• <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 ?

    基于支持向量機回歸的協(xié)同過濾相似度優(yōu)化方法

    2015-08-02 03:55:38呂成戍匡宇鵬
    中國管理信息化 2015年5期
    關(guān)鍵詞:相似性向量協(xié)同

    呂成戍,蓋 印,匡宇鵬

    (1.東北財經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院,遼寧 大連 116025

    2.內(nèi)蒙古中電物流路港有限責(zé)任公司赤峰鐵路分公司,內(nèi)蒙古赤峰 024000)

    基于支持向量機回歸的協(xié)同過濾相似度優(yōu)化方法

    呂成戍1,蓋 印1,匡宇鵬2

    (1.東北財經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院,遼寧 大連 116025

    2.內(nèi)蒙古中電物流路港有限責(zé)任公司赤峰鐵路分公司,內(nèi)蒙古赤峰 024000)

    在基于屬性相似性的協(xié)同過濾算法中,項目屬性之間相似性的度量是整個算法的關(guān)鍵?,F(xiàn)有算法在計算項目屬性相似度時忽略了項目屬性之間的非線性關(guān)系,導(dǎo)致相似性度量不準(zhǔn)確,無法保證項目推薦精度。針對這一問題,本文提出一種基于支持向量機回歸的協(xié)同過濾相似度優(yōu)化方法,該方法利用支持向量機回歸算法來構(gòu)建項目屬性相似度模型,解決項目屬性的非線性關(guān)聯(lián)問題,改善項目屬性相似度計算。實驗結(jié)果表明,優(yōu)化方法計算出的項目相似性更準(zhǔn)確,顯著提高了系統(tǒng)的推薦質(zhì)量。

    支持向量機回歸;項目屬性相似性;協(xié)同過濾

    0 引 言

    協(xié)同過濾推薦是當(dāng)前最成功的推薦技術(shù)之一[1],根據(jù)過濾操作對象的不同,協(xié)同過濾算法可以分為基于用戶(User-based)[2]和基于項目(Item-based)[3]的算法。User-based協(xié)同過濾算法隨著數(shù)據(jù)的不斷增多,要從大量用戶中尋找最近鄰居用戶的問題成為推薦系統(tǒng)發(fā)展的瓶頸,而Item-based協(xié)同過濾算法通過將計算用戶之間的相似性轉(zhuǎn)換為計算項之間的相似性的方法,有效地解決了這一問題。在Item-Based協(xié)同過濾算法中,項目之間相似性的度量是否準(zhǔn)確,直接關(guān)系到整個推薦系統(tǒng)的推薦質(zhì)量。而實際上,由于系統(tǒng)用戶評分?jǐn)?shù)據(jù)的極端稀疏性,傳統(tǒng)的相似性度量方法存在著一定的弊端,系統(tǒng)的推薦精度往往會很低。為了提高系統(tǒng)推薦精度,一些研究者們對項目相似性計算方法進(jìn)行了改進(jìn)。根據(jù)項目屬性相似度和用戶評價相似度,計算項目之間的綜合相似度,但項目屬性相似度的計算公式只簡單考慮兩個項目間相同的屬性數(shù),未考慮項目屬性的重要性差異。因此將項目屬性相似度和項目評分相似度的線性組合作為最終鄰居相似度,在計算項目屬性向量的相似度時,使用加權(quán)計算來解決項目屬性的重要性差異問題。以上算法的核心就是用基于項目屬性的相似性來改進(jìn)傳統(tǒng)Item-Based協(xié)同過濾中目標(biāo)項目的最近鄰居項目集的查找,項目屬性相似度的計算是這類改進(jìn)方法的關(guān)鍵。但是,目前基于屬性相似性的Item-Based協(xié)同過濾算法將項目屬性之間的復(fù)雜關(guān)系進(jìn)行了簡單的線性化處理,忽略了項目屬性的非線性關(guān)系,在一定程度上影響了算法的效能。

    Vapnik等人根據(jù)統(tǒng)計學(xué)習(xí)理論提出的支持向量機(Support Vector Machine,SVM)[7]方法具有諸多的優(yōu)良特性,近年來引起了廣泛的關(guān)注,SVM方法最早是針對模式識別問題提出的,Vapnik通過引入不敏感損失函數(shù),得到了用于回歸估計的SVM方法,稱為支持向量機回歸(Support Vector Regression,SVR)[8],SVR方法被引入非線性回歸領(lǐng)域,顯示了其巨大威力[9,10]。本文利用支持向量機回歸算法的回歸能力,解決項目屬性的非線性關(guān)聯(lián)問題。實驗結(jié)果表明,本文所提的算法大幅提高了推薦算法的精確度。

