• <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 ?

    基于網(wǎng)絡(luò)讀書(shū)社區(qū)閱讀行為的書(shū)目推薦模型研究*

    2014-07-12 17:09:48鄒婧琳范煒
    數(shù)字圖書(shū)館論壇 2014年4期
    關(guān)鍵詞:書(shū)目標(biāo)簽圖書(shū)

    鄒婧琳 范煒

    (四川大學(xué)公共管理學(xué)院,成都 610064)

    基于網(wǎng)絡(luò)讀書(shū)社區(qū)閱讀行為的書(shū)目推薦模型研究*

    鄒婧琳 范煒

    (四川大學(xué)公共管理學(xué)院,成都 610064)

    書(shū)目推薦旨在建立圖書(shū)與讀者之間的雙向連接。新興網(wǎng)絡(luò)讀書(shū)社區(qū)中用戶(hù)的參與互動(dòng)過(guò)程積累了大量用戶(hù)行為數(shù)據(jù),為書(shū)目推薦提供了豐富的數(shù)據(jù)依據(jù)。文章針對(duì)網(wǎng)絡(luò)讀書(shū)社區(qū)中的主要用戶(hù)閱讀行為,綜合考慮用戶(hù)評(píng)分、閱讀狀態(tài)、標(biāo)簽、時(shí)間信息對(duì)用戶(hù)閱讀偏好的體現(xiàn),提出用戶(hù)閱讀偏好程度和偏好方向相結(jié)合的用戶(hù)偏好模型,形成了個(gè)性化書(shū)目推薦。采集豆瓣讀書(shū)數(shù)據(jù)進(jìn)行模型檢驗(yàn),結(jié)果表明,該模型有效地提高書(shū)目推薦的準(zhǔn)確性和多樣性,對(duì)網(wǎng)絡(luò)讀書(shū)社區(qū)實(shí)施個(gè)性化書(shū)目推薦具有參考價(jià)值。

    網(wǎng)絡(luò)讀書(shū)社區(qū);閱讀行為;書(shū)目推薦

    閱讀是中國(guó)自古以來(lái)的優(yōu)良傳統(tǒng),愛(ài)讀書(shū)、會(huì)讀書(shū)已成為當(dāng)代公民基本文化素養(yǎng)的重要組成部分。隨著圖書(shū)出版行業(yè)的繁榮發(fā)展與互聯(lián)網(wǎng)信息傳播的快速便捷,讀者在面對(duì)海量的圖書(shū)資源時(shí)陷入了選擇的困境。如何幫助讀者選擇適合他們的圖書(shū),并關(guān)注他們的個(gè)性化閱讀需求,有效的引導(dǎo)和推薦手段必不可少。

    圖書(shū)情報(bào)領(lǐng)域的書(shū)目推薦又稱(chēng)書(shū)目導(dǎo)讀,是引導(dǎo)和影響讀者閱讀行為的重要服務(wù)形式。傳統(tǒng)的圖書(shū)館書(shū)目推薦服務(wù)主要借助于讀者的借閱記錄、書(shū)目榜單等信息,不能很好地反映讀者真實(shí)的閱讀意愿。新興的網(wǎng)絡(luò)讀書(shū)社區(qū)是由用戶(hù)主導(dǎo)的讀書(shū)交流和知識(shí)發(fā)現(xiàn)的虛擬社區(qū)之一,其中所有的內(nèi)容、分類(lèi)、篩選,都由用戶(hù)產(chǎn)生和決定。這些閱讀行為數(shù)據(jù)是用戶(hù)貢獻(xiàn)內(nèi)容(UGC)的一個(gè)重要類(lèi)型,也為書(shū)目推薦提供了客觀(guān)的數(shù)據(jù)依據(jù)。

    本文關(guān)注網(wǎng)絡(luò)讀書(shū)社區(qū)中的主要閱讀行為,從用戶(hù)閱讀偏好程度和偏好方向兩個(gè)角度構(gòu)建用戶(hù)偏好模型,繼而形成書(shū)目推薦。

    1 書(shū)目推薦現(xiàn)狀分析

    書(shū)目推薦可視為現(xiàn)代推薦系統(tǒng)的一種類(lèi)型。現(xiàn)代推薦系統(tǒng)通過(guò)用戶(hù)的歷史行為數(shù)據(jù)來(lái)預(yù)測(cè)用戶(hù)的需求,為特定用戶(hù)推薦針對(duì)性的信息資源[1]。推薦系統(tǒng)在互聯(lián)網(wǎng)服務(wù)業(yè)得到廣泛應(yīng)用,關(guān)注個(gè)性化小眾需求帶來(lái)利基經(jīng)濟(jì)效益,長(zhǎng)尾理論給出了最好的詮釋。以電子商務(wù)網(wǎng)站Amazon為例,它為我們展現(xiàn)了豐富的推薦服務(wù)形式,其中基于用戶(hù)的購(gòu)買(mǎi)和瀏覽記錄,Amazon會(huì)為其推薦購(gòu)買(mǎi)了此商品的用戶(hù)也經(jīng)?;蛲瑫r(shí)購(gòu)買(mǎi)的其他商品,及瀏覽了此商品的其他用戶(hù)還查看或購(gòu)買(mǎi)過(guò)的商品。以在線(xiàn)影片租賃網(wǎng)站Netflix為例,它根據(jù)用戶(hù)的評(píng)分和反饋,為用戶(hù)推薦相似的電影,其宣稱(chēng)有60%的用戶(hù)能通過(guò)其推薦找到自己感興趣的電影視頻。

    隨著數(shù)字圖書(shū)館的建設(shè)發(fā)展,現(xiàn)代推薦系統(tǒng)融入書(shū)目導(dǎo)讀服務(wù)之中。基于內(nèi)容特征的書(shū)目推薦,斯坦福大學(xué)的Fab[2]、麻省理工學(xué)院的Letizia[3]等系統(tǒng)利用資源內(nèi)容進(jìn)行信息過(guò)濾,自動(dòng)為用戶(hù)提供與檢索內(nèi)容相似的資源;基于讀者基本信息的書(shū)目推薦,中國(guó)人民大學(xué)的KingBase DL系統(tǒng)[4]通過(guò)用戶(hù)的注冊(cè)信息,如專(zhuān)業(yè)、研究方向等,為用戶(hù)提供推薦服務(wù);基于讀者的借閱歷史信息的書(shū)目推薦,趙麟[5]利用圖書(shū)館用戶(hù)的借閱數(shù)據(jù)分析用戶(hù)的行為模式,基于最大頻繁模式挖掘算法進(jìn)行書(shū)目的關(guān)聯(lián)推薦。景民昌等[6]利用圖書(shū)借閱時(shí)間構(gòu)建用戶(hù)興趣模型,并基于協(xié)同過(guò)濾算法的推薦實(shí)現(xiàn)說(shuō)明了模型的有效性。從現(xiàn)有研究看,圖書(shū)館的書(shū)目推薦系統(tǒng),對(duì)用戶(hù)的借閱歷史記錄數(shù)據(jù)的挖掘進(jìn)行了一定的探索,但圖書(shū)館資源的低利用率和用戶(hù)行為的稀疏性對(duì)其推薦造成了一定的局限性。

    以Web2.0為特征的網(wǎng)絡(luò)讀書(shū)社區(qū),如豆瓣讀書(shū)[7]、LibraryThing[8]、Goodreaders[9]等,充分利用大眾參與,帶來(lái)了豐富的用戶(hù)閱讀行為數(shù)據(jù),如評(píng)分、打標(biāo)簽、分享、評(píng)論等。針對(duì)社交網(wǎng)絡(luò)中豐富的用戶(hù)行為數(shù)據(jù),Nan Zheng等[10]在社會(huì)化標(biāo)簽系統(tǒng)中融合標(biāo)簽和時(shí)間信息來(lái)預(yù)測(cè)用戶(hù)偏好,并實(shí)驗(yàn)證實(shí)了標(biāo)簽和時(shí)間信息的結(jié)合能提高推薦的準(zhǔn)確性。Zi-Ke Zhang等[11]針對(duì)“用戶(hù)-項(xiàng)目”和“項(xiàng)目-標(biāo)簽”之間的信息關(guān)聯(lián)提出基于擴(kuò)散的資源分配推薦策略,并實(shí)驗(yàn)證明了該方法可以明顯提升推薦結(jié)果的準(zhǔn)確性、多樣性和驚喜性。Heung-Nam Kim等[12]綜合評(píng)分和標(biāo)簽信息進(jìn)行用戶(hù)主題發(fā)現(xiàn),并實(shí)驗(yàn)證明其方法在冷啟動(dòng)和準(zhǔn)確性方面的推薦效果。

