• <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
    中国三级夫妇交换| 男女午夜视频在线观看 | 成人毛片60女人毛片免费| 永久网站在线| 人人妻人人澡人人看| √禁漫天堂资源中文www| 日韩成人av中文字幕在线观看| 国产片特级美女逼逼视频| 亚洲精品国产av蜜桃| 一区二区日韩欧美中文字幕 | 激情五月婷婷亚洲| 亚洲精品日本国产第一区| 久久精品国产a三级三级三级| 国产探花极品一区二区| 人成视频在线观看免费观看| 免费久久久久久久精品成人欧美视频 | 性色av一级| 国产又爽黄色视频| 精品国产一区二区三区久久久樱花| 制服诱惑二区| 视频中文字幕在线观看| 三级国产精品片| 巨乳人妻的诱惑在线观看| 国产成人精品在线电影| 在线观看免费日韩欧美大片| 久久久久人妻精品一区果冻| 黄网站色视频无遮挡免费观看| 久热这里只有精品99| 久久精品人人爽人人爽视色| 久久久久视频综合| 卡戴珊不雅视频在线播放| 26uuu在线亚洲综合色| 国产精品不卡视频一区二区| 精品国产一区二区三区久久久樱花| 亚洲人成77777在线视频| 寂寞人妻少妇视频99o| 人成视频在线观看免费观看| 国产亚洲欧美精品永久| 卡戴珊不雅视频在线播放| 久久精品夜色国产| 又黄又爽又刺激的免费视频.| 亚洲成av片中文字幕在线观看 | 精品少妇内射三级| 亚洲成人一二三区av| 精品视频人人做人人爽| 中文字幕另类日韩欧美亚洲嫩草| 中文欧美无线码| 国产国拍精品亚洲av在线观看| 午夜福利视频精品| 欧美 日韩 精品 国产| 欧美变态另类bdsm刘玥| 国产成人精品久久久久久| 婷婷色综合大香蕉| av天堂久久9| 国产精品久久久久成人av| 欧美成人午夜精品| 九色亚洲精品在线播放| 天天躁夜夜躁狠狠躁躁| 午夜视频国产福利| 成人毛片a级毛片在线播放| 色婷婷av一区二区三区视频| 少妇猛男粗大的猛烈进出视频| 久久99热6这里只有精品| 丰满饥渴人妻一区二区三| 久久狼人影院| 亚洲av日韩在线播放| 精品福利永久在线观看| 亚洲成国产人片在线观看| 国产视频首页在线观看| 欧美国产精品va在线观看不卡| 久久精品久久久久久久性| 国产无遮挡羞羞视频在线观看| 一区二区日韩欧美中文字幕 | 欧美国产精品va在线观看不卡| 97人妻天天添夜夜摸| 国产成人欧美| 精品视频人人做人人爽| 十八禁网站网址无遮挡| 久久久久久久精品精品| 国产成人a∨麻豆精品| 国产在线免费精品| 精品一区二区三区视频在线| 男人操女人黄网站| 亚洲精品国产av蜜桃| 日日撸夜夜添| 亚洲精品美女久久av网站| 激情视频va一区二区三区| 精品国产一区二区久久| 久久精品国产亚洲av涩爱| 国产亚洲精品久久久com| 国产精品国产三级国产av玫瑰| 97在线视频观看| 亚洲精品久久午夜乱码| 建设人人有责人人尽责人人享有的| 内地一区二区视频在线| 国产精品国产av在线观看| 国产白丝娇喘喷水9色精品| 精品第一国产精品| 少妇人妻久久综合中文| 国产1区2区3区精品| 国产老妇伦熟女老妇高清| 99热这里只有是精品在线观看| 丝袜脚勾引网站| 国产精品蜜桃在线观看| 精品一区二区三卡| 女人久久www免费人成看片| 边亲边吃奶的免费视频| 精品久久蜜臀av无| 久久国产亚洲av麻豆专区| 国产片特级美女逼逼视频| 麻豆乱淫一区二区| 国产欧美日韩一区二区三区在线| 国产在线视频一区二区| 久久免费观看电影| 国产成人免费观看mmmm| 精品国产国语对白av| 久久久久国产精品人妻一区二区| 