    1 支持向量機回歸

    一般的回歸問題可表述為:給定l個訓(xùn)練樣本,學(xué)習(xí)機從中學(xué)習(xí)出輸入、輸出變量之間的關(guān)系(依賴關(guān)系、映射關(guān)系、函數(shù)關(guān)系)f(x)??紤]一個訓(xùn)練樣本數(shù)據(jù)集{(x1,y1),…,(xl,yl)}。對于i=1,…,l其中xi∈Rn每個代表了樣本的輸入空間,存在一個目標(biāo)值yi∈R與其相對應(yīng)?;貧w問題的思想就是從中學(xué)習(xí)出一個函數(shù),能夠精確地估計未來值。一般的SVR函數(shù)形式為:

    其中,w∈Rn,b∈R,Φ代表了從Rn到高維空間的一個非線性變換。我們的目標(biāo)是找出w和b的值,使回歸風(fēng)險函數(shù)最小化。回歸風(fēng)險函數(shù)為:

    其中,Γ(·)是損失函數(shù),常數(shù)C>0,表示對估計偏差的懲罰度。最常用的損失函數(shù)是Vapnik提出的ε-敏感度函數(shù)。解決回歸問題時,SVM是在n維特征空間中,使用ε-敏感度損失函數(shù)來求解一個線性回歸問題。同時,它要通過最小化‖w‖2來減小模型容量,以保證更好地擬合一般性。于是我們得到了Vapnik所描述的最優(yōu)化問題:

    其中,ξi,ξ*i是代表輸出結(jié)果上下界的松弛變量。

    經(jīng)過推導(dǎo),可得到其對偶優(yōu)化問題為:

    在解出以上的二次優(yōu)化問題后,一般公式可以改寫為:

    在公式(5)中,點積可以用核函數(shù)k(xi,x)來代替。核函數(shù)能夠在不知道變換具體函數(shù)的情況下,使用低維空間的數(shù)據(jù)輸入來計算高維特征空間中的點積。通常使用的核函數(shù)包括線性函數(shù)、多項式函數(shù)以及RBF等。

    2 基于支持向量機回歸的相似度優(yōu)化方法

    2.1 項目的特征屬性

    一般來說,推薦系統(tǒng)至少存在3個基本數(shù)據(jù)表,一個用來記錄注冊用戶信息,一個用來記錄項目信息,還有一個記錄用戶的評分信息(記為用戶評分表)。通過對記錄項目信息表的整理可以得到項目特征屬性矩陣A。假定接受評分的項目數(shù)是n,每個項目挑選k個具有代表性的屬性描述,在此將其抽象為 {Attr1,Attr2,…,Attrk}。見表1,項目屬性矩陣A(其中1表示某個項目具有某項屬性,0表示某個項目不具有某項屬性),項目特征屬性的抽取可以從項目的簡介網(wǎng)頁中提取,或者從推薦系統(tǒng)中用來記錄項目信息的表中整理得到。

    表1 項目屬性矩陣A

    2.2 構(gòu)建項目屬性相似度模型

    設(shè)任意兩個項目Itemx、Itemy在k維項目特征屬性空間上的屬性值分別看做向量Itemx={Attrx,1,Attrx,2,…,Attrx,k}和Itemy={Attry,1,Attry,2,…,Attry,k},并且該向量元素的取值為二維數(shù)據(jù)(0或1),則項目Itemx和項目Itemy之間的屬性相似性simAttr(Itemx,Itemy)的計算公式為[6]:

    其中simAttr(Itemx,Itemy)為兩個物品的相似度,sim(Attrj(Itemx),Attrj(Itemy))則是Itemx,Itemy關(guān)于屬性Attrj的相似度。wj是根據(jù)經(jīng)驗對每個屬性Attrj賦予一個權(quán)值,且相似度是對每種特征進(jìn)行線形加權(quán),但是對于非線性相似度則會出現(xiàn)較大的誤差。例如用戶可能會覺得只要是導(dǎo)演A與演員B合作的影片,無論風(fēng)格以及年代的差距有多大,都是非常相似的。針對這個問題,本文使用支持向量機的方法來解決。兩個物品在項目屬性上的相似度修改為:

    在構(gòu)建回歸模型時,線性回歸模型難以擬合復(fù)雜的項目屬性相似度,并不能得到好的回歸效果。如上所述,支持向量機回歸(SVR)能夠通過核函數(shù),將只包含上述自變量的低維空間,轉(zhuǎn)化為一個包含了它們非線性組合的高維自變量空間。于是本文引入SVR方法來構(gòu)建此非線性回歸模型?;诠剑?),可構(gòu)建模型如下:

    為了提高算法執(zhí)行效率,本文使用序貫最小優(yōu)化(Sequential Minimal Optimization,SMO)方法[10],一種快速支持向量機訓(xùn)練算法來求解此模型。

    2.3 優(yōu)化后的推薦算法

    SVR相似度優(yōu)化方法僅僅是針對基于屬性相似性的Item-Based協(xié)同過濾算法提出的一種新的計算項目屬性之間相似性的方法,因此只需要將基于屬性相似性的Item-Based協(xié)同過濾算法中的項目屬性相似性度量方法轉(zhuǎn)換為SVR相似度優(yōu)化方法,就可以得到一種新的基于屬性相似性的Item-Based協(xié)同過濾推薦算法,稱之為基于SVR的協(xié)同過濾推薦算法,簡稱SVRBased CF。

