• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于序列標(biāo)注的全詞消歧方法

    2012-07-09 02:11:32易綿竹張祿彭王之元
    中文信息學(xué)報(bào) 2012年2期
    關(guān)鍵詞:消歧全詞狀態(tài)

    周 云,王 挺,易綿竹,張祿彭,王之元,4

    (1. 國(guó)防科技大學(xué) 計(jì)算機(jī)學(xué)院,湖南 長(zhǎng)沙 410073; 2. 解放軍外國(guó)語(yǔ)學(xué)院 國(guó)防語(yǔ)言文化研究所,河南 洛陽(yáng) 471003;3. 解放軍外國(guó)語(yǔ)學(xué)院 歐亞語(yǔ)系,河南 洛陽(yáng) 471003; 4. 國(guó)防科技大學(xué) 并行與分布處理國(guó)家重點(diǎn)實(shí)驗(yàn)室,湖南 長(zhǎng)沙 410073)

    1 引言

    詞義消歧,即在特定的上下文中確定歧義詞的詞義。根據(jù)詞義消歧的范圍,可將其分為詞樣消歧(Lexical-Sample WSD)和全詞消歧(All-Words WSD)。詞樣消歧對(duì)給定文本中的某些指定詞進(jìn)行消歧,而全詞消歧對(duì)給定文本中的所有開(kāi)放詞(包括名詞、動(dòng)詞、形容詞和副詞)進(jìn)行消歧。詞樣消歧是一個(gè)典型的分類(lèi)問(wèn)題,可使用各種成熟的有監(jiān)督分類(lèi)算法,如樸素貝葉斯[1]、最大熵算法[2]和支持向量機(jī)[3]等。對(duì)于全詞消歧,目前通常的做法是將其當(dāng)作詞樣消歧,對(duì)句中出現(xiàn)的每個(gè)開(kāi)放詞逐個(gè)進(jìn)行消歧,各個(gè)詞之間的消歧是獨(dú)立的。但是,全詞消歧中前后兩個(gè)詞的消歧實(shí)際上是相互關(guān)聯(lián)的,全詞消歧可以看作一個(gè)序列標(biāo)注問(wèn)題。

    序列標(biāo)注指的是對(duì)觀(guān)察值序列的每個(gè)成員指定一個(gè)類(lèi)別標(biāo)簽,因此序列標(biāo)注可視為一系列的分類(lèi)任務(wù)。由于序列標(biāo)注利用相鄰元素的依賴(lài)性對(duì)整個(gè)序列進(jìn)行全局優(yōu)化,一次性為所有觀(guān)察值給出標(biāo)簽,因而標(biāo)注性能通常會(huì)得到提升。常用的序列標(biāo)注算法有隱馬爾可夫模型(Hidden Markov Model, HMM)[4]、最大熵馬爾可夫模型(Maximum Entropy Markov Model, MEMM)[5]和條件隨機(jī)域[6]等。雖然HMM等序列標(biāo)注方法在一些自然語(yǔ)言處理任務(wù)中取得了突出的成績(jī),如詞性標(biāo)注[7]和語(yǔ)音識(shí)別[8]等,但在詞義消歧中的結(jié)果卻并不理想[9-13]。這可能是由于:第一,HMM的觀(guān)察值只能是詞形,難以有效利用各類(lèi)語(yǔ)言學(xué)特征;第二,全詞消歧是一個(gè)超大狀態(tài)問(wèn)題,序列標(biāo)注方法存在嚴(yán)重的數(shù)據(jù)稀疏問(wèn)題,并且具有很高的時(shí)間復(fù)雜度。

    針對(duì)上述問(wèn)題,本文提出兩種基于序列標(biāo)注的全詞消歧方法,主要貢獻(xiàn)如下:(1)提出了一種基于HMM的全詞消歧方法;(2)將基于HMM的方法推廣為基于MEMM的全詞消歧方法,將觀(guān)察值由詞形擴(kuò)展為特征向量,引入了大量的語(yǔ)言學(xué)特征;(3)通過(guò)柱狀搜索和平滑策略解決上述模型中存在的數(shù)據(jù)稀疏問(wèn)題,在解決數(shù)據(jù)稀疏問(wèn)題的同時(shí),柱狀搜索還顯著降低了解碼的時(shí)間復(fù)雜度;(4)在Senseval數(shù)據(jù)集上對(duì)序列標(biāo)注方法進(jìn)行了系統(tǒng)的評(píng)測(cè)。

    本文結(jié)構(gòu)安排如下。第二節(jié),我們給出一種基于HMM的全詞消歧方法。第三節(jié),我們將模型推廣為MEMM模型,將觀(guān)察值擴(kuò)展為若干特征構(gòu)成的向量,這些特征包括鄰近詞詞性、局部搭配關(guān)系、依存句法關(guān)系、WordNet上位詞鏈、WordNet語(yǔ)義標(biāo)簽、WordNet動(dòng)詞框架和詞袋等。針對(duì)序列標(biāo)注方法存在的數(shù)據(jù)稀疏和很高的時(shí)間復(fù)雜度等問(wèn)題,在第四節(jié)我們?cè)O(shè)計(jì)了平滑策略和柱狀搜索Viterbi算法加以解決。第五節(jié),我們?cè)赟enseval-2和Senseval-3上對(duì)HMM和MEMM方法進(jìn)行了評(píng)測(cè),并與以往的序列標(biāo)注方法的性能進(jìn)行了對(duì)比。第六節(jié),我們總結(jié)全文并討論下一步工作。

    2 基于HMM的全詞消歧方法

    HMM是一個(gè)經(jīng)典的數(shù)學(xué)模型[4],它一般用以解決評(píng)估、序列標(biāo)注(也稱(chēng)為解碼)和學(xué)習(xí)等三個(gè)問(wèn)題,這三個(gè)問(wèn)題分別可用前向算法(或后向算法)、Viterbi算法和前向—后向算法解決。在本文中我們主要關(guān)心序列標(biāo)注問(wèn)題和Viterbi算法。

    HMM包含兩個(gè)隨機(jī)過(guò)程Qt,Qt,1≤t≤T,和五個(gè)模型參數(shù)S,V,A,B,π除特殊說(shuō)明外,本文均沿用文獻(xiàn)[4]中的符號(hào))。其中,(1)S={s1,s2,…,sN}為狀態(tài)集合;(2)V={v1,v2,…,vM}為觀(guān)察值集合;(3)A={aij},aij=P(Qt+1=sj|Qt=st),1≤1,j≤N為狀態(tài)轉(zhuǎn)移概率矩陣;(4)B={bj(k)},bj(k)=P(Qt=vk|Qt=sj),1≤j≤N,1≤k≤M為狀態(tài)—觀(guān)察值發(fā)射概率矩陣;(5)π={πi},πi=P(Q1=si),1≤i≤N為狀態(tài)初始分布概率向量。

    (1)