    從現(xiàn)有研究看,學(xué)者們主要針對(duì)網(wǎng)頁(yè)、電影、論文等領(lǐng)域的用戶(hù)行為數(shù)據(jù)進(jìn)行混合推薦的探索,并在一定程度上提升了推薦的準(zhǔn)確性,這為書(shū)目推薦提供了一種重要的研究思路。網(wǎng)絡(luò)讀書(shū)社區(qū)的興起及其API的數(shù)據(jù)開(kāi)放性,使用戶(hù)閱讀行為數(shù)據(jù)更加容易獲取。因此,本文利用網(wǎng)絡(luò)讀書(shū)社區(qū)中的用戶(hù)行為數(shù)據(jù),采用混合推薦的思路,對(duì)多個(gè)推薦要素進(jìn)行集成,構(gòu)建用戶(hù)偏好模型,來(lái)提升書(shū)目推薦效果。

    2 網(wǎng)絡(luò)讀書(shū)社區(qū)書(shū)目推薦模型

    網(wǎng)絡(luò)讀書(shū)社區(qū)中,人們通過(guò)集體智慧(Collective Intelligence)來(lái)獲得滿(mǎn)足他們興趣的圖書(shū)推薦。集體智慧主要是指為創(chuàng)造新的想法,將一群人的行為、偏好或思想組合在一起,從中對(duì)數(shù)據(jù)進(jìn)行搜索、組合和分析[13]。根據(jù)用戶(hù)的交互行為,一般通過(guò)用戶(hù)的顯性反饋行為和隱性反饋行為來(lái)預(yù)測(cè)用戶(hù)的閱讀興趣偏好。顯性反饋行為是指用戶(hù)明確表示對(duì)物品喜好的行為,在網(wǎng)絡(luò)讀書(shū)社區(qū)中的主要方式就是對(duì)圖書(shū)進(jìn)行評(píng)分、收藏、打標(biāo)簽、評(píng)論等。隱性反饋行為與其相對(duì)應(yīng),是指那些不能明確反應(yīng)用戶(hù)喜好的行為,在網(wǎng)絡(luò)讀書(shū)社區(qū)中較為典型的是瀏覽、點(diǎn)擊等行為。相比于隱性反饋行為,顯性反饋行為產(chǎn)生的數(shù)據(jù)量雖然較少,但能明確反映用戶(hù)興趣,并具有實(shí)時(shí)讀取性和正負(fù)反饋性。

    用戶(hù)評(píng)分、閱讀狀態(tài)、標(biāo)簽信息、時(shí)間信息是四種常見(jiàn)的顯性反饋行為數(shù)據(jù),能夠較為明顯地體現(xiàn)用戶(hù)的閱讀興趣。

    用戶(hù)評(píng)分是獲得用戶(hù)閱讀興趣最直接的方法,一般采用五分制反饋量表,從“非常不喜歡”到“非常喜歡”,分別對(duì)應(yīng)分值1-5。通過(guò)調(diào)節(jié)評(píng)分尺度,從不同的粒度刻畫(huà)用戶(hù)對(duì)圖書(shū)的偏好程度,但這種顯式評(píng)分需要用戶(hù)額外投入,獲得的可用圖書(shū)評(píng)分信息可能比較少。

    閱讀狀態(tài)主要分為“想讀、正在讀、已讀”三種,反映用戶(hù)當(dāng)前所處的閱讀階段和整體的閱讀狀況,可以將此數(shù)據(jù)作為用戶(hù)對(duì)圖書(shū)的隱式評(píng)分。根據(jù)閱讀狀態(tài)的不同,對(duì)各狀態(tài)賦予不同的權(quán)值,將此數(shù)據(jù)與評(píng)分?jǐn)?shù)據(jù)綜合,可在一定程度上緩解數(shù)據(jù)稀疏性的問(wèn)題。

    標(biāo)簽是一種無(wú)層次化結(jié)構(gòu)的、用來(lái)描述信息的自然語(yǔ)詞。用戶(hù)對(duì)圖書(shū)進(jìn)行打標(biāo)簽的行為時(shí),一方面表達(dá)了用戶(hù)的閱讀興趣,另一方面也表達(dá)了對(duì)圖書(shū)的語(yǔ)義理解。標(biāo)簽作為一種重要的多維特征表現(xiàn)形式[14],聯(lián)系著讀者與圖書(shū)。通過(guò)標(biāo)簽?zāi)茌^全面了解用戶(hù)多方面的閱讀興趣,并且標(biāo)簽使用的頻繁程度也能反映用戶(hù)對(duì)其相關(guān)領(lǐng)域圖書(shū)的感興趣程度,而用戶(hù)也更傾向于關(guān)注標(biāo)注了其個(gè)人常用標(biāo)簽的圖書(shū)。

    時(shí)間信息對(duì)書(shū)目推薦而言也是一種非常重要的上下文信息。用戶(hù)的閱讀興趣不是一成不變的,隨著時(shí)間的遷移,用戶(hù)所處年齡段、身份等情景的變化會(huì)影響其當(dāng)前的閱讀興趣與圖書(shū)選擇;而且圖書(shū)本身也具有其生命周期。一般而言,用戶(hù)近期的閱讀行為能反映出其當(dāng)前的主要閱讀興趣,而當(dāng)前的閱讀興趣比很久之前的閱讀興趣更值得關(guān)注,通過(guò)時(shí)間信息來(lái)了解用戶(hù)閱讀興趣的階段性變化,能保證實(shí)時(shí)性的推薦圖書(shū)與用戶(hù)閱讀興趣的一致性。

    用戶(hù)評(píng)分和閱讀狀態(tài)信息側(cè)重于表達(dá)用戶(hù)對(duì)書(shū)籍的感興趣程度,標(biāo)簽信息側(cè)重于表達(dá)用戶(hù)具體的閱讀興趣方向,而時(shí)間信息則在上述兩個(gè)方面體現(xiàn)了用戶(hù)閱讀興趣的一種遷移,這四種閱讀行為數(shù)據(jù)為預(yù)測(cè)用戶(hù)閱讀偏好提供了數(shù)據(jù)基礎(chǔ)。用戶(hù)閱讀偏好的預(yù)測(cè)主要從深度和廣度兩個(gè)方面進(jìn)行考慮。閱讀偏好的深度體現(xiàn)用戶(hù)對(duì)圖書(shū)感興趣的程度,即用戶(hù)偏好程度;閱讀偏好的廣度體現(xiàn)用戶(hù)閱讀圖書(shū)的多樣性,即用戶(hù)偏好方向。

    因此,本文從用戶(hù)閱讀偏好程度和偏好方向兩個(gè)角度,將評(píng)分、閱讀狀態(tài)、標(biāo)簽和時(shí)間四種閱讀行為數(shù)據(jù)作為書(shū)目推薦要素,形成集成推薦模式,如圖1所示。其中,將用戶(hù)評(píng)分和閱讀狀態(tài)信息進(jìn)行處理,統(tǒng)一其度量基準(zhǔn),獲得用戶(hù)的閱讀偏好程度;對(duì)標(biāo)簽信息進(jìn)行處理,獲得用戶(hù)的閱讀偏好方向;將時(shí)間因子分別引入,從而獲得最終的用戶(hù)偏好程度指標(biāo)和用戶(hù)偏好方向指標(biāo)。對(duì)兩個(gè)指標(biāo)進(jìn)行加權(quán)處理,獲得聯(lián)系用戶(hù)與圖書(shū)之間關(guān)系的總偏好值,構(gòu)成用戶(hù)偏好模型。

