• <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
    午夜免费观看性视频| 国国产精品蜜臀av免费| 国产成人免费观看mmmm| 久久久久久伊人网av| 91aial.com中文字幕在线观看| 肉色欧美久久久久久久蜜桃| 欧美精品人与动牲交sv欧美| 久久99蜜桃精品久久| 自拍偷自拍亚洲精品老妇| 汤姆久久久久久久影院中文字幕| 国产精品成人在线| av播播在线观看一区| 一区二区三区精品91| 午夜福利网站1000一区二区三区| 亚洲欧美一区二区三区黑人 | 国产精品一区www在线观看| 少妇的逼好多水| 国产淫片久久久久久久久| 啦啦啦啦在线视频资源| 激情 狠狠 欧美| 七月丁香在线播放| 精品国产露脸久久av麻豆| 国产一区二区三区av在线| 爱豆传媒免费全集在线观看| 亚洲精品国产成人久久av| 少妇猛男粗大的猛烈进出视频| 国语对白做爰xxxⅹ性视频网站| 亚洲欧美清纯卡通| 亚洲国产精品成人久久小说| 国产视频内射| 国产久久久一区二区三区| av在线app专区| 午夜免费观看性视频| 国产探花极品一区二区| 久久国产精品大桥未久av | 久久国产精品大桥未久av | 欧美日韩在线观看h| 精品国产三级普通话版| 啦啦啦在线观看免费高清www| 成人影院久久| 日日摸夜夜添夜夜爱| 亚洲四区av| 99热6这里只有精品| 久久精品久久久久久久性| 成年av动漫网址| 国产色婷婷99| 亚洲国产精品999| 女人久久www免费人成看片| 肉色欧美久久久久久久蜜桃| 免费人妻精品一区二区三区视频| 搡女人真爽免费视频火全软件| 2018国产大陆天天弄谢| 一级二级三级毛片免费看| 国产精品久久久久久av不卡| 韩国av在线不卡| 晚上一个人看的免费电影| 国产欧美日韩一区二区三区在线 | 亚洲美女黄色视频免费看| 亚洲av成人精品一二三区| 午夜激情久久久久久久| 嫩草影院新地址| 成人无遮挡网站| 久久青草综合色| 亚洲欧美精品自产自拍| 肉色欧美久久久久久久蜜桃| 永久网站在线| 久久99精品国语久久久| 最黄视频免费看| 国产日韩欧美亚洲二区| 2021少妇久久久久久久久久久| 精品人妻熟女av久视频| 韩国高清视频一区二区三区| 又爽又黄a免费视频| 99久久精品一区二区三区| 亚洲经典国产精华液单| 蜜臀久久99精品久久宅男| 成人国产麻豆网| 一本色道久久久久久精品综合| 欧美精品国产亚洲| 在线观看国产h片| 久久人人爽av亚洲精品天堂 | 亚洲av综合色区一区| 日韩视频在线欧美| 欧美激情国产日韩精品一区| 人体艺术视频欧美日本| 欧美bdsm另类| 免费久久久久久久精品成人欧美视频 | 久久久久久人妻| 久久这里有精品视频免费| 欧美最新免费一区二区三区| 久久久午夜欧美精品| 久久久久久久久大av| 噜噜噜噜噜久久久久久91| 欧美xxxx黑人xx丫x性爽| 国产成人aa在线观看| 久久精品国产鲁丝片午夜精品| 国产免费又黄又爽又色| 日韩成人伦理影院| 精品国产露脸久久av麻豆| 久久久久国产网址| 亚洲精品乱码久久久久久按摩| 亚洲伊人久久精品综合| 色视频在线一区二区三区| 中文字幕精品免费在线观看视频 | 最后的刺客免费高清国语| 天堂8中文在线网| 视频中文字幕在线观看| 亚洲精品国产av成人精品| 99热6这里只有精品| 涩涩av久久男人的天堂| 久久精品国产亚洲av涩爱| 肉色欧美久久久久久久蜜桃| 天堂中文最新版在线下载| 亚洲欧美日韩另类电影网站 | 简卡轻食公司| 亚洲精品日本国产第一区| 最近2019中文字幕mv第一页| 