    這個(gè)問(wèn)題可通過(guò)稱(chēng)為Viterbi算法的動(dòng)態(tài)規(guī)劃方法加以解決,其時(shí)間復(fù)雜度為O(TN2)。

    基于HMM的全詞消歧模型需要選擇合適的狀態(tài)集合S和觀(guān)察值集合V。狀態(tài)集合S的選擇有多種,我們直接取訓(xùn)練集中出現(xiàn)過(guò)的synset作為狀態(tài)集S的一部分。由于封閉詞的個(gè)數(shù)是有限的,我們令每個(gè)封閉詞為一個(gè)狀態(tài)。另外,對(duì)于某些特殊的詞類(lèi)(子類(lèi)),我們認(rèn)為它們的成員對(duì)于詞義消歧而言是等價(jià)的,因而將它們整體作為一個(gè)狀態(tài),這有利于緩解數(shù)據(jù)的稀疏性,這包括人名、地名、組織名、其他專(zhuān)有名詞、序數(shù)詞、屬格代詞、聯(lián)結(jié)詞和情態(tài)動(dòng)詞。觀(guān)察值集合V的選擇也有多種,我們以詞條(lemma)和詞性的字符串連接作為觀(guān)察值??捎米饔^(guān)察值的有:詞、詞條、詞與詞性的字符串連接或詞條與詞性的字符串連接等。文獻(xiàn)[13]的實(shí)驗(yàn)結(jié)果表明,詞與詞性的字符串連接作為輸入效果較好,我們沿用這一作法。A,B,π均由訓(xùn)練集作最大似然估計(jì)得到。

    3 基于MEMM模型的全詞消歧方法

    McCallum等人在文獻(xiàn)[5]中將HMM改造為MEMM,其不同之處在于:(1)觀(guān)察值的擴(kuò)充。HMM的觀(guān)察值集合一般只能為一個(gè)有限的詞表;而MEMM對(duì)原始觀(guān)察值抽取若干個(gè)非獨(dú)立特征,構(gòu)成特征向量,然后根據(jù)特征向量計(jì)算給定觀(guān)察序列的狀態(tài)序列的條件概率; (2)由生成模型到條件模型。在HMM中,當(dāng)前狀態(tài)僅依賴(lài)于前一狀態(tài)(馬爾可夫性);在MEMM中,當(dāng)前狀態(tài)不僅依賴(lài)于前一狀態(tài),還依賴(lài)于當(dāng)前特征向量。

    在MEMM中,狀態(tài)轉(zhuǎn)移概率和狀態(tài)—觀(guān)察值發(fā)射概率被一個(gè)統(tǒng)一的新的概率Pqt-1(Qt-qt+Ot=ot)=P(Qt=qt|Ot=ot,Qt-1=qt-1)所代替,即在前一狀態(tài)為qt-1且當(dāng)前特征向量為ot時(shí),當(dāng)前狀態(tài)為qt的概率。Pqt-1(Qt=qt|Ot=ot)可用某些帶概率輸出的機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練得到,如最大熵算法、樸素貝葉斯算法和支持向量機(jī)等。最早提出該模型的文獻(xiàn)[5]采用了最大熵算法,MEMM模型因此得名。

    MEMM模型的要素為S,V,M,π。其中,(1)S={s1,s2,…,sN}為狀態(tài)集合;(2)V={v1,v2,…}為由觀(guān)察值抽取的特征向量構(gòu)成的集合;(3)M={Pqt-1(Q1=qt|Ot=ot},qt∈S,ot∈V},qt-1∈S為概率模型集合;(4)π={PBegin(Q1=q1|O1=o1),q1∈S,o1∈V}為初始概率模型。在MEMM中,序列標(biāo)注問(wèn)題為也可通過(guò)Viterbi算法加以解決,它與HMM的Viterbi算法是十分類(lèi)似的。

    在基于MEMM的全詞消歧模型中,狀態(tài)集合S與HMM的狀態(tài)集合S相同。特征向量集合V中的元素為由原始觀(guān)察值抽取的特征向量構(gòu)成的集合。我們以文獻(xiàn)[2,14]中的特征為基礎(chǔ),設(shè)計(jì)了以下七類(lèi)特征:(1)鄰近詞的詞性;(2)局部詞形搭配關(guān)系;(3)依存句法關(guān)系;(4)特定范圍內(nèi)的WordNet上位詞(hypernym)鏈;(5)特定范圍內(nèi)的WordNet語(yǔ)義標(biāo)簽;(6)特征范圍內(nèi)的WordNet動(dòng)詞框架;(7)句中的各個(gè)單詞構(gòu)成的詞袋。上述特征的詳細(xì)解釋及例子見(jiàn)附錄A。對(duì)于每一個(gè)概率模型Pqt-1(Qt=qt|Ot=ot),我們通過(guò)將訓(xùn)練集中緊接在qt-1后面的所有狀態(tài)-特征向量對(duì)(qt,ot)收集起來(lái),然后用最大熵算法進(jìn)行訓(xùn)練,就得到了模型Pqt-1(Qt=qt|Ot=ot)。對(duì)于初始概率模型PBegin(Q1=q1|O1=o1),我們則收集句首的狀態(tài)—特征向量對(duì)即可。

    4 實(shí)現(xiàn)

    如前所述,序列標(biāo)注一般通過(guò)Viterbi算法解決。全詞消歧作為一個(gè)超大狀態(tài)問(wèn)題,上述兩個(gè)模型均存在嚴(yán)重的數(shù)據(jù)稀疏問(wèn)題,同時(shí)還具有過(guò)高的時(shí)間復(fù)雜度。下面提出的柱狀搜索Viterbi算法和平滑策略,解決了數(shù)據(jù)稀疏的問(wèn)題。另外,柱狀搜索在解決數(shù)據(jù)稀疏問(wèn)題的同時(shí),還顯著地降低了解碼的時(shí)間復(fù)雜度。

    4.1 柱狀搜索

    在全詞消歧的HMM模型中,發(fā)射概率矩陣是十分稀疏的。狀態(tài)空間S的非常大,包括訓(xùn)練集中出現(xiàn)過(guò)的synset及封閉詞等,其規(guī)模約為數(shù)萬(wàn)。然而,一個(gè)觀(guān)察值ot(lemma)對(duì)應(yīng)的狀態(tài)數(shù)(synset數(shù))卻是十分有限的,至多為數(shù)十個(gè)。為解決這個(gè)問(wèn)題,我們采用柱狀搜索Viterbi算法進(jìn)行解碼。我們將觀(guān)察值ot對(duì)應(yīng)的狀態(tài)集合記為stateSet(ot),在Viterbi算法迭代的每一步,只搜索stateSet(ot),而不是整個(gè)狀態(tài)空間,即

