• <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 ?

    基于多階馬爾可夫預(yù)測的個性化推薦算法

    2015-12-06 06:11:06全渝娟卓奕濤陳學亮
    計算機工程 2015年11期
    關(guān)鍵詞:馬爾可夫滑動閾值

    韋 煒,全渝娟,卓奕濤,陳學亮,林 艷

    (暨南大學信息科學技術(shù)學院,廣州510632)

    基于多階馬爾可夫預(yù)測的個性化推薦算法

    韋 煒,全渝娟,卓奕濤,陳學亮,林 艷

    (暨南大學信息科學技術(shù)學院,廣州510632)

    針對現(xiàn)有推薦系統(tǒng)僅考慮用戶興趣偏移的隨機性,而忽略用戶興趣偏移時效性的問題,通過研究馬爾可夫模型,并引入滑動時間窗口機制,提出一種新的多階馬爾可夫預(yù)測推薦算法。該算法通過學習用戶歷史行為數(shù)據(jù),以及分析用戶瀏覽行為特征,達到準確預(yù)測用戶瀏覽行為的目的。實驗結(jié)果表明,與協(xié)同過濾算法相比,該推薦算法不僅能夠針對用戶興趣的偏移進行有效預(yù)測推薦,而且運行時間較短。

    用戶興趣;馬爾可夫模型;隨機性;時效性;滑動時間窗口;推薦系統(tǒng)

    1 概述

    隨著互聯(lián)網(wǎng)的發(fā)展與普及,海量的信息正在社會的每一個角落中蔓延?;ヂ?lián)網(wǎng)為用戶帶來便捷服務(wù)的同時,也使得用戶無法從海量的信息中找到對自己真正有用的信息,降低了信息的利用率,這即是“信息超載”問題。

    傳統(tǒng)的搜索引擎往往只能給所有用戶呈現(xiàn)相同的搜索結(jié)果,為了更加精準地向用戶提供感興趣的信息,推薦系統(tǒng)應(yīng)運而生[1]。推薦系統(tǒng)作為一種信息過濾的重要手段,是當前解決“信息超載”問題的最有效的方法之一[2-3]。推薦系統(tǒng)通過對用戶歷史瀏覽記錄等因素的分析,預(yù)測用戶的興趣偏好,向用戶推薦商品和服務(wù)[4]。與傳統(tǒng)搜索引擎不同,推薦系統(tǒng)通過對用戶歷史行為數(shù)據(jù)的分析,向用戶提供個性化推薦。

    推薦系統(tǒng)的應(yīng)用領(lǐng)域非常廣泛,涵蓋電子商務(wù)、電影、音樂、視頻、廣告、社交網(wǎng)絡(luò)等諸多領(lǐng)域。其中,新聞推薦系統(tǒng)是當前最熱門的推薦系統(tǒng)之一。在日常生活中,人們可以通過互聯(lián)網(wǎng)獲取各種類型的新聞,如財經(jīng)新聞、娛樂新聞以及體育新聞等。因此,根據(jù)用戶興趣或偏好的不同,用戶感興趣的新聞也會各自不同。如何通過推薦系統(tǒng)幫助用戶發(fā)現(xiàn)和提取其真正感興趣的新聞成為目前推薦系統(tǒng)研究的一個熱點?,F(xiàn)實生活中,用戶的偏好時常隨著個人興趣的轉(zhuǎn)變而改變。研究結(jié)果表明,用戶的偏好會在新事物的刺激下不斷地發(fā)生變化[5]。此外,隨著時間的推移,個人偏好也會產(chǎn)生變化。因此,將新聞和用戶興趣動態(tài)變化的特性引入研究中,將有助于發(fā)現(xiàn)用戶興趣偏移的規(guī)律,提高新聞推薦的準確性。

    如果將新聞動態(tài)特征的研究與用戶瀏覽新聞的隨機行為進行關(guān)聯(lián),建立有效的用戶瀏覽預(yù)測模型,通過提取用戶瀏覽過程中反映出的個性化特征及用戶興趣的動態(tài)變化,發(fā)現(xiàn)用戶興趣偏移的規(guī)律,將有利于推薦系統(tǒng)更加準確地對用戶瀏覽行為進行預(yù)測。

    馬爾可夫模型是一種動態(tài)隨機模型[6]。而用戶瀏覽新聞是一個受瀏覽目的、興趣愛好、文化背景等多種因素影響的動態(tài)隨機過程。因此,可以通過引入馬爾可夫模型記錄用戶的新聞瀏覽過程,并依據(jù)其緊鄰的狀態(tài)實現(xiàn)動態(tài)預(yù)測推薦。文獻[7]首先將馬爾可夫模型應(yīng)用于日志挖掘,通過對用戶瀏覽過程的抽象,建立簡單有效的用戶瀏覽行為預(yù)測模型;文獻[5]利用馬爾可夫模型通過用戶歷史記錄學習用戶的偏好模式,發(fā)現(xiàn)用戶偏好會隨著時間的推移而產(chǎn)生變化;文獻[8]通過分析用戶歷史瀏覽記錄,利用馬爾可夫模型預(yù)測用戶對產(chǎn)品的傾向性。為了解決現(xiàn)實生活中電子商務(wù)產(chǎn)品推薦問題,文獻[9]利用馬爾可夫鏈跟蹤用戶的購買行為,運用時間分集增強電子商務(wù)推薦的時間多樣性。文獻[10]基于馬爾可夫動態(tài)模型提出了一種融合停留時間的推薦模型。該模型利用停留時間來描述用戶對某一偏好的感興趣程度及所推薦網(wǎng)頁的重要性。然而,以上模型僅僅考慮了用戶瀏覽行為的隨機性,并未考慮該行為的時效性。時效性指用戶在一定時間內(nèi)查閱的所有信息對決策均有一定價值。例如,在新聞推薦系統(tǒng)中,用戶在一定時間段內(nèi)閱讀的所有新聞,均可表示用戶在該段時間內(nèi)的興趣偏好。研究結(jié)果表明,在新聞推薦系統(tǒng)中,對時效性問題的研究能夠記錄用戶興趣的偏移,提高推薦的準確性[11-12]。因此,設(shè)計基于用戶瀏覽行為的動態(tài)預(yù)測推薦模型時應(yīng)考慮時效性的影響。

    本文考慮馬爾可夫模型對動態(tài)預(yù)測推薦模型研究的積極效用,提出一種多階馬爾可夫預(yù)測模型(Multi-step Markov Predict Model,MMPM),并基于該模型提出多階馬爾可夫預(yù)測推薦算法(Personalized Recommendation Algorithm Based on Multi-step Markov Predict,MMPA)。該算法在考慮用戶瀏覽隨機性和時效性的情況下,通過建立轉(zhuǎn)移概率矩陣得到候選推薦列表,并進行個性化推薦。

    2 數(shù)學模型及問題描述

    2.1 多階馬爾可夫預(yù)測模型

    本文采用有向圖對MMPM進行描述。考慮在新聞推薦中,用戶閱讀新聞i之后點擊閱讀新聞j,就可能代表著一次興趣的轉(zhuǎn)移,因此將MMPM的一次狀態(tài)轉(zhuǎn)移作為一次事件,代表用戶關(guān)注點和興趣的偏移。