    (1)用戶(hù)偏好程度指標(biāo)集成

    設(shè)用戶(hù)對(duì)圖書(shū)的原始評(píng)分ru,i,用戶(hù)的閱讀狀態(tài)為Su,i。用戶(hù)對(duì)圖書(shū)的原始評(píng)分ru,i,采用五分制反饋量表,取值范圍為1-5的整數(shù)。一般將低于3分的評(píng)分值視為負(fù)向評(píng)分,表示用戶(hù)不喜歡此圖書(shū)。因此,將原始評(píng)分?jǐn)?shù)據(jù)分為正負(fù)反饋數(shù)據(jù),以原始區(qū)間「1,2,3,4,5」中的分值3為中心映射到以分值1為中心、以t為間距的區(qū)間「1-2t,1-t,1,1+t,1+2t」上,變換后的評(píng)分值用r'u,i表示。

    用戶(hù)的閱讀狀態(tài)Su,i分為“想讀(wish),在讀(reading),已讀(read)”三種,閱讀狀態(tài)的選定相當(dāng)于用戶(hù)對(duì)圖書(shū)的隱性評(píng)分,且屬于正反饋數(shù)據(jù)??紤]用戶(hù)評(píng)分與閱讀狀態(tài)的關(guān)聯(lián),對(duì)不同的閱讀狀態(tài)賦予相應(yīng)的權(quán)值來(lái)表現(xiàn)用戶(hù)的閱讀偏好,通過(guò)將兩個(gè)度量指標(biāo)統(tǒng)一在同一個(gè)基準(zhǔn)上討論。不同閱讀狀態(tài)的取值函數(shù)yu,i表示為

    用戶(hù)處于“想讀”狀態(tài),對(duì)圖書(shū)本身并不是十分了解,此時(shí)不能給圖書(shū)進(jìn)行評(píng)分。該狀態(tài)只是表達(dá)其模糊的閱讀意愿,并沒(méi)有明確體現(xiàn)偏好,對(duì)用戶(hù)的閱讀偏好程度影響較小,但它的正向反饋性可作為評(píng)分?jǐn)?shù)據(jù)的補(bǔ)充。用戶(hù)“正在讀”或“已讀完”的狀態(tài),表明用戶(hù)已經(jīng)將書(shū)籍與自身的興趣進(jìn)行了匹配,結(jié)合評(píng)分?jǐn)?shù)據(jù)在一定程度上能反映用戶(hù)的閱讀偏好程度。而“正在讀”狀態(tài)最能體現(xiàn)用戶(hù)當(dāng)前的閱讀偏好,“已讀完”狀態(tài)次之。根據(jù)當(dāng)前的評(píng)分量表機(jī)制,t取值最好為5以?xún)?nèi)的正整數(shù),本文取t=2。

    時(shí)間信息體現(xiàn)用戶(hù)閱讀興趣的動(dòng)態(tài)變化,也是用戶(hù)歷史行為數(shù)據(jù)可靠性的指標(biāo)。根據(jù)用戶(hù)閱讀興趣的衰減性確定其生命周期,時(shí)間衰減值f(tu,i)服從指數(shù)衰減,可表示為

    其中:T為系統(tǒng)給定的近期時(shí)間,tu,i為用戶(hù)對(duì)圖書(shū)產(chǎn)生閱讀行為的時(shí)間,α為時(shí)間衰減參數(shù)。根據(jù)不同讀書(shū)社區(qū)中的具體情況對(duì)α進(jìn)行取值。α取較大的值時(shí),默認(rèn)該群體中用戶(hù)的閱讀興趣變化較快,反之α取較小的值。

    將用戶(hù)評(píng)分和閱讀狀態(tài)兩個(gè)指標(biāo)進(jìn)行集成,并引入時(shí)間衰減值,最終用戶(hù)偏好程度指標(biāo)r″u,i表示為

    圖1 四種閱讀行為數(shù)據(jù)集成模式

    (2)用戶(hù)偏好方向指標(biāo)集成

    標(biāo)簽信息是對(duì)圖書(shū)內(nèi)容的多角度揭示,也是對(duì)用戶(hù)閱讀興趣偏好細(xì)分的體現(xiàn)。利用標(biāo)簽在用戶(hù)和圖書(shū)之間的使用次數(shù),并借鑒TF-IDF(term frequencyinverse document frequency)的思想,對(duì)熱門(mén)標(biāo)簽和熱門(mén)圖書(shū)進(jìn)行了一定程度的修正,防止其對(duì)推薦圖書(shū)新穎性的影響,可獲得用戶(hù)閱讀偏好方向上的預(yù)測(cè)值du,i,表示為

    其中:G(u)為用戶(hù)u使用過(guò)的標(biāo)簽集合,G(i)為圖書(shū)i被標(biāo)注過(guò)的標(biāo)簽集合,nu,g為用戶(hù)使用標(biāo)簽g的次數(shù),ni,g為圖書(shū)i被標(biāo)簽g所標(biāo)注的次數(shù),ng(u)為使用過(guò)標(biāo)簽g的用戶(hù)人數(shù),ni(u)為對(duì)圖書(shū)i進(jìn)行過(guò)標(biāo)注行為的用戶(hù)人數(shù)。

    一般而言,用戶(hù)當(dāng)前的閱讀偏好與近期的興趣方向關(guān)系更大,因此要考慮到時(shí)間信息對(duì)用戶(hù)閱讀偏好方向的影響,在du,i中引入時(shí)間的衰減值f(tu,i),最終的用戶(hù)偏好方向指標(biāo)pu,i表示為

    (3)總偏好值計(jì)算

    綜合考慮將用戶(hù)偏好程度指標(biāo)r″u,i和用戶(hù)偏好方向指標(biāo)pu,i進(jìn)行整合,獲得用戶(hù)u對(duì)圖書(shū)i的總偏好值A(chǔ)u,i,可表示為

    其中:λ∈[0,1]λ為調(diào)節(jié)因子,用于調(diào)整r″u,i和pu,i之間的權(quán)重,其具體取值根據(jù)網(wǎng)絡(luò)讀書(shū)社區(qū)的具體運(yùn)行情況而定。通過(guò)調(diào)整λ值,可使總偏好值發(fā)揮出最佳的推薦效果。

    (4)書(shū)目推薦形成

    協(xié)同過(guò)濾算法是推薦系統(tǒng)中運(yùn)用最廣泛的技術(shù)之一,它的基本思想是利用用戶(hù)-物品評(píng)分矩陣計(jì)算相似度,基于相似用戶(hù)或相似物品形成推薦[15]。本文采用基于用戶(hù)的協(xié)同過(guò)濾算法,利用用戶(hù)u對(duì)圖書(shū)i的總偏好值,形成針對(duì)不同用戶(hù)的個(gè)性化書(shū)目推薦。

    a.確定鄰居集

    設(shè)所有用戶(hù)的集合為U={u1,u2…um},所有物品的集合為I={i1,i2…in},用戶(hù)-圖書(shū)偏好矩陣為

    根據(jù)給定的矩陣Rm×n,計(jì)算用戶(hù)之間的相似度,來(lái)發(fā)現(xiàn)用戶(hù)之間閱讀興趣的相似性。推薦系統(tǒng)中常用的相似度計(jì)算方法有Jaccard系數(shù)、余弦相似度、Pearson相關(guān)系數(shù)等。本文采用余弦相似度度量指標(biāo),用戶(hù)u與用戶(hù)v之間的相似度Sim(u,v)表示為

