• <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 ?

    基于融合特征的微博主客觀分類方法

    2014-02-28 05:12:45張曉梅高俊杰
    中文信息學報 2014年4期
    關鍵詞:主客觀主觀性特征選擇

    張曉梅,李 茹,2,王 斌,吳 迪,高俊杰

    (1.山西大學 計算機與信息技術學院,山西 太原 030006;2.山西大學 計算智能與中文信息處理教育部重點實驗室,山西 太原 030006)

    1 引言

    微博作為一種新型的社交媒體平臺,為用戶提供了更加迅速、便捷的網絡社交服務,尤其是面對一些突發(fā)事件時,微博起著至關重要的作用。例如,雅安地震中,以新浪微博為代表的社交媒體凸顯了強大的平臺影響力和號召力,極大地提升了災難救助的效率。地震發(fā)生后,救援人員、網友、公眾人士、媒體等均第一時間在微博上發(fā)出相關的震災信息。然而,微博的海量信息中還包含有大量話題不相關亦或客觀描述等其他無用信息,這就為政府部門等從微博中快速查找有用信息帶來了巨大困難。因此,如何從微博中自動獲取話題相關的有價值信息成為一個亟待解決的問題。

    微博中與影視、期刊、產品、新政策等話題密切相關的主觀性文本,不僅有助于影視公司進行作品銷量分析,而且有利于產品公司進行質量提高,同時,對于政府部門進行輿情監(jiān)督等工作也有重要價值。因此,本文將微博中話題相關的主觀性文本稱為有用信息,其他話題不相關或者話題相關但屬于客觀描述的文本稱為無用信息。本文面向微博的主客觀分類研究旨在將微博中有用信息與無用信息進行區(qū)分,即針對限定話題下的相關微博文本進行分類研究,進而從微博中提取有用信息。此外,微博的主客觀分類研究在自然語言處理領域中也具有重要意義,它不僅是情感分析[1-2]和觀點摘要[3]等研究領域的基礎,也是觀點檢索系統(tǒng)[4]等研究的重要內容。

    近年來,面向微博的主客觀分類研究引起了眾多研究者的關注。其中,使用機器學習方法解決這一問題是當前主流[5-7],這種方法在性能上比基于規(guī)則的方法有明顯優(yōu)勢[8]。然而,在機器學習方法中,特征的選擇對分類的準確性起著至關重要的作用,因此,為了提高分類性能,需要選取有效的特征選擇方法。文獻[9]通過計算特征項n-gram在不同情感類中出現(xiàn)的概率熵來進行特征選擇,文獻[10]則通過對三種特征選擇方法(信息增益、卡方統(tǒng)計和文檔頻率)的性能進行比較,選擇效果最好的作為最終特征選擇方法。然而,衡量某個特征項的重要程度需要從類別關聯(lián)度和類別區(qū)分度兩方面來判斷,上述文獻均采用單一方法進行特征選擇,僅從某方面衡量特征的重要程度,同時,這些分類方法均未考慮特征之間的冗余性以及特征選擇方法之間的互補性。

    因此,為了克服現(xiàn)有分類方法的缺點,綜合不同特征選擇方法的優(yōu)勢,進一步提高微博主客觀分類的準確性,本文提出了一種基于融合特征的微博主客觀分類方法,該方法研究了不同特征選擇方法對微博主客觀分類的影響,并利用特征融合算法將兩類特征選擇方法進行有效組合,考察組合后得到的融合特征能否獲得比最好特征選擇方法所得特征更好的分類效果。

    本文的組織結構如下: 第2節(jié)給出主客觀分類方法;第3節(jié)是實驗結果和分析;最后一節(jié)是本文的結論和將來的一些工作。

    2 主客觀分類

    2.1 問題描述

    面向傳統(tǒng)文本的主客觀分類問題一般不考慮話題相關性,而實際應用中話題相關的主觀性文本倍受關注且更具有潛在商業(yè)價值,因此,本文針對限定話題下的相關微博進行了主客觀分類研究。用一個三元組(ti,W,C)表示微博數(shù)據,其中,ti表示微博中某個熱門話題,W表示該話題下的微博文本集合,C表示微博文本類別集合。因此,本文面向微博的主客觀分類問題可以形式化為: 給定微博熱門話題t1,t2,…,tn,以及相關微博文本集Wti,目標是從Wti中將隸屬于類別Cj的微博文本識別出來。

    本文同時考慮了微博的話題相關性和主客觀性兩個層面的特征,并將該問題看成一個二分類問題,即針對限定話題以及相關微博文本集,將話題相關的主觀性微博即有用信息的類別標記為“1”,話題無關或話題相關但屬于客觀描述等無用信息的類別標記為“0”,進而通過機器學習方法構建微博主客觀分類模型來解決此二分類問題。

    2.2 分類模型

    最大熵(Maxent,簡稱ME)相對其他機器學習方法,其最大特點是不需要滿足特征與特征之間的條件獨立。因此,該方法適合融合各種不一樣的特征,而無需考慮它們之間的影響,故本文首選最大熵分類器作為微博主客觀分類工具。同時,支撐向量機(Support Vector Machine,簡稱SVM)也是當前較為流行的一種機器學習方法,而且在情感分類任務中取得了不錯的效果[10-11],因此,本文也使用SVM分類器對微博主客觀分類進行了對比研究。

    機器學習方法的學習效果很大程度上依賴于特征的選擇,但在進行特征選擇前,需要先確定基本特征。本文根據微博語言特點以及對傳統(tǒng)文本的研究經驗,提出了更加全面的基本特征,并在此基礎上,對兩類不同特征選擇方法進行組合,有效地選擇出相對最好特征選擇方法更優(yōu)的融合特征,進而結合該融合特征,利用機器學習方法對已標注微博進行建模,從而對未標注微博進行類別預測。