    圖1為多階馬爾可夫預(yù)測模型示意圖。

    圖1 多階馬爾可夫預(yù)測模型示意圖

    其中,V為頂點集,表示狀態(tài),例如在新聞推薦中,頂點集V是由新聞集組成,如果用戶處于狀態(tài)v1,則表示用戶當前閱讀的新聞為v1;E為邊集,記錄用戶瀏覽記錄中的所有狀態(tài)轉(zhuǎn)移,e12表示為用戶瀏覽行為從狀態(tài)v1到狀態(tài)v2的轉(zhuǎn)移,即用戶閱讀新聞v1之后點擊新聞v2;NE為邊的連接次數(shù)的集合,的數(shù)值表示為狀態(tài)v1到狀態(tài)v2的一階轉(zhuǎn)移次數(shù),以此類推,的數(shù)值表示為狀態(tài)v1到狀態(tài)v2的d階轉(zhuǎn)移次數(shù);用戶狀態(tài)的一次轉(zhuǎn)移就可能代表著用戶興趣的一次偏移。因此,在運用多階馬爾可夫預(yù)測模型進行推薦時,依照用戶瀏覽的信息建立頂點集V;根據(jù)用戶歷史瀏覽記錄建立邊集E,運用來表示邊的用戶狀態(tài)的d階轉(zhuǎn)移次數(shù);PE是由K×K(K表示頂點集V元素個數(shù))生成的轉(zhuǎn)移概率矩陣,例如P12為狀態(tài)v1轉(zhuǎn)移到狀態(tài)v2的條件轉(zhuǎn)移概率。每條邊eE上標注有狀態(tài)的連接次數(shù)和轉(zhuǎn)移概率PE。

    基于此,多階馬爾可夫預(yù)測模型可以形式化描述為:

    其中,V=(v1,v2,…,vK)是頂點集,頂點用于表示狀態(tài),|V|=K;E={eij|i∈V,j∈V}是邊集,邊用于表示狀態(tài)轉(zhuǎn)移;NdE∈[0,N]是一個函數(shù),它給每條邊e=(i,j)∈E賦予數(shù)值,用于表示頂點i到頂點j的一階轉(zhuǎn)移次數(shù),以此類推,表示為頂點i到頂點j的d階轉(zhuǎn)移次數(shù);PE∈[0,1]是一個函數(shù),它給每條邊e=(i,j)∈E賦予一個條件存在概率Pe∈(0,1)用于表示頂點i和j之間實際存在的條件下,由頂點i轉(zhuǎn)移到頂點j的轉(zhuǎn)移概率。

    2.2 數(shù)學模型

    2.2.1 馬爾可夫鏈

    設(shè)有隨機過程序列{Xn,n∈1,2,…}的狀態(tài)空間V是離散的過程Xn=Xn(tn)所處的狀態(tài)為:x1,x2,…,xn的其中一個,對于任意時刻tn,下面的條件概率公式成立:

    則稱序列{Xn,n∈1,2,…}滿足k階馬爾可夫模型。

    在處理實際問題時,通過引入轉(zhuǎn)移概率[13]表示系統(tǒng)狀態(tài)間的轉(zhuǎn)移情況:

    上式中轉(zhuǎn)移概率表示:已知在時刻tn-1系統(tǒng)的狀態(tài)處于xj的條件下,在tn時刻系統(tǒng)的狀態(tài)處于xi的條件概率。

    在離散時間變量條件下,可以得到如下形式[14]:

    假設(shè)所有觀察到的變量是離散的,所以{xn,n∈1,2,…}可稱為離散狀態(tài)或有限狀態(tài)的馬爾可夫鏈。2.2.2 基于馬爾可夫模型的最大似然估計

    假設(shè)存在一個瀏覽序列數(shù)據(jù)集D=(X1,X2,…,XN),其中,Xi=(xi1,xi2,…,xi,Ti),i∈1,2,…代表用戶i的瀏覽序列,在取得樣本為x1:T的條件下,模型參數(shù)用θ表示,要求使用最大似然估計得到最優(yōu)參數(shù),使得似然函數(shù)的值最大,以下是單用戶瀏覽數(shù)據(jù)的似然函數(shù)[13]。

    其中,π(x1)=p(x1);I(x)為示性函數(shù)。同時定義以下等式:

    假設(shè)用戶的瀏覽行為是相互獨立的,則存在數(shù)據(jù)集的對數(shù)似然函數(shù)如下:

    式(1)存在以下優(yōu)化問題:

    其中,j∈1,2,…,K。

    可得拉格朗日函數(shù):

    其中,λj>0;μk>0。

    由式(2)可以得到對數(shù)似然方程組:

    2.3 多階馬爾可夫預(yù)測推薦算法

    圖2為用戶瀏覽順序示意圖??紤]數(shù)據(jù)時效性、瀏覽隨機性等因素,用戶到狀態(tài)v4的轉(zhuǎn)移可能受到狀態(tài)v1,v2甚至其他用戶歷史狀態(tài)的影響。本文提出了基于多階馬爾可夫預(yù)測模型的個性化推薦算法,該算法正是充分考慮了用戶瀏覽記錄(狀態(tài))蘊含的用戶偏好信息。如就單一用戶個體考慮,在短時間內(nèi),其興趣偏好不會發(fā)生太大變化。如圖2所示,用戶1從狀態(tài)v1轉(zhuǎn)移到狀態(tài)v2,即v1→v2,則代表著用戶1興趣的一次一階轉(zhuǎn)移,此次狀態(tài)的轉(zhuǎn)移記入v1→v2的一階轉(zhuǎn)移次數(shù)N112;如果在短時間內(nèi)發(fā)生了用戶從狀態(tài)v1經(jīng)過狀態(tài)v2到狀態(tài)v4的轉(zhuǎn)移,即v1→v2→v4,則考慮v1→v4的轉(zhuǎn)移是用戶興趣偏移的一次二階轉(zhuǎn)移,此次狀態(tài)的轉(zhuǎn)移記入v1→v4的二階轉(zhuǎn)移次數(shù)。

    圖2 用戶瀏覽順序示意圖

    MMPA的實現(xiàn)主要由MMPM建模和推薦預(yù)測兩大部分組成。其中,MMPM建模包括:(1)根據(jù)數(shù)據(jù)時效性設(shè)置時效性參數(shù)Δt;(2)計算每個狀態(tài)的一階轉(zhuǎn)移次數(shù)和一階轉(zhuǎn)移概率;(3)計算每個狀態(tài)的多階轉(zhuǎn)移次數(shù)和多階轉(zhuǎn)移概率;(4)求取每個狀態(tài)的轉(zhuǎn)移概率。推薦預(yù)測則包括:(1)生成當前時刻的轉(zhuǎn)移概率矩陣;(2)預(yù)測用戶的偏好;(3)實施個性化推薦。MMPA實現(xiàn)示意如圖3所示。

    圖3 MM PA實現(xiàn)示意圖

    3 多階馬爾可夫預(yù)測推薦算法設(shè)計

    3.1 時效性問題

    對一個給定用戶作推薦時,若依賴之前過于陳舊的狀態(tài)去推演用戶當前的偏好,在推薦預(yù)測效果方面可能會大打折扣。因此,本文針對推薦中存在的信息(狀態(tài))時效性的問題,引入滑動時間窗口為時效性約束條件。圖4為滑動時間窗口示意圖。

    圖4 滑動時間窗口示意圖

    本文將滑動時間窗口大小設(shè)置為Δt。如圖4所示,滑動時間窗口的滑動過程可以描述如下:

    (1)時刻ti,此時,滑動時間窗口內(nèi)的狀態(tài)i,j,k均可能蘊含時刻ti用戶的偏好信息。時刻ti的滑動時間窗口包含以下3種情況:1)狀態(tài)i到狀態(tài)j為狀態(tài)i的一階狀態(tài)轉(zhuǎn)移,因為t,所以此次狀態(tài)i到狀態(tài)j的一階狀態(tài)轉(zhuǎn)移計入狀態(tài)i到狀態(tài)j的一階轉(zhuǎn)移次數(shù)2)狀態(tài)i到狀態(tài)k為狀態(tài)i的二階狀態(tài)轉(zhuǎn)移,因為,所以狀態(tài)i到狀態(tài)k的二階轉(zhuǎn)移計入狀態(tài)i到狀態(tài)k的二階轉(zhuǎn)移次數(shù)特別地,在時刻ti存在,即狀態(tài)l不在時刻t i的滑動時間窗口內(nèi),因此狀態(tài)i到狀態(tài)l的三階狀態(tài)轉(zhuǎn)移將不計入狀態(tài)i到狀態(tài)l的三階轉(zhuǎn)移次數(shù)。

    (2)當滑動時間窗口隨時間滑動到時刻tj時,此時且,在滑動時間窗口滑動的過程中,狀態(tài)i被移出滑動時間窗口,同時新的狀態(tài)l進入滑動時間窗口,狀態(tài)m不進入滑動時間窗口,因此,時刻tj滑動時間窗口內(nèi)的狀態(tài)包含j,k,l,狀態(tài)j到狀態(tài)k為狀態(tài)j的一階狀態(tài)轉(zhuǎn)移,狀態(tài)j到狀態(tài)l為狀態(tài)j的二階狀態(tài)轉(zhuǎn)移。

    3.2 轉(zhuǎn)移概率

    3.2.1 MMPM一階轉(zhuǎn)移概率

    用戶在時刻ti的狀態(tài)為i,在時刻ti的滑動時間窗口Δt內(nèi),用戶狀態(tài)從狀態(tài)i一階轉(zhuǎn)移到狀態(tài)j。由基于馬爾可夫模型最大似然估計和式(3),可以計算時,用戶瀏覽記錄中由狀態(tài)i一階轉(zhuǎn)移到狀態(tài)j的一階轉(zhuǎn)移概率:

    3.2.2 MMPM多階轉(zhuǎn)移概率

    如果用戶在任意時刻滑動時間窗口Δt內(nèi)進行了多次狀態(tài)轉(zhuǎn)移,則用戶在該時刻的滑動時間窗口內(nèi)所有狀態(tài)轉(zhuǎn)移均可以代表著用戶在該時刻的興趣偏好,因此考慮用戶興趣狀態(tài)一階轉(zhuǎn)移的同時,也需要考慮狀態(tài)的多階轉(zhuǎn)移情況,狀態(tài)的多階轉(zhuǎn)移也代表著用戶在該時刻的興趣偏好。狀態(tài)多階轉(zhuǎn)移示意圖如圖5所示。

    圖5 狀態(tài)多階轉(zhuǎn)移示意圖

    3.2.3 轉(zhuǎn)移概率矩陣

    假設(shè)狀態(tài)i和狀態(tài)j均為用戶在某時刻滑動時間窗口Δt內(nèi)的興趣偏好,由于用戶瀏覽順序的不同,當時,狀態(tài)i可能一階轉(zhuǎn)移到狀態(tài)j,也可能多階轉(zhuǎn)移到狀態(tài)j。考慮時效性影響,在計算轉(zhuǎn)移概率時,應(yīng)同時考慮在滑動時間窗口內(nèi),每個狀態(tài)進行轉(zhuǎn)移的一階轉(zhuǎn)移概率和多階轉(zhuǎn)移概率。

    最后由轉(zhuǎn)移概率可構(gòu)成轉(zhuǎn)移概率矩陣,表示為:

    3.3 推薦預(yù)測

    根據(jù)轉(zhuǎn)移概率矩陣,可以計算每個用戶下一時刻最有可能轉(zhuǎn)移到的狀態(tài)。在推薦預(yù)測時,有些狀態(tài)轉(zhuǎn)移可能來自于用戶的失誤操作,因此本文設(shè)置轉(zhuǎn)移概率閾值Δp用于排除數(shù)據(jù)噪聲。推薦預(yù)測示意圖如圖6所示。

    圖6 推薦預(yù)測示意圖

    假設(shè)下一時刻為t5,根據(jù)轉(zhuǎn)移概率矩陣可以預(yù)測用戶在時刻t5從狀態(tài)v4轉(zhuǎn)移到其他狀態(tài)中轉(zhuǎn)移概率最高的狀態(tài),排除用戶已經(jīng)轉(zhuǎn)移的狀態(tài)(v1,v2,v3,v4),因此轉(zhuǎn)移概率矩陣中由狀態(tài)v4轉(zhuǎn)移到其他狀態(tài)中轉(zhuǎn)移概率最高且滿足轉(zhuǎn)移概率閾值的狀態(tài)即為用戶下一時刻最有可能轉(zhuǎn)移到的狀態(tài)。以此類推,可以預(yù)測出所有用戶在下一時刻可能轉(zhuǎn)移到的狀態(tài)。為了形式化描述候選推薦列表,以符號List(max)來表示依據(jù)轉(zhuǎn)移概率矩陣生成由每個狀態(tài)轉(zhuǎn)移到其他所有狀態(tài)中符合條件的狀態(tài)組成的候選推薦列表,其中List4(max)可表示用戶處于狀態(tài)v4轉(zhuǎn)移到其他所有狀態(tài)中符合推薦條件的狀態(tài)組成的候選推薦列表。

    3.4 多階馬爾可夫預(yù)測算法偽代碼

    為了解決興趣偏移的隨機性和時效性問題,本文提出多階馬爾可夫預(yù)測推薦算法。其算法核心偽代碼如下:

    輸入 H為用戶瀏覽記錄的數(shù)據(jù)集合;U為用戶集合;d為興趣轉(zhuǎn)移階數(shù);ΔP為轉(zhuǎn)移概率閾值

    輸出 R為預(yù)測下一時刻用戶的狀態(tài)

    Step1 計算每階轉(zhuǎn)移次數(shù)(設(shè)最高轉(zhuǎn)移d階)

    Step2 計算轉(zhuǎn)移概率,并生成轉(zhuǎn)移概率矩陣

    Step3 下一時刻用戶狀態(tài)的候選列表

    首先順序讀取所有用戶瀏覽記錄,并設(shè)置滑動時間窗口Δt。然后依據(jù)滑動時間窗口計算狀態(tài)Hi與其他狀態(tài)間的一階轉(zhuǎn)移次數(shù)和多階轉(zhuǎn)移次數(shù)。接著根據(jù)轉(zhuǎn)移次數(shù)計算轉(zhuǎn)移概率PHiHj并生成轉(zhuǎn)移概率矩陣。最后依據(jù)轉(zhuǎn)移概率矩陣生成每個用戶的候選列表并進行排序。如果候選列表ListHi(max)中的轉(zhuǎn)移概率高于轉(zhuǎn)移概率閾值Δp,則將ListHi(max)中符合推薦策略的新聞推薦給用戶Ri。