    Sim(u,v)值越大,表示兩個(gè)用戶(hù)的閱讀興趣偏好越相近。根據(jù)Sim(u,v)值確定與目標(biāo)用戶(hù)閱讀興趣相似的前K個(gè)鄰居,構(gòu)成目標(biāo)用戶(hù)的鄰居集S(u,k)。

    b.形成書(shū)目推薦列表

    得到與目標(biāo)用戶(hù)閱讀興趣相似的鄰居集后,計(jì)算目標(biāo)用戶(hù)對(duì)該集合中的用戶(hù)感興趣的圖書(shū)的偏好程度,通過(guò)過(guò)濾、排名形成推薦。用戶(hù)對(duì)其鄰居喜歡圖書(shū)的偏好程度pred(u,i)表示為

    其中:S(u,k)表示與用戶(hù)u閱讀興趣最相似的前K個(gè)用戶(hù),U(i)表示對(duì)圖書(shū)i有過(guò)閱讀行為的用戶(hù)集合。對(duì)pred(u,i)值進(jìn)行排序,向目標(biāo)用戶(hù)推薦其沒(méi)有閱讀行為且pred(u,i)值高的前n本圖書(shū)。

    3 書(shū)目推薦模型檢驗(yàn)

    (1) 實(shí)驗(yàn)數(shù)據(jù)集獲取

    實(shí)驗(yàn)數(shù)據(jù)采集自豆瓣網(wǎng)。豆瓣網(wǎng)是一個(gè)以生活、文化為內(nèi)容的創(chuàng)新網(wǎng)絡(luò)服務(wù)平臺(tái),它的核心用戶(hù)群是具有良好教育背景的都市青年,2012年月度其覆蓋用戶(hù)數(shù)已超過(guò)1億。在“豆瓣讀書(shū)”中,用戶(hù)可以給圖書(shū)打分、寫(xiě)評(píng)價(jià)、為圖書(shū)添加標(biāo)簽分類(lèi)等,所有的內(nèi)容都通過(guò)用戶(hù)參與產(chǎn)生。同時(shí),其提供的豆瓣圖書(shū)API能以用戶(hù)或圖書(shū)為中心獲取相應(yīng)的用戶(hù)行為數(shù)據(jù)。較大的用戶(hù)基礎(chǔ)與活躍的用戶(hù)參與使其數(shù)據(jù)具有一定的可行性和實(shí)驗(yàn)的客觀(guān)性。

    通過(guò)調(diào)用豆瓣圖書(shū)API,以用戶(hù)為參數(shù),采集用戶(hù)對(duì)圖書(shū)產(chǎn)生的行為數(shù)據(jù)。每條記錄包括用戶(hù)ID、圖書(shū)ID、用戶(hù)評(píng)分、閱讀狀態(tài)、標(biāo)簽和時(shí)間六個(gè)數(shù)據(jù)項(xiàng)。原始數(shù)據(jù)集包括了500個(gè)用戶(hù)對(duì)5873本圖書(shū)的閱讀行為數(shù)據(jù)。其中,存在行為數(shù)據(jù)過(guò)少的用戶(hù)及大量同義、近義的標(biāo)簽,為減少這些噪音,對(duì)其進(jìn)行預(yù)處理:

    · 剔除閱讀行為數(shù)據(jù)過(guò)少的用戶(hù)。保證每個(gè)用戶(hù)至少對(duì)5本圖書(shū)進(jìn)行過(guò)評(píng)分,且每個(gè)用戶(hù)對(duì)其所有標(biāo)注過(guò)的圖書(shū)至少使用過(guò)10個(gè)標(biāo)簽。

    · 統(tǒng)一標(biāo)簽中相同語(yǔ)詞的繁簡(jiǎn)形式。比如將標(biāo)簽“東野圭吾”、“東野圭吾”統(tǒng)一為簡(jiǎn)寫(xiě)形式。

    · 統(tǒng)一標(biāo)簽中因詞義或分隔符造成的同義、近義標(biāo)簽。比如將“數(shù)據(jù)挖掘”、“DM”等標(biāo)簽統(tǒng)一表示為“數(shù)據(jù)挖掘”;將“夏洛蒂?勃朗特”、“夏洛蒂.勃朗特”、“夏洛蒂勃朗特”等標(biāo)簽統(tǒng)一為“夏洛蒂?勃朗特”。

    經(jīng)處理后,最終的實(shí)驗(yàn)數(shù)據(jù)集包括120個(gè)用戶(hù)對(duì)867本圖書(shū)的2488條閱讀行為數(shù)據(jù)記錄。實(shí)驗(yàn)數(shù)據(jù)片斷如表1所示。

    (2) 實(shí)驗(yàn)分析及結(jié)果

    以用戶(hù)為分割標(biāo)準(zhǔn),采用隨機(jī)化抽樣的方法將實(shí)驗(yàn)數(shù)據(jù)集均勻分為10份。輪流將其中9份數(shù)據(jù)作為訓(xùn)練集,其中1份作為測(cè)試集。在訓(xùn)練集上訓(xùn)練用戶(hù)偏好模型,在測(cè)試集上對(duì)用戶(hù)行為進(jìn)行預(yù)測(cè),統(tǒng)計(jì)出相應(yīng)的離線(xiàn)實(shí)驗(yàn)評(píng)測(cè)指標(biāo)。將10次實(shí)驗(yàn)的平均值作為最終的評(píng)測(cè)結(jié)果,通過(guò)評(píng)測(cè)指標(biāo)值來(lái)判斷推薦效果。

    評(píng)測(cè)推薦結(jié)果的優(yōu)劣有很多指標(biāo)。本文選用預(yù)測(cè)準(zhǔn)確率、多樣性作為評(píng)價(jià)依據(jù)。預(yù)測(cè)準(zhǔn)確率采用文獻(xiàn)[16]提出的F1指標(biāo)綜合準(zhǔn)確率和召回率進(jìn)行度量。準(zhǔn)確率是指推薦列表中用戶(hù)喜歡的圖書(shū)與測(cè)試集中推薦的所有圖書(shū)的比率;召回率是指推薦列表中用戶(hù)喜歡的圖書(shū)與測(cè)試集中用戶(hù)喜歡的所有圖書(shū)的比率。多樣性主要是評(píng)測(cè)用戶(hù)內(nèi)部的多樣性[17],即推薦書(shū)目列表對(duì)用戶(hù)閱讀興趣的覆蓋面的大小,通過(guò)推薦列表中圖書(shū)之間的相似度來(lái)度量。

    實(shí)驗(yàn)中,對(duì)每組數(shù)據(jù)集中的每個(gè)用戶(hù)推薦前10本圖書(shū)??紤]到用戶(hù)偏好模型中的要素集成調(diào)節(jié)因子λ和用戶(hù)的鄰居數(shù)K可能會(huì)對(duì)推薦效果產(chǎn)生影響,實(shí)驗(yàn)中,在5—100的區(qū)間中以5為間距調(diào)整不同的K值,在0—1的區(qū)間中以0.1為間距調(diào)整不同的λ值,分別進(jìn)行實(shí)驗(yàn)。為驗(yàn)證本文書(shū)目推薦模型的有效性,將本文的要素集成推薦模型與傳統(tǒng)基于評(píng)分的推薦模型進(jìn)行實(shí)驗(yàn)比較。先設(shè)定λ為0.5,調(diào)整鄰居數(shù)量,實(shí)驗(yàn)結(jié)果如圖2所示。

    圖2 預(yù)測(cè)準(zhǔn)確率結(jié)果對(duì)比

    表1 用戶(hù)閱讀行為數(shù)據(jù)片斷

    從圖2的顯示結(jié)果可以看出,對(duì)于不同數(shù)量的鄰居,評(píng)分推薦模型與本文要素集成推薦模型的預(yù)測(cè)準(zhǔn)確率的變化趨勢(shì)大體相同。但本文要素集成推薦模型所對(duì)應(yīng)的預(yù)測(cè)準(zhǔn)確度相比于利用傳統(tǒng)的用戶(hù)評(píng)分的推薦模型有了明顯的提高。F1值越大表明推薦的效果越好。F1值的提高,說(shuō)明在傳統(tǒng)的評(píng)分?jǐn)?shù)據(jù)中,通過(guò)集成用戶(hù)的閱讀狀態(tài)、標(biāo)簽和時(shí)間信息,能夠更準(zhǔn)確地把握用戶(hù)的閱讀興趣偏好。