老女人水多毛片| 久久狼人影院| 国产黄色免费在线视频| 亚洲精品色激情综合| 天美传媒精品一区二区| 中文字幕亚洲精品专区| 久久毛片免费看一区二区三区| 老司机影院毛片| 亚洲国产av影院在线观看| 丰满迷人的少妇在线观看| 亚洲精品国产av成人精品| 丰满饥渴人妻一区二区三| 欧美激情 高清一区二区三区| 国产有黄有色有爽视频| 久久精品国产自在天天线| 啦啦啦视频在线资源免费观看| 亚洲欧美中文字幕日韩二区| 国产亚洲精品第一综合不卡 | 成人亚洲精品一区在线观看| 欧美丝袜亚洲另类| 毛片一级片免费看久久久久| 日本与韩国留学比较| 欧美激情国产日韩精品一区| 一边摸一边做爽爽视频免费| 亚洲欧洲精品一区二区精品久久久 | 在线观看美女被高潮喷水网站| av不卡在线播放| 久久久久久人人人人人| 热99久久久久精品小说推荐| 国产伦理片在线播放av一区| 人人澡人人妻人| a 毛片基地| 久久影院123| av.在线天堂| 久久久久国产精品人妻一区二区| av福利片在线| 久久久久国产网址| 久久人人爽人人片av| 青青草视频在线视频观看| a级毛片在线看网站| 老女人水多毛片| 国产老妇伦熟女老妇高清| 色哟哟·www| 在线天堂中文资源库| 伦精品一区二区三区| 精品国产露脸久久av麻豆| 26uuu在线亚洲综合色| 人人妻人人澡人人爽人人夜夜| 久久精品久久久久久噜噜老黄| 成人手机av| 亚洲精品,欧美精品| 久久热在线av| 一二三四在线观看免费中文在 | 有码 亚洲区| 色婷婷久久久亚洲欧美| 午夜福利视频在线观看免费| 国产欧美亚洲国产| 波野结衣二区三区在线| av福利片在线| 美国免费a级毛片| 国产成人欧美| av有码第一页| 国产一区二区在线观看日韩| 在线观看国产h片| 久久久精品区二区三区| 国产午夜精品一二区理论片| 大话2 男鬼变身卡| 久久久国产一区二区| 午夜福利影视在线免费观看| 18禁观看日本| 亚洲第一区二区三区不卡| 亚洲欧洲国产日韩| 国产精品免费大片| 久久久久网色| 免费人成在线观看视频色| 最近中文字幕2019免费版| 免费观看a级毛片全部| 国产极品粉嫩免费观看在线| 午夜免费鲁丝| 亚洲精品456在线播放app| 亚洲国产日韩一区二区| 中文字幕人妻熟女乱码| 97精品久久久久久久久久精品| 高清视频免费观看一区二区| 国产永久视频网站| 久久99精品国语久久久| xxxhd国产人妻xxx| 人妻 亚洲 视频| 亚洲欧美中文字幕日韩二区| 狂野欧美激情性bbbbbb| 中文乱码字字幕精品一区二区三区| 久久韩国三级中文字幕| 99久国产av精品国产电影| av片东京热男人的天堂| 国产av一区二区精品久久| 久久人人97超碰香蕉20202| 欧美成人精品欧美一级黄| 一级毛片我不卡| 飞空精品影院首页| 一本久久精品| 亚洲欧美清纯卡通| 国语对白做爰xxxⅹ性视频网站| 侵犯人妻中文字幕一二三四区| 超碰97精品在线观看| 中文乱码字字幕精品一区二区三区| 精品第一国产精品| 99久久综合免费| 国产精品嫩草影院av在线观看| 老司机影院成人| 欧美成人午夜精品| 亚洲图色成人| 成年女人在线观看亚洲视频| 99re6热这里在线精品视频| 亚洲成人av在线免费| 国产精品国产三级专区第一集| 成人影院久久| 中文字幕免费在线视频6| 在线天堂中文资源库| 又大又黄又爽视频免费| av电影中文网址| 熟妇人妻不卡中文字幕| 亚洲人成77777在线视频| 成人国语在线视频| 9热在线视频观看99| 九草在线视频观看| av片东京热男人的天堂| 看免费av毛片| 男女无遮挡免费网站观看| 