国语对白做爰xxxⅹ性视频网站| 亚洲欧美日韩另类电影网站 | 精品熟女少妇av免费看| 欧美bdsm另类| 成人特级av手机在线观看| 熟女人妻精品中文字幕| av视频免费观看在线观看| 91久久精品电影网| 色婷婷av一区二区三区视频| 色5月婷婷丁香| 国产精品精品国产色婷婷| 少妇人妻久久综合中文| 大片电影免费在线观看免费| 成人特级av手机在线观看| 国产精品三级大全| 久久国产乱子免费精品| 色婷婷av一区二区三区视频| 亚洲国产精品一区三区| 久久久色成人| 亚洲精品国产av蜜桃| 人人妻人人看人人澡| 在线天堂最新版资源| 爱豆传媒免费全集在线观看| 少妇人妻精品综合一区二区| 麻豆成人av视频| 国产爱豆传媒在线观看| 免费观看a级毛片全部| 色视频www国产| 另类亚洲欧美激情| 国产成人精品久久久久久| 成人黄色视频免费在线看| 久久99热这里只频精品6学生| 99热全是精品| 午夜视频国产福利| 少妇高潮的动态图| 人人妻人人澡人人爽人人夜夜| av网站免费在线观看视频| 国产精品一区二区在线观看99| av网站免费在线观看视频| 久久影院123| 99久国产av精品国产电影| 国产精品久久久久久久久免| 老熟女久久久| 蜜桃在线观看..| 日日啪夜夜撸| 亚洲精品国产成人久久av| 毛片女人毛片| 精品99又大又爽又粗少妇毛片| 亚洲性久久影院| 久久久亚洲精品成人影院| 亚洲国产欧美人成| 一本久久精品| 美女高潮的动态| 国产亚洲最大av| 亚洲成人手机| 最近的中文字幕免费完整| 国产中年淑女户外野战色| 亚洲国产毛片av蜜桃av| 欧美 日韩 精品 国产| 少妇人妻一区二区三区视频| 免费播放大片免费观看视频在线观看| 国产成人精品久久久久久| 日本黄大片高清| 婷婷色麻豆天堂久久| 丰满乱子伦码专区| 中文乱码字字幕精品一区二区三区| 中文字幕制服av| 亚洲av在线观看美女高潮| 伦精品一区二区三区| 制服丝袜香蕉在线| 欧美精品一区二区免费开放| 夫妻性生交免费视频一级片| 黄色视频在线播放观看不卡| 51国产日韩欧美| 三级国产精品片| 久久久久久久大尺度免费视频| 亚洲图色成人| av女优亚洲男人天堂| 国产精品三级大全| 大片免费播放器 马上看| 国产视频内射| 久热这里只有精品99| 美女脱内裤让男人舔精品视频| 深夜a级毛片| 欧美国产精品一级二级三级 | 一边亲一边摸免费视频| 美女福利国产在线 | 高清视频免费观看一区二区| 日韩av在线免费看完整版不卡| 99久久中文字幕三级久久日本| 亚洲aⅴ乱码一区二区在线播放| 超碰97精品在线观看| 91狼人影院| 少妇人妻一区二区三区视频| 日本爱情动作片www.在线观看| 国产精品久久久久久精品古装| 国产在线男女| 免费av不卡在线播放| 日韩制服骚丝袜av| 午夜福利视频精品| 尤物成人国产欧美一区二区三区| 久久久久久久久久人人人人人人| 草草在线视频免费看| 最近中文字幕高清免费大全6| 天堂俺去俺来也www色官网| 男女无遮挡免费网站观看| 99视频精品全部免费 在线| 美女主播在线视频| 深爱激情五月婷婷| 韩国高清视频一区二区三区| 成人午夜精彩视频在线观看| 亚洲精品aⅴ在线观看| 日韩大片免费观看网站| 王馨瑶露胸无遮挡在线观看| 国产欧美日韩一区二区三区在线 | 成人18禁高潮啪啪吃奶动态图 | 亚洲人成网站高清观看| 亚洲成色77777| 免费观看a级毛片全部| 在线观看国产h片| 女性被躁到高潮视频| 直男gayav资源| 搡女人真爽免费视频火全软件| 一本一本综合久久| 晚上一个人看的免费电影| 