    此外,實(shí)驗(yàn)結(jié)果也顯示,當(dāng)鄰居數(shù)目小于30時(shí),F(xiàn)1值波動(dòng)較大,推薦效果受到了鄰居數(shù)量的影響。而當(dāng)鄰居數(shù)目大于30時(shí),F(xiàn)1值趨于穩(wěn)定。由此可知,在鄰居數(shù)足夠多的情況下,與目標(biāo)用戶(hù)有著相似閱讀興趣的用戶(hù)群體對(duì)推薦結(jié)果有一定的影響。本文取鄰居數(shù)為K=30,來(lái)調(diào)整用戶(hù)偏好模型中的要素集成調(diào)節(jié)因子λ,觀(guān)測(cè)預(yù)測(cè)準(zhǔn)確度和多樣性的變化情況。實(shí)驗(yàn)結(jié)果如圖3、圖4所示。

    圖3、圖4的實(shí)驗(yàn)結(jié)果表明,對(duì)本文用戶(hù)偏好模型中要素集成的權(quán)重進(jìn)行調(diào)節(jié),推薦結(jié)果的預(yù)測(cè)準(zhǔn)確性和多樣性都受到影響。在λ取值為0.5-0.8之間時(shí),推薦效果較佳;取值在0.2-0.4之間時(shí),推薦效果較差;單獨(dú)考慮用戶(hù)閱讀的偏好程度或方向(取值為0或1),推薦效果適中。但從整體來(lái)看,預(yù)測(cè)準(zhǔn)確率都高于圖2中所示的評(píng)分模型所得的預(yù)測(cè)準(zhǔn)確度。λ所對(duì)應(yīng)的F1值的變化分布與實(shí)驗(yàn)數(shù)據(jù)集的特征及實(shí)際運(yùn)行需求關(guān)聯(lián)較大,就本文實(shí)驗(yàn)數(shù)據(jù)集而言,在λ取值為0.7左右能獲得較為準(zhǔn)確的推薦效果。在實(shí)際的運(yùn)用情況下,可根據(jù)不同的讀書(shū)社區(qū)的狀況進(jìn)行調(diào)整。λ值使推薦結(jié)果的多樣性有小幅度的波動(dòng),但基本上能在0.6左右。該值越大,表明推薦列表的多樣性越好,用戶(hù)發(fā)現(xiàn)自己感興趣圖書(shū)的概率越大。本實(shí)驗(yàn)的多樣性評(píng)測(cè)值說(shuō)明書(shū)目推薦列表在一定程度上滿(mǎn)足用戶(hù)廣泛的閱讀興趣,但是否考慮到用戶(hù)的主要興趣,還有待于通過(guò)實(shí)際的用戶(hù)問(wèn)卷調(diào)查來(lái)觀(guān)測(cè)用戶(hù)的滿(mǎn)意度進(jìn)行證明。

    以用戶(hù)1255061為例,為其推薦前10本圖書(shū),結(jié)果如表2所示。

    綜合以上實(shí)驗(yàn)結(jié)果可知,將四種閱讀行為數(shù)據(jù)作為推薦要素進(jìn)行集成,構(gòu)建用戶(hù)偏好模型,能在一定程度上較為準(zhǔn)確地把握用戶(hù)多樣化的閱讀偏好,并形成針對(duì)不同用戶(hù)的個(gè)性化書(shū)目推薦列表。

    圖3 預(yù)測(cè)準(zhǔn)確度變化情況

    圖4 多樣性變化情況

    4 結(jié)語(yǔ)

    相較于傳統(tǒng)的圖書(shū)館書(shū)目推薦形式,虛擬讀書(shū)社區(qū)的多交互性,豐富了用戶(hù)的閱讀行為數(shù)據(jù),帶來(lái)了更好的書(shū)目推薦的可能。本文綜合考慮用戶(hù)評(píng)分、閱讀狀態(tài)、標(biāo)簽和時(shí)間信息對(duì)用戶(hù)閱讀偏好的影響,從用戶(hù)偏好程度和用戶(hù)偏好方向兩個(gè)角度出發(fā),考慮閱讀興趣的時(shí)間偏移狀況,對(duì)四個(gè)閱讀行為數(shù)據(jù)進(jìn)行處理,構(gòu)建書(shū)目推薦集成模型。通過(guò)實(shí)驗(yàn)證明該用戶(hù)偏好模型在一定程度上能提高推薦結(jié)果的準(zhǔn)確性,并能較為廣泛地覆蓋用戶(hù)的閱讀興趣。該推薦模型對(duì)于當(dāng)前網(wǎng)絡(luò)讀書(shū)社區(qū)有一定的分析應(yīng)用性,有助于把握用戶(hù)閱讀興趣的遷移,發(fā)現(xiàn)用戶(hù)當(dāng)前主要的閱讀興趣,形成較準(zhǔn)確的書(shū)目推薦。

    表2 用戶(hù)1255061 TOP10推薦圖書(shū)列表

    由于豆瓣API數(shù)據(jù)獲取存在一定技術(shù)限制,實(shí)驗(yàn)數(shù)據(jù)集相對(duì)較小。隨著用戶(hù)參與度的提升,不同維度與層次的更多閱讀行為數(shù)據(jù)集成,未來(lái)進(jìn)一步探討體現(xiàn)用戶(hù)閱讀興趣的多種深層閱讀行為,有助于擴(kuò)充和修正書(shū)目推薦模型,更準(zhǔn)確地把握用戶(hù)的閱讀興趣。

    [1]SHAPIRA B. Recommender systems handbook [M]. Springer, 2011.

    [2]BALABANOVIC M, SHOHAM Y. Fab: content-based, collaborative recommendation [J]. Communications of the ACM, 1997, 40(3): 66-72.

    [3]LIEBERMAN H. Letizia: An agent that assists web browsing [J]. IJCAI, 1995(1): 924-929.

    [4]中國(guó)人民大學(xué)數(shù)字圖書(shū)館個(gè)性化服務(wù)系統(tǒng)[DB/OL]. [2010-03-25]. http://202.12.18.49/.

    [5]趙麟.基于最大頻繁模式挖掘算法進(jìn)行書(shū)目推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].現(xiàn)代圖書(shū)情報(bào)技術(shù),2010(5):23-28.

    [6]景民昌,于迎輝.基于借閱時(shí)間評(píng)分的協(xié)同圖書(shū)推薦模型與應(yīng)用[J].圖書(shū)情報(bào)工作,2012,56(3):117-120.

    [7]豆瓣讀書(shū)[EB/OL]. [2013-11-24]. http://book.douban.com.

    [8]LibraryThing [EB/OL]. [2013-11-24]. http://www.librarything. com/.

    [9]Goodreads [EB/OL]. [2013-11-24]. https://www.goodreads.com/.

    [10]ZHENG N, LI Q. A recommender system based on tag and time information for social tagging systems [J]. Expert Systems with Applications, 2011, 38(4): 4575-4587.

    [11]ZHANG Z K, ZHOU T, ZHANG Y C. Personalized recommendation via integrated diffusion on user -item -tag tripartite graphs [J]. Physica A: Statistical Mechanics and its Applications, 2010, 389(1): 179-186.

    [12]KIM H N, ALKHALDI A, EL SADDIK A, et al. Collaborative user modeling with user-generated tags for social recommender systems [J]. Expert Systems with Applications, 2011, 38(7): 8488-8496.

    [13]SEGARAN T. Programming collective intelligence: building smart web 2.0 applications [M]. O'Reilly Media, 2007.

    [14]VIG J, SEN S, RIEDL J. Tagsplanations: explaining recommendations using tags [C]// Proceedings of the 14th international conference on Intelligent user interfaces. ACM, 2009: 47-56.

    [15]SARWAR B, KARYPIS G, KONSTAN J, et al. Item-based collaborative fi ltering recommendation algorithms [C]// Proceedings of the 10th international conference on World Wide Web. ACM, 2001: 285-295.

