• <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 ?

    一種基于改進(jìn)的TF-IDF和支持向量機(jī)的中文文本分類研究

    2016-02-13 05:58:20郭太勇
    軟件 2016年12期
    關(guān)鍵詞:特征詞卡方權(quán)值

    郭太勇

    (北京郵電大學(xué)網(wǎng)絡(luò)空間安全學(xué)院,北京 100876)

    一種基于改進(jìn)的TF-IDF和支持向量機(jī)的中文文本分類研究

    郭太勇

    (北京郵電大學(xué)網(wǎng)絡(luò)空間安全學(xué)院,北京 100876)

    TF-IDF是一種應(yīng)用在文本分類中常用的權(quán)值計算方法,傳統(tǒng)的TD-IDF單純考慮特征詞頻率以及包含特征詞的文本數(shù)量,并沒有很好的考慮特征詞在文本中的重要程度以及類內(nèi)分布均勻情況和類間分布離散的問題,可能會導(dǎo)致文本分類結(jié)果的偏差。本文引入卡方統(tǒng)計量CHI和特征詞在文本中的位置作為修正因子并結(jié)合傳統(tǒng)TF-IDF權(quán)值計算公式,很好的解決了特征詞在類間分布以及關(guān)鍵詞重要程度不足的問題,并應(yīng)用支持向量機(jī)構(gòu)建分類器,進(jìn)行文本分類的實(shí)驗(yàn)驗(yàn)證。改進(jìn)后的TF-IDF計算公式與傳統(tǒng)TF-IDF相比,在查準(zhǔn)率、查全率、F1測試值上都有一定程度的提升。

    文本分類;TF-IDF;卡方統(tǒng)計量;支持向量機(jī)

    0 引言

    文本分類技術(shù)是信息檢測和數(shù)據(jù)挖掘技術(shù)的基礎(chǔ),能夠幫助用戶從海量數(shù)據(jù)中獲得自己需要的有用內(nèi)容。它能夠按照預(yù)先定義的文本主題類別,為文本集合中的每個文本確定一個類別,對文本進(jìn)行準(zhǔn)確、高效的分類,是許多數(shù)據(jù)管理任務(wù)的重要組成部分。目前文本分類技術(shù)已經(jīng)廣泛應(yīng)用在搜索引擎、機(jī)器學(xué)習(xí)、信息過濾、數(shù)字圖書館、分類新聞組等領(lǐng)域。常見的文本分類算法有傳統(tǒng)的增強(qiáng)學(xué)習(xí)算法、K-近鄰算法[1]、樸素貝葉斯算法[2]、決策樹學(xué)習(xí)算法、支持向量機(jī)[3]和神經(jīng)網(wǎng)絡(luò)算法等。

    TF-IDF權(quán)重方法是文本分類領(lǐng)域中應(yīng)用最為廣泛的一種特征權(quán)值方法,由Salton在1988年提出,在此基礎(chǔ)上,國內(nèi)外學(xué)者進(jìn)行了大量的改進(jìn)工作,主要的改進(jìn)集中在數(shù)據(jù)集偏斜、文本類內(nèi)類間分布情況。其中,F(xiàn)orman[4]將概率統(tǒng)計方法度量運(yùn)用于類別分布,并對IDF采用Bi-Nor-mal Separation計算方法。張玉芳[5]等提高了頻繁在某個類中頻繁出現(xiàn)的特征詞權(quán)重并結(jié)合遺傳算法進(jìn)行分類。臺德藝[6]等針對特征詞在類內(nèi)均勻出現(xiàn)和單一類別頻繁出現(xiàn)的情況提出了TF-IIDF-DIC算法。張瑾[7]引入了特征詞位置權(quán)值和詞跨度權(quán)值對TF-IDF進(jìn)行改進(jìn)。

    B.C.How等提出了CTD(category term descriptor)來減輕數(shù)據(jù)集偏斜對分類效果的影響。但是這些改進(jìn)集中在對TF、IDF和類內(nèi)區(qū)分能力的改進(jìn),并沒有很好的解決特征詞在類間分布的問題,而且存在著特征詞權(quán)值波動,關(guān)鍵詞區(qū)分能力不足等問題。

    本文綜合考慮特征詞在類間的分布情況和特征詞在標(biāo)題中出現(xiàn)的情況,將卡方統(tǒng)計量CHI和特征詞在文本中的位置引入TF-IDF權(quán)值計算公式中進(jìn)行修正,使得不同的特征詞具有適合的特征權(quán)重,較好的解決了特征詞在類間分布的問題,并有效地提高了關(guān)鍵詞的類別區(qū)分度。

    1 基于改進(jìn)TF-IDF的文本分類算法

    1.1 傳統(tǒng)的TF-IDF

    Step1:詞頻TF的計算

    詞頻用TF表示,即特征詞在文檔中的出現(xiàn)的次數(shù)。一般來數(shù)在文檔中出現(xiàn)頻率高的特征詞有較大的權(quán)重,文檔中出現(xiàn)頻率低的特征詞有較小的權(quán)重。在文本di中特征詞tj的權(quán)重為wij,TF公式如下:

    其中mj為特征詞tj在文本di中的頻數(shù),Mi為文本中詞的總數(shù)。

    Step2:逆文檔頻率IDF的計算

    逆文檔頻率用IDF表示,一般認(rèn)為含有的某個特征詞的文檔篇數(shù)越多對應(yīng)的分類能力越差。因?yàn)橐恍┙樵~虛詞出現(xiàn)概率較大,但是其對分類影響不大,還有的詞在多個類別中出現(xiàn),就不能代表某個單一的特定類別,它也對分類貢獻(xiàn)度不大。IDF公式如下:

    其中N表示訓(xùn)練集中的文本總數(shù),nj表示包含特征詞tj的文本數(shù)。

    TF方法對高頻的特征詞具有比較好的識別性,但是有的高頻詞是對分類沒有幫助的常用詞,有的特征詞是低頻的能夠很好地代表文檔類別卻很有可能被忽略掉。IDF方法使得在大多數(shù)文檔中出現(xiàn)的特征詞的重要性降低,而能夠增強(qiáng)出現(xiàn)次數(shù)較少的特征詞的重要性。

    Step3:對TF-IDF歸一化處理

    文本集合中的文檔長度不一,為了避免TF-IDF偏向于長文本的狀況出現(xiàn),將TF-IDF作歸一化標(biāo)準(zhǔn)處理,公式如下:

    N代表在文本di中特征詞的個數(shù),nj表示包含特征詞tj的文本數(shù)。

    1.2 改進(jìn)的TF-IDF算法

    傳統(tǒng)的TF-IDF主要考慮DF、IDF以及數(shù)據(jù)歸一化,但是對于特征詞在類別內(nèi)部和類別之間的分布情況沒有進(jìn)行有效處理。舉個例子來說,含有特征詞t的C類文檔總數(shù)為h,特征詞在其他類別的文檔總數(shù)為k,則特征詞在文本集中出現(xiàn)的總次數(shù)為h+k,當(dāng)h很大,k較小時,理論上t應(yīng)該能很好的代表C類文本,但是由傳統(tǒng)的TF-IDF公式可得,h越大,特征詞的IDF越小,則該特征項(xiàng)權(quán)值較小,說明區(qū)分能力很弱,顯然這與實(shí)際情況是不符的。

    本文基于以上缺陷,考慮了特征詞在類間的分布情況,將卡方統(tǒng)計量CHI引入TF-IDF進(jìn)行修正。同時考慮到特征詞在文本中的位置也會對分類結(jié)果產(chǎn)生明顯的影響,標(biāo)題和文檔關(guān)鍵位置的特征詞應(yīng)當(dāng)具有更好的類別區(qū)分能力,本文考慮了特征詞在標(biāo)題中出現(xiàn)的情況,引入一個位置調(diào)節(jié)因子λ,引入的CHI和位置因子具體定義如下:

    (1)卡方統(tǒng)計量CHI

    特征選擇方法能夠降低文本向量空間的維度,簡化文本了文本模型,使得分類的效率和精度都有所提高。常用的特征選擇方法[8]有文檔頻率(DF)、信息增益(IG)、互信息(MI)和卡方統(tǒng)計量(CHI)等。

    卡方統(tǒng)計量用來表示特征t和類別c之間的相關(guān)程度。特征詞的卡方統(tǒng)計量越大,該特征詞與類別的相關(guān)性越高,對類別的代表能力更強(qiáng),特征詞應(yīng)當(dāng)具有更高的權(quán)重。

    卡方統(tǒng)計量公式如下:

    其中N為訓(xùn)練集中文檔的總數(shù),ABCD如下表1所示:

    表1 類別特征列聯(lián)表Tab.1 Class feature table

    (2)特征詞位置因子λ

    特征詞在同一篇文檔中的不同位置出現(xiàn)時,該特征詞的重要性也是不一樣的。在標(biāo)題中出現(xiàn)的特征詞很有可能直接區(qū)分出本文檔所屬的類別,此類的特征詞對文本具有很好的區(qū)分度,應(yīng)當(dāng)具有更高權(quán)重。本論文將針對標(biāo)題中出現(xiàn)的特證詞引入一個位置因子λ,λ是一個由大量實(shí)驗(yàn)得出的經(jīng)驗(yàn)系數(shù),本文規(guī)定在標(biāo)題中出現(xiàn)的特征詞的λ數(shù)值為3。

    (3)TF-IDF修正公式歸一化

    實(shí)驗(yàn)訓(xùn)練集和測試集中的文檔長度不一,為了避免TF-IDF偏向于長文本的狀況出現(xiàn),將TF-IDF作歸一化標(biāo)準(zhǔn)處理,同時為了避免特征詞權(quán)重過于不均衡,還將特征詞的CHI進(jìn)行了對數(shù)化處理:logCHI。

    所以,改進(jìn)后的TF-IDF計算過程如下:

    Step1:計算TF

    Step2:計算IDF

    Step3:計算卡方統(tǒng)計量CHI

    Step4:標(biāo)題特征詞位置因子λ引入

    Step5:對修正后的TF-IDF進(jìn)行歸一化處理

    綜合以上考慮并結(jié)合原有的文檔頻率TF和逆文檔頻率IDF,本文改進(jìn)后的TF-IDF特征權(quán)重公式為:

    1.3 文本分類算法

    通過上面對TF-IDF算法的改進(jìn),并使用SVM進(jìn)行了文本分類,本文改進(jìn)后的分類算法的具體實(shí)現(xiàn)流程為:

    1)使用中文分詞系統(tǒng)對文本進(jìn)行預(yù)處理,并去除停用詞等;

    2)通過對文本特征項(xiàng)進(jìn)行特征選擇,并使用改進(jìn)的TF-IDF權(quán)值計算公式計算特征項(xiàng)權(quán)值,將文本表示為特征向量的形式;

    3)使用SVM分類器對訓(xùn)練集中的已知類別文本進(jìn)行學(xué)習(xí);