    算法1 基于SVR的協(xié)同過濾推薦算法

    輸入:用戶—項目評分矩陣R,項目屬性矩陣A,最近鄰居個數(shù)k,推薦集元素個數(shù)r,項目相似性平衡參數(shù)α。

    輸出:推薦集rec。

    (1)基于用戶—項目評分矩陣R,采用相關(guān)相似性計算項目i和項目j之間的評分相似性simRate(i,j)。

    (2)基于項目屬性矩陣A,按式(4)計算任意兩個項目間的屬性相似性simAttr(i,j),并建立項目屬性相似性矩陣simAttr(i,j)。

    (3)將simRate(i,j)與simAttr(i,j)進(jìn)行線性組合,計算最終的項目相似性矩陣sim(sim為n×n方陣,其元素的值以主對角線為軸對稱分布,即sim(i,j)=sim(j,i),如下所示:

    (4)搜索項目相似性矩陣sim將相似度最高的若干項目作為目標(biāo)項目l的鄰居集合Nl={i1,i2,…,ir},并且l埸Nl

    (5)根據(jù)相似鄰居預(yù)測用戶u對未評分項目l的評分,公式如下:

    其中,Nl是項目l的鄰居集合,與指項目l和p的平均評分。

    (6)對用戶u未評價過的項目預(yù)測評分從大到小進(jìn)行排序,取前r個值對應(yīng)的項組成推薦集rec={i1,i2,…,ir}進(jìn)行推薦。

    3 實驗及分析

    3.1 數(shù)據(jù)集

    數(shù)據(jù)集取自MovieLens數(shù)據(jù)集[11],該數(shù)據(jù)集由明尼蘇達(dá)大學(xué)GroupLens研究小組通過MovieLens網(wǎng)站(http://movielens.umn.edu)收集,包含了943位用戶對1 682部電影的100 000條評分?jǐn)?shù)據(jù),每位用戶至少對20部電影進(jìn)行了評分,所有電影分屬于19種電影類別。為了分析實驗數(shù)據(jù)稀疏性對算法性能的影響,本文從MovieLens數(shù)據(jù)集上隨機抽取100、200、300位用戶的評分?jǐn)?shù)據(jù)組成3個數(shù)據(jù)集,分別記為TDS100、TDS200、TDS300。

    3.2 評價標(biāo)準(zhǔn)

    評價推薦系統(tǒng)推薦質(zhì)量的度量標(biāo)準(zhǔn)采用統(tǒng)計度量方法中的平均絕對偏差MAE(Mean Absolute Error)進(jìn)行度量。MAE通過計算預(yù)測的用戶評分與實際的用戶評分之間的偏差來度量預(yù)測的準(zhǔn)確性,MAE越小,推薦質(zhì)量越高。

    3.3 實驗結(jié)果及分析

    實驗以傳統(tǒng)Item-based協(xié)同過濾(Item-based CF)、基于屬性相似性的Item-based協(xié)同過濾(Item feature-based CF)[3]以及基于屬性線性加權(quán)的Item-based協(xié)同過濾 (Item feature weightedbased CF)[4]為對照,檢驗本文提出的算法的有效性,計算各種推薦算法的MAE。實驗中最近鄰居個數(shù)k取30,推薦集元素個數(shù)r取10,項目相似性平衡參數(shù)α取0.6,實驗結(jié)果見表2。

    表2 MAE對比結(jié)果

    由表2可知,Item feature-based CF方法優(yōu)于Item-based CF方法,說明在計算項目相似性的過程中考慮項目屬性相似性,可以有效改善傳統(tǒng)協(xié)同過濾算法中面臨的“稀疏性”問題,提高推薦算法的推薦質(zhì)量。Item feature weighted-based CF方法優(yōu)于Item feature-based CF方法的性能,說明通過加權(quán)計算可以解決項目屬性重要性不同的問題,能有效改善推薦方法的性能,而本文提出的方法的MAE值較Item feature weighted-based CF方法的MAE值有大幅度的降低,說明加入支持向量機后明顯優(yōu)于線性組合的特征加權(quán),通過支持向量機回歸方法改善項目屬性相似性的計算,能使得項目的相似性計算更加準(zhǔn)確,進(jìn)一步提高方法的性能。

    4 結(jié)束語

    本文提出了一種基于支持向量機回歸的協(xié)同過濾相似度優(yōu)化方法,該方法在計算項目屬性相似性時考慮了項目屬性之間的非線性關(guān)聯(lián)問題,使得項目屬性的計算更加合理。實驗結(jié)果表明,本文提出的優(yōu)化方法能夠獲得更準(zhǔn)確的項目相似性,在一定程度上提高了系統(tǒng)的推薦質(zhì)量。

    [1]D Goldberg,D Nichols,B M Oki,et al.Using Collaborative Filtering to Weave an Information Tapestry[J].Communications of the ACM,1992,35 (12):61-70.