    4 實驗結(jié)果與分析

    4.1 實驗數(shù)據(jù)及實驗環(huán)境

    為了衡量本文提出的多階馬爾可夫預(yù)測算法的預(yù)測準確性,選取DataCastle網(wǎng)站公開的新聞推薦數(shù)據(jù)集[15]進行實驗。該數(shù)據(jù)集包含10 000名用戶、6 102條新聞和116 225個瀏覽記錄,且每條記錄包括用戶編號、新聞編號、瀏覽時間以及新聞文本內(nèi)容。實驗將數(shù)據(jù)集分為訓練集和測試集兩部分。其中抽取所有用戶瀏覽的最后一條記錄作為測試集,即測試集包含10 000個數(shù)據(jù)項,而其余數(shù)據(jù)作為訓練集。實驗環(huán)境為Intel(R)CoreTMi3-2320M CPU@2.4 GHz、8 GB內(nèi)存、W indow s8主機,編程環(huán)境為JDK 1.8。

    4.2 實驗評價標準

    對算法性能進行評估的一項重要原則是評估算法的成功率。因此,本文選取F-Measure指標作為最終的評價指標。

    令U為用戶數(shù)據(jù)集合;R(u)為算法依據(jù)用戶在訓練集的行為預(yù)測的推薦集合;T(u)為測試集包含的數(shù)據(jù)。

    定義1 準確率(precision)[16],即推薦列表中,用戶最終選中的新聞?wù)纪扑]列表新聞數(shù)的比例。

    定義2 召回率(recall)[16],即推薦列表中,用戶最終選中的新聞?wù)妓杏脩暨x中新聞的比例。

    定義3 F-Measure[16],準確率和召回率的調(diào)和平均數(shù)。準確率和召回率是相互制約和矛盾的,F(xiàn)-Measure能夠?qū)烧哌M行綜合考慮,帶來更為準確的推薦系統(tǒng)性能評價。

    4.3 協(xié)同過濾算法

    通過計算與當前用戶閱讀新聞相似度排名前n的用戶,預(yù)測用戶最有可能閱讀的下一條新聞。其中,用戶集合用Top@n表示。實驗結(jié)果如表1所示。當計算與用戶相似度排名前60的用戶,即用戶集為Top@60時實驗結(jié)果最優(yōu)。

    表1 協(xié)同過濾算法實驗結(jié)果

    4.4 MM PA實驗結(jié)果

    本文通過實驗驗證權(quán)重系數(shù)δn的有效性,并分析引入轉(zhuǎn)移概率閾值、滑動時間窗口等參數(shù)后算法的推薦預(yù)測效果。通過訓練集建立模型,運用MMPA預(yù)測用戶瀏覽的最后一條新聞,將預(yù)測結(jié)果與測試集進行比較,確定在測試集中命中的記錄數(shù)。

    4.4.1 權(quán)重系數(shù)實驗

    本文實驗的目的是為了證明計算轉(zhuǎn)移概率時,考慮多階轉(zhuǎn)移概率能夠提高推薦預(yù)測效果。實驗僅考慮用戶興趣偏移的隨機性,忽略用戶興趣偏移的時效性,因此將滑動時間窗口Δt設(shè)置為無窮大。

    表2為權(quán)重系數(shù)實驗結(jié)果,權(quán)重系數(shù)δd取值范圍為0.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0。特別地,δ1=1.0為僅僅考慮一階馬爾可夫轉(zhuǎn)移概率的情況。實驗在計算轉(zhuǎn)移概率時轉(zhuǎn)移階數(shù)最高取值為6階。表2展示了F-Measure排名前20的參數(shù)取值情況。其中,6階轉(zhuǎn)移概率的權(quán)重系數(shù)δ6在多數(shù)情況下為0。因此,針對實驗所采用的數(shù)據(jù)集,在計算轉(zhuǎn)移概率時,將計算5階轉(zhuǎn)移階數(shù)。

    表2 權(quán)重系數(shù)實驗結(jié)果

    表3 不同階數(shù)預(yù)測效果對比

    4.4.2 轉(zhuǎn)移概率閾值實驗

    本文實驗?zāi)康氖菫榱俗C明在推薦預(yù)測時,考慮轉(zhuǎn)移概率閾值Δp能提高推薦預(yù)測效果。

    表4為轉(zhuǎn)移概率閾值實驗結(jié)果。實驗轉(zhuǎn)移概率閾值Δp取值為0.0,0.05,0.1,0.15,0.20,0.25,0.30,0.35,0.40。實驗計算轉(zhuǎn)移概率時轉(zhuǎn)移階數(shù)最高取值為5階,表4展示了F-Measure排名前20參數(shù)取值情況。其中,轉(zhuǎn)移概率閾值Δp=0.15時,能夠得到較優(yōu)的F-Measure。在表4中,Top2(δ1= 0.7,δ2=0.1,δ3=0.1,δ4=0.1)為考慮四階轉(zhuǎn)移概率的情況。

    表4 轉(zhuǎn)移概率閾值實驗結(jié)果

    通過對比轉(zhuǎn)移概率閾值實驗(表4)與權(quán)重系數(shù)實驗結(jié)果(表2),發(fā)現(xiàn)考慮轉(zhuǎn)移概率閾值后,實驗得到的F-Measure有明顯提升。實驗結(jié)果表明,進行推薦預(yù)測時運用轉(zhuǎn)移概率閾值Δp過濾數(shù)據(jù)噪聲能得到更好地推薦預(yù)測效果。

    圖7為一階與四階在不同轉(zhuǎn)移概率閾值下實驗結(jié)果的對比。其中一階情況下權(quán)重系數(shù)δ1=1.0,四階情況下權(quán)重系數(shù)δ1=0.7,δ2=0.1,δ3=0.1,δ4= 0.1。從圖7可以發(fā)現(xiàn)四階的預(yù)測效果優(yōu)于一階的預(yù)測效果,同時可以發(fā)現(xiàn)隨著轉(zhuǎn)移概率閾值的增長,F(xiàn)-Measure指標會有所下降。這種情況產(chǎn)生的原因是隨著轉(zhuǎn)移概率閾值的增長,轉(zhuǎn)移概率矩陣中滿足轉(zhuǎn)移概率閾值的新聞會減少,雖然準確率會有明顯提升,但可提交的推薦新聞數(shù)大幅減少致使召回率明顯下降,最終導致F-Measure指標下降。

    圖7 一階與四階轉(zhuǎn)移概率閾值對比實驗結(jié)果

    4.4.3 滑動時間窗口實驗

    本文實驗?zāi)康氖窃u估時效性對推薦預(yù)測的影響。首先,驗證引入時效性約束條件后,算法的推薦預(yù)測效果。實驗將滑動時間窗口設(shè)為固定值,滑動時間窗口Δt取值范圍為100 s~2 000 s,實驗結(jié)果如表5所示。實驗結(jié)果展示了F-Measure排名前20的參數(shù)取值情況。如表5所示,Top3(δ1=0.9,δ2= 0.1)為考慮二階滑動時間窗口的情況。通過滑動時間窗口實驗(表5)與轉(zhuǎn)移概率閾值實驗(表4)的對比,發(fā)現(xiàn)引入時效性約束條件能夠有效提升推薦預(yù)測效果。實驗結(jié)果表明,引入滑動時間窗口能夠有效地提高推薦預(yù)測效果。