    2.3 基本特征

    雖然中文微博限制用戶輸入的文本不超過140個中文字符,但與英文微博相比,中文微博包含了更豐富的語義信息,所以,對于中文微博的主客觀分類研究更為復雜。此外,微博文本也區(qū)別于普通文本,微博文本有其專屬的特征,因此,本文通過總結相關研究工作[11-12],并結合微博自身特點,提取了4大類共22個特征,如表1所示。

    雖然所有的基本特征都可以作為分類器的輸入,但不相關或者冗余的特征可能會造成負面影響從而降低分類器的識別性能,因此,在分類前進行特征選擇是必要的。本文目的就是從基本特征中選擇出包含豐富語義信息且能夠較好地對微博進行形式化描述的特征子集。本文利用表1中所述基本特征,通過對不同特征選擇方法的特點進行分析,提出一種特征融合算法對兩類特征選擇方法進行組合來獲取微博主客觀分類的融合特征。

    表1 基本特征

    注: 情感符號是標點符號和表情圖片的統(tǒng)稱;表情圖片中不包含表情符號(如: O(∩_∩)O)。

    2.4 融合特征

    每個特征都不同程度的反映了所研究問題的部分信息,但特征太多會增加計算量和增加研究問題的復雜性,因此,希望通過定量分析,用較少的特征子集表達較多的信息量,特征選擇方法正是基于這樣的目的而提出的。本文為了充分利用各特征選擇方法的優(yōu)勢,提出了一種特征融合算法,通過對兩類特征選擇方法(詳細內容如2.4.1所述)進行組合來獲取有效融合特征。

    2.4.1 特征選擇方法

    特征選擇方法可以分為兩類: 有監(jiān)督的特征選擇方法和無監(jiān)督的特征選擇方法。常用有監(jiān)督特征選擇方法包括: 文檔頻率(Document Frequency,DF)、信息增益(Information Gain,IG)、平方統(tǒng)計(Chi-Square Statistic, CHI)和互信息(Mutual Information,MI)等方法[13]。其中,IG、CHI和MI是以關聯(lián)度來衡量特征項的重要程度,但IG是針對類別整體來考慮某特征項的重要性。而DF方法則通過閾值來選取具有代表性和類區(qū)分能力強的特征,即以類別區(qū)分度來衡量特征的重要性。這4種方法都可以從不同層面來獲取對分類有重要影響的特征,但其缺點是度量值的計算均與語料庫類別標注相關。

    無監(jiān)督的特征選擇方法主要是指主成分分析法(Principal Components Analysis,PCA),該方法已廣泛應用于所有科學領域的數(shù)據集上[14],其基本思想是: 設法將原來多個具有一定相關性的特征集,重新組合成一組新的互相無關的綜合特征子集來代替原來的特征集。它是考察多個特征間相關性一種多元統(tǒng)計方法,研究如何通過少數(shù)幾個主成分來揭示多個特征間的內部結構,即從原始特征中導出少數(shù)幾個主成分,使它們盡可能多地保留原始特征的信息,且彼此間互不相關。該方法的優(yōu)點是所得特征子集可以有效降低特征之間的冗余度,但該方法也有不足,其容易忽略那些不相關的但類別區(qū)分度較高的特征。同時,該方法進行特征選擇時不考慮語料庫類別標注情況,所以,它受語料庫中類別標注的主觀因素影響較小,但其無法衡量特征與類別的關聯(lián)程度。

    因此,為了充分利用不同類型特征選擇方法的優(yōu)勢,本文在上述兩類特征選擇方法的基礎上,提出了一種基于融合特征的微博主客觀分類方法。該方法主要是利用一種特征融合算法來獲取融合特征,其核心思想是: 利用上述兩類特征選擇方法,在降低原基本特征冗余度的同時考慮特征的類別關聯(lián)度和類別區(qū)分能力,即將這兩類特征選擇方法進行互補和組合,從而獲取最佳融合特征。這樣不僅可以降低原基本特征的維數(shù)和冗余度,而且保留了重要的基本特征,同時,相對平衡了語料庫標注穩(wěn)定性對特征選擇的影響。

    從理論上講,如果把一條微博文本看作一個實體,則其可由多個屬性來描述,每個屬性又可以具化到多個實例(即特征項),文中有監(jiān)督的特征選擇方法僅是對基本特征項的單純組合,即在特征層面對微博文本進行描述,而無監(jiān)督的特征選擇方法PCA則可以看作對特征項進行了加權組合,即在屬性層面來描述微博文本,本文通過對這兩種不同類型的特征選擇方法進行組合,從而可以融合不同層面的信息來對微博文本進行形式化描述,進而獲取更佳分類效果。

    2.4.2 特征融合算法

    本文特征融合算法的基本思路: 利用無監(jiān)督特征選擇方法即PCA對原基本特征進行特征選擇,獲取冗余度低且互不相關的綜合性特征子集;將有監(jiān)督特征選擇方法中的四種方法分別對原基本特征進行特征選擇,并利用Feature Bagging算法(簡稱FB)對四種特征選擇方法進行有效組合,即將其選擇的特征子集進行融合,從而從原基本特征集中選擇出類別關聯(lián)度高且類別區(qū)分度高的特征子集;將前面兩種特征子集進行融合從而得到最佳融合特征。本文將該特征融合算法稱為PFB融合算法,其具體內容如圖1所示。