    [16]PAZZANI M, BILLSUS D. Learning and revising user pro fi les: The identi fi cation of interesting web sites [J]. Machine learning, 1997, 27(3): 313-331.

    [17]ZHOU T, SU R Q, LIU R R, et al. Accurate and diverse recommendations via eliminating redundant correlations [J]. New Journal of Physics, 2009, 11(12): 123008.

    鄒婧琳,女,四川大學(xué)公共管理學(xué)院信息管理技術(shù)系本科生。

    范煒,男,1981年生,管理學(xué)博士,四川大學(xué)公共管理學(xué)院信息管理技術(shù)系講師,研究方向:信息組織與信息檢索。通訊作者, E-mail: fanwscu@163.com。

    Bibliography Recommendation Model Derived from Reading Behaviors of Online Social Book Community

    ZOU JingLin FAN Wei
    (Department of Information Management Technology, School of Public Administration, Sichuan University, Chengdu 610064, China)

    Bibliography recommendation aims to build a two-direction connection between books and readers. Due to users' participation in the online social reading community, huge data is newly created every day, which provides many references for bibliography recommendation. This paper analyzes users' primary reading behaviors and studies how users' rating, reading state, tag and action time present their reading preferences. Then it proposes a bibliography recommendation model, combining with users' reading preference intentions and levels. Finally, it uses the dataset from douban.com to evaluate the recommendation model. The experimental results show that the model achieves better recommendation in terms of accuracy and diversity, and the model could provide an action reference for online social reading community.

    Online social book community; Reading behaviors; Bibliography recommendation

    G252

    10.3772/j.issn.1673—2286.2014.04.007

    2014-04-01)

    *本研究得到四川大學(xué)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目“大學(xué)生書(shū)目導(dǎo)讀與互動(dòng)推薦系統(tǒng)”(編號(hào):20131241)資助。