    表5 滑動時間窗口實驗結(jié)果

    圖8描述了在滑動時間窗口取值不同的情況下,一階與二階實驗結(jié)果的對比情況。其中一階情況下權(quán)重系數(shù)δ1=1.0,轉(zhuǎn)移概率閾值Δp=0.3。二階情況下權(quán)重系數(shù)δ1=0.9,δ2=0.1,轉(zhuǎn)移概率閾值Δp=0.3。圖8表明考慮多階轉(zhuǎn)移概率可以得到比考慮一階轉(zhuǎn)移概率更好的預(yù)測效果。

    圖8 滑動時間窗口對比實驗結(jié)果

    4.4.4 不同方法的推薦結(jié)果比較

    表6表示2種方法實驗結(jié)果取值最優(yōu)的推薦結(jié)果比較。協(xié)同過濾算法在Top@60得到最優(yōu)結(jié)果。MMPA在權(quán)重系數(shù)δ1=0.9,δ2=0.1,轉(zhuǎn)移概率閾值Δp=0.3的情況下得到最優(yōu)結(jié)果。表6表明本文提出的MMPA相較于協(xié)同過濾算法具有較好的預(yù)測推薦效果,尤其在運行時間方面,優(yōu)勢更為明顯。

    表6 不同算法推薦結(jié)果比較

    5 結(jié)束語

    本文通過分析用戶瀏覽新聞產(chǎn)生的歷史瀏覽記錄,對用戶的瀏覽興趣偏好進行建模,并結(jié)合傳統(tǒng)的馬爾可夫模型,提出一種新的多階馬爾可夫預(yù)測推薦模型?;谠撃P吞岢隽硕嚯A馬爾可夫預(yù)測推薦算法,并在實際數(shù)據(jù)集上進行了比較實驗。實驗結(jié)果表明,本文提出的算法能對用戶下一條瀏覽記錄進行較為有效的預(yù)測推薦。通過算法比較表明,MMPA算法具有更好的推薦預(yù)測效果和更短的運行時間。但算法中存在很多不足,比如用戶瀏覽內(nèi)容、新聞受歡迎程度等因素沒有考慮在算法中,算法仍不能準確反映出用戶關(guān)注新聞的內(nèi)容和用戶對新聞的滿意程度。考慮到新聞的時效性和時新性,在選取用戶歷史瀏覽記錄時,選取歷史記錄時間跨度較大會造成預(yù)測不準確、加載數(shù)據(jù)過多等問題,例如,選取一定時間內(nèi)的用戶歷史瀏覽記錄作為當前新聞推薦依據(jù),能夠減少加載數(shù)據(jù)量。所以,在選取用戶歷史瀏覽記錄時,也需要考慮歷史瀏覽記錄的時效性問題。因此,在今后的研究工作中將考慮用戶瀏覽內(nèi)容等信息,以及用戶歷史瀏覽記錄時效性等問題,進一步提高推薦預(yù)測的準確度和效率。

    [1] 劉建國,周 濤,汪秉宏.個性化推薦系統(tǒng)的研究進展[J].自然科學進展,2009,19(1):1-15.

    [2] 許海玲,吳 瀟,李曉東,等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學報,2009,20(2):350-362.

    [3] Awad M A,Khalil I.Prediction of User's Web-brow sing Behavior:Application of Markov Model[J].IEEE Transactions on System s,M an,and Cybernetics,Part B:Cybernetics,2012,42(4):1131-1142.

    [4] Resnick P,Varian H R.Recomm ender System s[J]. Communications of the ACM,1997,40(3):56-58.

    [5] Sahoo N,Singh P V,Mukhopadhyay T.A Hidden Markov Model for Collaborative Filtering[J].Management Information Systems,2012,36(4):1329-1356.

    [6] Kukhtarev N V,Markov V B,Odulov S G,et al. Holographic Storage in Electrooptic Crystals:I.Steady State[J].Ferroelectrics,1978,22(1):949-960.

    [7] Zukerman I,A lbrecht D W,Nicholson A E.Predicting Users' Requests on the WWW[C]//Proceedings of the 7th International Conference on User Modeling.Banff,Canada:[s.n.],1999:216-222.

    [8] He M,Ren C,Zhang H.Intent-based Recommendation for B2C E-commerce Platforms[J].IBM Journal of Research and Development,2014,58(5/6):1-5.

    [9] Gu W,Dong S,Zeng Z.Increasing Recommended Effectiveness with Markov Chains and Purchase Intervals[J].Neural Computing and Applications,2014,25(5):1153-1162.

    [10] 劉勝宗,樊曉平,廖志芳,等.融合停留時間的隱Markov個性化推薦模型[J].通信學報,2014,35(9):112-121.

    [11] Li L,Zheng L,Yang F,et al.Modeling and Broadening Temporal User Interest in Personalized New s Recommendation[J].Expert System s with Applications,2014,41(7):3168-3177.

    [12] 楊興耀,于 炯.基于信任模型填充的協(xié)同過濾推薦模型[J].計算機工程,2015,41(5):6-13.

    [13] Chung K L.Markov Chains with Stationary Transition Probabilities[M].Berlin,Germany:Springer,1960.

    [14] Murphy K P.Machine Learning:A Probabilistic Perspective[M].Cambridge,USA:M IT Press,2012.

    [15] 用戶瀏覽新聞的模式分析及個性化新聞推薦[EB/OL].[2015-03-01].http://www.115.28.182.124/c/0000000005 0/data.

    [16] Büttcher S,Clarke C L,Cormack G V.Information Retrieval:Implementing and Evaluating Search Engines[M]. Cambridge,USA:M IT Press,2010.

    編輯 索書志

    Personalized Recommendation Algorithm Based on Multi-order Markov Prediction

    WEI Wei,QUAN Yujuan,ZHUO Yitao,CHEN Xueliang,LIN Yan
    (College of Information Science and Technology,Jinan University,Guangzhou 510632,China)

    The current research on the recommendation system just considers the randomness too much but ignores the point of timeliness.This paper proposes a new multi-order Markov predicting recommendation system based on the traditional standard Markov model.The algorithm can make up for the deficiency of timeliness by using the new sliding time window mechanism.The algorithm can achieve the mission of accurate prediction about user's browsing activity according to the study of the history data and the analysis of user's brow sing habits.Experimental results show that compared with the collaborative filtering scheme,the new proposed algorithm can provide the predicting recommendation efficiently and effectively judging by the user's interest shift behavior.

    user interest;Markov model;randomness;timeliness;sliding time window;recommendation system

    韋 煒,全渝娟,卓奕濤,等.基于多階馬爾可夫預(yù)測的個性化推薦算法[J].計算機工程,2015,41(11):59-66.

    英文引用格式:Wei Wei,Quan Yujuan,Zhuo Yitao,et al.Personalized Recommendation Algorithm Based on Multi-order Markov Prediction[J].Computer Engineering,2015,41(11):59-66.