    這不僅有效地解決了發(fā)射概率矩陣稀疏問(wèn)題,還顯著地降低了解碼的時(shí)間復(fù)雜度。通常,Viterbi算法的時(shí)間復(fù)雜度為O(TN2),其中,T為待消歧句子的長(zhǎng)度,N為狀態(tài)空間S的大小。在HMM方法中,由于N的值非常大,該算法的實(shí)際運(yùn)行時(shí)間是難以承受的。使用柱狀搜索后,Viterbi算法的時(shí)間復(fù)雜度由O(TN2)降為其中Smax為一個(gè)lemma最多可能對(duì)應(yīng)的synset數(shù)。MEMM的柱狀解碼與此十分類(lèi)似,本文從略。

    4.2 平滑策略

    在全詞消歧的HMM模型中,轉(zhuǎn)移概率矩陣也是稀疏的。Viterbi算法計(jì)算概率的乘積,若轉(zhuǎn)移概率為0,則乘積結(jié)果為0,無(wú)法比較結(jié)果的大小。為了避免整個(gè)乘積的結(jié)果為0,我們必須采用某種平滑策略。在HMM中,轉(zhuǎn)移概率矩陣A中元素aij的極大似然估計(jì)為其中C(sisj)表示在訓(xùn)練集中sisj出現(xiàn)的次數(shù)。我們令aij平滑后的值為:

    其中,I(·)為指示函數(shù),表示觀(guān)察值v(lemma)對(duì)應(yīng)的狀態(tài)(synset)數(shù),F(xiàn)(sj)表示sj對(duì)應(yīng)的synset在WordNet中出現(xiàn)的頻數(shù)。上述公式的直觀(guān)含義是,我們假設(shè)si的轉(zhuǎn)移概率中有1-γ出現(xiàn)在訓(xùn)練集中,有γ未出現(xiàn)在訓(xùn)練集中;對(duì)于未出現(xiàn)在訓(xùn)練集中的sj,若sj∈Synsets(v),我們令其概率與其對(duì)應(yīng)的synset在WordNet中出現(xiàn)的頻數(shù)F(sj)成正比;對(duì)于所有未出現(xiàn)在訓(xùn)練集中的sj,若sj?Synsents(v),我們令其概率均相等。在我們的實(shí)驗(yàn)中,γ=0.999。

    對(duì)于MEMM模型,我們令Psi(sj|v)平滑后的值為:

    式(3)的直觀(guān)含義與式(2)類(lèi)似。

    5 實(shí)驗(yàn)

    在Senseval/Semeval出現(xiàn)之前,曾有少數(shù)學(xué)者嘗試用HMM等序列標(biāo)注方法進(jìn)行全詞消歧,如Segond等人[9]采用HMM進(jìn)行全詞標(biāo)注,其標(biāo)記為WordNet的45個(gè)語(yǔ)義標(biāo)簽;Loupy等人[10]采用一種集成了語(yǔ)義標(biāo)簽和詞義的混合HMM進(jìn)行全詞標(biāo)注。但由于上述研究并未使用通用測(cè)試集,其結(jié)果并不具有可比性。

    Senseval/Semeval(2007年之前稱(chēng)為Senseval)是目前國(guó)際上最權(quán)威的詞義消歧評(píng)測(cè),我們的測(cè)試集來(lái)自Senseval-2(2001)[15]、Senseval-3(2004)[16]的English All Words任務(wù),表1給出了這些任務(wù)的基本信息。

    English All Words為開(kāi)放測(cè)試,只提供測(cè)試集,對(duì)訓(xùn)練集沒(méi)有限制。我們僅使用了SemCor[17]的Brown1和Brown2作為訓(xùn)練集,包含359 732個(gè)詞(不含標(biāo)點(diǎn)),其中192 639個(gè)詞有詞義標(biāo)注。對(duì)于訓(xùn)練集中不存在的觀(guān)察值,我們使用WordNet中的最常用詞義進(jìn)行標(biāo)注。MEMM方法采用GIS算法訓(xùn)練最大熵模型,迭代次數(shù)為100。表2給出了參加英語(yǔ)全詞消歧任務(wù)系統(tǒng)的性能(F1值)。

    表1 英語(yǔ)全詞消歧任務(wù)基本信息

    English All Words對(duì)訓(xùn)練集沒(méi)有限制,因此對(duì)不同系統(tǒng)的比較是十分困難的,下面我們?cè)噲D對(duì)實(shí)驗(yàn)結(jié)果作出一些說(shuō)明。

    首先,本文提出的MEMM方法的性能顯著高于相同數(shù)據(jù)集上的其他序列標(biāo)注方法,包括本文提出的HMM方法。這證明了將簡(jiǎn)單觀(guān)察值擴(kuò)展為復(fù)雜的特征向量確實(shí)是有效的, 這得益于大量語(yǔ)言學(xué)特征的引入。

    表2 參加英語(yǔ)全詞消歧任務(wù)的系統(tǒng)性能(F1值)

    其次,在僅采用SemCor作為訓(xùn)練集的情況下,本文提出的MEMM方法也超過(guò)了Senseval-2的第2名和Senseval-3的第1名。其中,Senseval-2的第2名[19]采用了基于記憶的方法,并使用多個(gè)分類(lèi)器進(jìn)行投票;Senseval-3的第1名[20]也采用了基于記憶的方法,它的訓(xùn)練集包括SemCor,Senseval-2的數(shù)據(jù)以及WordNet中的例子。這說(shuō)明序列標(biāo)注方法完全可以用于全詞消歧,并且性能與最好的有監(jiān)督方法相當(dāng)。我們看到,本文MEMM方法與Senseval-2的第1名[18]還有一定的差距,部分原因是文獻(xiàn)[18]采用了很多SemCor以外的數(shù)據(jù),如WordNet中的定義和互聯(lián)網(wǎng)收集的數(shù)據(jù)等。

    在Senseval-2中,Crestan等人[11]采用兩階段HMM進(jìn)行全詞消歧。第一階段先通過(guò)HMM確定詞形的語(yǔ)義標(biāo)簽,第二階段再用HMM確定詞形+語(yǔ)義標(biāo)簽的詞義,另外還對(duì)高頻詞采用詞樣消歧的方法進(jìn)行消歧。就性能而言,這種兩階段HMM方法與與單一HMM方法相當(dāng)[10],在本實(shí)驗(yàn)中也得到了證實(shí)。

    在Senseval-2和Senseval-3中,Molina等人[12-13]采用HMM進(jìn)行全詞消歧,其狀態(tài)為SemCor中的lex_sense[17]。這相當(dāng)于對(duì)synset進(jìn)行了壓縮,其好處在于使?fàn)顟B(tài)數(shù)減少,從而緩解矩陣稀疏的問(wèn)題。但是,我們認(rèn)為這種壓縮并不具備語(yǔ)言學(xué)基礎(chǔ),有可能造成算法的不穩(wěn)定性,而且難以將HMM擴(kuò)展為MEMM。實(shí)驗(yàn)表明,本文的HMM方法以synset為狀態(tài)是合適的,其性能要略好于以lex_sense為狀態(tài)的文獻(xiàn)[12-13],且具備良好的可擴(kuò)展性。