    4)使用學(xué)習(xí)后的SVM分類器對測試集合文本進(jìn)行分類。

    其中中文分詞系統(tǒng)采用jieba分詞系統(tǒng)[9],jieba分詞支持三種分詞的模式:精確模式、全模式和搜索引擎模式。其中精確模式能夠?qū)⒕渥幼罹_的切分開來,最適合做文本分類。結(jié)巴分詞支持多種語言組件,本文使用的版本是Python組件。

    本文使用支持向量機(jī)(SVM)進(jìn)行文本分類實(shí)驗(yàn),采用的是一套由臺灣大學(xué)林智仁(Chih-Jen Lin)教授在2001年開發(fā)的支持向量機(jī)的庫LibSVM[10],能夠方便的進(jìn)行文本分類,而且LibSVM程序是開源的,容易做各種擴(kuò)展,并且程序較小,輸入?yún)?shù)少,使用靈活。

    SVM分類結(jié)果的好壞與核函數(shù)的選擇有很大關(guān)系,目前主要有線性核函數(shù)、多項(xiàng)式核函數(shù)和徑向基核函數(shù),本文采用的是徑向基核函數(shù)[11]Radial Basis Function)。

    2 文本分類仿真實(shí)驗(yàn)

    實(shí)驗(yàn)數(shù)據(jù)來源于搜狗實(shí)驗(yàn)室[12]文本分類語料庫,選取了軍事、體育、旅游、財經(jīng)、IT、房產(chǎn)、教育、娛樂八個類別各300篇文章共2400篇文檔組成訓(xùn)練集,然后選取以上八個類別各120篇共960篇文檔組成測試集, 訓(xùn)練文本集合測試文本集互不重合。

    2.1 評價標(biāo)準(zhǔn)

    對于優(yōu)化后的TF-IDF算法性能究竟如何,需要進(jìn)行實(shí)驗(yàn)來驗(yàn)證文本分類系統(tǒng)的性能。對于分類結(jié)果,國際上用通用的評估指標(biāo)[13],分別是查準(zhǔn)率(Precision)、查全率(Recall)和F1測試值3項(xiàng)。本文采用以上三項(xiàng)指標(biāo)對改進(jìn)后的TF-IDF算法進(jìn)行評估。

    表2 分類器判別列聯(lián)表Tab.2 Classifier discriminant contingency table

    由表2可知,它們對應(yīng)的公式如下:

    2.2 實(shí)驗(yàn)過程

    文本分類主要步驟如下:

    (1)對測試集和訓(xùn)練集的文本進(jìn)行中文分詞(jieba)處理,并去除停用詞;

    (2)使用卡方統(tǒng)計量進(jìn)行特征選擇后,利用改進(jìn)后的TF-IDF計算特征權(quán)值,形成文本特征向量;

    (3)將處理后測試集中的文本輸入svm分類器進(jìn)行訓(xùn)練;

    (4)將訓(xùn)練集中的文本輸入訓(xùn)練后的svm分類器進(jìn)行預(yù)測。

    3 實(shí)驗(yàn)結(jié)果分析

    對數(shù)據(jù)集文本進(jìn)行TF-IDF權(quán)值計算后,部分特征詞的TF-IDF改進(jìn)前后對比如下表3所示:

    表3 改進(jìn)前后TF-IDF對比Tab.3 Improvement before and after TF-IDF contrast

    由上表可以看出改進(jìn)后的TF-IDF中“民族”“聯(lián)賽”“足協(xié)”等的權(quán)值變化較大,更能反映出類別的代表能力,“超市”“會計”等的權(quán)值變化較小,由此可以看出特征詞的權(quán)值經(jīng)過改進(jìn)后都有不同的變化,具有了更好的類別代表能力。

    使用svm對處理后訓(xùn)練集的文本進(jìn)行學(xué)習(xí),并使用測試集進(jìn)行測試后的實(shí)驗(yàn)結(jié)果如下表4和5所示,其中A為實(shí)際為該類且分類器判別為該類,B為實(shí)際為其他類但分類器判別為該類,C實(shí)際為該類但分類器判別為其他類文檔個數(shù)。

    表4 傳統(tǒng)的TF-IDF文本分類結(jié)果Tab.4 Traditional TF-IDF text classification results

    表5 改進(jìn)后的文本TF-IDF分類結(jié)果Tab.5 Improved TF-IDF text classification results

    由表4和5可得,傳統(tǒng)的TF-IDF的平均查準(zhǔn)率、查全率和測試值分別為83.56%、83.74%、83.56% ,改進(jìn)后的TF-IDF的平均查準(zhǔn)率、查全率和測試值分別為85.76%、87.09%、86.40%,相比較而言,改進(jìn)后的算法分類效果均好于原算法。

    為了更直觀的觀察兩種算法結(jié)果,查準(zhǔn)率、查全率和測試值的折線圖對比如下:

    圖1 兩種方法查準(zhǔn)率對比圖Fig.1 Two methods of precision comparison chart

    圖2 兩種方法查全率對比圖對比Fig.2 Two methods of Recall comparison chart

    圖3 兩種方法F1值對比圖對比Fig.3 Two methods of F1-Measuremacro average value comparison chart

    從圖1、2、3可以看出,改進(jìn)后TF-IDF算法在八個類別的查準(zhǔn)率、查全率、F1值上比傳統(tǒng)的TF-IDF有3%左右的提升,證明改進(jìn)后的TF-IDF算法在文本分類上的表現(xiàn)均好于傳統(tǒng)TF-IDF。