    1000-3428(2015)11-0059-08

    A

    TP391

    10.3969/j.issn.1000-3428.2015.11.011

    廣東省產(chǎn)學研基金資助項目(2013B090500030);廣州市科技攻關(guān)計劃基金資助項目(2014Y 2-00133)。

    韋 煒(1987-),男,碩士研究生,主研方向:機器學習,數(shù)據(jù)挖掘;全渝娟(通訊作者),副教授、博士;卓奕濤,本科生;陳學亮、林 艷,碩士研究生。

    2015-05-28

    2015-06-18 E-m ail:josiah.wei@qq.com

    猜你喜歡
    馬爾可夫滑動閾值
    小波閾值去噪在深小孔鉆削聲發(fā)射信號處理中的應(yīng)用
    基于自適應(yīng)閾值和連通域的隧道裂縫提取
    一種新型滑動叉拉花鍵夾具
    Big Little lies: No One Is Perfect
    比值遙感蝕變信息提取及閾值確定(插圖)
    河北遙感(2017年2期)2017-08-07 14:49:00
    室內(nèi)表面平均氡析出率閾值探討
    保費隨機且?guī)в屑t利支付的復合馬爾可夫二項模型
    基于SOP的核電廠操縱員監(jiān)視過程馬爾可夫模型
    應(yīng)用馬爾可夫鏈對品牌手機市場占有率進行預(yù)測
    滑動供電系統(tǒng)在城市軌道交通中的應(yīng)用
    国产精品久久久久久精品电影| 国产精品爽爽va在线观看网站| 最近视频中文字幕2019在线8| 日本免费a在线| 亚洲国产精品成人综合色| 亚洲精品色激情综合| 日韩欧美国产一区二区入口| 欧美性长视频在线观看| 制服人妻中文乱码| 国产视频内射| www.www免费av| videosex国产| 国产免费av片在线观看野外av| 亚洲专区中文字幕在线| 国产精品99久久99久久久不卡| 久久久久久久久中文| 一本精品99久久精品77| 国产视频内射| 成年人黄色毛片网站| 午夜亚洲福利在线播放| 99精品欧美一区二区三区四区| 村上凉子中文字幕在线| 久久精品91蜜桃| 亚洲专区字幕在线| 高潮久久久久久久久久久不卡| 成年女人毛片免费观看观看9| 国产亚洲av嫩草精品影院| 亚洲七黄色美女视频| 国产一区二区激情短视频| 久久精品aⅴ一区二区三区四区| 日本免费一区二区三区高清不卡| 亚洲色图av天堂| 国产亚洲精品综合一区在线观看 | 午夜福利18| 亚洲一区中文字幕在线| 一级毛片高清免费大全| 国产午夜精品论理片| 国产午夜精品论理片| 国产蜜桃级精品一区二区三区| 男人舔女人下体高潮全视频| 亚洲av电影在线进入| 久久亚洲真实| 久99久视频精品免费| 高清毛片免费观看视频网站| av在线天堂中文字幕| 九九热线精品视视频播放| 日本 欧美在线| 三级毛片av免费| 国产视频内射| 亚洲av成人精品一区久久| 波多野结衣巨乳人妻| 亚洲欧美日韩东京热| 不卡一级毛片| 亚洲国产精品999在线| 国产免费av片在线观看野外av| 九九热线精品视视频播放| 国产精品久久视频播放| 亚洲一码二码三码区别大吗| 18禁裸乳无遮挡免费网站照片| 中文字幕精品亚洲无线码一区| 久久伊人香网站| 精品高清国产在线一区| 亚洲专区国产一区二区| 久久精品人妻少妇| 他把我摸到了高潮在线观看| 精品久久久久久久毛片微露脸| 色播亚洲综合网| av超薄肉色丝袜交足视频| 欧美成狂野欧美在线观看| 国产一区二区在线av高清观看| 中文资源天堂在线| 亚洲在线自拍视频| 色尼玛亚洲综合影院| 成人三级做爰电影| 女人被狂操c到高潮| 三级毛片av免费| 精品熟女少妇八av免费久了| 成人手机av| 18禁裸乳无遮挡免费网站照片| 国产成人精品无人区| 在线观看美女被高潮喷水网站 | 每晚都被弄得嗷嗷叫到高潮| 在线观看免费视频日本深夜| 精品福利观看| 日韩国内少妇激情av| 欧美乱码精品一区二区三区| 99久久99久久久精品蜜桃| 一级毛片精品| 老司机靠b影院| 黄色成人免费大全| 日韩欧美三级三区| 搡老岳熟女国产| 午夜免费成人在线视频| 18禁观看日本| 天天躁夜夜躁狠狠躁躁| 亚洲成人久久性| 12—13女人毛片做爰片一| 亚洲中文字幕日韩| 国产视频一区二区在线看| 老司机在亚洲福利影院| 无限看片的www在线观看| 欧美乱码精品一区二区三区| 国产伦一二天堂av在线观看| 日韩中文字幕欧美一区二区| 一级a爱片免费观看的视频| 午夜影院日韩av| 久久国产乱子伦精品免费另类| 此物有八面人人有两片| 日韩免费av在线播放| 久久久久久九九精品二区国产 | 国产成人精品无人区| 两个人视频免费观看高清| av视频在线观看入口| 亚洲aⅴ乱码一区二区在线播放 | 久久久久国产精品人妻aⅴ院| 亚洲欧美日韩东京热| 欧美精品啪啪一区二区三区| 日本熟妇午夜| 欧美不卡视频在线免费观看 | av视频在线观看入口| 欧美zozozo另类| 久久久久久久精品吃奶| 亚洲国产精品成人综合色| 老鸭窝网址在线观看| 中亚洲国语对白在线视频| 一边摸一边抽搐一进一小说| 国产精品久久视频播放| 一本久久中文字幕| 亚洲色图 男人天堂 中文字幕| 国产真实乱freesex| 欧美乱妇无乱码| 亚洲成av人片免费观看| 亚洲人成电影免费在线| 高清在线国产一区| 成人精品一区二区免费| 欧美三级亚洲精品| 免费看a级黄色片| 国产av不卡久久| 国模一区二区三区四区视频 | 久久热在线av| 国产av一区在线观看免费| 色尼玛亚洲综合影院| 又黄又粗又硬又大视频| av免费在线观看网站| 久久久久久九九精品二区国产 | aaaaa片日本免费| e午夜精品久久久久久久| 国产激情久久老熟女| 天堂av国产一区二区熟女人妻 | 午夜a级毛片| 国产一区二区三区在线臀色熟女| 国模一区二区三区四区视频 | 观看免费一级毛片| 搞女人的毛片| 女同久久另类99精品国产91| 国产三级在线视频| 哪里可以看免费的av片| 亚洲精品久久国产高清桃花| 免费在线观看成人毛片| 亚洲人成网站高清观看| 亚洲av中文字字幕乱码综合| 亚洲成av人片在线播放无| 欧美不卡视频在线免费观看 | 日本三级黄在线观看| 不卡av一区二区三区| 亚洲真实伦在线观看| АⅤ资源中文在线天堂| av超薄肉色丝袜交足视频| av视频在线观看入口| 亚洲五月婷婷丁香| 日本撒尿小便嘘嘘汇集6| 国产精品久久电影中文字幕| 757午夜福利合集在线观看| 白带黄色成豆腐渣| 小说图片视频综合网站| 欧美三级亚洲精品| 久久婷婷人人爽人人干人人爱| 中国美女看黄片| 国产v大片淫在线免费观看| 精品午夜福利视频在线观看一区| 老司机午夜福利在线观看视频| 国产成人欧美在线观看| 欧美中文日本在线观看视频| 精品久久蜜臀av无| 色av中文字幕| 黄片大片在线免费观看| av片东京热男人的天堂| 免费在线观看黄色视频的| 在线观看免费午夜福利视频| 午夜老司机福利片| 精品一区二区三区四区五区乱码| 99热6这里只有精品| 两人在一起打扑克的视频| 国产精品亚洲av一区麻豆| 可以免费在线观看a视频的电影网站| 中出人妻视频一区二区| 美女扒开内裤让男人捅视频| 欧美另类亚洲清纯唯美| www.