    猜你喜歡
    書(shū)目標(biāo)簽圖書(shū)
    推薦書(shū)目《初春之城》
    都市人(2022年3期)2022-04-27 00:44:57
    圖書(shū)推薦
    南風(fēng)(2020年22期)2020-09-15 07:47:08
    歡迎來(lái)到圖書(shū)借閱角
    無(wú)懼標(biāo)簽 Alfa Romeo Giulia 200HP
    車(chē)迷(2018年11期)2018-08-30 03:20:32
    不害怕撕掉標(biāo)簽的人,都活出了真正的漂亮
    海峽姐妹(2018年3期)2018-05-09 08:21:02
    班里有個(gè)圖書(shū)角
    標(biāo)簽化傷害了誰(shuí)
    基于多進(jìn)制查詢(xún)樹(shù)的多標(biāo)簽識(shí)別方法
    本刊郵購(gòu)書(shū)目
    《全國(guó)新書(shū)目》2009年1月薦書(shū)榜
    日日摸夜夜添夜夜添小说| 一进一出抽搐gif免费好疼| 精品久久久久久,| АⅤ资源中文在线天堂| 久久性视频一级片| 精品久久久久久久久久免费视频| 国产精品98久久久久久宅男小说| 婷婷精品国产亚洲av在线| 欧美黄色片欧美黄色片| 午夜福利视频1000在线观看 | 国产视频一区二区在线看| 日韩 欧美 亚洲 中文字幕| 露出奶头的视频| 嫁个100分男人电影在线观看| 免费久久久久久久精品成人欧美视频| 老熟妇乱子伦视频在线观看| 国产又爽黄色视频| 叶爱在线成人免费视频播放| 日韩有码中文字幕| 精品卡一卡二卡四卡免费| 欧美日韩黄片免| 丰满的人妻完整版| 午夜免费激情av| 日本三级黄在线观看| 九色国产91popny在线| 黄片播放在线免费| 嫁个100分男人电影在线观看| 欧美中文日本在线观看视频| 中文字幕久久专区| 一二三四在线观看免费中文在| 悠悠久久av| 精品人妻1区二区| 国产一区在线观看成人免费| 日韩欧美一区二区三区在线观看| 国产一区二区三区在线臀色熟女| 日韩高清综合在线| 日韩一卡2卡3卡4卡2021年| 久久热在线av| 免费在线观看视频国产中文字幕亚洲| 老司机靠b影院| 一级a爱片免费观看的视频| 亚洲无线在线观看| 中国美女看黄片| x7x7x7水蜜桃| 国产成人av激情在线播放| 亚洲va日本ⅴa欧美va伊人久久| 午夜视频精品福利| 男人舔女人下体高潮全视频| 一个人免费在线观看的高清视频| 日韩高清综合在线| 可以在线观看的亚洲视频| 欧美中文日本在线观看视频| 看片在线看免费视频| 国产精品98久久久久久宅男小说| 精品电影一区二区在线| 欧美黑人精品巨大| av有码第一页| 99riav亚洲国产免费| 亚洲人成伊人成综合网2020| 九色国产91popny在线| 无限看片的www在线观看| 国产精品亚洲一级av第二区| 91字幕亚洲| 亚洲视频免费观看视频| 国产精品av久久久久免费| a级毛片在线看网站| 一进一出抽搐动态| 亚洲国产精品久久男人天堂| 看免费av毛片| 热re99久久国产66热| 国产精品国产高清国产av| 天天躁夜夜躁狠狠躁躁| 国产av一区二区精品久久| 19禁男女啪啪无遮挡网站| 美女午夜性视频免费| 亚洲精品久久成人aⅴ小说| 中文字幕人妻丝袜一区二区| 香蕉丝袜av| 国产熟女午夜一区二区三区| 久久伊人香网站| 国产亚洲精品av在线| 欧美日韩黄片免| 男人舔女人下体高潮全视频| 国产一区二区激情短视频| 亚洲黑人精品在线| 亚洲第一电影网av| 每晚都被弄得嗷嗷叫到高潮| 琪琪午夜伦伦电影理论片6080| 一进一出抽搐动态| 又黄又爽又免费观看的视频| 美女午夜性视频免费| 久久亚洲真实| 高清在线国产一区| 久久久久久人人人人人| 91成年电影在线观看| 欧美色欧美亚洲另类二区 | 国产精品免费一区二区三区在线| 亚洲人成电影免费在线| 搞女人的毛片| 久久精品国产清高在天天线| av福利片在线| 超碰成人久久| 久久婷婷人人爽人人干人人爱 | 女人被躁到高潮嗷嗷叫费观| 国内毛片毛片毛片毛片毛片| 国产精品永久免费网站| 日本黄色视频三级网站网址| 久久久精品欧美日韩精品| 两人在一起打扑克的视频| 欧美乱色亚洲激情| 国产xxxxx性猛交| 夜夜爽天天搞| 日日夜夜操网爽| 日韩欧美国产一区二区入口| 母亲3免费完整高清在线观看| 国产av一区在线观看免费| 亚洲熟女毛片儿| 91精品三级在线观看| 可以在线观看的亚洲视频| 在线观看舔阴道视频| 成人三级黄色视频| 一区二区三区精品91| 欧美最黄视频在线播放免费| 国产xxxxx性猛交| 久久久久国内视频| 91精品国产国语对白视频| 日本五十路高清| 日日干狠狠操夜夜爽| 丰满人妻熟妇乱又伦精品不卡| 午夜两性在线视频| 久久久国产精品麻豆| 亚洲免费av在线视频| 欧美精品啪啪一区二区三区| 国产精品一区二区三区四区久久 | 欧美中文日本在线观看视频| 国产精品99久久99久久久不卡| 日韩欧美三级三区| 性欧美人与动物交配| 欧美激情久久久久久爽电影 | 看黄色毛片网站| 久久久国产欧美日韩av| 嫁个100分男人电影在线观看| 可以在线观看毛片的网站| 神马国产精品三级电影在线观看 | 亚洲av电影在线进入| 欧美中文日本在线观看视频| 欧美成人午夜精品| 亚洲性夜色夜夜综合| 91麻豆av在线| 亚洲成人久久性| 日韩视频一区二区在线观看| 伦理电影免费视频| 色在线成人网| 两性夫妻黄色片| 亚洲av片天天在线观看| 久久天堂一区二区三区四区| 国产97色在线日韩免费| 一区二区三区激情视频| 日本免费a在线| 色综合欧美亚洲国产小说| 亚洲精品av麻豆狂野| 手机成人av网站| 日韩免费av在线播放| 国产精品久久久人人做人人爽| 免费看美女性在线毛片视频| 欧美成人免费av一区二区三区| 精品不卡国产一区二区三区| 亚洲九九香蕉| 黄色a级毛片大全视频| 人人妻,人人澡人人爽秒播| 免费搜索国产男女视频| 日日夜夜操网爽| 国产精品久久久av美女十八| 亚洲色图 男人天堂 中文字幕| 美国免费a级毛片| 久久婷婷人人爽人人干人人爱 | 亚洲国产精品sss在线观看| 午夜福利在线观看吧| 可以在线观看毛片的网站| 在线视频色国产色| 久久香蕉激情| 九色亚洲精品在线播放| 亚洲熟妇熟女久久| 色av中文字幕| 一进一出抽搐gif免费好疼| 亚洲欧美一区二区三区黑人| 人人澡人人妻人| 91成人精品电影| 午夜福利在线观看吧| 日日摸夜夜添夜夜添小说| 精品国产一区二区三区四区第35| 一进一出抽搐动态| 黄网站色视频无遮挡免费观看| 亚洲精品美女久久av网站| 亚洲一区高清亚洲精品| 国产视频一区二区在线看| 免费高清在线观看日韩| 日韩欧美在线二视频| 纯流量卡能插随身wifi吗| а√天堂www在线а√下载| 久久热在线av| 久久久国产欧美日韩av| 午夜福利视频1000在线观看 | 日韩高清综合在线| 欧美精品啪啪一区二区三区| 午夜福利免费观看在线| 久久久久精品国产欧美久久久| 天天躁夜夜躁狠狠躁躁| 男人的好看免费观看在线视频 | 国产精品电影一区二区三区| 黄色女人牲交| 亚洲第一欧美日韩一区二区三区| 免费一级毛片在线播放高清视频 | 日韩欧美在线二视频| 日韩免费av在线播放| av网站免费在线观看视频| 日日夜夜操网爽| 日韩精品免费视频一区二区三区| 99久久精品国产亚洲精品| 国产精品1区2区在线观看.| 女生性感内裤真人,穿戴方法视频| 成人三级做爰电影| 涩涩av久久男人的天堂| 男人的好看免费观看在线视频 | 波多野结衣巨乳人妻| 久久精品aⅴ一区二区三区四区| 在线观看日韩欧美| 在线观看免费视频日本深夜| 国产成人精品久久二区二区91| 免费观看精品视频网站| 在线永久观看黄色视频| 操美女的视频在线观看| 午夜福利高清视频| 桃红色精品国产亚洲av| 欧美不卡视频在线免费观看 | 天堂动漫精品| 级片在线观看| 亚洲欧美日韩无卡精品| 99久久国产精品久久久| 国产99白浆流出| 搡老妇女老女人老熟妇| 亚洲午夜理论影院| 十八禁网站免费在线| 免费不卡黄色视频| 亚洲情色 制服丝袜| av网站免费在线观看视频| 狂野欧美激情性xxxx| 成人永久免费在线观看视频| 巨乳人妻的诱惑在线观看| 久久中文字幕一级| 天堂影院成人在线观看| 每晚都被弄得嗷嗷叫到高潮| 日本a在线网址| aaaaa片日本免费| 又黄又粗又硬又大视频| 精品电影一区二区在线| 亚洲中文av在线| 欧美日韩一级在线毛片| 亚洲 欧美一区二区三区| 亚洲一区二区三区色噜噜| 国产一区二区三区综合在线观看| 真人一进一出gif抽搐免费| 亚洲情色 制服丝袜| 12—13女人毛片做爰片一| 91成年电影在线观看| 最新在线观看一区二区三区| 久久精品国产综合久久久| 亚洲成人精品中文字幕电影| 日日干狠狠操夜夜爽| 国产激情久久老熟女| 亚洲熟女毛片儿| 久久久国产精品麻豆| 亚洲第一欧美日韩一区二区三区| 久久国产精品影院| 制服丝袜大香蕉在线| 啦啦啦韩国在线观看视频| 一区二区日韩欧美中文字幕| 午夜福利成人在线免费观看| 色在线成人网| 精品无人区乱码1区二区| 国产一级毛片七仙女欲春2 | e午夜精品久久久久久久| 国产成人欧美| 日韩大码丰满熟妇| 国产精品98久久久久久宅男小说| 男女下面插进去视频免费观看| 男男h啪啪无遮挡| 免费在线观看完整版高清| 老司机福利观看| 男女午夜视频在线观看| 