    6 結(jié)束語(yǔ)

    全詞消歧可以看作一個(gè)序列標(biāo)注問(wèn)題。然而,現(xiàn)有序列標(biāo)注方法在全詞消歧上的表現(xiàn)卻不盡如人意,主要原因在于特征的有效利用和數(shù)據(jù)稀疏問(wèn)題。本文從全詞消歧的特點(diǎn)出發(fā),針對(duì)上述不足,提出了兩種基于序列標(biāo)注的全詞消歧方法,并采用柱狀搜索和平滑策略解決了數(shù)據(jù)稀疏和高時(shí)間復(fù)雜度等問(wèn)題,其中基于MEMM的全詞消歧方法的性能較大幅度地超過(guò)了文獻(xiàn)中已有的基于序列標(biāo)注的方法。由于本文僅使用了基本的訓(xùn)練語(yǔ)料,本文提出的方法的實(shí)際性能還有進(jìn)一步提高的空間。實(shí)際上,本文提出的方法可適用于一般的超大狀態(tài)序列優(yōu)化問(wèn)題。

    無(wú)論是一般的分類(lèi)問(wèn)題還是序列標(biāo)注,特征選擇都是至關(guān)重要的,下一步我們將研究各種特征對(duì)整體性能的影響,以便更好地改進(jìn)算法。另外,條件隨機(jī)域(CRF)是近來(lái)出現(xiàn)、在多個(gè)領(lǐng)域均有突出表示的序列標(biāo)注方法。CRF是HMM和MEMM的推廣,一般認(rèn)為CRF的效果要比HMM和MEMM好。但是,CRF訓(xùn)練的時(shí)間復(fù)雜度比HMM和MEMM要高得多,一般只用于狀態(tài)數(shù)較少(一般數(shù)百個(gè)狀態(tài)以?xún)?nèi))的場(chǎng)合。對(duì)于全詞消歧這類(lèi)含有數(shù)萬(wàn)個(gè)狀態(tài)的問(wèn)題,即使在采用柱狀搜索算法后,CRF的訓(xùn)練仍然不可能在普通的工作站上完成,我們下一步將嘗試采用集群計(jì)算的方式來(lái)解決這個(gè)問(wèn)題。

    [1] Mooney R. J. Comparative experiments on disambiguating word senses: An illustration of the role of bias in machine learning [C]//Proceedings of the 1996 Conference on Empirical Methods in Natural Language Processing (EMNLP). 1996. 82-91.

    [2] Tratz S., Sanfillippo A., Gregory M., et al.PNNL: A supervised maximum entropy approach to word sense disambiguation [C]//Proceedings of the 4th International Workshop on Semantic Evaluations (SemEval-2007). Stroudsburg, PA, USA, 2007. 264-267.

    [3] Escudero G., M rquez L., Rigau, G. On the portability and tuning of supervised word sense disambiguation [C]//Proceedings of the Joint SIGDAT Conference on Empirical Methods in Natural Language Processing and Very Large Corpora (EMNLP). 2000. 172-180.

    [4] Lawrence R. Rabiner. A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition [C]//Proceedings of the IEEE. 1989. 257-286.

    [5] Andrew McCallum, Dayne Freitag, Fernando Pereira. Maximum Entropy Markov Models for Information Extraction and Segmentation [C]//Proceedings of the 17th International Conference on Machine Learning. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2000. 591-598.

    [6] John Lafferty, Andrew McCallum, Fernando Pereira. Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data [C]//Proceedings of the 18th International Conference on Machine Learning. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2001. 282-289.

    [7] El-B ze M., M rialdo B.. HMM Based Taggers [C]//H. Van Halteren eds. Syntactic Wordclass Tagging. Kluwer Academic Publishers, 1999.

    [8] F. Jelinek. Statistical Methods for Speech Recognition [M]. Cambridge: MIT Press, 1998.

    [9] Segond F., Schiller, A., Grefenstette, G., et al. An Experiment in Semantic Tagging using Hidden Markov Model Tagging [C]//Proceedings of the Joint ACL/EACL Workshop on Automatic Information Extraction and Building of Lexical Semantic Resources. Stroudsburg, PA, USA, 1997. 78-81.

    [10] Claude de Loupy, MarcEl-Beze, Pierre-Fran ois Marteau. Word Sense Disambiguation using HMM Tagger [C]//Proceedings of the 1st International Conference on Language Resources and Evaluation (LREC). Granada, Spain, 1998. 1255-1258.

    [11] E. Crestan, M. El-Beze, C. De Loupy. Improving WSD with Multi-Level View of Context Monitored by Similarity Measure [C]//Proceedings of the 2nd International Workshop on Evaluating Word Sense Disambiguation Systems. Toulouse, France, 2001. 67-70.

    [12] Antonio Molina, Ferran Pla, Encarna Segarra. A Hidden Markov Model Approach to Word Sense Disambiguation [C]//Proceedings of the 8th Ibero-American Conference on AI: Advances in Artificial Intelligence. Longdon, UK: Springer-Verlag. 2002. 655-663.

    [13] Antonio Molina, Ferran Pla, Encarna Segarra. WSD system based on Specialized Hidden Markov Model [C]//Proceedings of the Third International Workshop on the Evalution of Systems for the Semantic Analysis of Text, 2004.

    [14] Yoong Keok Lee, Hwee Tou Ng. An Empirical Evaluation of Knowledge Sources and Learning Algorithms for Word Sense Disambiguation [C]//Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP). Stroudsburg, PA, USA, 2002. 41-48.

    [15] Edmonds P., Cotton S. Senseval-2: Overview [C]//Proceedings of the 2nd Internationnal Workshop on Evaluating Word Sense Disambiguation Systems. 2001. 1-6.

    [16] Benjamin Snyder, Martha Palmer. The English All-Words Task [C]//Proceeding of Senseval-3: The 3rd International Workshop on the Evaluation of Systems for the Semantic Analysis of Text. Barcelona, Spain, 2004. 41-43.

    [17] Miller G.A., Chodorow M., Landes S., et al. Using a Semantic Concordance for Sense Identification [C]//Proceedings of the ARPA Workshop on Human Language Technology. Stroudsburg, PA, USA, 1994. 240-243.

    [18] Mihalcea R. Word sense disambiguation with pattern learning and automatic feature selection [J]. Natural Language Engineering, 2002,8(4):348-358.

    [19] Hoste V., Hendrickx I., Daelemans W., et al. Parameter optimization for machine learning of word sense disambiguation [J]. Natural Language Engineering, 2002,8(4):311-325.

    [20] Decadt B., Hoste V., Daelemans W., et al. GAMBL, genetic algorithm optimization of memory-based WSD [C]//Proceedings of the 3rd International Workshop on the Evaluation of Systems for the Semantic Analysis of Text. 2004. 108-112.

    [21] Mihalcea R., Faruque E. Senselearner: Minimally supervised word sense disambiguation for all words in option text [C]//Proceedings of the 3rd International Workshop on the Evaluation of Systems for the Semantic Analysis of Text. 2004. 155-158.