亚洲激情五月婷婷啪啪| 精品少妇久久久久久888优播| 日韩 亚洲 欧美在线| 色5月婷婷丁香| 成人黄色视频免费在线看| 久久99热这里只频精品6学生| 国产精品一区www在线观看| 99热全是精品| 国产一区二区激情短视频 | 一级毛片黄色毛片免费观看视频| 国产男女内射视频| 五月天丁香电影| 看十八女毛片水多多多| xxx大片免费视频| 日韩 亚洲 欧美在线| h视频一区二区三区| 这个男人来自地球电影免费观看 | 1024视频免费在线观看| 日韩成人av中文字幕在线观看| 欧美 日韩 精品 国产| 少妇高潮的动态图| 亚洲一级一片aⅴ在线观看| 男男h啪啪无遮挡| 十八禁高潮呻吟视频| 中文字幕另类日韩欧美亚洲嫩草| 免费观看av网站的网址| 狂野欧美激情性bbbbbb| 好男人视频免费观看在线| 亚洲国产精品成人久久小说| 高清毛片免费看| 亚洲成人一二三区av| videos熟女内射| 久久精品aⅴ一区二区三区四区 | 99re6热这里在线精品视频| 人成视频在线观看免费观看| 欧美人与性动交α欧美精品济南到 | 免费观看av网站的网址| 免费少妇av软件| 九草在线视频观看| 国产精品 国内视频| 欧美日韩精品成人综合77777| 各种免费的搞黄视频| 最近手机中文字幕大全| 宅男免费午夜| 国产男女超爽视频在线观看| 色吧在线观看| 久久久精品区二区三区| 国产精品久久久久久久电影| 国产成人av激情在线播放| 久久热在线av| 国产精品蜜桃在线观看| 亚洲精品一二三| 91国产中文字幕| 国产精品欧美亚洲77777| 欧美人与性动交α欧美软件 | 久久99精品国语久久久| 免费av中文字幕在线| 精品卡一卡二卡四卡免费| www日本在线高清视频| 成年动漫av网址| 大香蕉久久成人网| 最近中文字幕高清免费大全6| 中文字幕免费在线视频6| 精品视频人人做人人爽| 最新中文字幕久久久久| 中文字幕精品免费在线观看视频 | 看十八女毛片水多多多| 国产亚洲最大av| 少妇精品久久久久久久| 两性夫妻黄色片 | 一级毛片电影观看| 在线观看一区二区三区激情| 免费女性裸体啪啪无遮挡网站| 黑人猛操日本美女一级片| 亚洲内射少妇av| 亚洲精品第二区| 伦精品一区二区三区| 一本—道久久a久久精品蜜桃钙片| 五月天丁香电影| 亚洲成av片中文字幕在线观看 | 黑人猛操日本美女一级片| 亚洲欧美日韩另类电影网站| 国产色爽女视频免费观看| 亚洲国产日韩一区二区| 亚洲中文av在线| 亚洲欧美精品自产自拍| 国产熟女午夜一区二区三区| 亚洲av成人精品一二三区| 精品一区在线观看国产| 亚洲内射少妇av| 欧美3d第一页| av卡一久久| 亚洲美女视频黄频| 日日撸夜夜添| 国产精品久久久久久av不卡| 亚洲四区av| 纯流量卡能插随身wifi吗| 日韩视频在线欧美| 男女免费视频国产| 亚洲国产av新网站| 黄片播放在线免费| 久久精品国产综合久久久 | 亚洲欧美一区二区三区国产| 午夜福利影视在线免费观看| 午夜激情av网站| 欧美日韩国产mv在线观看视频| 十八禁网站网址无遮挡| 色94色欧美一区二区| 亚洲精品,欧美精品| av在线观看视频网站免费| 97在线视频观看| av女优亚洲男人天堂| 久久精品国产亚洲av天美| 男女免费视频国产| 桃花免费在线播放| 多毛熟女@视频| 成年av动漫网址| 欧美xxⅹ黑人| 桃花免费在线播放| 中文字幕亚洲精品专区| 国产一区二区在线观看av| 午夜老司机福利剧场| 人人妻人人澡人人爽人人夜夜| 男男h啪啪无遮挡| 免费看不卡的av| 欧美另类一区| 韩国高清视频一区二区三区| 