久久这里只有精品19| 黄网站色视频无遮挡免费观看| 久久中文字幕人妻熟女| 成人18禁在线播放| 午夜福利18| 后天国语完整版免费观看| 国产精品野战在线观看| 色综合亚洲欧美另类图片| 大码成人一级视频| 精品久久久久久,| 国产精品秋霞免费鲁丝片| 久久久久久免费高清国产稀缺| 色播亚洲综合网| 中文字幕精品免费在线观看视频| 久久人妻福利社区极品人妻图片| 9191精品国产免费久久| av在线播放免费不卡| 亚洲精品美女久久av网站| 欧美亚洲日本最大视频资源| 99热只有精品国产| 国产区一区二久久| 在线观看66精品国产| АⅤ资源中文在线天堂| 性欧美人与动物交配| 亚洲人成网站在线播放欧美日韩| 国产亚洲欧美在线一区二区| 欧美中文日本在线观看视频| 亚洲精品一卡2卡三卡4卡5卡| 日韩成人在线观看一区二区三区| 大型av网站在线播放| 制服人妻中文乱码| 欧美一区二区精品小视频在线| 51午夜福利影视在线观看| 国产高清videossex| 亚洲一区二区三区色噜噜| av在线天堂中文字幕| √禁漫天堂资源中文www| 欧美日韩黄片免| 欧美激情高清一区二区三区| 久久伊人香网站| 亚洲av成人不卡在线观看播放网| 亚洲人成电影观看| 午夜两性在线视频| 国产色视频综合| 久热爱精品视频在线9| 最近最新中文字幕大全免费视频| 亚洲一区中文字幕在线| 久久久久久久精品吃奶| 757午夜福利合集在线观看| 少妇裸体淫交视频免费看高清 | 在线观看免费日韩欧美大片| 妹子高潮喷水视频| 99在线视频只有这里精品首页| 亚洲精品在线美女| 成年人黄色毛片网站| 亚洲三区欧美一区| 制服诱惑二区| 亚洲国产欧美日韩在线播放| 免费在线观看黄色视频的| 女人被躁到高潮嗷嗷叫费观| 黄色片一级片一级黄色片| 每晚都被弄得嗷嗷叫到高潮| 人人妻人人澡人人看| 18禁观看日本| 99久久国产精品久久久| 免费看a级黄色片| 操美女的视频在线观看| 最好的美女福利视频网| 国产区一区二久久| 亚洲第一av免费看| 欧美中文综合在线视频| 国产欧美日韩一区二区三| 国产成人啪精品午夜网站| 一a级毛片在线观看| 欧美一级毛片孕妇| 男女下面进入的视频免费午夜 | 午夜免费鲁丝| 美女高潮到喷水免费观看| 精品高清国产在线一区| 美女高潮到喷水免费观看| 久久 成人 亚洲| 国产亚洲欧美在线一区二区| 咕卡用的链子| 亚洲精品中文字幕一二三四区| 欧美国产精品va在线观看不卡| 亚洲七黄色美女视频| 色婷婷久久久亚洲欧美| 国产精品久久久久久人妻精品电影| 激情在线观看视频在线高清| 免费看十八禁软件| 妹子高潮喷水视频| 日本一区二区免费在线视频| 男女午夜视频在线观看| 老司机福利观看| av欧美777| 欧美国产日韩亚洲一区| 宅男免费午夜| 脱女人内裤的视频| 亚洲人成77777在线视频| 亚洲av片天天在线观看| 51午夜福利影视在线观看| 欧美激情久久久久久爽电影 | 12—13女人毛片做爰片一| 欧美日韩一级在线毛片| 亚洲少妇的诱惑av| 成人三级做爰电影| 亚洲激情在线av| 久久国产精品人妻蜜桃| 亚洲熟妇熟女久久| 韩国av一区二区三区四区| 极品教师在线免费播放| 国产精品国产高清国产av| 夜夜爽天天搞| 久久精品91蜜桃| 如日韩欧美国产精品一区二区三区| 久久婷婷成人综合色麻豆| 99在线视频只有这里精品首页| 日韩免费av在线播放| 国产麻豆69| 亚洲精品一区av在线观看| 成人国语在线视频| 男人舔女人下体高潮全视频| 久久国产精品人妻蜜桃| 久久久久久国产a免费观看| 精品国产国语对白av| 日本免费a在线| 亚洲午夜精品一区,二区,三区| 最近最新免费中文字幕在线| 在线观看66精品国产| 91国产中文字幕| 午夜视频精品福利| 欧美黄色淫秽网站| 男女下面进入的视频免费午夜 | 亚洲av成人一区二区三| 日本a在线网址| av免费在线观看网站| 在线观看免费日韩欧美大片| 自线自在国产av| e午夜精品久久久久久久| 丁香欧美五月| 成人18禁在线播放| 亚洲精品美女久久av网站| 色播在线永久视频| 大型av网站在线播放| 女同久久另类99精品国产91| 久99久视频精品免费| 久久欧美精品欧美久久欧美| 老司机午夜福利在线观看视频| 国产高清激情床上av| xxx96com| 亚洲人成77777在线视频| 不卡av一区二区三区| 一级片免费观看大全| 一区二区三区激情视频| 久久久精品国产亚洲av高清涩受| 亚洲国产精品sss在线观看| www.精华液| 亚洲男人天堂网一区| 久久 成人 亚洲| 中文字幕另类日韩欧美亚洲嫩草| 久热爱精品视频在线9| 后天国语完整版免费观看| 日韩欧美国产一区二区入口| 欧美日韩亚洲国产一区二区在线观看| 亚洲av第一区精品v没综合| 久久 成人 亚洲| 中文字幕另类日韩欧美亚洲嫩草| 少妇 在线观看| 亚洲成av人片免费观看| 乱人伦中国视频| 中出人妻视频一区二区| 国产精品,欧美在线| 日日爽夜夜爽网站| 亚洲欧美一区二区三区黑人| 一区二区三区激情视频| 亚洲人成伊人成综合网2020| 在线观看免费视频网站a站| 久久久久久久久免费视频了| 久久久久久大精品| 成人国产综合亚洲| 国产av又大| 亚洲精品一区av在线观看| 国产精品久久电影中文字幕| 国产精品二区激情视频| 好看av亚洲va欧美ⅴa在| 一个人观看的视频www高清免费观看 | 亚洲精品在线美女| 免费不卡黄色视频| 日韩欧美一区二区三区在线观看| 久久国产亚洲av麻豆专区| 欧美激情高清一区二区三区| 欧美成人午夜精品| 国内精品久久久久久久电影| 婷婷六月久久综合丁香| 国产成人啪精品午夜网站| 午夜福利欧美成人| av视频免费观看在线观看| 欧美黄色淫秽网站| 91字幕亚洲| 久久久国产成人免费| 久久久久亚洲av毛片大全| 国产激情久久老熟女| 久久精品影院6| 又黄又粗又硬又大视频| 午夜福利视频1000在线观看 | 国产成人av教育| 免费少妇av软件| 久久久久久久久免费视频了| 国产精品av久久久久免费| 麻豆成人av在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 国产又爽黄色视频| 怎么达到女性高潮| 亚洲精品中文字幕一二三四区| 日本黄色视频三级网站网址| 亚洲免费av在线视频| 午夜免费观看网址| 国产亚洲精品av在线| 1024视频免费在线观看| 波多野结衣高清无吗| 日韩欧美在线二视频| 亚洲精品国产精品久久久不卡| 不卡av一区二区三区| 国产色视频综合| 村上凉子中文字幕在线| 黑人欧美特级aaaaaa片| 制服丝袜大香蕉在线| 一区二区三区激情视频| 在线av久久热| 国产精品二区激情视频| 欧美 亚洲 国产 日韩一| www.www免费av| 人人妻,人人澡人人爽秒播| 成人18禁在线播放| 亚洲av电影在线进入| 一级a爱视频在线免费观看| 99久久国产精品久久久| 国产免费av片在线观看野外av| 男男h啪啪无遮挡| 中亚洲国语对白在线视频| 自线自在国产av| 国内久久婷婷六月综合欲色啪| videosex国产| 精品少妇一区二区三区视频日本电影| 欧美色欧美亚洲另类二区 | 亚洲国产欧美网| 麻豆av在线久日| 人人妻,人人澡人人爽秒播| 亚洲欧洲精品一区二区精品久久久| 久久久国产精品麻豆| 变态另类成人亚洲欧美熟女 | 日本 av在线| 波多野结衣巨乳人妻| 久久天躁狠狠躁夜夜2o2o| 波多野结衣高清无吗| 亚洲精品国产色婷婷电影| 国产一区二区三区在线臀色熟女| 国产亚洲精品久久久久久毛片| 夜夜夜夜夜久久久久| 亚洲av美国av| 亚洲最大成人中文| 久99久视频精品免费| 婷婷六月久久综合丁香| 91在线观看av| 禁无遮挡网站| 成人三级黄色视频| 国产精品电影一区二区三区| 亚洲国产欧美一区二区综合| 此物有八面人人有两片| 91大片在线观看| 欧美日韩亚洲综合一区二区三区_| 亚洲精品在线美女| 精品午夜福利视频在线观看一区| 99在线人妻在线中文字幕| 欧美激情久久久久久爽电影 | 亚洲片人在线观看| 在线国产一区二区在线| 久久久久国内视频| 在线视频色国产色| 可以在线观看毛片的网站| 中亚洲国语对白在线视频| 女人高潮潮喷娇喘18禁视频| 淫妇啪啪啪对白视频| 国产精品野战在线观看| 日日干狠狠操夜夜爽| 天天躁夜夜躁狠狠躁躁| 级片在线观看| 免费女性裸体啪啪无遮挡网站| 女人被躁到高潮嗷嗷叫费观| 丰满人妻熟妇乱又伦精品不卡| 叶爱在线成人免费视频播放| 国产成人欧美| svipshipincom国产片| 久久中文字幕人妻熟女| 国产成人欧美| 色尼玛亚洲综合影院| 亚洲av日韩精品久久久久久密| 久久香蕉精品热| 99久久综合精品五月天人人| 色综合站精品国产| 亚洲中文字幕日韩| 精品日产1卡2卡| 国产精品爽爽va在线观看网站 | 久久人人精品亚洲av| 国产在线精品亚洲第一网站| 亚洲aⅴ乱码一区二区在线播放 | 少妇粗大呻吟视频| 久久久久精品国产欧美久久久| 午夜亚洲福利在线播放| 日本免费一区二区三区高清不卡 | 久久精品人人爽人人爽视色| 日韩中文字幕欧美一区二区| 中出人妻视频一区二区| 欧美日韩中文字幕国产精品一区二区三区 | 男女下面进入的视频免费午夜 | 变态另类成人亚洲欧美熟女 | 岛国视频午夜一区免费看| 国产精品国产高清国产av| 欧美色欧美亚洲另类二区 | 欧美性长视频在线观看| 可以在线观看的亚洲视频| 国产精品免费一区二区三区在线| 又黄又爽又免费观看的视频| aaaaa片日本免费| АⅤ资源中文在线天堂|