    Input:特征選擇方法集合methodSet={firstMethodSet,secondMethodSet},基本特征集合featureSetOutput:融合特征集合subFSetInit:subFSet←?;Step1:用methodSet集合中secondMethodSet集合的無監(jiān)督特征選擇方法PCA對featureSet中的基本特征進行選擇,獲取第一類加權綜合性特征子集subFSet1;Step2:用methodSet集合中firstMethodSet集合的的四種有監(jiān)督的特征選擇方法分別對featureSet中的特征進行選擇,并利用FB算法將各特征選擇結果進行融合,從而獲取第二類最佳特征子集subFSet2;Step3:將Step1和Step2中的兩類型子集進行合并,獲取融合特征子集,即:subFSet2subFSet1∪subFSet2。圖1 PFB算法總體流程

    其中,F(xiàn)B算法是用來處理多特征選擇方法組合問題,其基本思想是: 選擇R個特征選擇方法Mi(i=1,2,...,R)分別對N個基本特征Fj(j=1,2,...,N)進行特征選擇,其中,Mi屬于第一類有監(jiān)督的特征選擇方法,F(xiàn)j是根據語料庫中的數(shù)據預定義的基本特征。對于基本特征集合中的每個特征Fj,用這R個特征選擇方法分別對其進行打分,最終,將得分最高的特征作為最終特征子集,其具體內容如圖2所示。

    Input:firstMethodSet,featureSet,thresholdKOutput:subFSet2Init:subFSet2←?,特征得分featureScore[featureSetSize]←{0};Step1:Forallmi∈firstMethodSet 特征統(tǒng)計值featureStatisticValue[featureSetSize]←{0}; Forallfj∈featureSet featureStatisticValuej←getStatisticValue(mi,fj); EndFor featureLocNumdescSort(featureStatisticValue,featureSet); Forallfj∈featureSet 特征位置編號fLocj←getNum(featLocNum,fj); IffLocj<=thresholdK featureScorej←featureScorej+1; Else featureScorej←featureScorej+0; EndForEndForStep2:featureScore←descSort(featureScore);Step3:subFSet2←getHighestScoreFeatureSet(featureScore,featureSet)。圖2 FB算法過程

    3 實驗

    3.1 實驗語料

    本文針對新浪微博熱門話題應用,對某熱門話題的相關微博文本進行主客觀分類研究。為了實驗方便,本文所用數(shù)據集來自于數(shù)據堂(http://www.datatang.com/),人工從中篩選了10個話題以及相關的9 268條微博評論。為了減少語料粗糙對微博主客觀分類準確率的影響,本文對語料進行了預處理,包括: 去掉轉發(fā)等不規(guī)則符號以及重復內容、剔除并存儲微話題和鏈接、剔除表情符號等工作,最終保留了5 618條微博,詳細內容如表2所示。

    表2 數(shù)據集的統(tǒng)計信息

    續(xù)表

    話題類別標號話題主觀/條客觀/條全部/條影視7愛情公寓 2453315768藍精靈 286277563書刊9北京青年 24312436710平凡的世界260293553總計289927195618

    經統(tǒng)計,語料庫中主觀性微博所占全部微博的51.6%,即語料庫中主觀性微博和客觀微博數(shù)量相對均衡。另外,詞庫的構建也是微博主客觀分類至關重要的內容[15],本文構建了7個詞庫,包括: 觀點詞庫、否定詞庫、程度副詞庫、轉折詞庫、感嘆詞庫、網絡俗語詞庫以及縮略詞庫。其中,觀點詞庫整合了常用的兩大知識庫,即由董振東等人提出建立的HowNet知識系統(tǒng)[16]和由大連理工大學建立的情感詞匯本體[17],并綜合了由山西大學建立的漢語框架網(Chinese FrameNet,CFN)的詞元庫[18];網絡俗語詞庫和縮略詞庫主要參照大連理工大學的情感詞匯本體,否定詞庫等其他詞庫均利用網絡資源總結所得。詞庫規(guī)模以及樣例如表3所示。

    3.2 評價標準

    本實驗通過計算正確率(A)指標來評測微博主客觀自動分類的效果,具體定義如下:

    表3 詞庫的統(tǒng)計信息

    此外,本文還通過計算準確率(P)、召回率(R)、F-測試值(F1)三個指標對主觀性微博的識別效果進行了評測,具體定義如下:

    3.3 實驗結果及分析

    在實現(xiàn)基于融合特征的微博主客觀分類時,本文選用五折交叉驗證(five-fold cross-validation)作為評測方法,并分別使用材智仁設計的SVM和張樂博士編寫的ME分類器對微博進行主客觀分類。

    3.3.1 不同特征選擇方法的主客觀分類結果對比

    本文先對所有基本特征直接進行分類,并在此基礎上,分別采用7種不同特征選擇方法(其中包括兩種特征融合算法)進行特征選擇而后結合不同分類器進行主客觀分類。不同特征選擇方法的分類結果如表4所示(均使用正確率A來評價)。

    從表4可以發(fā)現(xiàn), 本文提出的PFB融合算法在不同分類器中均獲得了最佳分類結果,但結合ME分類器的結果相對較好。同時,PFB融合算法比單獨的PCA和FB算法的結果均有很大提高。此外,本文也得出了與文獻[10]一致的結果,即就單一特征選擇方法而言,使用IG進行特征選擇的分類結果最好。

    表4 不同特征選擇方法的分類結果

    3.3.2 主觀性微博的識別結果對比

    實際應用中主觀性微博的價值更大,因此,本文通過使用F1值來進一步衡量不同特征選擇方法結合不同分類器對主觀性微博的識別效果,如圖3所示。

    圖3 主觀性微博的識別結果

    圖3表示分別使用SVM和ME分類器時,不同特征選擇方法對主觀性微博的識別結果。通過對圖3中兩種不同分類器的識別結果進行對比,可以發(fā)現(xiàn)本文數(shù)據以及方法結合張樂博士編寫的ME分類器的主觀性微博識別結果相對較好。同時,從圖3中可以看出,相比其他特征選擇方法,PFB特征融合算法結合兩種不同分類器的主觀性微博識別結果均是最好的。因此,本文提出的PFB融合算法在主觀性微博識別方面依然可以取得最佳效果。