看免费成人av毛片| 五月伊人婷婷丁香| 啦啦啦视频在线资源免费观看| 国产精品伦人一区二区| 久久亚洲国产成人精品v| 汤姆久久久久久久影院中文字幕| 少妇高潮的动态图| 搡女人真爽免费视频火全软件| 亚洲国产最新在线播放| 国产精品麻豆人妻色哟哟久久| 亚洲av国产av综合av卡| 在线 av 中文字幕| 人人妻人人澡人人爽人人夜夜| 日韩强制内射视频| 观看免费一级毛片| 亚洲怡红院男人天堂| 最近的中文字幕免费完整| 大陆偷拍与自拍| 偷拍熟女少妇极品色| 又黄又爽又刺激的免费视频.| 久久99蜜桃精品久久| 久久久色成人| 国产精品一区二区三区四区免费观看| 搡老乐熟女国产| 欧美 日韩 精品 国产| 女性生殖器流出的白浆| 日韩伦理黄色片| 久久ye,这里只有精品| 国产美女午夜福利| videos熟女内射| 亚洲不卡免费看| 国产亚洲一区二区精品| 80岁老熟妇乱子伦牲交| 久久99精品国语久久久| 亚洲高清免费不卡视频| 久久久久久久久久久丰满| 久久人妻熟女aⅴ| 免费久久久久久久精品成人欧美视频 | 久久亚洲国产成人精品v| 国产精品秋霞免费鲁丝片| 五月天丁香电影| 99国产精品免费福利视频| 看非洲黑人一级黄片| 最后的刺客免费高清国语| 男女无遮挡免费网站观看| freevideosex欧美| 免费观看性生交大片5| 亚洲av综合色区一区| av天堂中文字幕网| 大片电影免费在线观看免费| 建设人人有责人人尽责人人享有的 | 欧美日本视频| 亚洲av成人精品一二三区| 欧美日韩国产mv在线观看视频 | 99久久精品热视频| av女优亚洲男人天堂| 看免费成人av毛片| av免费在线看不卡| 中文字幕精品免费在线观看视频 | 欧美人与善性xxx| 最黄视频免费看| 丰满少妇做爰视频| 美女中出高潮动态图| 欧美亚洲 丝袜 人妻 在线| av在线播放精品| 乱码一卡2卡4卡精品| 欧美精品一区二区大全| 国产精品爽爽va在线观看网站| 如何舔出高潮| 久久国产精品大桥未久av | 青春草亚洲视频在线观看| av黄色大香蕉| 美女国产视频在线观看| 99久久人妻综合| 亚洲熟女精品中文字幕| 99热6这里只有精品| 1000部很黄的大片| 2021少妇久久久久久久久久久| 大香蕉久久网| 青青草视频在线视频观看| 日韩一区二区视频免费看| 久久久久视频综合| 丝瓜视频免费看黄片| 亚洲一区二区三区欧美精品| 中文乱码字字幕精品一区二区三区| 看十八女毛片水多多多| 啦啦啦在线观看免费高清www| 成人二区视频| 亚洲天堂av无毛| 久久精品国产亚洲网站| 亚洲经典国产精华液单| 大片电影免费在线观看免费| 乱系列少妇在线播放| 亚洲,欧美,日韩| 欧美bdsm另类| 99久久综合免费| 大又大粗又爽又黄少妇毛片口| 日产精品乱码卡一卡2卡三| 亚洲婷婷狠狠爱综合网| av专区在线播放| 精品久久久久久久久亚洲| 亚洲国产最新在线播放| 国产午夜精品一二区理论片| 日韩精品有码人妻一区| 国产精品熟女久久久久浪| 色5月婷婷丁香| 男女国产视频网站| 国产欧美日韩一区二区三区在线 | 国产精品一区二区三区四区免费观看| 爱豆传媒免费全集在线观看| 青春草国产在线视频| 亚洲精品国产av成人精品| 久久精品国产a三级三级三级| h日本视频在线播放| 亚洲精品乱久久久久久| 久久久色成人| 人妻 亚洲 视频| 精品人妻视频免费看| 91久久精品国产一区二区成人| 欧美一级a爱片免费观看看| 国产精品偷伦视频观看了| 美女福利国产在线 | 国产在线免费精品| 久久人人爽人人爽人人片va| 国产精品蜜桃在线观看| 