    附錄A MEMM模型采用的特征

    MEMM模型與一般HMM的最大不同,就是語(yǔ)言學(xué)特征的使用。相對(duì)于lemma而言,特征的引入可以捕獲目標(biāo)詞的上下文中的各類(lèi)語(yǔ)言學(xué)特征,有利于對(duì)目標(biāo)詞義的消歧。這些特征主要包括七類(lèi): 鄰近詞的詞性、局部搭配關(guān)系、依存句法關(guān)系、特定范圍內(nèi)的上位詞(hypernym)鏈、特定范圍內(nèi)的WordNet語(yǔ)義標(biāo)簽、特征范圍內(nèi)的WordNet動(dòng)詞框架和句中的各個(gè)單詞。

    A.1 鄰近詞詞性(七維)

    我們用Pi(P-i)表示當(dāng)前詞w右(左)邊第i個(gè)詞的詞性,使用以下七個(gè)特征:P-3,P-2,P-1,P0,P1,P2,P3。所有的詞不能跨越句子的邊界。例如,句子”Reid/NNP saw/VBD me/PRP looking/VBG at/IN the/DT iron/NN bars/NNS ./.”,當(dāng)前詞為bars,則它的鄰近詞詞性特征為,其中ε為跨越句子后的標(biāo)記。

    A.2 局部搭配關(guān)系(11維)

    我們用Ci,j表示當(dāng)前詞的從第i個(gè)詞到第j個(gè)詞的詞條的字符串連接,使用以下11個(gè)特征:C-1,-1,C1,1,C-2,-2,C2,2,C-2,-1,C-1,1,C1,2,C-3,-1,C-2,1,C-1,2,C1,3。 例如,句子”Reid/NNP saw/VBD me/PRP looking/VBG at/IN the/DT iron/NN bars/NNS ./.”,當(dāng)前詞為bars,則它的C-2,1特征為the_iron_bar_.。

    A.3 依存句法關(guān)系(10維)

    該特征假設(shè)當(dāng)前詞的語(yǔ)義與和其有直接依存關(guān)系的詞有關(guān),這在某種程度上反映了語(yǔ)義的長(zhǎng)距離(句法)依賴(lài)關(guān)系。依存句法假設(shè),句法結(jié)構(gòu)是用非對(duì)稱(chēng)的二元關(guān)系將詞連接而成的。這種二元關(guān)系稱(chēng)為依存關(guān)系,被支配的詞稱(chēng)為依賴(lài)詞(dependent),另一個(gè)詞則稱(chēng)為頭詞(head)。我們使用以下特征: 當(dāng)前詞w的頭詞h的詞條,h與w的依存關(guān)系類(lèi)型,h的詞性,h與w的相對(duì)位置(h在w的左邊還是右邊);當(dāng)前詞w左邊最近的依賴(lài)詞l的詞條,l與w的依存關(guān)系類(lèi)型,l的詞性;當(dāng)前詞w右邊最近的依賴(lài)詞r的詞條,r與w的依存關(guān)系類(lèi)型,r的詞性。例如,句子”Reid/NNP saw/VBD me/PRP looking/VBG at/IN the/DT iron/NN bars/NNS ./.”, 其依存關(guān)系見(jiàn)圖A1,當(dāng)前詞為looking,則它的依存句法關(guān)系特征為

    圖A1 依存關(guān)系

    A.4 特定范圍內(nèi)的上位詞鏈

    特定范圍,指目標(biāo)單詞的前后三個(gè)鄰近詞及依存關(guān)系鏈三步以?xún)?nèi)的詞,下同。上位詞從WordNet中抽取,我們包含給定范圍內(nèi)的詞的最常用詞義(MFS, Most Frequent Sense)的整個(gè)上位詞鏈。例如,句子”Reid/NNP saw/VBD me/PRP looking/VBG at/IN the/DT iron/NN bars/NNS ./.”,當(dāng)前詞為looking.looking的前后三個(gè)鄰近中具有上位詞的詞有saw和iron,而looking的三步以?xún)?nèi)依存關(guān)系鏈中具有上位詞的詞有iron和bars,則共有saw,iron和bars三個(gè)單詞具有上位詞鏈,他們分別為,。

    A.5 特定范圍內(nèi)的WordNet語(yǔ)義標(biāo)簽

    語(yǔ)義標(biāo)簽從WordNet中抽取,我們包含給定范圍內(nèi)的詞的最常用詞義的語(yǔ)義標(biāo)簽。例如,句子”Reid/NNP saw/VBD me/PRP looking/VBG at/IN the/DT iron/NN bars/NNS ./.”,當(dāng)前詞為looking。特定范圍內(nèi)具有語(yǔ)義標(biāo)簽的詞為saw,iron和bars,則語(yǔ)義標(biāo)簽特征為

    A.6 特定范圍內(nèi)的WordNet動(dòng)詞框架

    動(dòng)詞框架從WordNet中抽取,我們包含給定范圍內(nèi)的詞的最常用詞義的動(dòng)詞框架。例如,句子”Reid/NNP saw/VBD me/PRP looking/VBG at/IN the/DT iron/NN bars/NNS ./.”,當(dāng)前詞為looking。特定范圍內(nèi)具有動(dòng)詞框架的詞為,則動(dòng)詞框架特征為<2,8,9>。在WordNet中框架號(hào)2表示句式”Somebody——s”,框架號(hào)8表示句式”Somebody——s something”,框架號(hào)9表示句式”Somebody——s somebody”。