    4 結(jié)語

    本文著重研究點(diǎn)在TF-IDF算法的改進(jìn),并針對傳統(tǒng)TF-IDF的不足,提出將特征選擇函數(shù)卡方統(tǒng)計量(CHI)和特征詞在文本中的位置因子引入TF-IDF,改進(jìn)后的TF-IDF使得特征詞有了更合適的權(quán)重,能夠更準(zhǔn)確地表示特征詞對于類別的區(qū)分度,使得整體的分類效果有一定的提升。

    但是特征詞的權(quán)重受很多因素影響,卡方統(tǒng)計量主要考慮特征詞在文本中出現(xiàn)與否,比較偏向低頻詞,特征詞在文中不同的位置都應(yīng)有不同的權(quán)重,本文著重考慮在標(biāo)題中出現(xiàn)的,部分特征詞的多義性,特征詞在類內(nèi)出現(xiàn)的均勻與否以及在類間的分布情況都應(yīng)該被賦予不同的權(quán)重,以上這些情況都是下一階段重點(diǎn)研究的方向。

    [1] 奉國和, 吳敬學(xué). KNN分類算法改進(jìn)研究進(jìn)展[J]. 圖書情報工作, 2012, (21): 97-100+118. FENG G H, WU J L.KNN, improved classification algorithm research progress of[J]. library and information service, 2012, (21): 97-100+118. (in Chinese)

    [2] 鐘磊. 基于貝葉斯分類器的中文文本分類[J]. 電子技術(shù)與軟件工程, 2016, (22): 156. ZHONG L. Chinese text classification based on Bias classifier[J]. electronic technology and software engineering, 2016, (22): 156. (in Chinese)

    [3] 李希鵬. 基于混合核函數(shù)支持向量機(jī)的文本分類研究[D].中國海洋大學(xué), 2012. LI X P. Research on text classification based on the hybrid kernel function support vector machine[D]. Ocean University of China, 2012. (in Chinese). FORMANG.BNS feature scaling: an improved representation over TF-IDF for SVM text classification[C]//Proceedings of the 17th ACM Conference on Information and Knowledge Management. USA, California: ACM, 2008: 263-270.

    [4] 張玉芳, 彭時名, 呂佳. 基于文本分類TFIDF方法的改進(jìn)與應(yīng)用[J]. 計算機(jī)工程, 2006, (19): 76-78. ZHANG YF, PENG S M, LV J. Improvement and application of TFIDF method based on text categorization[J]. Computer Engineering, 2006, (19): 76-78. (in Chinese).

    [5] 臺德藝, 王俊.文本分類特征權(quán)重改進(jìn)算法[J]. 計算機(jī)工程, 2010, (09): 197-199+202.

    [6] TAI D Y, WANG J. Text classification feature weight algorithm[J]. Computer Engineering, 2010, (09): 197-199+ 202. (in Chinese).張瑾. 基于改進(jìn)TF-IDF算法的情報關(guān)鍵詞提取方法[J]. 情報雜志, 2014, (04): 153-155. ZHANG J. Methods[J]. Journal of information, information extraction of keywords based on improved TF-IDF algorithm 2014, (04): 153-155. (in Chinese).

    [7] 楊杰明. 文本分類中文本表示模型和特征選擇算法研究[D]. 吉林大學(xué), 2013. YANG J M. Research on text representation model and feature selection algorithm in text categorization[D]. Jilin University, 2013. (in Chinese). jieba中文分詞系統(tǒng)[EB/OL]. https://github.com/fxsjy/jieba/.

    [8] jieba Chinese word segmentation system https://github.com/ fxsjy/jieba/. [EB/OL]. (in Chinese)

    [9] LIBSVM分類器[EB/OL]. http://www.csie.ntu.edu.tw/~cjlin/ libsvm/.

    [10] LIBSVM classifier http://www.csie.ntu.edu.tw/~cjlin/libsvm/. [EB/OL]. (in Chinese).

    [11] 黃翠玉. 文本自動分類研究——基于徑向基函數(shù)[J]. 情報科學(xué), 2013, (05): 67-71. HUANG C Y. Research on Automatic Text Categorization Based on radial basis function [J]. information science, 2013, (05): 67-71. (in Chinese)

    [12] 搜狗實(shí)驗(yàn)室文本分類語料庫[EB/OL]. http://www.sogou. com/labs/resource/list_yuliao.php. Sogou laboratory text classification corpus [EB/OL]. Http://www.sogou.com/labs/ resource/list_yuliao.php. (in Chinese)

    [13] 王靜. 基于機(jī)器學(xué)習(xí)的文本分類算法研究與應(yīng)用[D].電子科技大學(xué), 2015. Wang J. Research and application of text classification algorithm based on machine learning[D]. Electronic Science and Technology University, 2015. (in Chinese)

    A Method Based on TF-IDF and Improved Support Vector Machine Research on Chinese Text Categorization

    GUO Tai-yong
    (School of CyberSpace Security, Beijing University of Posts and Telecommunications, Beijing 100876, China)

    TF-IDF is a commonly used weight in text classification method, the traditional TD-IDF only consider the frequency characteristics of words and characteristic words contain the number of texts, and no distribution of discrete problems and uniform distribution considering the feature words good degree of importance in the text and in class, may lead to biased text the classification results. This paper introduces chi-square test CHI and statistic feature words in the text position as a correction factor and a formula for combining traditional TF-IDF weights and solves the problem of feature words in distribution between categories and keywords of degree, and the application of support vector machine classifier construction, experimental verification for text classification. The improved TF-IDF formula is compared with the traditional TF-IDF, have a certain degree of improvement in precision and recall, F1-Measuremacro average value.