国产成人精品久久久久久| 黄色怎么调成土黄色| 一个人免费看片子| 91aial.com中文字幕在线观看| 最后的刺客免费高清国语| 国产成人午夜福利电影在线观看| 最新中文字幕久久久久| 男人和女人高潮做爰伦理| 国产在线视频一区二区| 亚洲内射少妇av| 高清毛片免费看| 久久99精品国语久久久| 亚洲高清免费不卡视频| 亚洲精品国产av蜜桃| 国产欧美亚洲国产| 国产 一区精品| 国产国拍精品亚洲av在线观看| 男人舔奶头视频| 高清日韩中文字幕在线| 亚洲国产精品成人久久小说| 国产成人精品一,二区| 性高湖久久久久久久久免费观看| 日本午夜av视频| 中国国产av一级| 国产黄色视频一区二区在线观看| 国产免费又黄又爽又色| 人人妻人人看人人澡| 亚洲av欧美aⅴ国产| 高清日韩中文字幕在线| 亚洲高清免费不卡视频| 国产深夜福利视频在线观看| 国产成人freesex在线| 亚洲真实伦在线观看| 欧美另类一区| 人妻少妇偷人精品九色| 大又大粗又爽又黄少妇毛片口| 亚洲欧美一区二区三区黑人 | 国产精品三级大全| 狂野欧美白嫩少妇大欣赏| 国产午夜精品一二区理论片| 亚洲av国产av综合av卡| 国产免费一区二区三区四区乱码| 亚洲精华国产精华液的使用体验| 久久久久久伊人网av| 久久精品久久久久久久性| 99视频精品全部免费 在线| 狂野欧美激情性xxxx在线观看| 国产乱来视频区| 18禁动态无遮挡网站| 亚洲欧美一区二区三区黑人 | 97精品久久久久久久久久精品| 日本黄色日本黄色录像| 国产亚洲午夜精品一区二区久久| 九九爱精品视频在线观看| 国产爱豆传媒在线观看| 啦啦啦中文免费视频观看日本| 国产成人精品一,二区| 久久精品久久久久久噜噜老黄| 午夜激情福利司机影院| 美女脱内裤让男人舔精品视频| 在线观看美女被高潮喷水网站| 国产淫语在线视频| 国产伦精品一区二区三区视频9| 秋霞在线观看毛片| 男女免费视频国产| 啦啦啦视频在线资源免费观看| 另类亚洲欧美激情| xxx大片免费视频| 18禁动态无遮挡网站| 少妇人妻 视频| 尤物成人国产欧美一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91 | 国产女主播在线喷水免费视频网站| 国产成人aa在线观看| 日产精品乱码卡一卡2卡三| 超碰97精品在线观看| 黄片wwwwww| 久久精品国产鲁丝片午夜精品| 97超视频在线观看视频| 国产在线男女| 91在线精品国自产拍蜜月| 精品酒店卫生间| 日韩欧美精品免费久久| 纵有疾风起免费观看全集完整版| 最近中文字幕高清免费大全6| 在线精品无人区一区二区三 | 欧美三级亚洲精品| 国产人妻一区二区三区在| 亚洲精品久久久久久婷婷小说| 国产乱来视频区| 婷婷色综合大香蕉| 最近最新中文字幕大全电影3| 各种免费的搞黄视频| 日韩一区二区视频免费看| 国产精品精品国产色婷婷| 欧美激情极品国产一区二区三区 | 亚洲欧美精品自产自拍| 一级黄片播放器| 亚洲欧美日韩无卡精品| 亚洲美女搞黄在线观看| 亚洲国产欧美在线一区| 日日摸夜夜添夜夜添av毛片| 我的女老师完整版在线观看| 中文字幕久久专区| 偷拍熟女少妇极品色| 五月开心婷婷网| 一级毛片我不卡| 欧美精品一区二区大全| 成人二区视频| av免费在线看不卡| av视频免费观看在线观看| 国产综合精华液| 国产黄片美女视频| 精品一区二区三区视频在线| 国产黄频视频在线观看| 久久久久久久久久久丰满| 国产成人91sexporn| 免费黄网站久久成人精品| 亚洲成人中文字幕在线播放| 最近最新中文字幕免费大全7| 