    A.7 句中的各個(gè)單詞

    我們直接將句中的每個(gè)單詞作為當(dāng)前觀(guān)察值的一個(gè)特征。

    猜你喜歡
    消歧全詞狀態(tài)
    基于關(guān)聯(lián)圖和文本相似度的實(shí)體消歧技術(shù)研究*
    基于半監(jiān)督集成學(xué)習(xí)的詞義消歧
    狀態(tài)聯(lián)想
    不吹不黑
    汽車(chē)工人之歌
    生命的另一種狀態(tài)
    藏文歷史文獻(xiàn)識(shí)別過(guò)程中藏文自由虛詞的自動(dòng)識(shí)別及消歧算法的研究
    熱圖
    家庭百事通(2016年3期)2016-03-14 08:07:17
    堅(jiān)持是成功前的狀態(tài)
    山東青年(2016年3期)2016-02-28 14:25:52
    基于《知網(wǎng)》的中文信息結(jié)構(gòu)消歧研究
    一本一本久久a久久精品综合妖精| tocl精华| 80岁老熟妇乱子伦牲交| 成人特级黄色片久久久久久久| 两个人看的免费小视频| 欧美日韩福利视频一区二区| 亚洲av日韩在线播放| 亚洲av成人av| av免费在线观看网站| 丰满迷人的少妇在线观看| 99香蕉大伊视频| 他把我摸到了高潮在线观看| 国产成人欧美| 建设人人有责人人尽责人人享有的| 精品高清国产在线一区| 日本a在线网址| 亚洲成av片中文字幕在线观看| 热re99久久精品国产66热6| 国产成人免费无遮挡视频| 国产97色在线日韩免费| 亚洲一区二区三区欧美精品| 国内毛片毛片毛片毛片毛片| 咕卡用的链子| 女人精品久久久久毛片| 又大又爽又粗| 精品国产一区二区三区久久久樱花| 国产一区在线观看成人免费| 天天躁夜夜躁狠狠躁躁| 日韩中文字幕欧美一区二区| 夜夜躁狠狠躁天天躁| 美女 人体艺术 gogo| 人妻一区二区av| 女同久久另类99精品国产91| 精品国产国语对白av| 亚洲avbb在线观看| 欧美日韩成人在线一区二区| 亚洲精品美女久久av网站| 国产高清激情床上av| 欧美 亚洲 国产 日韩一| 99精品在免费线老司机午夜| 色婷婷av一区二区三区视频| 亚洲国产欧美一区二区综合| 日韩视频一区二区在线观看| 丰满的人妻完整版| 好男人电影高清在线观看| 久久国产精品影院| 久久精品成人免费网站| 纯流量卡能插随身wifi吗| 成人永久免费在线观看视频| 操美女的视频在线观看| 中文字幕人妻熟女乱码| 精品国产乱码久久久久久男人| 亚洲精品久久成人aⅴ小说| 亚洲精品一卡2卡三卡4卡5卡| 亚洲一区二区三区不卡视频| 亚洲avbb在线观看| 首页视频小说图片口味搜索| 久久久久国产一级毛片高清牌| 69精品国产乱码久久久| 亚洲av电影在线进入| 欧美在线黄色| 曰老女人黄片| 午夜福利影视在线免费观看| 怎么达到女性高潮| 99热网站在线观看| 视频区图区小说| 午夜福利在线免费观看网站| 成年人午夜在线观看视频| 一区在线观看完整版| 国产一区二区三区在线臀色熟女 | 国产精品国产高清国产av | 国产一区二区三区在线臀色熟女 | 成人国产一区最新在线观看| 亚洲国产看品久久| 成在线人永久免费视频| 欧美精品人与动牲交sv欧美| 午夜精品久久久久久毛片777| 性少妇av在线| 亚洲欧洲精品一区二区精品久久久| 在线播放国产精品三级| √禁漫天堂资源中文www| 国产在线精品亚洲第一网站| 高潮久久久久久久久久久不卡| 女性被躁到高潮视频| netflix在线观看网站| 色老头精品视频在线观看| 国产亚洲精品久久久久久毛片 | 少妇粗大呻吟视频| 国产不卡av网站在线观看| 极品教师在线免费播放| 午夜精品在线福利| 国产区一区二久久| 亚洲一区高清亚洲精品| 亚洲av片天天在线观看| 侵犯人妻中文字幕一二三四区| 老司机深夜福利视频在线观看| 中文字幕av电影在线播放| 亚洲欧美日韩高清在线视频| 免费日韩欧美在线观看| 精品一品国产午夜福利视频| 90打野战视频偷拍视频| 国产单亲对白刺激| www日本在线高清视频| av线在线观看网站| 一二三四社区在线视频社区8| a在线观看视频网站| 国产人伦9x9x在线观看| 老汉色∧v一级毛片| www.999成人在线观看| 成人手机av| av天堂久久9| 侵犯人妻中文字幕一二三四区| 国产成人系列免费观看| 美女高潮喷水抽搐中文字幕| 电影成人av| 两性夫妻黄色片| 操美女的视频在线观看| 香蕉久久夜色| 黄网站色视频无遮挡免费观看| 国产精品影院久久| 五月开心婷婷网| 中亚洲国语对白在线视频| 日韩一卡2卡3卡4卡2021年| 亚洲精品乱久久久久久| 久久人人爽av亚洲精品天堂| 亚洲精品成人av观看孕妇| 不卡一级毛片| 天堂√8在线中文| 91av网站免费观看| 69av精品久久久久久| 免费不卡黄色视频| 国产日韩一区二区三区精品不卡| 免费在线观看视频国产中文字幕亚洲| 欧美色视频一区免费| 国产精品.久久久| 久久婷婷成人综合色麻豆| xxxhd国产人妻xxx| 亚洲三区欧美一区| 男人操女人黄网站| 80岁老熟妇乱子伦牲交| 飞空精品影院首页| 国产免费男女视频| 亚洲国产看品久久| 人妻丰满熟妇av一区二区三区 | 身体一侧抽搐| videosex国产| 天堂俺去俺来也www色官网| tocl精华| 久久中文字幕人妻熟女| 欧美+亚洲+日韩+国产| 多毛熟女@视频| 久久国产精品男人的天堂亚洲| 日韩免费av在线播放| 国产精品久久久久久精品古装| 精品少妇一区二区三区视频日本电影| 欧美日韩国产mv在线观看视频| 欧美大码av| 高清毛片免费观看视频网站 | 真人做人爱边吃奶动态| xxxhd国产人妻xxx| 亚洲中文日韩欧美视频| 欧美日韩精品网址| 欧美成人午夜精品| 伊人久久大香线蕉亚洲五| 嫩草影视91久久| 国产xxxxx性猛交| 亚洲国产精品sss在线观看 | 欧美日韩瑟瑟在线播放| 精品久久久久久,| 露出奶头的视频| 制服诱惑二区| 欧美大码av| 97人妻天天添夜夜摸| 精品国产一区二区三区四区第35| 黄色视频,在线免费观看| 99久久精品国产亚洲精品| 在线国产一区二区在线| 在线观看一区二区三区激情| 亚洲一区二区三区欧美精品| 