精华液| 久久国产精品人妻蜜桃| 免费观看精品视频网站| 黄色毛片三级朝国网站| 欧美高清成人免费视频www| 制服诱惑二区| 日韩三级视频一区二区三区| 午夜福利免费观看在线| 欧美性猛交╳xxx乱大交人| 日韩欧美免费精品| 免费人成视频x8x8入口观看| 麻豆av在线久日| 青草久久国产| 亚洲成人久久爱视频| 夜夜夜夜夜久久久久| 特大巨黑吊av在线直播| 成人18禁在线播放| 亚洲欧美日韩高清在线视频| 国产av麻豆久久久久久久| 在线观看舔阴道视频| 一本大道久久a久久精品| 免费无遮挡裸体视频| 亚洲 欧美 日韩 在线 免费| 悠悠久久av| 久久久久亚洲av毛片大全| 亚洲国产精品sss在线观看| 日本 av在线| 在线免费观看的www视频| 99在线人妻在线中文字幕| 亚洲人成77777在线视频| 国产伦人伦偷精品视频| 久久天躁狠狠躁夜夜2o2o| 欧美色视频一区免费| av片东京热男人的天堂| 美女扒开内裤让男人捅视频| 99热这里只有是精品50| 中文字幕av在线有码专区| 亚洲va日本ⅴa欧美va伊人久久| 欧美精品亚洲一区二区| 不卡一级毛片| 搡老妇女老女人老熟妇| 国模一区二区三区四区视频 | 日韩高清综合在线| 亚洲一卡2卡3卡4卡5卡精品中文| 老司机午夜十八禁免费视频| 国产精品久久电影中文字幕| 夜夜躁狠狠躁天天躁| 9191精品国产免费久久| 免费无遮挡裸体视频| 人妻夜夜爽99麻豆av| 亚洲欧美日韩无卡精品| 宅男免费午夜| 嫩草影院精品99| 亚洲一码二码三码区别大吗| 禁无遮挡网站| 最新在线观看一区二区三区| 高清在线国产一区| 一区二区三区国产精品乱码| 婷婷亚洲欧美| 国产高清视频在线播放一区| 一级a爱片免费观看的视频| 免费在线观看完整版高清| a级毛片a级免费在线| 日本 欧美在线| 无人区码免费观看不卡| 欧美极品一区二区三区四区| 50天的宝宝边吃奶边哭怎么回事| netflix在线观看网站| 久久国产精品影院| 男人舔女人的私密视频| 亚洲国产精品sss在线观看| 免费在线观看完整版高清| 黄色视频,在线免费观看| 日韩高清综合在线| 日本撒尿小便嘘嘘汇集6| 精品久久久久久久久久久久久| 一级毛片高清免费大全| 欧美精品亚洲一区二区| 亚洲 国产 在线| 丰满的人妻完整版| 国产精品爽爽va在线观看网站| 色播亚洲综合网| bbb黄色大片| 日本三级黄在线观看| 久久久久久久久中文| 麻豆成人av在线观看| 人人妻人人澡欧美一区二区| 黄片小视频在线播放| 午夜亚洲福利在线播放| 久久久精品欧美日韩精品| 欧美成人一区二区免费高清观看 | 后天国语完整版免费观看| 精品午夜福利视频在线观看一区| 国产探花在线观看一区二区| 免费无遮挡裸体视频| 国产精品久久久久久亚洲av鲁大| 久久精品国产清高在天天线| 香蕉国产在线看| 亚洲 欧美一区二区三区| 亚洲国产精品合色在线| 午夜福利高清视频| 他把我摸到了高潮在线观看| 丝袜美腿诱惑在线| 麻豆国产av国片精品| 色av中文字幕| 人人妻人人看人人澡| 全区人妻精品视频| 18禁黄网站禁片免费观看直播| 久久久水蜜桃国产精品网| 久久亚洲真实| 桃色一区二区三区在线观看| 国内精品久久久久精免费| 婷婷亚洲欧美| 女人高潮潮喷娇喘18禁视频| 久久久久久久久久黄片| 两个人视频免费观看高清| 中文字幕精品亚洲无线码一区| 最新美女视频免费是黄的| 亚洲va日本ⅴa欧美va伊人久久| 999久久久国产精品视频| 国产精品,欧美在线| 男女之事视频高清在线观看| 欧美日韩福利视频一区二区| 欧美大码av| 免费无遮挡裸体视频| 久久人人精品亚洲av| 亚洲国产欧美人成| 午夜免费激情av| 欧洲精品卡2卡3卡4卡5卡区| 91九色精品人成在线观看| 国产一区二区三区视频了| 两个人免费观看高清视频| 国内毛片毛片毛片毛片毛片| 成人av在线播放网站| 观看免费一级毛片| 婷婷精品国产亚洲av| 97人妻精品一区二区三区麻豆| 欧美性猛交黑人性爽| 亚洲欧美日韩高清专用| 中文字幕最新亚洲高清| 成年版毛片免费区| 精品久久久久久,| 中文字幕熟女人妻在线| 麻豆国产av国片精品| 国产又黄又爽又无遮挡在线| 亚洲色图av天堂| 巨乳人妻的诱惑在线观看| 久久久久久久精品吃奶| 麻豆一二三区av精品| 精品国产美女av久久久久小说| 欧美色视频一区免费| 亚洲中文日韩欧美视频| 1024香蕉在线观看| 久久久久国产一级毛片高清牌| 悠悠久久av| 麻豆av在线久日| 国产精品亚洲美女久久久| 美女高潮喷水抽搐中文字幕| 亚洲第一欧美日韩一区二区三区| 天天躁夜夜躁狠狠躁躁| 一边摸一边抽搐一进一小说| 9191精品国产免费久久| 国产av一区二区精品久久| 免费人成视频x8x8入口观看| 免费在线观看日本一区| 日韩欧美精品v在线| 1024视频免费在线观看| 搡老熟女国产l中国老女人| 国产精品久久久久久精品电影| 精品一区二区三区四区五区乱码| 婷婷精品国产亚洲av| 黄色视频,在线免费观看| 男女那种视频在线观看| 美女午夜性视频免费| 国产麻豆成人av免费视频| 在线观看免费视频日本深夜| 精品免费久久久久久久清纯| 国内精品久久久久精免费| 久久久国产欧美日韩av| 日韩高清综合在线| 久久久精品大字幕| 999久久久国产精品视频| a级毛片在线看网站| 精品久久久久久成人av| 岛国在线观看网站| 黄色视频不卡| 国产精品 欧美亚洲| 身体一侧抽搐| 女生性感内裤真人,穿戴方法视频| 99久久精品国产亚洲精品| 变态另类成人亚洲欧美熟女| 亚洲狠狠婷婷综合久久图片| 制服人妻中文乱码| 午夜免费成人在线视频| 国产成人精品无人区| 午夜成年电影在线免费观看| 老司机靠b影院| 国产精品日韩av在线免费观看| 中出人妻视频一区二区| netflix在线观看网站| 国内少妇人妻偷人精品xxx网站 | 国产精品亚洲一级av第二区| 久久精品国产亚洲av香蕉五月| 国产成人精品久久二区二区91| 成人三级做爰电影| 国产伦一二天堂av在线观看| 神马国产精品三级电影在线观看 | 国产单亲对白刺激| 国产熟女xx| 亚洲 国产 在线| 国产精品日韩av在线免费观看| 99精品久久久久人妻精品| 黑人欧美特级aaaaaa片| 久热爱精品视频在线9| av欧美777| 欧美zozozo另类| 亚洲av电影不卡..