    [2]P Resnick,N Iacovou,M Suchak,et al.GroupLens:An Open Architecture for Collaborative Filtering of Netnews[C].Proc.of the ACM CSCW′94 Conference on Computer Supported Cooperative Work,ACM,1994:175-186.

    [3]B Sarwar,G Karypis,J Konstan,et al.Item-based Collaborative Filtering Recommendation Algorithms[C]//Proceedings of the 10th International World Wide Web Conference,2001.

    [4]彭玉,程小平.基于屬性相似性的Item-based協(xié)同過濾算法[J].計算機工程與應(yīng)用,2007,43(14):144-147.

    [5]莊永龍.基于項目特征模型的協(xié)同過濾推薦算法[J].計算機應(yīng)用與軟件,2009,26(5):244-246.

    [6]張忠平,郭獻(xiàn)麗.一種優(yōu)化的基于項目評分預(yù)測的協(xié)同過濾推薦算法[J].計算機應(yīng)用研究,2008,25(9):2659-2683.

    [7]V N Vapnik.Statistical Learning Theory[M].NeuYork,NY:Wiley,1998:35-53.

    [8]V Vapnik.An Overview of Statistical Learning Theory[J].IEEE Transactions on Neural Networks,1999,10(5):988-999.

    [9]Smola,Scholkopf.Learning with Kernels[M].Cambridge,MA:MIT Press, 2002.

    [10]Smola,Scholkopf.A Tutorial on Support Vector Regression[J].Statistics and Computing,2004(14):199-222.

    [10]Miller B N,Albert I,et al.Movie Lens Unplugged:Experiences with an Occasionally Connected Recommender System[C]//Proceedings of the International Conference on Intelligent User Interfaces,2003.