春色校园在线视频观看| 国产白丝娇喘喷水9色精品| 欧美另类一区| 一个人免费看片子| 中文字幕av成人在线电影| 一区二区三区精品91| 日产精品乱码卡一卡2卡三| 欧美精品一区二区免费开放| 欧美成人a在线观看| 少妇精品久久久久久久| 亚洲精品乱码久久久久久按摩| 一级a做视频免费观看| 亚洲欧美中文字幕日韩二区| 赤兔流量卡办理| 国内少妇人妻偷人精品xxx网站| 成人影院久久| 亚洲人成网站在线播| 中文天堂在线官网| 久久久久人妻精品一区果冻| 国产精品久久久久久久久免| 欧美日韩一区二区视频在线观看视频在线| 深夜a级毛片| 麻豆成人午夜福利视频| 国产色婷婷99| 蜜臀久久99精品久久宅男| 美女xxoo啪啪120秒动态图| 国产视频内射| 熟女av电影| 国产精品福利在线免费观看| 丰满少妇做爰视频| 日韩电影二区| 久久久成人免费电影| 国产精品久久久久久精品电影小说 | 永久免费av网站大全| 热99国产精品久久久久久7| 免费观看av网站的网址| 国产在视频线精品| 国产精品.久久久| 久久久久久久精品精品| 色5月婷婷丁香| 午夜激情久久久久久久| 精品亚洲成国产av| 国产 一区精品| 亚洲欧美日韩无卡精品| 色婷婷久久久亚洲欧美| 最近中文字幕2019免费版| 毛片一级片免费看久久久久| 亚洲在久久综合| 青春草亚洲视频在线观看| 亚洲精品一二三| 欧美性感艳星| 少妇的逼水好多| 亚洲自偷自拍三级| 99热这里只有是精品50| 亚洲综合色惰| av在线老鸭窝| 日本vs欧美在线观看视频 | 91精品国产国语对白视频| 一本一本综合久久| 精品久久久噜噜| 日韩制服骚丝袜av| 欧美成人精品欧美一级黄| 欧美日韩在线观看h| 国产精品一二三区在线看| freevideosex欧美| 一级黄片播放器| 欧美精品一区二区免费开放| 成年免费大片在线观看| 国产精品无大码| 极品教师在线视频| 日韩中字成人| 国产欧美日韩一区二区三区在线 | 91精品国产九色| 日韩伦理黄色片| 丝瓜视频免费看黄片| 日韩大片免费观看网站| 在线观看一区二区三区激情| 一级片'在线观看视频| 免费人成在线观看视频色| 欧美国产精品一级二级三级 | 亚洲无线观看免费| 18禁在线无遮挡免费观看视频| 男人舔奶头视频| 久久久久久久久久久丰满| 欧美另类一区| 欧美区成人在线视频| 少妇 在线观看| 一级毛片 在线播放| 日日摸夜夜添夜夜添av毛片| 亚洲欧美清纯卡通| 欧美日韩在线观看h| 国产日韩欧美在线精品| 亚洲精品久久午夜乱码| 亚洲国产高清在线一区二区三| 人妻系列 视频| 少妇人妻久久综合中文| 熟女av电影| 国产精品熟女久久久久浪| av在线观看视频网站免费| 国产大屁股一区二区在线视频| 午夜免费鲁丝| 高清午夜精品一区二区三区| 国产v大片淫在线免费观看| 国产欧美另类精品又又久久亚洲欧美| 99国产精品免费福利视频| 2021少妇久久久久久久久久久| 3wmmmm亚洲av在线观看| 少妇的逼水好多| 美女福利国产在线 | 国产淫片久久久久久久久| 一区在线观看完整版| 亚洲美女搞黄在线观看| 一本—道久久a久久精品蜜桃钙片| 在线观看一区二区三区激情| 一级毛片电影观看| 久久毛片免费看一区二区三区| 视频中文字幕在线观看| 色综合色国产| 能在线免费看毛片的网站| 亚洲国产高清在线一区二区三| 中文字幕精品免费在线观看视频 | 国产精品一及| 免费人成在线观看视频色| 亚洲精品国产色婷婷电影| 亚洲欧美成人精品一区二区| av国产精品久久久久影院| h日本视频在线播放| 亚洲精品日本国产第一区|