• <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 ?

    跨社交媒體網(wǎng)絡(luò)大數(shù)據(jù)下的用戶建模

    2016-04-08 03:49:05項連城?;w徐常勝
    大數(shù)據(jù) 2016年5期
    關(guān)鍵詞:用戶

    項連城,?;w,徐常勝

    1.中國科學院自動化研究所,北京 100190;2.中國科學院大學,北京 100049

    跨社交媒體網(wǎng)絡(luò)大數(shù)據(jù)下的用戶建模

    項連城1,2,桑基韜1,2,徐常勝1,2

    1.中國科學院自動化研究所,北京 100190;2.中國科學院大學,北京 100049

    社交媒體大數(shù)據(jù)中的多源性體現(xiàn)在不同社交媒體網(wǎng)絡(luò)產(chǎn)生的內(nèi)容上,從多源的角度分析跨社交媒體網(wǎng)絡(luò)可以將獨立數(shù)據(jù)的價值通過整合其他來源和模態(tài)的數(shù)據(jù)充分挖掘和釋放出來,提高大數(shù)據(jù)的利用效率??缟缃幻襟w網(wǎng)絡(luò)的用戶建模是分析和應(yīng)用多源社交媒體大數(shù)據(jù)的重要體現(xiàn)。跨社交媒體網(wǎng)絡(luò)中的多源數(shù)據(jù)共享獨立用戶空間,提出以用戶為橋梁對多源數(shù)據(jù)進行關(guān)聯(lián)挖掘,將挖掘得到的關(guān)聯(lián)模式分別應(yīng)用于跨社交媒體網(wǎng)絡(luò)的用戶人口屬性建模和興趣建模中,并應(yīng)用到社交媒體應(yīng)用的個性化服務(wù)中。

    跨社交媒體網(wǎng)絡(luò);用戶建模;人口屬性;興趣屬性

    1 引言

    計算機、手機、相機等電子產(chǎn)品的問世和廣泛普及,不但使數(shù)據(jù)有了新的載體并擴大了其內(nèi)涵,而且使人們可以更方便地產(chǎn)生數(shù)據(jù)、傳播數(shù)據(jù),極大地加快了數(shù)據(jù)的增長速度。2004年,以Facebook為代表的社交媒體網(wǎng)絡(luò)為人們提供了平臺,供人們分享日常生活工作中的所感、所想并進行交流。這些社交媒體網(wǎng)絡(luò)促使人們完成了從被動接受數(shù)據(jù)到主動產(chǎn)生并分享數(shù)據(jù)的一個重大革命,也帶來了真正的數(shù)據(jù)爆炸。據(jù)統(tǒng)計,以社交媒體行為數(shù)據(jù)為主的非結(jié)構(gòu)化數(shù)據(jù)已經(jīng)占到了人類數(shù)據(jù)總量的75%,達到600 EB,其中平均每個人貢獻的數(shù)據(jù)超過100 GB。人們已經(jīng)進入社交媒體大數(shù)據(jù)時代,但是相比大數(shù)據(jù)的產(chǎn)生速度和獲取能力,大數(shù)據(jù)的價值提煉和挖掘能力仍然比較低,出現(xiàn)了“大數(shù)據(jù),小價值”的失衡狀況。

    社交媒體表現(xiàn)出典型的大數(shù)據(jù)“4V”特征,即volume(體量巨大)、velocity(增長迅速)、variety(異構(gòu)多源)、veracity(價值密度低)。在這4個特征中,volume關(guān)注數(shù)據(jù)存取和索引的速度,velocity關(guān)注數(shù)據(jù)計算的效率,variety關(guān)注數(shù)據(jù)分析的復(fù)雜性,veracity關(guān)注數(shù)據(jù)質(zhì)量。社交媒體大數(shù)據(jù)的分析和應(yīng)用,需要重點研究variety這一維特征:即處理和利用不同來源、不同類型的用戶產(chǎn)生內(nèi)容(user-generated content)。variety有異構(gòu)和多源兩種解釋:異構(gòu)是指不同形式、不同類型的數(shù)據(jù),比如文本、圖像、語音、視頻等傳統(tǒng)多模態(tài)數(shù)據(jù)以及隨著社交媒體出現(xiàn)的圖片微博、語音圖片等新媒體數(shù)據(jù);多源是指不同來源的數(shù)據(jù),比如互聯(lián)網(wǎng)數(shù)據(jù)可能從桌面或者移動編輯采集而來,可能由官方或者個人發(fā)布上傳,并存在于新聞、博客、播客、論壇等不同的網(wǎng)站上。異構(gòu)數(shù)據(jù)的分析和應(yīng)用在“小數(shù)據(jù)”時代已經(jīng)得到了充分的關(guān)注,在多媒體傳輸、存儲、特征學習、語義理解等方面取得了顯著成果。與之相比,多源數(shù)據(jù)的分析和應(yīng)用研究卻剛剛起步。實際上,異構(gòu)性和多源性都是挖掘社交媒體大數(shù)據(jù)價值的關(guān)鍵??缟缃幻襟w網(wǎng)絡(luò)同時具有這兩種性質(zhì),不同的社交媒體網(wǎng)絡(luò)是不同的數(shù)據(jù)來源,而每個社交媒體網(wǎng)絡(luò)都擁有大量的異構(gòu)數(shù)據(jù)。分析跨社交媒體網(wǎng)絡(luò)可以將獨立數(shù)據(jù)的價值通過混合其他來源和模態(tài)的數(shù)據(jù)充分挖掘和釋放出來,更加有效地提煉大數(shù)據(jù)的價值。