    10.3969/j.issn.1673-0194.2015.05.109

    TP311

    A

    1673-0194(2015)05-0227-04

    2014-12-26

    教育部基金項目(14YJC630036);中央高校專項科研基金項目(DUFE2014126)。

    猜你喜歡
    相似性向量協(xié)同
    一類上三角算子矩陣的相似性與酉相似性
    向量的分解
    聚焦“向量與三角”創(chuàng)新題
    蜀道難:車與路的協(xié)同進(jìn)化
    淺析當(dāng)代中西方繪畫的相似性
    河北畫報(2020年8期)2020-10-27 02:54:20
    “四化”協(xié)同才有出路
    汽車觀察(2019年2期)2019-03-15 06:00:50
    三醫(yī)聯(lián)動 協(xié)同創(chuàng)新
    低滲透黏土中氯離子彌散作用離心模擬相似性
    向量垂直在解析幾何中的應(yīng)用
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    51午夜福利影视在线观看| 九色亚洲精品在线播放| 制服诱惑二区| 国产有黄有色有爽视频| 色94色欧美一区二区| 人人妻人人澡人人爽人人夜夜| 国产成人精品在线电影| 久久国产精品大桥未久av| 19禁男女啪啪无遮挡网站| 欧美午夜高清在线| 80岁老熟妇乱子伦牲交| 丰满饥渴人妻一区二区三| 亚洲av片天天在线观看| 国产成人精品在线电影| 久热这里只有精品99| 欧美日韩精品网址| 男男h啪啪无遮挡| 久久人妻av系列| 两个人看的免费小视频| 搡老乐熟女国产| 免费av中文字幕在线| 成人18禁高潮啪啪吃奶动态图| 男女高潮啪啪啪动态图| 50天的宝宝边吃奶边哭怎么回事| 99精品在免费线老司机午夜| 一本色道久久久久久精品综合| 91麻豆av在线| √禁漫天堂资源中文www| 这个男人来自地球电影免费观看| 国产精品久久久人人做人人爽| 宅男免费午夜| 欧美黑人欧美精品刺激| 少妇被粗大的猛进出69影院| 亚洲视频免费观看视频| 成年人免费黄色播放视频| 天堂中文最新版在线下载| 欧美在线一区亚洲| 国产色视频综合| 国产熟女午夜一区二区三区| 欧美黄色淫秽网站| 熟女少妇亚洲综合色aaa.| 国产高清国产精品国产三级| 精品卡一卡二卡四卡免费| 一本久久精品| 国产精品电影一区二区三区 | 桃花免费在线播放| 人妻久久中文字幕网| 国产日韩一区二区三区精品不卡| 午夜免费鲁丝| 真人做人爱边吃奶动态| 女人爽到高潮嗷嗷叫在线视频| 国产精品免费视频内射| 黄色 视频免费看| 乱人伦中国视频| 免费少妇av软件| 80岁老熟妇乱子伦牲交| 女性生殖器流出的白浆| 中亚洲国语对白在线视频| 日本wwww免费看| 国产人伦9x9x在线观看| 啦啦啦视频在线资源免费观看| 女性被躁到高潮视频| 另类精品久久| 欧美+亚洲+日韩+国产| 巨乳人妻的诱惑在线观看| 少妇被粗大的猛进出69影院| 亚洲中文av在线| 国产成人精品无人区| 亚洲av欧美aⅴ国产| 亚洲色图 男人天堂 中文字幕| 丝袜人妻中文字幕| 亚洲人成电影免费在线| 精品久久蜜臀av无| 久久久国产一区二区| 人人妻人人添人人爽欧美一区卜| 一本大道久久a久久精品| 日韩中文字幕欧美一区二区| 91成人精品电影| 久久狼人影院| 国产精品九九99| 久久99一区二区三区| 久久精品成人免费网站| 99香蕉大伊视频| 国产单亲对白刺激| 久久久久精品国产欧美久久久| 中文字幕最新亚洲高清| 国精品久久久久久国模美| 欧美国产精品va在线观看不卡| 国产一区二区三区视频了| 极品少妇高潮喷水抽搐| 在线观看一区二区三区激情| h视频一区二区三区| 亚洲精品美女久久久久99蜜臀| 免费观看av网站的网址| 波多野结衣一区麻豆| 国产精品亚洲av一区麻豆| 成人18禁在线播放| 在线观看免费高清a一片| 激情在线观看视频在线高清 | 国产精品免费视频内射| 999久久久国产精品视频| 成年动漫av网址| 亚洲中文av在线| 久久亚洲真实| 亚洲人成伊人成综合网2020| 欧美中文综合在线视频| 亚洲精品av麻豆狂野| 国产视频一区二区在线看| 久久精品国产a三级三级三级| 精品一品国产午夜福利视频| 欧美激情极品国产一区二区三区| 国产免费福利视频在线观看| 99热国产这里只有精品6| 国产亚洲欧美精品永久| 国产成人免费无遮挡视频| 曰老女人黄片| 12—13女人毛片做爰片一| 建设人人有责人人尽责人人享有的| www.