    3.3.3 不同類型話題的實驗結果對比

    為了觀察不同類型微博語料對于本方法的影響,本實驗采用實驗3.3.2中效果最好的PFB融合算法,并結合ME分類器對語料庫中不同類型話題下的主觀性微博進行識別。如圖4所示(均以F1值為評價標準),從圖中結果可以發(fā)現(xiàn)本文特征結合PFB融合算法對這三類不同類型語料的主觀性微博識別性能波動較小,初步說明本文方法較為穩(wěn)定,但“民生”話題的主觀性微博識別結果相對較低。通過分析,話題相關性特征對主觀性微博的識別結果具有重要影響,文中“民生”話題的相關微博文本中所包含話題較為靈活,因此,本文實驗對微博的話題相關性判斷還有待進一步提高。

    圖4 不同類型話題的識別結果

    3.3.4 單特征的IG值對比

    信息增益可以根據某個特征項為整個類別提供的信息量多少來對特征性的重要程度進行判定,它能夠考察特征對整個系統(tǒng)的貢獻,IG值越大,說明該特征越重要。本文通過計算每個特征項的IG值來比較各特征項的重要性,結果如圖5所示。(通過觀察語料,發(fā)現(xiàn)在本實驗中不適合使用句子個數(shù)、內容重復度和鏈接特征,故實驗前已將其剔除。圖5橫坐標中編號F1~F19分別與表1中其余19個特征按順序一一對應)通過比較,可以發(fā)現(xiàn)每個特征對微博主客觀分類均有效果,但個別特征未被充分利用,例如,觀點詞特征F1,根據經驗,F(xiàn)1是非常重要的特征,但在本實驗中效果較差,因此,觀點詞特征有待進一步研究。

    圖5 不同特征的信息增益值

    最后,本文對微博主客觀分類研究進行了錯誤分析,發(fā)現(xiàn)實驗對兩種類型的微博不能準確識別。

    ① 隱性話題相關的主觀性微博。例如,“我也要!(話題“婚紗照”)”。該微博并沒有顯性包含話題詞,也沒有Hashtags,本文實驗對這種隱性話題相關的微博不能準確識別。

    ② 包含新型網絡詞匯的主觀性微博。例如,“《愛情公寓2》重口味宣傳片。太重了。太重了。(話題“愛情公寓”)”。由于網絡俗語更新速度快以及本文對網絡術語收集較少,對該類型微博也不能準確識別。

    4 結論

    本文提出了一種面向微博主客觀分類的PFB特征融合算法,該算法綜合了不同特征選擇方法的優(yōu)勢,并通過對不同特征選擇方法進行有效組合來獲取融合特征。本文利用該算法,同時結合機器學習方法對新浪微博熱門話題中的微博數(shù)據進行了主客觀分類研究。實驗結果表明該融合算法能夠獲得比最好基特征選擇方法更佳的分類效果。在下一步的研究工作中,將考慮加入更多微博特征,例如,用戶名、轉發(fā)和回復等,并進一步對隱性話題相關的主觀性微博進行研究。

    [1] Jiang L,Yu M,Zhou M,et al. Target-dependent Twitter Sentiment Classification[C]//Proceedings of the AMACL,2011:151-160.

    [2] Barbosa L,Feng J L. Robust Sentiment Detection on Twitter from Biased and Noisy[C]//Proceedings of the COLING,2010: 36-44.

    [3] Hu M Q, Liu B. Opinion Extraction and Summarization on the Web[C]//Proceedings of the AAAI,2006:1621-1624.

    [4] Yu H, Hatzivassiloglou V. Towards Answering Opinion Question:Separating Facts from Opinions and Identifying the Polarity of Opinion Sentences[C]//Proceedings of the EMNLP, 2003: 129-136.

    [5] Go A,Bhayani R, Huang L. Twitter Sentiment Classification Using Distant Supervision[R]. Technical report, Stanford Digital Library Technologies Project, 2009.

    [6] Pak A,Paroubek P. Twitter as a Corpus for Sentiment Analysis and Opinion Mining[C]//Proceedings of LREC,2010: 1320-1326.

    [7] Davidov D,Tsur O,Rappoport A. Enhanced Sentiment Learning Using Twitter Hashtags and Smileys[C]//Proceedings of the COLING,2010:241-249.

    [8] 李壽山,黃居仁. 基于Stacking組合分類方法的中文情感分類研究[J].中文信息學報,2010,24(5):56-61.

    [9] 張珊,于留寶,胡長軍. 基于表情圖片與情感詞的中文微博情感分析[J].計算機科學,2012,39(z3): 146-148,176.

    [10] 劉志明,劉魯. 基于機器學習的中文微博情感分類實證研究[J].計算機工程與應用,2012,48(1):1-4.

    [11] 謝麗星,周明,孫茂松. 基于層次結構的多策略中文微博情感分析和特征抽取[J].中文信息學報,2012,26(1):73-83.

    [12] 姚天防,彭思崴. 漢語主客觀文本分類方法的研究[C]//第三屆全國信息檢索與內容安全學術會議論文集,2007:117-123.

    [13] Yang Y M,Pedersen J O. A Comparative Study on Feature Selection in Text Categorization[C]//Proceedings of the ICML,1997: 412-420.

    [14] Boutsidis C, Mahoney M W,Drineas P. Unsupervised Feature Selection for Principal Components Analysis[C]//Proceedings of the KDD,2008:61-69.

