-Torch (https://github.com/shenweichen/DeepCTR-Torch)
分数（AUC）：线下0.6903 线上0.691804111317667 （没有采用五折交叉验证，可能还没收敛，设置epoch大些）
特征说明
1.用户特征
用户原始特征：gender、frequency、A1、...
用户关注和感兴趣的topics数目
**2.问题特征 **
问题标题的字、词计数
问题描述的字、词计数
问题绑定的topic数目
3.用户问题交叉特征
用户关注、感兴趣的话题和问题绑定的话题交集计数
邀请距离问题创建的天数
模型二：TextDeepFM
模型说明：在DeepFM基础上增加文本特征，将用户感兴趣的话题作为用户的embedding，将问题绑定的话题作为问题的embedding。 文本特征利用TextCNN作为特征提取器，提取的特征和原始特征向量拼接一起传给DNN训练。
分数（AUC）：线下0.7251481779973195 线上0.701741036192302 （没有采用五折交叉验证）
最后，有意向共同参赛、共同学习的伙伴请添加个人微信号