    Text Categorization; TF-IDF; Chi-Square statistics; Support Vector Machine

    TP181

    ADOI:10.3969/j.issn.1003-6970.2016.12.030

    郭太勇(1988-),男,碩士,網(wǎng)絡(luò)安全。

    本文著錄格式:郭太勇. 一種基于改進(jìn)的TF-IDF和支持向量機(jī)的中文文本分類研究[J]. 軟件,2016,37(12):141-145

    猜你喜歡
    特征詞卡方權(quán)值
    卡方檢驗(yàn)的應(yīng)用條件
    卡方變異的SSA的FSC賽車轉(zhuǎn)向梯形優(yōu)化方法
    一種融合時間權(quán)值和用戶行為序列的電影推薦模型
    卡方檢驗(yàn)的應(yīng)用條件
    CONTENTS
    基于改進(jìn)TFIDF算法的郵件分類技術(shù)
    產(chǎn)品評論文本中特征詞提取及其關(guān)聯(lián)模型構(gòu)建與應(yīng)用
    基于權(quán)值動量的RBM加速學(xué)習(xí)算法研究
    面向文本分類的特征詞選取方法研究與改進(jìn)
    基于改進(jìn)卡方統(tǒng)計量的藏文文本表示方法
    国产精品精品国产色婷婷| 亚洲熟妇熟女久久| 久久久久久大精品| 男人的好看免费观看在线视频 | 小说图片视频综合网站| 午夜福利在线在线| 亚洲18禁久久av| 大型av网站在线播放| 国产日本99.免费观看| 啦啦啦观看免费观看视频高清| 亚洲欧美日韩东京热| 国产三级中文精品| 午夜免费观看网址| 亚洲国产精品成人综合色| 两人在一起打扑克的视频| 久久久久久久久免费视频了| 久久精品亚洲精品国产色婷小说| 亚洲乱码一区二区免费版| 变态另类丝袜制服| 给我免费播放毛片高清在线观看| 亚洲国产中文字幕在线视频| 亚洲专区国产一区二区| 国产不卡一卡二| av在线天堂中文字幕| 一进一出抽搐动态| 看免费av毛片| 欧美一区二区精品小视频在线| 久久99热这里只有精品18| 黄频高清免费视频| 国产亚洲欧美98| 一级毛片高清免费大全| 久久久久久人人人人人| 岛国视频午夜一区免费看| 69av精品久久久久久| 欧美丝袜亚洲另类 | 日本黄大片高清| 他把我摸到了高潮在线观看| 黄片大片在线免费观看| 91大片在线观看| 欧美精品亚洲一区二区| 国产真人三级小视频在线观看| 99国产综合亚洲精品| 国产成人一区二区三区免费视频网站| 亚洲国产日韩欧美精品在线观看 | 精品不卡国产一区二区三区| 99热只有精品国产| 久久精品成人免费网站| 日本三级黄在线观看| 757午夜福利合集在线观看| 亚洲美女黄片视频| 舔av片在线| 国产成人av教育| 国产探花在线观看一区二区| 欧美+亚洲+日韩+国产| 亚洲精品粉嫩美女一区| 欧美人与性动交α欧美精品济南到| 观看免费一级毛片| 亚洲中文字幕日韩| 亚洲激情在线av| 午夜福利在线观看吧| 国产成人啪精品午夜网站| 成人国产综合亚洲| 一a级毛片在线观看| 精品免费久久久久久久清纯| 精品久久久久久成人av| 激情在线观看视频在线高清| 一区福利在线观看| 欧美黑人巨大hd| 一卡2卡三卡四卡精品乱码亚洲| 两性午夜刺激爽爽歪歪视频在线观看 | 久久中文字幕一级| 久久午夜亚洲精品久久| 亚洲成a人片在线一区二区| 波多野结衣巨乳人妻| 老熟妇仑乱视频hdxx| 亚洲,欧美精品.| 99在线人妻在线中文字幕| 久久性视频一级片| 老司机午夜十八禁免费视频| 精品国内亚洲2022精品成人| 男人舔奶头视频| 琪琪午夜伦伦电影理论片6080| 亚洲中文字幕一区二区三区有码在线看 | 母亲3免费完整高清在线观看| 欧美zozozo另类| 一边摸一边抽搐一进一小说| 操出白浆在线播放| 可以免费在线观看a视频的电影网站| 国产精品久久电影中文字幕| 观看免费一级毛片| 欧美日本视频| 欧美精品亚洲一区二区| 国产高清视频在线播放一区| 日韩欧美精品v在线| 深夜精品福利| 一个人免费在线观看电影 | 亚洲成av人片免费观看| 欧美成人免费av一区二区三区| 日日摸夜夜添夜夜添小说| 99久久久亚洲精品蜜臀av| 亚洲精品美女久久av网站| 亚洲欧美日韩高清专用| 成人欧美大片| 午夜免费成人在线视频| 我要搜黄色片| 两人在一起打扑克的视频| 欧美日韩国产亚洲二区| 国产真人三级小视频在线观看| 人成视频在线观看免费观看| 亚洲男人的天堂狠狠| 老司机在亚洲福利影院| 一区福利在线观看| 这个男人来自地球电影免费观看| 黑人欧美特级aaaaaa片| 老司机靠b影院| 国产黄a三级三级三级人| 免费在线观看黄色视频的| 天堂av国产一区二区熟女人妻 | 久久久久国内视频| 一本精品99久久精品77| 国产一区二区三区视频了| 免费高清视频大片| 国产精品美女特级片免费视频播放器 | 国产成人精品久久二区二区免费| 色噜噜av男人的天堂激情| 免费搜索国产男女视频| 久久午夜综合久久蜜桃| 欧美一区二区精品小视频在线| 露出奶头的视频| 国产区一区二久久| 国内精品一区二区在线观看| 国产精品av视频在线免费观看| 中国美女看黄片| 黄色a级毛片大全视频| 欧美一区二区精品小视频在线| 亚洲人成77777在线视频| www国产在线视频色| 色老头精品视频在线观看| 草草在线视频免费看| 丝袜人妻中文字幕| 中文字幕久久专区| 久久久久亚洲av毛片大全| 日韩欧美免费精品| www.精华液| 夜夜看夜夜爽夜夜摸| 老汉色av国产亚洲站长工具| 国产v大片淫在线免费观看| 婷婷精品国产亚洲av| 宅男免费午夜| 久久久久性生活片| 国内精品一区二区在线观看| 哪里可以看免费的av片| 国产精品美女特级片免费视频播放器 | 婷婷亚洲欧美| 国产欧美日韩精品亚洲av| 可以在线观看的亚洲视频| 亚洲av成人一区二区三| 国内揄拍国产精品人妻在线| 国产真实乱freesex| 国产亚洲精品综合一区在线观看 | 中文在线观看免费www的网站 | 欧美黄色淫秽网站| 国产乱人伦免费视频| 宅男免费午夜| 欧美3d第一页| 在线观看www视频免费| 国产三级黄色录像| 少妇的丰满在线观看| 国产精品99久久99久久久不卡| 亚洲熟妇中文字幕五十中出| 亚洲成a人片在线一区二区| 老熟妇乱子伦视频在线观看| 久久久水蜜桃国产精品网| 在线看三级毛片| 久久久久国产精品人妻aⅴ院| 丰满的人妻完整版| 三级毛片av免费| 亚洲自偷自拍图片 自拍| 久久这里只有精品中国| 后天国语完整版免费观看| 色综合婷婷激情| 国产在线观看jvid| 嫁个100分男人电影在线观看| 精品国内亚洲2022精品成人| 久久亚洲精品不卡| 日韩有码中文字幕| 欧美精品啪啪一区二区三区| 久久香蕉国产精品| 成人亚洲精品av一区二区| 动漫黄色视频在线观看| av在线天堂中文字幕| 成人18禁在线播放| 国内少妇人妻偷人精品xxx网站 | 久久久久精品国产欧美久久久| 老汉色∧v一级毛片| 亚洲性夜色夜夜综合| 色av中文字幕| 欧美又色又爽又黄视频| 久久亚洲真实| 色综合婷婷激情| 久久久国产欧美日韩av| 国产三级黄色录像| 国产v大片淫在线免费观看| 色老头精品视频在线观看| 2021天堂中文幕一二区在线观| 99国产精品一区二区蜜桃av| 波多野结衣巨乳人妻| 一区福利在线观看| bbb黄色大片| 岛国在线观看网站| 亚洲国产欧洲综合997久久,| 亚洲国产中文字幕在线视频| 女人高潮潮喷娇喘18禁视频| 好男人在线观看高清免费视频| 最近最新免费中文字幕在线| 老司机福利观看| 脱女人内裤的视频| 欧美 亚洲 国产 日韩一| 18禁观看日本| 亚洲精品色激情综合| 亚洲精品久久国产高清桃花| 特大巨黑吊av在线直播| 久久久久久久久中文| 日本黄色视频三级网站网址| 精品国产美女av久久久久小说| 久久精品国产亚洲av高清一级| 夜夜夜夜夜久久久久| 午夜日韩欧美国产| www.自偷自拍.com| 色综合站精品国产| 99在线视频只有这里精品首页| 亚洲欧美日韩高清在线视频| 亚洲精品在线美女| 淫秽高清视频在线观看| 中文在线观看免费www的网站 | 欧美极品一区二区三区四区| 亚洲av成人不卡在线观看播放网| 毛片女人毛片| 亚洲欧美精品综合一区二区三区| 久久久国产精品麻豆| 午夜成年电影在线免费观看| 国产亚洲精品第一综合不卡| 别揉我奶头~嗯~啊~动态视频| 国产精品乱码一区二三区的特点| or卡值多少钱| 午夜精品一区二区三区免费看| 一级a爱片免费观看的视频| 麻豆成人午夜福利视频| 色老头精品视频在线观看| 国产一区二区激情短视频| 欧美另类亚洲清纯唯美| 午夜免费成人在线视频| 在线观看免费日韩欧美大片| 欧美激情久久久久久爽电影| av在线天堂中文字幕| 91老司机精品| 91麻豆精品激情在线观看国产| 首页视频小说图片口味搜索| 男人舔女人的私密视频| 这个男人来自地球电影免费观看| 曰老女人黄片| 叶爱在线成人免费视频播放| 国产激情欧美一区二区| 久久99热这里只有精品18| 欧美色欧美亚洲另类二区| 在线观看www视频免费| 国产成人精品无人区| 丁香六月欧美| 欧美黑人欧美精品刺激| 校园春色视频在线观看| 欧美又色又爽又黄视频| 好男人在线观看高清免费视频| 白带黄色成豆腐渣| av在线天堂中文字幕| 国产成人av激情在线播放| 中文字幕人成人乱码亚洲影| av片东京热男人的天堂| 亚洲最大成人中文| 黄片小视频在线播放| 国产主播在线观看一区二区| 国产精品免费视频内射| 久久精品夜夜夜夜夜久久蜜豆 | 九九热线精品视视频播放| 