    [15] Shen Y,Li S C,Zheng L,et al. Emotion Mining Research on Micro-blog[C]//Proceedings of the SWS,2009: 71-75.

    [16] Dong Z D, Dong Q. HowNet. http://www.keenage.com/, 2005.

    [17] 徐琳宏,林鴻飛,潘宇,等.情感詞匯本體的構造[J].情報學報, 2008, 27(2): 180-185.

    [18] You L P, Liu K Y. Building Chinese FrameNet Database[C]//Proceedings of the IEEE NLP-KE,2005:301-306.

    猜你喜歡
    主客觀主觀性特征選擇
    耳鳴掩蔽和習服治療在主觀性耳鳴治療中的效果觀察
    Kmeans 應用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    Outdoor air pollution as a possible modifiable risk factor to reduce mortality in post-stroke population
    法官判案主觀性減弱
    聯(lián)合互信息水下目標特征選擇算法
    “沒準兒”“不一定”“不見得”和“說不定”的語義傾向性和主觀性差異
    語言與翻譯(2015年4期)2015-07-18 11:07:43
    特大型高鐵車站高架候車廳聲環(huán)境主客觀評價研究
    雙重階層意識與主客觀記憶(1)——以黃龜淵故事為例
    昌吉州主客觀溫度預報檢驗及業(yè)務應用
    基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
    欧美老熟妇乱子伦牲交| 久久香蕉国产精品| 高清黄色对白视频在线免费看| 如日韩欧美国产精品一区二区三区| 国产成人欧美在线观看| 脱女人内裤的视频| 夜夜看夜夜爽夜夜摸| avwww免费| 黑丝袜美女国产一区| 午夜免费激情av| 欧美中文日本在线观看视频| 一区二区三区国产精品乱码| 在线观看免费视频日本深夜| 美女午夜性视频免费| 女性生殖器流出的白浆| 如日韩欧美国产精品一区二区三区| 亚洲精品国产色婷婷电影| 久久精品亚洲熟妇少妇任你| 99国产极品粉嫩在线观看| 久久久水蜜桃国产精品网| 日韩大码丰满熟妇| 日本三级黄在线观看| www日本在线高清视频| 成人国产一区最新在线观看| 中文字幕人妻丝袜一区二区| 色精品久久人妻99蜜桃| 成人三级做爰电影| 无限看片的www在线观看| 自线自在国产av| www.999成人在线观看| 国产精品久久视频播放| 法律面前人人平等表现在哪些方面| 美国免费a级毛片| 久久人人97超碰香蕉20202| 人人妻人人爽人人添夜夜欢视频| 国产精品久久视频播放| 欧美中文综合在线视频| 少妇熟女aⅴ在线视频| 神马国产精品三级电影在线观看 | 久久香蕉精品热| 一区福利在线观看| 18禁美女被吸乳视频| 欧美中文日本在线观看视频| 国产伦一二天堂av在线观看| 亚洲av成人不卡在线观看播放网| 久久久久久国产a免费观看| 欧美色视频一区免费| 亚洲情色 制服丝袜| 精品不卡国产一区二区三区| 国产精品香港三级国产av潘金莲| 性色av乱码一区二区三区2| 亚洲一区高清亚洲精品| 咕卡用的链子| 男女午夜视频在线观看| 亚洲av电影在线进入| 国产精品美女特级片免费视频播放器 | 搡老熟女国产l中国老女人| 自线自在国产av| 琪琪午夜伦伦电影理论片6080| 99香蕉大伊视频| 一级毛片女人18水好多| 国产成人欧美| 99精品欧美一区二区三区四区| 日韩高清综合在线| 亚洲欧洲精品一区二区精品久久久| 老熟妇乱子伦视频在线观看| 99riav亚洲国产免费| 成人18禁在线播放| 黄色成人免费大全| 亚洲精品久久成人aⅴ小说| 欧美成人性av电影在线观看| 中文字幕色久视频| 国产伦一二天堂av在线观看| 成人三级黄色视频| 日本a在线网址| 精品久久蜜臀av无| 欧美 亚洲 国产 日韩一| 午夜福利18| 俄罗斯特黄特色一大片| 免费不卡黄色视频| 国产成+人综合+亚洲专区| 最好的美女福利视频网| av在线天堂中文字幕| 国内精品久久久久久久电影| 可以在线观看毛片的网站| 久久久久久久久中文| 身体一侧抽搐| 久久欧美精品欧美久久欧美| 亚洲成av片中文字幕在线观看| 丝袜人妻中文字幕| 国产片内射在线| 97人妻天天添夜夜摸| 午夜福利欧美成人| 亚洲九九香蕉| 午夜精品在线福利| 国产精品一区二区在线不卡| 亚洲 欧美 日韩 在线 免费| 亚洲男人天堂网一区| 久久九九热精品免费| 精品一区二区三区av网在线观看| 国产一级毛片七仙女欲春2 | 青草久久国产| 