日韩av不卡免费在线播放| 狂野欧美激情性bbbbbb| kizo精华| 久久99热这里只频精品6学生| 精品人妻熟女毛片av久久网站| 亚洲av福利一区| 国产精品久久久av美女十八| 啦啦啦在线观看免费高清www| 国产精品久久久久久久久免| 国产精品无大码| 咕卡用的链子| 亚洲第一区二区三区不卡| 国产精品熟女久久久久浪| 亚洲在久久综合| 亚洲色图综合在线观看| 丝袜喷水一区| 国产国语露脸激情在线看| 久久久久久人人人人人| 天天操日日干夜夜撸| 热re99久久国产66热| 精品国产一区二区三区四区第35| 国产精品免费大片| 新久久久久国产一级毛片| 久久99精品国语久久久| 狂野欧美激情性bbbbbb| 免费高清在线观看视频在线观看| 国内精品宾馆在线| 国产精品一区二区在线观看99| 久久 成人 亚洲| 久久这里有精品视频免费| 精品久久久久久电影网| 欧美精品亚洲一区二区| 国产极品天堂在线| 亚洲国产精品一区三区| 亚洲丝袜综合中文字幕| 亚洲国产精品专区欧美| 美女内射精品一级片tv| 啦啦啦啦在线视频资源| 大话2 男鬼变身卡| 色哟哟·www| 精品亚洲成国产av| 亚洲天堂av无毛| 久久午夜福利片| 90打野战视频偷拍视频| 国产高清国产精品国产三级| 在线观看一区二区三区激情| 日本猛色少妇xxxxx猛交久久| 亚洲欧美中文字幕日韩二区| av.在线天堂| 国产免费视频播放在线视频| 久久毛片免费看一区二区三区| 9色porny在线观看| av线在线观看网站| 少妇被粗大猛烈的视频| 男女午夜视频在线观看 | 日韩av免费高清视频| 国产成人免费无遮挡视频| 国产免费现黄频在线看| 观看美女的网站| 国产xxxxx性猛交| 亚洲内射少妇av| 青春草国产在线视频| 国产欧美亚洲国产| 亚洲成人手机| 超碰97精品在线观看| 国产精品一区二区在线观看99| 亚洲av.av天堂| av卡一久久| 少妇熟女欧美另类| 在线亚洲精品国产二区图片欧美| 少妇被粗大的猛进出69影院 | 街头女战士在线观看网站| 午夜久久久在线观看| 97精品久久久久久久久久精品| 中国美白少妇内射xxxbb| 久久99精品国语久久久| 亚洲精品av麻豆狂野| 三上悠亚av全集在线观看| 少妇高潮的动态图| 欧美精品人与动牲交sv欧美| 亚洲欧洲精品一区二区精品久久久 | av播播在线观看一区| 在线观看www视频免费| 老司机影院成人| 麻豆精品久久久久久蜜桃| 男女午夜视频在线观看 | 日本黄色日本黄色录像| 亚洲国产精品国产精品| 九色亚洲精品在线播放| 免费黄色在线免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲av电影在线观看一区二区三区| 国产免费一区二区三区四区乱码| 国产精品一区www在线观看| 国产精品久久久久久久久免| 久久精品aⅴ一区二区三区四区 | 看非洲黑人一级黄片| 国产免费福利视频在线观看| 精品国产露脸久久av麻豆| 亚洲av日韩在线播放| 在线天堂最新版资源| 国产av精品麻豆| 香蕉丝袜av| 人体艺术视频欧美日本| 亚洲丝袜综合中文字幕| 亚洲婷婷狠狠爱综合网| 爱豆传媒免费全集在线观看| 亚洲美女视频黄频| av免费在线看不卡| 黑人高潮一二区| 欧美另类一区| 免费av中文字幕在线| 一级毛片电影观看| 久久ye,这里只有精品| 国产免费视频播放在线视频| 多毛熟女@视频| 久久99一区二区三区| 最新中文字幕久久久久| 亚洲成人一二三区av| 婷婷色麻豆天堂久久| 最近的中文字幕免费完整| 亚洲av欧美aⅴ国产| 日韩欧美精品免费久久| 