自偷自拍.com| 国产真人三级小视频在线观看| 天堂动漫精品| 叶爱在线成人免费视频播放| 这个男人来自地球电影免费观看| 色婷婷av一区二区三区视频| 最新美女视频免费是黄的| 精品卡一卡二卡四卡免费| 久久久精品区二区三区| 国产不卡一卡二| 一区二区日韩欧美中文字幕| 久久国产精品大桥未久av| 青草久久国产| 久久久国产一区二区| 亚洲中文日韩欧美视频| 欧美精品亚洲一区二区| 人人妻,人人澡人人爽秒播| av视频免费观看在线观看| 久久精品亚洲熟妇少妇任你| 丰满饥渴人妻一区二区三| 国产男靠女视频免费网站| 1024香蕉在线观看| 99国产综合亚洲精品| 亚洲天堂av无毛| 久久精品国产99精品国产亚洲性色 | 91九色精品人成在线观看| 精品少妇一区二区三区视频日本电影| 女人高潮潮喷娇喘18禁视频| 欧美老熟妇乱子伦牲交| 少妇裸体淫交视频免费看高清 | 色精品久久人妻99蜜桃| 女警被强在线播放| 国产激情久久老熟女| 久久 成人 亚洲| 精品国产超薄肉色丝袜足j| 国产一区有黄有色的免费视频| 99re在线观看精品视频| 亚洲视频免费观看视频| 欧美午夜高清在线| 久久中文字幕一级| 欧美成狂野欧美在线观看| 精品欧美一区二区三区在线| 一级毛片精品| 久久久久网色| 天天躁夜夜躁狠狠躁躁| 女人高潮潮喷娇喘18禁视频| 欧美精品高潮呻吟av久久| 成年人免费黄色播放视频| a级毛片在线看网站| 亚洲国产av影院在线观看| 国产在线精品亚洲第一网站| 曰老女人黄片| 日本欧美视频一区| 国产一区二区三区在线臀色熟女 | 国产日韩欧美在线精品| 国产精品久久久人人做人人爽| 俄罗斯特黄特色一大片| 欧美人与性动交α欧美精品济南到| 亚洲成a人片在线一区二区| 一级毛片精品| 中文亚洲av片在线观看爽 | 久久久欧美国产精品| cao死你这个sao货| 美女扒开内裤让男人捅视频| 我要看黄色一级片免费的| 乱人伦中国视频| 精品少妇黑人巨大在线播放| 久久精品91无色码中文字幕| 亚洲国产欧美在线一区| 黄色毛片三级朝国网站| 变态另类成人亚洲欧美熟女 | 成人亚洲精品一区在线观看| a在线观看视频网站| 久久久久精品国产欧美久久久| 欧美 亚洲 国产 日韩一| 日本五十路高清| 19禁男女啪啪无遮挡网站| 国产黄频视频在线观看| 国产激情久久老熟女| 久久精品国产综合久久久| 亚洲精品成人av观看孕妇| 欧美变态另类bdsm刘玥| 人成视频在线观看免费观看| 亚洲伊人久久精品综合| 国产aⅴ精品一区二区三区波| 中文字幕精品免费在线观看视频| 乱人伦中国视频| videosex国产| av福利片在线| 50天的宝宝边吃奶边哭怎么回事| 欧美人与性动交α欧美软件| 少妇精品久久久久久久| 日本黄色日本黄色录像| 如日韩欧美国产精品一区二区三区| 制服人妻中文乱码| av免费在线观看网站| 国产日韩欧美在线精品| 免费高清在线观看日韩| 欧美日韩福利视频一区二区| 精品国内亚洲2022精品成人 | 91九色精品人成在线观看| 国产高清视频在线播放一区| 国产一区二区三区在线臀色熟女 | 99九九在线精品视频| 亚洲av成人不卡在线观看播放网| 亚洲av电影在线进入| 久9热在线精品视频| 丰满迷人的少妇在线观看| 国产视频一区二区在线看| 他把我摸到了高潮在线观看 | 国产亚洲av高清不卡| 久久av网站| tocl精华| 久久热在线av| 美女国产高潮福利片在线看| 91成人精品电影| 性色av乱码一区二区三区2| 成年女人毛片免费观看观看9 | 精品久久蜜臀av无| 黄色怎么调成土黄色| 窝窝影院91人妻| 亚洲欧美激情在线| 久久狼人影院| 亚洲黑人精品在线| 午夜激情久久久久久久| 亚洲av成人一区二区三| 18禁观看日本| 黑丝袜美女国产一区| 女人精品久久久久毛片| 亚洲欧美日韩高清在线视频 | 美女主播在线视频| 欧美大码av| 亚洲国产欧美日韩在线播放| 国产三级黄色录像| 精品国产一区二区久久| 午夜日韩欧美国产| 丁香六月天网| 免费高清在线观看日韩| 国产精品亚洲av一区麻豆| 中文字幕精品免费在线观看视频| 一个人免费看片子| 最近最新中文字幕大全免费视频| 午夜久久久在线观看| 久久精品亚洲熟妇少妇任你| 久久精品熟女亚洲av麻豆精品| 亚洲av日韩在线播放| 欧美国产精品一级二级三级| 亚洲欧美精品综合一区二区三区| 1024香蕉在线观看| 这个男人来自地球电影免费观看| √禁漫天堂资源中文www| 精品国产亚洲在线| 欧美激情极品国产一区二区三区| 99热国产这里只有精品6| 咕卡用的链子| 亚洲成人免费电影在线观看| 成年动漫av网址| 老鸭窝网址在线观看| 成人18禁高潮啪啪吃奶动态图| 美女视频免费永久观看网站| 高清视频免费观看一区二区| 如日韩欧美国产精品一区二区三区| 黄色怎么调成土黄色| 在线观看免费视频日本深夜| 国产欧美日韩一区二区三| 高清毛片免费观看视频网站 | 天天躁夜夜躁狠狠躁躁| 岛国毛片在线播放| 国产欧美日韩综合在线一区二区| 精品国内亚洲2022精品成人 | 757午夜福利合集在线观看| 天天影视国产精品| 纵有疾风起免费观看全集完整版| 国产成人啪精品午夜网站| 国产精品久久久久久精品电影小说| h视频一区二区三区| a在线观看视频网站| 日本撒尿小便嘘嘘汇集6| 国产极品粉嫩免费观看在线| 精品久久久久久电影网| 男女高潮啪啪啪动态图| 香蕉久久夜色| 蜜桃国产av成人99| 极品少妇高潮喷水抽搐| 精品人妻在线不人妻| 黄片小视频在线播放| 视频区欧美日本亚洲| av网站免费在线观看视频| 18禁黄网站禁片午夜丰满| 免费久久久久久久精品成人欧美视频| 欧美激情久久久久久爽电影 | 在线观看一区二区三区激情| 色精品久久人妻99蜜桃| 久久热在线av| 曰老女人黄片| 在线永久观看黄色视频| 亚洲色图 男人天堂 中文字幕| 免费一级毛片在线播放高清视频 | 亚洲av片天天在线观看| 国产一区二区三区视频了| 亚洲人成77777在线视频| 老司机福利观看| 一区二区三区激情视频| 五月开心婷婷网| 亚洲国产av新网站| 久久精品国产综合久久久| 免费少妇av软件| 久久人妻福利社区极品人妻图片| 成年女人毛片免费观看观看9 | 成人国产av品久久久| 久久天堂一区二区三区四区| 99热国产这里只有精品6| 国产在视频线精品| 国产在线观看jvid| 日韩欧美三级三区| 一边摸一边抽搐一进一小说 | 色94色欧美一区二区| 欧美黄色淫秽网站| 97人妻天天添夜夜摸| a级片在线免费高清观看视频| 波多野结衣一区麻豆| 香蕉久久夜色| 久久精品aⅴ一区二区三区四区| 中文欧美无线码| 色综合婷婷激情| 免费少妇av软件| 最新的欧美精品一区二区| 啦啦啦视频在线资源免费观看| 乱人伦中国视频| av网站免费在线观看视频| 窝窝影院91人妻| 精品亚洲成a人片在线观看| 亚洲欧美一区二区三区黑人| 91老司机精品| 人人妻,人人澡人人爽秒播| 国产成人精品久久二区二区91| 国产一区二区 视频在线| 国产成人欧美在线观看 | 天天操日日干夜夜撸| 精品国内亚洲2022精品成人 | 亚洲精品成人av观看孕妇| 国产欧美亚洲国产| 成年女人毛片免费观看观看9 | 少妇猛男粗大的猛烈进出视频| 欧美黑人精品巨大| 一进一出抽搐动态| 老熟妇乱子伦视频在线观看| 亚洲精品一二三| 十分钟在线观看高清视频www| 建设人人有责人人尽责人人享有的| 一个人免费在线观看的高清视频| 搡老乐熟女国产| 无遮挡黄片免费观看| 青草久久国产| 欧美国产精品va在线观看不卡| 99国产精品免费福利视频| 狂野欧美激情性xxxx| 久久国产精品影院| 亚洲av日韩精品久久久久久密| 国产亚洲欧美精品永久| 丝袜在线中文字幕| 香蕉丝袜av| 国产日韩一区二区三区精品不卡| www.自偷自拍.com| 日本a在线网址| 久久热在线av| videos熟女内射| 如日韩欧美国产精品一区二区三区| 国产在视频线精品| 日韩欧美一区二区三区在线观看 | 国产男女超爽视频在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲av成人不卡在线观看播放网| 久久久久国内视频| 欧美精品啪啪一区二区三区| videosex国产| 国产精品久久电影中文字幕 | 黑人巨大精品欧美一区二区mp4| 精品国产乱码久久久久久男人| 国产精品电影一区二区三区 | 国产一区二区激情短视频| 国产日韩一区二区三区精品不卡| 亚洲美女黄片视频| 久久性视频一级片| 老司机亚洲免费影院| 人妻一区二区av| 成人三级做爰电影| 欧美+亚洲+日韩+国产| 欧美精品一区二区大全| 亚洲av片天天在线观看| 男女床上黄色一级片免费看| 久久久国产一区二区| 亚洲av成人不卡在线观看播放网| 桃红色精品国产亚洲av| 欧美精品啪啪一区二区三区| 国产一区二区三区在线臀色熟女 | 中国美女看黄片| 欧美性长视频在线观看| 香蕉丝袜av| 精品国产国语对白av| 国产精品二区激情视频| 久久久国产一区二区| 久久久国产欧美日韩av| 人人妻人人澡人人看| 妹子高潮喷水视频| 国产免费福利视频在线观看| 最新美女视频免费是黄的| 午夜免费成人在线视频| 中文字幕另类日韩欧美亚洲嫩草| 国产片内射在线| 免费少妇av软件| 99热国产这里只有精品6| 女人爽到高潮嗷嗷叫在线视频| 精品少妇黑人巨大在线播放| 久久午夜亚洲精品久久| 成人18禁高潮啪啪吃奶动态图| 在线观看舔阴道视频| 国产免费视频播放在线视频| 1024香蕉在线观看| 狂野欧美激情性xxxx| 日韩制服丝袜自拍偷拍| 91成年电影在线观看| 免费av中文字幕在线| 悠悠久久av| 欧美日韩成人在线一区二区| 9191精品国产免费久久| 一本一本久久a久久精品综合妖精| 免费观看a级毛片全部| 国产亚洲精品一区二区www | 亚洲精品美女久久久久99蜜臀| 91麻豆av在线| 