高潮久久久久久久久久久不卡| 每晚都被弄得嗷嗷叫到高潮| 亚洲中文av在线| 亚洲人成伊人成综合网2020| 欧美绝顶高潮抽搐喷水| 国产又爽黄色视频| 国产精品 国内视频| 天堂影院成人在线观看| 一区二区三区激情视频| 亚洲成av片中文字幕在线观看| 99精品久久久久人妻精品| 丝袜美足系列| 涩涩av久久男人的天堂| 精品免费久久久久久久清纯| 国产激情久久老熟女| 变态另类成人亚洲欧美熟女 | 亚洲av成人一区二区三| 最好的美女福利视频网| av视频在线观看入口| 亚洲国产中文字幕在线视频| 侵犯人妻中文字幕一二三四区| 国产私拍福利视频在线观看| 好男人在线观看高清免费视频 | 伊人久久大香线蕉亚洲五| 国产成人精品在线电影| 国产亚洲欧美98| 757午夜福利合集在线观看| 国产主播在线观看一区二区| 嫁个100分男人电影在线观看| 久久久久久久久免费视频了| 999久久久国产精品视频| 午夜福利免费观看在线| www国产在线视频色| 欧美精品亚洲一区二区| 久久精品国产清高在天天线| 午夜精品在线福利| 亚洲av片天天在线观看| 亚洲第一av免费看| 亚洲五月天丁香| 人人澡人人妻人| 天天躁夜夜躁狠狠躁躁| 久久久国产精品麻豆| 女人被狂操c到高潮| 97人妻天天添夜夜摸| 美女高潮喷水抽搐中文字幕| 一区在线观看完整版| 黄色毛片三级朝国网站| 午夜免费成人在线视频| 精品国产乱码久久久久久男人| 大码成人一级视频| 亚洲五月色婷婷综合| 亚洲成av片中文字幕在线观看| 国产成人一区二区三区免费视频网站| 久久精品亚洲精品国产色婷小说| 一区福利在线观看| 欧美成狂野欧美在线观看| 国产1区2区3区精品| 婷婷精品国产亚洲av在线| 日日干狠狠操夜夜爽| 成人18禁在线播放| 久久久久久人人人人人| 一夜夜www| 亚洲欧洲精品一区二区精品久久久| 99久久久亚洲精品蜜臀av| 大陆偷拍与自拍| 成熟少妇高潮喷水视频| 久久香蕉精品热| 久久久久久久午夜电影| 老司机福利观看| 久久国产精品影院| 日韩三级视频一区二区三区| 欧美丝袜亚洲另类 | 国产亚洲av嫩草精品影院| 成人精品一区二区免费| 国产又爽黄色视频| 成人手机av| 麻豆一二三区av精品| 亚洲欧美日韩无卡精品| a在线观看视频网站| 看黄色毛片网站| 国产xxxxx性猛交| 在线观看免费日韩欧美大片| netflix在线观看网站| av欧美777| 午夜精品在线福利| 午夜福利影视在线免费观看| av视频免费观看在线观看| 一区在线观看完整版| 欧美乱色亚洲激情| 国产精品久久久人人做人人爽| 麻豆国产av国片精品| 欧美日本视频| av视频免费观看在线观看| 国产精品美女特级片免费视频播放器 | 老汉色av国产亚洲站长工具| 两人在一起打扑克的视频| 亚洲色图av天堂| 久久久水蜜桃国产精品网| 亚洲专区国产一区二区| 国产三级黄色录像| 午夜福利成人在线免费观看| 动漫黄色视频在线观看| 少妇裸体淫交视频免费看高清 | 久久精品成人免费网站| 在线国产一区二区在线| 日韩欧美一区二区三区在线观看| 欧美日韩福利视频一区二区| 欧美精品啪啪一区二区三区| 亚洲熟妇熟女久久| 亚洲第一欧美日韩一区二区三区| 亚洲 欧美 日韩 在线 免费| 欧美激情高清一区二区三区| xxx96com| 国产亚洲精品第一综合不卡| www.www免费av| 波多野结衣巨乳人妻| 国产在线观看jvid| 一区在线观看完整版| 成人永久免费在线观看视频| 久久精品aⅴ一区二区三区四区| 久久久国产成人免费| 老司机深夜福利视频在线观看| 国产私拍福利视频在线观看| 两人在一起打扑克的视频| 亚洲熟女毛片儿| 大陆偷拍与自拍| 最新美女视频免费是黄的| 欧美日本亚洲视频在线播放| 这个男人来自地球电影免费观看| 国产熟女xx| 亚洲男人天堂网一区| 可以免费在线观看a视频的电影网站| 欧美日韩黄片免| 一夜夜www| 看免费av毛片| 男女下面进入的视频免费午夜 | 99久久精品国产亚洲精品| 精品少妇一区二区三区视频日本电影| 90打野战视频偷拍视频| √禁漫天堂资源中文www| 亚洲 国产 在线| 午夜福利在线观看吧| 久久久久久久久中文| 亚洲视频免费观看视频| 97超级碰碰碰精品色视频在线观看| 精品不卡国产一区二区三区| 免费看美女性在线毛片视频| 黄色a级毛片大全视频| 亚洲自拍偷在线| 91国产中文字幕| 欧美 亚洲 国产 日韩一| 亚洲熟妇熟女久久| 在线播放国产精品三级| 亚洲欧美日韩无卡精品| 99香蕉大伊视频| 国产精品免费视频内射| 久久久精品欧美日韩精品| 国产aⅴ精品一区二区三区波| 男女午夜视频在线观看| 好男人在线观看高清免费视频 | 午夜福利一区二区在线看| 国产极品粉嫩免费观看在线| 午夜两性在线视频| 国产伦人伦偷精品视频| 亚洲精品av麻豆狂野| 一a级毛片在线观看| 99久久国产精品久久久| 一边摸一边做爽爽视频免费| 免费看美女性在线毛片视频| 亚洲 欧美一区二区三区| 