91精品三级在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 啦啦啦啦在线视频资源| 欧美xxⅹ黑人| av国产精品久久久久影院| 欧美激情 高清一区二区三区| 欧美bdsm另类| 水蜜桃什么品种好| 人体艺术视频欧美日本| 欧美日韩国产mv在线观看视频| 水蜜桃什么品种好| 欧美精品亚洲一区二区| 亚洲色图综合在线观看| 精品国产一区二区久久| 国产欧美日韩一区二区三区在线| 女的被弄到高潮叫床怎么办| 高清在线视频一区二区三区| 日韩电影二区| 欧美日韩一区二区视频在线观看视频在线| 2018国产大陆天天弄谢| 夜夜爽夜夜爽视频| 国产成人免费观看mmmm| 亚洲精品久久成人aⅴ小说| 日韩av免费高清视频| 国产精品不卡视频一区二区| 亚洲av电影在线观看一区二区三区| 欧美激情极品国产一区二区三区 | 午夜免费男女啪啪视频观看| 日本猛色少妇xxxxx猛交久久| 国产av一区二区精品久久| 欧美精品av麻豆av| 五月开心婷婷网| 午夜福利视频精品| 男女下面插进去视频免费观看 | av在线观看视频网站免费| 午夜福利影视在线免费观看| 成年美女黄网站色视频大全免费| 欧美人与性动交α欧美软件 | 在线观看www视频免费| 2022亚洲国产成人精品| 男人舔女人的私密视频| 爱豆传媒免费全集在线观看| 秋霞伦理黄片| 日日摸夜夜添夜夜爱| 免费av不卡在线播放| 亚洲国产精品成人久久小说| 久久久亚洲精品成人影院| 亚洲国产欧美日韩在线播放| 蜜臀久久99精品久久宅男| 免费黄网站久久成人精品| 少妇的丰满在线观看| 青春草视频在线免费观看| 国产成人av激情在线播放| 不卡视频在线观看欧美| 亚洲欧美清纯卡通| 男女下面插进去视频免费观看 | 在线天堂最新版资源| 一级黄片播放器| 久久这里只有精品19| 内地一区二区视频在线| 国产亚洲欧美精品永久| 亚洲成av片中文字幕在线观看 | 少妇人妻久久综合中文| 秋霞伦理黄片| 国产1区2区3区精品| 久久国产精品大桥未久av| 亚洲精品第二区| 又大又黄又爽视频免费| 丝瓜视频免费看黄片| 男女边吃奶边做爰视频| 九草在线视频观看| 国产1区2区3区精品| 满18在线观看网站| 久热久热在线精品观看| 免费高清在线观看视频在线观看| 自线自在国产av| 日本猛色少妇xxxxx猛交久久| 久久精品aⅴ一区二区三区四区 | 亚洲av成人精品一二三区| 纯流量卡能插随身wifi吗| 街头女战士在线观看网站| 亚洲成人一二三区av| 精品午夜福利在线看| 亚洲久久久国产精品| 亚洲高清免费不卡视频| 精品福利永久在线观看| 久久久久久久国产电影| av免费在线看不卡| 精品人妻熟女毛片av久久网站| 2021少妇久久久久久久久久久| 日韩av在线免费看完整版不卡| 亚洲伊人色综图| 九色成人免费人妻av| 五月开心婷婷网| 麻豆乱淫一区二区| 草草在线视频免费看| kizo精华| 免费日韩欧美在线观看| 国产精品一国产av| videos熟女内射| 制服人妻中文乱码| 黄色一级大片看看| 久久精品夜色国产| 最近最新中文字幕免费大全7| 99re6热这里在线精品视频| 日韩免费高清中文字幕av| 亚洲色图 男人天堂 中文字幕 | 免费高清在线观看视频在线观看| 丝袜喷水一区| 成人影院久久| 久久人妻熟女aⅴ| 中文字幕免费在线视频6| 亚洲av男天堂| 欧美激情 高清一区二区三区| 在现免费观看毛片| av网站免费在线观看视频| 亚洲精品一区蜜桃| 天堂8中文在线网| 国产免费一级a男人的天堂| 国产精品久久久久久久久免|