精品久久久久久久久久免费视频 | 欧美人与性动交α欧美软件| 国产真人三级小视频在线观看| 欧美日韩亚洲综合一区二区三区_| 亚洲一区高清亚洲精品| 亚洲av片天天在线观看| 久久亚洲精品不卡| a在线观看视频网站| 久久ye,这里只有精品| 精品一区二区三区视频在线观看免费 | 中文字幕另类日韩欧美亚洲嫩草| 日本wwww免费看| 美女福利国产在线| 韩国精品一区二区三区| 成人免费观看视频高清| 亚洲精品乱久久久久久| 亚洲专区国产一区二区| 99热只有精品国产| 精品无人区乱码1区二区| 久久国产亚洲av麻豆专区| 12—13女人毛片做爰片一| 久久香蕉国产精品| 老司机午夜十八禁免费视频| 97人妻天天添夜夜摸| 天堂动漫精品| 日本撒尿小便嘘嘘汇集6| 在线观看舔阴道视频| 91字幕亚洲| 国产欧美亚洲国产| 午夜成年电影在线免费观看| 成年人午夜在线观看视频| 欧美+亚洲+日韩+国产| 精品国产一区二区三区久久久樱花| 免费在线观看亚洲国产| 一二三四在线观看免费中文在| 欧美日韩亚洲高清精品| 久久人妻熟女aⅴ| aaaaa片日本免费| 中文字幕高清在线视频| 悠悠久久av| 日韩视频一区二区在线观看| 最新在线观看一区二区三区| 一本综合久久免费| a级片在线免费高清观看视频| 黄色女人牲交| 十八禁网站免费在线| 精品国产美女av久久久久小说| 亚洲中文日韩欧美视频| 亚洲avbb在线观看| 中文字幕色久视频| 精品午夜福利视频在线观看一区| 亚洲精品国产一区二区精华液| 黄色a级毛片大全视频| 99国产精品一区二区三区| 妹子高潮喷水视频| 在线观看免费视频网站a站| 中文字幕人妻丝袜制服| 成人黄色视频免费在线看| 欧美日韩福利视频一区二区| 男女高潮啪啪啪动态图| 久久久国产成人免费| 国产高清videossex| 欧美最黄视频在线播放免费 | 成年人黄色毛片网站| 久久精品国产99精品国产亚洲性色 | 久久久国产成人免费| 人妻久久中文字幕网| 精品高清国产在线一区| 久久精品亚洲精品国产色婷小说| 老熟女久久久| 99re6热这里在线精品视频| av超薄肉色丝袜交足视频| 老司机午夜十八禁免费视频| 精品久久久精品久久久| av线在线观看网站| 久久国产精品大桥未久av| 欧美日韩一级在线毛片| 欧美另类亚洲清纯唯美| 免费在线观看日本一区| 欧美人与性动交α欧美软件| 十八禁高潮呻吟视频| 国产xxxxx性猛交| 天天操日日干夜夜撸| 国产精品永久免费网站| 成人特级黄色片久久久久久久| 亚洲久久久国产精品| e午夜精品久久久久久久| 欧美人与性动交α欧美软件| 一进一出好大好爽视频| 免费观看a级毛片全部| 99国产精品99久久久久| 无遮挡黄片免费观看| 亚洲七黄色美女视频| 777米奇影视久久| 国产精品1区2区在线观看. | 欧美日韩成人在线一区二区| 丰满迷人的少妇在线观看| 久久久久久人人人人人| 久久99一区二区三区| svipshipincom国产片| 国产亚洲av高清不卡| av有码第一页| 国产男女内射视频| 午夜两性在线视频| 成在线人永久免费视频| 成年女人毛片免费观看观看9 | 中文字幕人妻丝袜一区二区| 久久香蕉激情| 国产精品乱码一区二三区的特点 | 国产麻豆69| 自拍欧美九色日韩亚洲蝌蚪91| 国产亚洲欧美精品永久| 欧美日韩亚洲高清精品| cao死你这个sao货| 免费在线观看日本一区| 日本欧美视频一区| 69精品国产乱码久久久| 久久久久久久久免费视频了| 极品少妇高潮喷水抽搐| 亚洲av熟女| 国产在线精品亚洲第一网站| 伊人久久大香线蕉亚洲五| 黑丝袜美女国产一区| 亚洲熟女精品中文字幕| 久久久久精品国产欧美久久久| 亚洲专区字幕在线| 丰满迷人的少妇在线观看| 日韩免费高清中文字幕av| 欧美日韩av久久| 999久久久精品免费观看国产| 欧美av亚洲av综合av国产av| 成人亚洲精品一区在线观看| 亚洲熟女精品中文字幕| 人人澡人人妻人| 动漫黄色视频在线观看| 亚洲精品一二三| 国产精品久久久久久人妻精品电影| 午夜老司机福利片| 欧洲精品卡2卡3卡4卡5卡区| 99香蕉大伊视频| 夫妻午夜视频| 久久久久国产精品人妻aⅴ院 | 亚洲aⅴ乱码一区二区在线播放 | 中文字幕人妻熟女乱码| 国产精品久久视频播放| 国产精品av久久久久免费| 亚洲精品美女久久av网站| 亚洲男人天堂网一区| 久久99一区二区三区| x7x7x7水蜜桃| 色综合婷婷激情| 亚洲成人免费av在线播放| 精品乱码久久久久久99久播| 欧美乱妇无乱码| 亚洲欧美日韩高清在线视频| 亚洲欧美日韩另类电影网站| 午夜福利一区二区在线看| 午夜精品在线福利| 亚洲在线自拍视频| 女人高潮潮喷娇喘18禁视频| 久久国产精品大桥未久av| 十分钟在线观看高清视频www| 在线观看舔阴道视频| 91字幕亚洲| 久久久久精品人妻al黑| 男女免费视频国产| 久久午夜亚洲精品久久| 在线播放国产精品三级| 亚洲午夜理论影院| 国产在线精品亚洲第一网站| 操出白浆在线播放| 中文欧美无线码| 精品国产一区二区久久| 欧美乱色亚洲激情| 一边摸一边做爽爽视频免费| av在线播放免费不卡| 如日韩欧美国产精品一区二区三区| 91九色精品人成在线观看| 欧美午夜高清在线| 女人精品久久久久毛片| 97人妻天天添夜夜摸| 亚洲第一青青草原| 国产精品秋霞免费鲁丝片| 老司机深夜福利视频在线观看| 日韩欧美三级三区| 多毛熟女@视频| 新久久久久国产一级毛片| 久久九九热精品免费| 亚洲国产精品合色在线| 99精国产麻豆久久婷婷| 91老司机精品| 人妻一区二区av| 亚洲一区高清亚洲精品| 国产亚洲精品第一综合不卡| 亚洲人成伊人成综合网2020| 国产成+人综合+亚洲专区| 女性生殖器流出的白浆| 欧美久久黑人一区二区| 免费少妇av软件| 欧美日韩福利视频一区二区| 又黄又爽又免费观看的视频| 国产av精品麻豆| 亚洲精品久久午夜乱码| 在线永久观看黄色视频| 国产亚洲欧美精品永久| 国产一区在线观看成人免费| 操美女的视频在线观看| 新久久久久国产一级毛片| 久久这里只有精品19| 热re99久久精品国产66热6| 亚洲七黄色美女视频| 高清欧美精品videossex| 国产午夜精品久久久久久| 黄色a级毛片大全视频| 国产蜜桃级精品一区二区三区 | 国产深夜福利视频在线观看| 国产av又大| 