国产蜜桃级精品一区二区三区| 两人在一起打扑克的视频| 丝袜在线中文字幕| 午夜福利在线观看吧| 无限看片的www在线观看| 国产黄a三级三级三级人| 黄色丝袜av网址大全| 天天躁狠狠躁夜夜躁狠狠躁| 好男人在线观看高清免费视频 | 欧美午夜高清在线| 狂野欧美激情性xxxx| 黄色 视频免费看| 久久久久久久久久久久大奶| 亚洲午夜理论影院| 免费高清视频大片| 日本三级黄在线观看| 无遮挡黄片免费观看| 国产欧美日韩综合在线一区二区| 亚洲三区欧美一区| 99国产精品一区二区蜜桃av| 9191精品国产免费久久| 亚洲精品美女久久久久99蜜臀| 美女扒开内裤让男人捅视频| av中文乱码字幕在线| 久久香蕉激情| 久久香蕉精品热| 亚洲欧美一区二区三区黑人| 一区二区三区国产精品乱码| 深夜精品福利| 午夜福利成人在线免费观看| 涩涩av久久男人的天堂| 免费在线观看黄色视频的| 亚洲欧美激情在线| cao死你这个sao货| 欧美乱色亚洲激情| 91成年电影在线观看| 黄片播放在线免费| 国产不卡一卡二| x7x7x7水蜜桃| 亚洲欧美激情在线| 一级,二级,三级黄色视频| 少妇熟女aⅴ在线视频| 大陆偷拍与自拍| 亚洲 欧美一区二区三区| 亚洲,欧美精品.| 成人三级做爰电影| av中文乱码字幕在线| 国产熟女午夜一区二区三区| 中文亚洲av片在线观看爽| 亚洲aⅴ乱码一区二区在线播放 | 这个男人来自地球电影免费观看| 欧美日本视频| 欧美在线黄色| 免费看十八禁软件| 一区二区三区国产精品乱码| 国产又色又爽无遮挡免费看| aaaaa片日本免费| 老熟妇仑乱视频hdxx| 亚洲成av人片免费观看| 一二三四在线观看免费中文在| 一夜夜www| 香蕉久久夜色| 淫秽高清视频在线观看| 亚洲色图综合在线观看| 亚洲第一青青草原| 欧美国产日韩亚洲一区| 一区福利在线观看| 亚洲av电影不卡..在线观看| 美女大奶头视频| 十分钟在线观看高清视频www| 久久欧美精品欧美久久欧美| 免费在线观看黄色视频的| 丝袜在线中文字幕| 国产av又大| 亚洲欧美激情在线| 99riav亚洲国产免费| 黄色成人免费大全| 久久久久久久久久久久大奶| 色老头精品视频在线观看| 久久中文字幕一级| 精品久久久精品久久久| 极品教师在线免费播放| 色综合婷婷激情| 国产精品日韩av在线免费观看 | 51午夜福利影视在线观看| 香蕉久久夜色| 91av网站免费观看| 成人永久免费在线观看视频| 国产av精品麻豆| 波多野结衣巨乳人妻| 亚洲中文av在线| 亚洲欧美日韩高清在线视频| 18禁国产床啪视频网站| av天堂久久9| av欧美777| 免费在线观看亚洲国产| 亚洲人成网站在线播放欧美日韩| 少妇裸体淫交视频免费看高清 | 亚洲片人在线观看| 日本一区二区免费在线视频| 亚洲国产精品合色在线| 男女床上黄色一级片免费看| 婷婷丁香在线五月| 亚洲成人精品中文字幕电影| 女人被狂操c到高潮| 无遮挡黄片免费观看| 亚洲成国产人片在线观看| 91成人精品电影| 国产麻豆成人av免费视频| 欧美一区二区精品小视频在线| 后天国语完整版免费观看| 999精品在线视频| 一区在线观看完整版| 亚洲成人免费电影在线观看| 久久久久国内视频| 国产精品免费视频内射| 99riav亚洲国产免费| 在线观看66精品国产| 亚洲狠狠婷婷综合久久图片| www.熟女人妻精品国产| 国产精品久久久人人做人人爽| 很黄的视频免费| 在线十欧美十亚洲十日本专区| 一夜夜www| 成人国产综合亚洲| 亚洲黑人精品在线| 色老头精品视频在线观看| 大型av网站在线播放| www日本在线高清视频| cao死你这个sao货| 侵犯人妻中文字幕一二三四区| 在线观看午夜福利视频| 久久香蕉精品热| 国产色视频综合| 黑人巨大精品欧美一区二区mp4| a在线观看视频网站| 精品国产超薄肉色丝袜足j| 国产色视频综合| 夜夜看夜夜爽夜夜摸| 制服诱惑二区| 午夜福利高清视频| 国产极品粉嫩免费观看在线| 神马国产精品三级电影在线观看 | 给我免费播放毛片高清在线观看| 在线观看免费视频日本深夜| 国产成人影院久久av| 亚洲欧美激情在线| tocl精华| 18禁观看日本| 久久久精品国产亚洲av高清涩受| 婷婷精品国产亚洲av在线| 久久精品国产99精品国产亚洲性色 | 露出奶头的视频| 国产亚洲精品av在线| 精品免费久久久久久久清纯| 女性被躁到高潮视频| a级毛片在线看网站| 国产精品免费视频内射| 男人的好看免费观看在线视频 | 777久久人妻少妇嫩草av网站| 一级,二级,三级黄色视频| 女同久久另类99精品国产91| 久久性视频一级片| 国产欧美日韩一区二区三区在线| 久久久精品国产亚洲av高清涩受| 精品久久久久久,| www国产在线视频色| 男人舔女人下体高潮全视频| 国产精品久久电影中文字幕| 国产精品久久久人人做人人爽| 国产精品一区二区免费欧美| 亚洲久久久国产精品| 亚洲色图综合在线观看| 丝袜美腿诱惑在线| 