91av网站免费观看| 热99re8久久精品国产| 亚洲国产日韩欧美精品在线观看 | 老司机福利观看| 成人国产综合亚洲| 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| 亚洲成a人片在线一区二区| 成人精品一区二区免费| 日本五十路高清| 色综合站精品国产| 成人手机av| 精品国内亚洲2022精品成人| 亚洲精品在线观看二区| 国产av又大| 老司机在亚洲福利影院| 久久人妻福利社区极品人妻图片| 亚洲国产欧美网| 波多野结衣高清作品| 午夜成年电影在线免费观看| 午夜a级毛片| 又爽又黄无遮挡网站| 老熟妇仑乱视频hdxx| 午夜免费激情av| 精品福利观看| 搡老妇女老女人老熟妇| 真人做人爱边吃奶动态| 日韩三级视频一区二区三区| 精品久久久久久久久久免费视频| 99热只有精品国产| 日韩欧美国产在线观看| 亚洲片人在线观看| 老司机福利观看| 欧美日本亚洲视频在线播放| av片东京热男人的天堂| 午夜福利在线在线| 日韩有码中文字幕| 少妇粗大呻吟视频| 99在线视频只有这里精品首页| 女同久久另类99精品国产91| 中国美女看黄片| 亚洲午夜精品一区,二区,三区| 成在线人永久免费视频| 麻豆一二三区av精品| 精品国产美女av久久久久小说| 亚洲av电影不卡..在线观看| 中文字幕人成人乱码亚洲影| 精品久久蜜臀av无| 免费看a级黄色片| 欧美日韩一级在线毛片| 全区人妻精品视频| 18美女黄网站色大片免费观看| 国产精品国产高清国产av| 香蕉丝袜av| 国产亚洲精品av在线| 天堂动漫精品| 久久伊人香网站| www日本黄色视频网| xxxwww97欧美| 男女午夜视频在线观看| e午夜精品久久久久久久| 又粗又爽又猛毛片免费看| 麻豆成人午夜福利视频| 少妇粗大呻吟视频| 在线观看日韩欧美| 少妇粗大呻吟视频| 精品熟女少妇八av免费久了| 国产精品综合久久久久久久免费| 日本一区二区免费在线视频| 男人舔奶头视频| 18禁黄网站禁片午夜丰满| 日本黄大片高清| 国产亚洲av嫩草精品影院| 国产视频一区二区在线看| 老鸭窝网址在线观看| 在线十欧美十亚洲十日本专区| 俄罗斯特黄特色一大片| 欧美日韩国产亚洲二区| 日本免费a在线| 日日爽夜夜爽网站| 日韩三级视频一区二区三区| 男男h啪啪无遮挡| 日韩三级视频一区二区三区| 一级毛片高清免费大全| 中文字幕熟女人妻在线| 日韩欧美在线乱码| 99国产综合亚洲精品| 在线观看舔阴道视频| 久久久久久国产a免费观看| 国产av麻豆久久久久久久| 哪里可以看免费的av片| 天堂av国产一区二区熟女人妻 | 嫩草影视91久久| 国产精品九九99| 婷婷亚洲欧美| 在线免费观看的www视频| 女警被强在线播放| 婷婷亚洲欧美| 99在线人妻在线中文字幕| 婷婷丁香在线五月| 全区人妻精品视频| 亚洲精品粉嫩美女一区| 免费看日本二区| 国产亚洲av高清不卡| 久久精品综合一区二区三区| 久久久国产成人精品二区| 国产精品乱码一区二三区的特点| 久久天堂一区二区三区四区| 国产精华一区二区三区| 在线观看舔阴道视频| 美女黄网站色视频| 精品一区二区三区四区五区乱码| 日本熟妇午夜| АⅤ资源中文在线天堂| aaaaa片日本免费| 精品福利观看| 岛国视频午夜一区免费看| 亚洲免费av在线视频| 色老头精品视频在线观看| 麻豆国产97在线/欧美 | 看片在线看免费视频| 国产精品一及| 国产精品久久久久久人妻精品电影| 欧美黄色淫秽网站| 亚洲中文字幕一区二区三区有码在线看 | 天堂av国产一区二区熟女人妻 | 日本 欧美在线| 久久人妻av系列| 在线视频色国产色| 人成视频在线观看免费观看| 免费一级毛片在线播放高清视频| 国产精品一及| 在线看三级毛片| 精品少妇一区二区三区视频日本电影| 色综合站精品国产| 啦啦啦观看免费观看视频高清| 18禁黄网站禁片免费观看直播| 操出白浆在线播放| 亚洲午夜精品一区,二区,三区| 欧美黑人欧美精品刺激| 亚洲免费av在线视频| 日本成人三级电影网站| 19禁男女啪啪无遮挡网站| 国产精品久久电影中文字幕| ponron亚洲| 狠狠狠狠99中文字幕| 淫妇啪啪啪对白视频| 巨乳人妻的诱惑在线观看| 99精品久久久久人妻精品| 欧美乱色亚洲激情| 午夜免费观看网址| 国产97色在线日韩免费| 又紧又爽又黄一区二区| 亚洲人成77777在线视频| 国产亚洲精品一区二区www| 午夜亚洲福利在线播放| 国产精品1区2区在线观看.