老司机在亚洲福利影院| 日韩大码丰满熟妇| 亚洲自偷自拍图片 自拍| 亚洲久久久国产精品| 正在播放国产对白刺激| 精品国产美女av久久久久小说| 91麻豆av在线| 波多野结衣av一区二区av| 美女 人体艺术 gogo| 欧美日韩黄片免| 麻豆av在线久日| a级毛片黄视频| 欧美在线一区亚洲| 9热在线视频观看99| av网站免费在线观看视频| 一边摸一边抽搐一进一出视频| 露出奶头的视频| 亚洲成人手机| 国产av精品麻豆| 亚洲中文日韩欧美视频| 捣出白浆h1v1| 黑人猛操日本美女一级片| 巨乳人妻的诱惑在线观看| 99热网站在线观看| 精品久久久久久,| 免费观看a级毛片全部| 身体一侧抽搐| bbb黄色大片| 99久久99久久久精品蜜桃| 18禁国产床啪视频网站| 多毛熟女@视频| 一区福利在线观看| 777米奇影视久久| 婷婷成人精品国产| videosex国产| 久久国产亚洲av麻豆专区| 欧美黄色片欧美黄色片| 精品久久久久久久久久免费视频 | 美女高潮到喷水免费观看| 精品少妇久久久久久888优播| 国产欧美亚洲国产| 在线观看免费高清a一片| a级片在线免费高清观看视频| av天堂久久9| 在线免费观看的www视频| 精品久久久久久久久久免费视频 | 成人亚洲精品一区在线观看| 亚洲欧美一区二区三区久久| 狠狠狠狠99中文字幕| 999久久久精品免费观看国产| 亚洲av第一区精品v没综合| 成年人午夜在线观看视频| 免费看十八禁软件| 老司机靠b影院| 亚洲熟女精品中文字幕| 久久精品国产a三级三级三级| 十分钟在线观看高清视频www| 国产xxxxx性猛交| 国产高清videossex| 亚洲熟妇中文字幕五十中出 | 婷婷成人精品国产| 日本wwww免费看| 天天影视国产精品| 欧洲精品卡2卡3卡4卡5卡区| www.999成人在线观看| 国产1区2区3区精品| 国产精品自产拍在线观看55亚洲 | 免费观看人在逋| 亚洲一区中文字幕在线| 免费看十八禁软件| 18禁观看日本| 中文字幕色久视频| 宅男免费午夜| 亚洲中文日韩欧美视频| 亚洲欧美一区二区三区黑人| 亚洲一区二区三区不卡视频| 五月开心婷婷网| 人人澡人人妻人| 他把我摸到了高潮在线观看| 女人精品久久久久毛片| 亚洲 国产 在线| 超色免费av| 又黄又爽又免费观看的视频| 日韩视频一区二区在线观看| 日日夜夜操网爽| 老汉色av国产亚洲站长工具| www.精华液| 日韩精品免费视频一区二区三区| 亚洲免费av在线视频| 国产精品 国内视频| 美女国产高潮福利片在线看| 大陆偷拍与自拍| 久久久久精品国产欧美久久久| 美女午夜性视频免费| 亚洲一区高清亚洲精品| 日韩制服丝袜自拍偷拍| 无人区码免费观看不卡| 久久久久久免费高清国产稀缺| 国产精品久久久久久人妻精品电影| 免费日韩欧美在线观看| 俄罗斯特黄特色一大片| 亚洲中文日韩欧美视频| 国产不卡av网站在线观看| 脱女人内裤的视频| 俄罗斯特黄特色一大片| 国产亚洲av高清不卡| 99久久国产精品久久久| 自线自在国产av| 高清av免费在线| 热99久久久久精品小说推荐| 亚洲欧美日韩高清在线视频| 午夜亚洲福利在线播放| 精品福利观看| 男人的好看免费观看在线视频 | 天堂动漫精品| 国产成+人综合+亚洲专区| 最近最新免费中文字幕在线| 天天躁夜夜躁狠狠躁躁| 国产精品亚洲av一区麻豆| 午夜免费观看网址| 色综合婷婷激情| 老鸭窝网址在线观看| 国产精品综合久久久久久久免费 | 黑丝袜美女国产一区| 成年版毛片免费区| 制服诱惑二区| 天天影视国产精品| xxxhd国产人妻xxx| 性色av乱码一区二区三区2| 国产精品亚洲一级av第二区| 99久久国产精品久久久| 成年动漫av网址| 亚洲精品av麻豆狂野| 香蕉丝袜av| 亚洲欧美日韩另类电影网站| 精品久久久久久电影网| 国产蜜桃级精品一区二区三区 | 欧美激情高清一区二区三区| 又紧又爽又黄一区二区| 久99久视频精品免费| 天天躁狠狠躁夜夜躁狠狠躁| 黄片播放在线免费| 一夜夜www| 激情视频va一区二区三区| 热99re8久久精品国产| 日本欧美视频一区| 国产成人av激情在线播放| 丝袜美腿诱惑在线| 亚洲精品一卡2卡三卡4卡5卡| 国产成人av教育| 午夜福利乱码中文字幕| 亚洲 欧美一区二区三区| 18禁美女被吸乳视频| 精品一区二区三区视频在线观看免费 | 成人亚洲精品一区在线观看| 久久久久国产精品人妻aⅴ院 | 午夜影院日韩av| 国产精品永久免费网站| 成人亚洲精品一区在线观看| 国产精品一区二区精品视频观看| 别揉我奶头~嗯~啊~动态视频| 国产又爽黄色视频| 亚洲精品av麻豆狂野| 99国产精品一区二区蜜桃av | 91麻豆av在线| 国产一区二区三区综合在线观看| 欧美精品啪啪一区二区三区| 青草久久国产| av中文乱码字幕在线| 99久久综合精品五月天人人| 80岁老熟妇乱子伦牲交| 亚洲中文日韩欧美视频| 18在线观看网站| 免费看a级黄色片| 搡老乐熟女国产| 亚洲av电影在线进入| 一级黄色大片毛片| 老司机午夜十八禁免费视频| 91麻豆精品激情在线观看国产 | www.自偷自拍.com| 国产精品免费大片| 啦啦啦 在线观看视频| 一边摸一边抽搐一进一出视频| 午夜精品久久久久久毛片777| 巨乳人妻的诱惑在线观看| 精品国内亚洲2022精品成人 | 亚洲av成人一区二区三| 日韩欧美免费精品| 成人av一区二区三区在线看| 精品欧美一区二区三区在线| 美女高潮到喷水免费观看| 精品福利观看| 久久这里只有精品19| 亚洲视频免费观看视频| 午夜日韩欧美国产| 午夜福利在线观看吧| av中文乱码字幕在线| 人人妻人人添人人爽欧美一区卜| 在线看a的网站| 三上悠亚av全集在线观看| 人妻久久中文字幕网| 90打野战视频偷拍视频| 亚洲精品成人av观看孕妇| 亚洲免费av在线视频| 人人妻人人爽人人添夜夜欢视频| 91九色精品人成在线观看| 欧美激情高清一区二区三区| 亚洲精品中文字幕在线视频| 亚洲成a人片在线一区二区| 亚洲精品美女久久久久99蜜臀| 超碰成人久久| 国产成人av教育| 他把我摸到了高潮在线观看| 欧美 亚洲 国产 日韩一| 久久精品亚洲av国产电影网| 一a级毛片在线观看| 在线国产一区二区在线| 黄片大片在线免费观看| 国产淫语在线视频|