久久精品亚洲熟妇少妇任你| 1024视频免费在线观看| 久久香蕉精品热| 精品欧美国产一区二区三| 黄色 视频免费看| 亚洲人成电影免费在线| 亚洲美女黄片视频| 精品午夜福利视频在线观看一区| 国产一区在线观看成人免费| av天堂久久9| 免费在线观看完整版高清| 日日夜夜操网爽| 国产黄a三级三级三级人| 免费av毛片视频| 午夜福利成人在线免费观看| 国产蜜桃级精品一区二区三区| 我的亚洲天堂| 一个人免费在线观看的高清视频| 亚洲专区字幕在线| 电影成人av| 久久精品91蜜桃| 99香蕉大伊视频| 91成人精品电影| 免费久久久久久久精品成人欧美视频| 天堂动漫精品| 亚洲国产欧美网| 高清黄色对白视频在线免费看| 亚洲欧美激情在线| 一进一出抽搐动态| 亚洲国产看品久久| 91老司机精品| 国产成人精品在线电影| 欧美不卡视频在线免费观看 | 国产成人精品在线电影| 色婷婷久久久亚洲欧美| 视频在线观看一区二区三区| 午夜福利高清视频| 久久草成人影院| 少妇被粗大的猛进出69影院| 久久人妻av系列| 91成年电影在线观看| 不卡av一区二区三区| 日韩大码丰满熟妇| 男人舔女人的私密视频| 色综合欧美亚洲国产小说| 国产真人三级小视频在线观看| 九色国产91popny在线| 国产一区二区三区综合在线观看| 美国免费a级毛片| av超薄肉色丝袜交足视频| 久久婷婷成人综合色麻豆| 国产麻豆成人av免费视频| 精品国产一区二区三区四区第35| 欧美一级a爱片免费观看看 | 免费高清视频大片| 9191精品国产免费久久| 母亲3免费完整高清在线观看| 黄色 视频免费看| 欧美色欧美亚洲另类二区 | 啦啦啦韩国在线观看视频| 国产精品爽爽va在线观看网站 | 欧美日本视频| 一级,二级,三级黄色视频| ponron亚洲| 成年女人毛片免费观看观看9| 国产一卡二卡三卡精品| 国产激情欧美一区二区| av视频在线观看入口| 亚洲国产高清在线一区二区三 | 欧美黄色淫秽网站| av视频免费观看在线观看| 国产99久久九九免费精品| 51午夜福利影视在线观看| 动漫黄色视频在线观看| 两人在一起打扑克的视频| 欧美午夜高清在线| 精品高清国产在线一区| 中亚洲国语对白在线视频| 18禁观看日本| 欧美日韩亚洲国产一区二区在线观看| 深夜精品福利| 国产精品亚洲美女久久久| 男人的好看免费观看在线视频 | 午夜视频精品福利| 在线av久久热| 亚洲成av片中文字幕在线观看| 91九色精品人成在线观看| 视频在线观看一区二区三区| 神马国产精品三级电影在线观看 | 亚洲一区高清亚洲精品| 亚洲激情在线av| 在线观看舔阴道视频| 婷婷六月久久综合丁香| 日日摸夜夜添夜夜添小说| av视频在线观看入口| 每晚都被弄得嗷嗷叫到高潮| 校园春色视频在线观看| 日韩三级视频一区二区三区| 亚洲av五月六月丁香网| 99香蕉大伊视频| 男女下面进入的视频免费午夜 | 在线十欧美十亚洲十日本专区| 禁无遮挡网站| 搡老岳熟女国产| 久久久久久久久免费视频了| 国产亚洲精品久久久久5区| 中文亚洲av片在线观看爽| 99久久精品国产亚洲精品| 国产精品免费一区二区三区在线| 韩国av一区二区三区四区| 午夜福利视频1000在线观看 | 亚洲精品国产色婷婷电影| 久久精品人人爽人人爽视色| 麻豆成人av在线观看| 女警被强在线播放| 色综合亚洲欧美另类图片| 在线国产一区二区在线| 丝袜人妻中文字幕| 精品久久久久久,| 久久久久久久久免费视频了| 狠狠狠狠99中文字幕| 亚洲国产高清在线一区二区三 | 久久国产精品人妻蜜桃| 亚洲九九香蕉| 在线观看www视频免费| www国产在线视频色| 88av欧美| 少妇熟女aⅴ在线视频| 免费在线观看黄色视频的| 在线观看免费视频网站a站| 丁香六月欧美| 国产伦人伦偷精品视频| 九色亚洲精品在线播放| 精品熟女少妇八av免费久了| 国产精品久久久人人做人人爽| 国产亚洲精品综合一区在线观看 | 免费搜索国产男女视频| 一区二区三区高清视频在线| 精品久久久久久成人av| 成人亚洲精品一区在线观看| 亚洲熟女毛片儿| 99久久综合精品五月天人人| 日韩三级视频一区二区三区| 在线观看66精品国产| 日本vs欧美在线观看视频| 男女床上黄色一级片免费看| 老熟妇乱子伦视频在线观看| 热99re8久久精品国产| 亚洲成人国产一区在线观看| 欧美精品啪啪一区二区三区| 亚洲人成电影免费在线| 亚洲视频免费观看视频| 亚洲va日本ⅴa欧美va伊人久久| 好男人在线观看高清免费视频 | 一边摸一边抽搐一进一小说| 亚洲少妇的诱惑av| 成人18禁高潮啪啪吃奶动态图| 久久精品国产亚洲av高清一级| 久久人人97超碰香蕉20202| 亚洲欧洲精品一区二区精品久久久| 免费女性裸体啪啪无遮挡网站| 欧美一区二区精品小视频在线| 久久伊人香网站| 制服丝袜大香蕉在线| 99久久久亚洲精品蜜臀av| 正在播放国产对白刺激| 亚洲七黄色美女视频| 999久久久国产精品视频| 精品第一国产精品|