999久久久国产精品视频| 1024视频免费在线观看| 一区二区三区乱码不卡18| 久久久久精品人妻al黑| 黄频高清免费视频| 淫妇啪啪啪对白视频| 精品人妻在线不人妻| 视频区图区小说| 黑人巨大精品欧美一区二区mp4| 狠狠婷婷综合久久久久久88av| 久久热在线av| 欧美精品高潮呻吟av久久| 亚洲国产精品一区二区三区在线| 天堂8中文在线网| 另类亚洲欧美激情| 国产精品亚洲av一区麻豆| 老司机靠b影院| 久久精品成人免费网站| 免费日韩欧美在线观看| 亚洲中文av在线| 久久国产精品人妻蜜桃| 99re在线观看精品视频| 操美女的视频在线观看| 亚洲国产欧美网| 国产精品九九99| 国产日韩一区二区三区精品不卡| 天天躁狠狠躁夜夜躁狠狠躁| 日本一区二区免费在线视频| 麻豆乱淫一区二区| 亚洲一码二码三码区别大吗| 王馨瑶露胸无遮挡在线观看| 国产欧美日韩精品亚洲av| 久久热在线av| 国产日韩欧美亚洲二区| 国产熟女午夜一区二区三区| 麻豆成人av在线观看| 免费观看av网站的网址| 窝窝影院91人妻| 免费在线观看完整版高清| 国产成人啪精品午夜网站| 天天躁狠狠躁夜夜躁狠狠躁| 女警被强在线播放| 午夜两性在线视频| 欧美精品一区二区大全| 亚洲专区字幕在线| 成人免费观看视频高清| av一本久久久久| 亚洲精品久久成人aⅴ小说| 午夜精品久久久久久毛片777| 激情视频va一区二区三区| 久久久久久久久久久久大奶| 亚洲欧美一区二区三区久久| 俄罗斯特黄特色一大片| 精品高清国产在线一区| 亚洲成av片中文字幕在线观看| 亚洲欧洲日产国产| h视频一区二区三区| 国产精品秋霞免费鲁丝片| 飞空精品影院首页| tocl精华| 国产精品亚洲一级av第二区| 母亲3免费完整高清在线观看| 老司机深夜福利视频在线观看| 精品久久久久久久毛片微露脸| 亚洲av片天天在线观看| 亚洲精品美女久久av网站| 久久影院123| 亚洲av成人不卡在线观看播放网| 成人黄色视频免费在线看| 国产精品一区二区精品视频观看| 免费高清在线观看日韩| 亚洲专区字幕在线| 国产av精品麻豆| 色视频在线一区二区三区| 午夜福利,免费看| 亚洲欧洲精品一区二区精品久久久| 女人被躁到高潮嗷嗷叫费观| 91国产中文字幕| 一区二区三区激情视频| 一区二区三区精品91| 国产视频一区二区在线看| 一边摸一边抽搐一进一小说 | 亚洲午夜精品一区,二区,三区| 99国产综合亚洲精品| 我要看黄色一级片免费的| 俄罗斯特黄特色一大片| 亚洲中文日韩欧美视频| 国产免费现黄频在线看| 中文字幕高清在线视频| 午夜福利在线免费观看网站| 黑人操中国人逼视频| 老司机影院毛片| 美国免费a级毛片| 欧美日韩亚洲综合一区二区三区_| 无限看片的www在线观看| 精品福利永久在线观看| 老熟妇乱子伦视频在线观看| 中国美女看黄片| 成年人午夜在线观看视频| 久久99一区二区三区| 美女国产高潮福利片在线看| cao死你这个sao货| 一本大道久久a久久精品| 欧美日韩亚洲综合一区二区三区_| 中文字幕精品免费在线观看视频| 女性生殖器流出的白浆| 国产区一区二久久| 国产又爽黄色视频| 亚洲第一欧美日韩一区二区三区 | 性色av乱码一区二区三区2| 在线观看舔阴道视频| 日韩视频一区二区在线观看| 国产亚洲精品一区二区www | 久久久久久久精品吃奶| 欧美乱码精品一区二区三区| 亚洲七黄色美女视频| 色老头精品视频在线观看| 亚洲黑人精品在线| 一级黄色大片毛片| 高清毛片免费观看视频网站 | 国产免费福利视频在线观看| 国产老妇伦熟女老妇高清| 亚洲人成电影观看| 午夜两性在线视频| 夜夜爽天天搞| 麻豆成人av在线观看| 人成视频在线观看免费观看| 老熟妇乱子伦视频在线观看| 欧美精品人与动牲交sv欧美| 女同久久另类99精品国产91| 老鸭窝网址在线观看| 久热爱精品视频在线9| 国产免费福利视频在线观看| 久久久久网色| 亚洲黑人精品在线| 成人特级黄色片久久久久久久 | 一级毛片女人18水好多| 日韩欧美三级三区| 人人妻人人添人人爽欧美一区卜| 蜜桃在线观看..| 精品国产乱子伦一区二区三区| 亚洲精品国产精品久久久不卡| 99国产精品99久久久久| 国内毛片毛片毛片毛片毛片| 一本综合久久免费| 久久人妻福利社区极品人妻图片| 女性被躁到高潮视频| 国产成人精品无人区| 成年人午夜在线观看视频| 免费观看人在逋| 色综合婷婷激情| 日韩视频一区二区在线观看| 美国免费a级毛片| 久久人妻熟女aⅴ| 中文字幕精品免费在线观看视频| 男女免费视频国产| 手机成人av网站| 国产成人影院久久av| 日韩一区二区三区影片| 亚洲五月婷婷丁香| 999精品在线视频| 精品国产一区二区久久| 极品少妇高潮喷水抽搐| 成人国产av品久久久| 日韩人妻精品一区2区三区| 欧美激情久久久久久爽电影 |