| 黄片大片在线免费观看| 91字幕亚洲| 国产69精品久久久久777片 | 岛国在线免费视频观看| 久久 成人 亚洲| 日韩欧美三级三区| 精品国产美女av久久久久小说| 听说在线观看完整版免费高清| 午夜免费激情av| 少妇熟女aⅴ在线视频| 黄色视频,在线免费观看| 啦啦啦观看免费观看视频高清| 国产蜜桃级精品一区二区三区| 精品久久蜜臀av无| 婷婷精品国产亚洲av在线| 18美女黄网站色大片免费观看| 欧美精品啪啪一区二区三区| 最近视频中文字幕2019在线8| 免费在线观看日本一区| 婷婷六月久久综合丁香| 欧美3d第一页| 成人国产一区最新在线观看| 日本 av在线| 午夜免费观看网址| 久久久国产成人精品二区| 国语自产精品视频在线第100页| av有码第一页| 欧美最黄视频在线播放免费| 丰满的人妻完整版| 国内久久婷婷六月综合欲色啪| 免费av毛片视频| 黄色丝袜av网址大全| 国产精品一及| 黑人欧美特级aaaaaa片| 久久这里只有精品中国| 免费看日本二区| 国产成人系列免费观看| 少妇的丰满在线观看| 欧美+亚洲+日韩+国产| 在线观看免费日韩欧美大片| 三级男女做爰猛烈吃奶摸视频| 精品免费久久久久久久清纯| 国内精品久久久久精免费| 亚洲精品美女久久久久99蜜臀| svipshipincom国产片| 人人妻人人澡欧美一区二区| 毛片女人毛片| 女同久久另类99精品国产91| 亚洲国产欧美一区二区综合| 日韩精品中文字幕看吧| 亚洲七黄色美女视频| 欧美日韩国产亚洲二区| 国产一区二区三区在线臀色熟女| 国产精品电影一区二区三区| 亚洲av美国av| 国产人伦9x9x在线观看| 在线观看一区二区三区| 成人国语在线视频| 国产精品影院久久| 久久这里只有精品19| 国产三级中文精品| 热99re8久久精品国产| 91字幕亚洲| 国产精品美女特级片免费视频播放器 | 真人一进一出gif抽搐免费| 大型黄色视频在线免费观看| 亚洲avbb在线观看| 变态另类丝袜制服| 国内精品一区二区在线观看| 一本一本综合久久| 亚洲国产精品sss在线观看| 久久久久精品国产欧美久久久| av有码第一页| 亚洲色图av天堂| 国产av又大| 男女午夜视频在线观看| 国产又黄又爽又无遮挡在线| 一级毛片女人18水好多| www日本黄色视频网| 成人三级做爰电影| 国产真人三级小视频在线观看| 国产69精品久久久久777片 | 久久久久久免费高清国产稀缺| 青草久久国产| 精品一区二区三区视频在线观看免费| 日韩高清综合在线| 全区人妻精品视频| 久久性视频一级片| 妹子高潮喷水视频| 1024手机看黄色片| 我的老师免费观看完整版| 精品熟女少妇八av免费久了| 国产爱豆传媒在线观看 | 久久久久久人人人人人| 在线观看免费午夜福利视频| 日本免费一区二区三区高清不卡| 国产麻豆成人av免费视频| 亚洲av成人不卡在线观看播放网| x7x7x7水蜜桃| 欧美日本亚洲视频在线播放| 精品久久蜜臀av无| 国产精品香港三级国产av潘金莲| 午夜成年电影在线免费观看| 国产私拍福利视频在线观看| 黄色a级毛片大全视频| 国产黄a三级三级三级人| 欧美日韩瑟瑟在线播放| 成人av在线播放网站| 国产真人三级小视频在线观看| 中文字幕久久专区| 日日干狠狠操夜夜爽| 两个人的视频大全免费| 亚洲男人的天堂狠狠| 国产亚洲欧美在线一区二区| 一二三四在线观看免费中文在| 免费在线观看黄色视频的| 国产高清激情床上av| 亚洲中文日韩欧美视频| 一边摸一边抽搐一进一小说| 国产精品影院久久| 九色国产91popny在线| 欧美日韩乱码在线| 免费在线观看影片大全网站| 特大巨黑吊av在线直播| 亚洲国产欧美人成| 变态另类成人亚洲欧美熟女| 国产成人一区二区三区免费视频网站| 免费av毛片视频| 搡老熟女国产l中国老女人| 国产亚洲av嫩草精品影院| 97人妻精品一区二区三区麻豆| 国内精品久久久久精免费| 日本a在线网址| 欧美日韩精品网址| 男插女下体视频免费在线播放| 麻豆久久精品国产亚洲av| 可以在线观看的亚洲视频| 亚洲自拍偷在线| 日本在线视频免费播放| 国产成年人精品一区二区| 精品国内亚洲2022精品成人| 免费观看人在逋| 免费在线观看影片大全网站| 蜜桃久久精品国产亚洲av| or卡值多少钱| 国产午夜福利久久久久久| 欧美极品一区二区三区四区| 九九热线精品视视频播放| 熟女电影av网| 精品午夜福利视频在线观看一区| 国产精品日韩av在线免费观看| 亚洲精品一卡2卡三卡4卡5卡| 亚洲成a人片在线一区二区| 男女床上黄色一级片免费看| 天天一区二区日本电影三级| 国产精品美女特级片免费视频播放器 | 国产免费av片在线观看野外av| 中文资源天堂在线| 欧美色视频一区免费| 久久这里只有精品中国| 好看av亚洲va欧美ⅴa在| 麻豆国产av国片精品| 国产高清激情床上av| 可以在线观看毛片的网站| 黄频高清免费视频| 小说图片视频综合网站| 国产一区二区三区在线臀色熟女| 国产久久久一区二区三区| 天堂√8在线中文| 国产精品乱码一区二三区的特点| 黄片大片在线免费观看| www.自偷自拍.com| 欧美国产日韩亚洲一区| 久久久久久久午夜电影| 亚洲国产精品合色在线|