在线观看| 久久久久国产精品人妻aⅴ院| 久久久国产欧美日韩av| 免费观看人在逋| 亚洲免费av在线视频| 国产精品1区2区在线观看.| 国产69精品久久久久777片 | xxx96com| 波多野结衣高清无吗| 精品久久久久久久末码| 国产伦一二天堂av在线观看| 男女床上黄色一级片免费看| 91麻豆av在线| 久久精品人妻少妇| 一边摸一边抽搐一进一小说| 国产熟女xx| 日韩三级视频一区二区三区| 美女扒开内裤让男人捅视频| 人人妻人人澡欧美一区二区| 欧美日韩福利视频一区二区| 国产伦一二天堂av在线观看| 他把我摸到了高潮在线观看| 欧美成人免费av一区二区三区| 一区二区三区激情视频| 精品国产乱码久久久久久男人| 亚洲av电影不卡..在线观看| 亚洲熟女毛片儿| 午夜福利欧美成人| 亚洲av电影不卡..在线观看| 国产亚洲精品第一综合不卡| 亚洲成a人片在线一区二区| 国产精品影院久久| 美女 人体艺术 gogo| 日本黄大片高清| 午夜福利视频1000在线观看| 国产精品99久久99久久久不卡| 狠狠狠狠99中文字幕| 成人永久免费在线观看视频| 国产精品爽爽va在线观看网站| 国产探花在线观看一区二区| 99精品欧美一区二区三区四区| 欧美大码av| 国产精品久久久人人做人人爽| x7x7x7水蜜桃| 欧美一区二区精品小视频在线| 十八禁人妻一区二区| 免费无遮挡裸体视频| 最近最新中文字幕大全免费视频| 国产成人精品久久二区二区免费| 午夜福利免费观看在线| 国产熟女xx| 叶爱在线成人免费视频播放| 免费看日本二区| 日韩欧美在线乱码| 久久精品国产亚洲av香蕉五月| 欧美日韩福利视频一区二区| 婷婷亚洲欧美| 国产精品久久久久久人妻精品电影| 看免费av毛片| 国产高清视频在线观看网站| 人妻久久中文字幕网| 国产真人三级小视频在线观看| 香蕉国产在线看| 色哟哟哟哟哟哟| 最近在线观看免费完整版| 日本免费一区二区三区高清不卡| 亚洲成人久久爱视频| 99国产极品粉嫩在线观看| 精品无人区乱码1区二区| 国产高清视频在线播放一区| 久99久视频精品免费| 91字幕亚洲| 亚洲欧美激情综合另类| 老熟妇仑乱视频hdxx| 亚洲人成电影免费在线| 久久久久久免费高清国产稀缺| 国产亚洲av嫩草精品影院| 身体一侧抽搐| 久99久视频精品免费| 国产精品久久久久久亚洲av鲁大| 桃色一区二区三区在线观看| 在线视频色国产色| 一卡2卡三卡四卡精品乱码亚洲| 亚洲国产精品999在线| 婷婷丁香在线五月| 在线视频色国产色| 欧美极品一区二区三区四区| 美女免费视频网站| 久久精品国产99精品国产亚洲性色| 亚洲成人精品中文字幕电影| 狂野欧美激情性xxxx| 五月伊人婷婷丁香| 久久久久久亚洲精品国产蜜桃av| 色哟哟哟哟哟哟| 欧美日韩一级在线毛片| 国产亚洲精品久久久久久毛片| av超薄肉色丝袜交足视频| 国产精品99久久99久久久不卡| 亚洲国产欧美一区二区综合| 亚洲av五月六月丁香网| 中国美女看黄片| 999久久久精品免费观看国产| 欧美日韩一级在线毛片| 欧美一区二区精品小视频在线| 久久久精品国产亚洲av高清涩受| 999久久久国产精品视频| 久久久国产成人免费| 久久久久久九九精品二区国产 | 免费看日本二区| 人妻夜夜爽99麻豆av| 久9热在线精品视频| 男人舔女人的私密视频| e午夜精品久久久久久久| 97人妻精品一区二区三区麻豆| 欧洲精品卡2卡3卡4卡5卡区| 免费在线观看完整版高清| 国产探花在线观看一区二区| 国产亚洲欧美在线一区二区| netflix在线观看网站| 精品国产乱码久久久久久男人| 欧美日韩国产亚洲二区| 亚洲欧美一区二区三区黑人| 久久久久国产精品人妻aⅴ院| 中亚洲国语对白在线视频| 777久久人妻少妇嫩草av网站| 久久精品91无色码中文字幕| 一二三四在线观看免费中文在| 色精品久久人妻99蜜桃| 岛国在线观看网站| 国产伦人伦偷精品视频| 中文资源天堂在线| 身体一侧抽搐| 亚洲成人久久爱视频| 12—13女人毛片做爰片一| tocl精华| 妹子高潮喷水视频| 午夜福利视频1000在线观看| 国产视频一区二区在线看| 日本 欧美在线| 欧美成人午夜精品| 精品熟女少妇八av免费久了| 午夜福利高清视频| 可以在线观看的亚洲视频| 久久婷婷成人综合色麻豆| 一边摸一边抽搐一进一小说| 日本成人三级电影网站| 十八禁人妻一区二区| 麻豆成人av在线观看| 一本一本综合久久| 三级国产精品欧美在线观看 | 亚洲国产欧美一区二区综合| 成人永久免费在线观看视频| 国产成人精品久久二区二区91| 中文亚洲av片在线观看爽| 可以在线观看的亚洲视频| 欧美av亚洲av综合av国产av| 高清在线国产一区| 亚洲av美国av| 看黄色毛片网站| 国产伦人伦偷精品视频| 特级一级黄色大片| 亚洲av第一区精品v没综合| 成人高潮视频无遮挡免费网站| 51午夜福利影视在线观看| 99国产精品一区二区三区| av视频在线观看入口| 婷婷亚洲欧美| 色精品久久人妻99蜜桃| 女同久久另类99精品国产91| 黄片大片在线免费观看| 久久久久久免费高清国产稀缺| 后天国语完整版免费观看| 成人av一区二区三区在线看| 在线观看免费午夜福利视频| www.自偷自拍.com| 久久久久性生活片| 无遮挡黄片免费观看| 亚洲欧美精品综合久久99| 亚洲成人国产一区在线观看| 男女那种视频在线观看| 免费高清视频大片| 久久 成人 亚洲| 成在线人永久免费视频| 亚洲专区字幕在线| av视频在线观看入口| 国产精品一区二区精品视频观看| 欧美成人一区二区免费高清观看 | 女同久久另类99精品国产91| 久久性视频一级片| 三级国产精品欧美在线观看 | 狂野欧美白嫩少妇大欣赏| 免费看a级黄色片| 99久久综合精品五月天人人| 国产不卡一卡二| 天堂影院成人在线观看| 亚洲国产欧洲综合997久久,| 麻豆一二三区av精品| 亚洲九九香蕉| 亚洲av五月六月丁香网| 十八禁人妻一区二区| 黄色 视频免费看|