    近年來,跨社交媒體網(wǎng)絡(luò)分析的優(yōu)勢逐漸被發(fā)現(xiàn)和重視,各種社交媒體網(wǎng)絡(luò)之間的合作相繼展開。同種類型的社交媒體網(wǎng)絡(luò)進行橫向合作可以最大化壟斷利潤。僅2015年,國內(nèi)發(fā)生了滴滴打車和快的打車合并、58同城和趕集網(wǎng)合并、美團和大眾點評網(wǎng)合并以及去哪兒網(wǎng)和攜程網(wǎng)合并,涵蓋了電召出行、生活服務(wù)平臺、O2O、在線旅游等各個方面。而不同類型的社交媒體網(wǎng)絡(luò)進行縱向合作的目的是增強生態(tài)的上下游。如Google(谷歌)收購YouTube與國內(nèi)騰訊收購大眾點評網(wǎng)、百度收購糯米一樣,后者為前者的下游,前者向后者導(dǎo)入流量。此外,Amazon(亞馬遜)和Twitter也有合作,兩者關(guān)系類似于淘寶網(wǎng)和微博,后者為前者的上游,前者通過廣告等向后者導(dǎo)入流量。這些橫向或縱向的合作,目前仍停留在淺層,即分享不同社交媒體網(wǎng)絡(luò)的用戶集合,并沒有深入綜合利用各網(wǎng)絡(luò)中獨立、分散的數(shù)據(jù)。其實,社交媒體網(wǎng)絡(luò)中的多源異構(gòu)數(shù)據(jù)共享獨立用戶空間,以用戶為橋梁進行連接。以用戶為中心分析跨社交媒體網(wǎng)絡(luò)可以有效地連接各社交媒體網(wǎng)絡(luò)中的獨立異構(gòu)數(shù)據(jù),并予以綜合利用,充分釋放其潛在價值,從而實現(xiàn)各網(wǎng)絡(luò)的深層合作。

    跨社交媒體網(wǎng)絡(luò)的用戶建模是分析和應(yīng)用社交媒體大數(shù)據(jù)的重要體現(xiàn)。社交媒體應(yīng)用的核心是信息服務(wù),在信息內(nèi)容和用戶數(shù)量都爆炸式增長的今天,通過用戶建模進行個性化信息服務(wù),是高效地對接用戶和內(nèi)容、解決信息過載的有效途徑。由于不同的社交網(wǎng)絡(luò)應(yīng)用關(guān)注不同類型的服務(wù),同一個用戶會同時參與到不同社交網(wǎng)絡(luò)中。Global Web Index 2015的統(tǒng)計發(fā)現(xiàn),在調(diào)查的50個社交媒體網(wǎng)站中,每個人平均擁有5.54個賬號,并定期活躍在2.82個網(wǎng)絡(luò)上。參與多個社交網(wǎng)絡(luò)的用戶的網(wǎng)絡(luò)足跡是其在不同社交網(wǎng)絡(luò)平臺行為數(shù)據(jù)的聚合,彼此關(guān)聯(lián)共同反映用戶的屬性和興趣。進行跨社交媒體網(wǎng)絡(luò)的用戶建模就是整合用戶分散在不同社交網(wǎng)絡(luò)的行為數(shù)據(jù),從而準確、全面地理解用戶。用戶建模包括了很多方面,包括人口屬性(如年齡、性別、婚姻狀況和職業(yè)等)、興趣屬性(如政治、技術(shù)、音樂和運動等)、社交網(wǎng)絡(luò)狀態(tài)、流動模式、消費模式及情感傾向等。其中,人口屬性記錄了基本和本質(zhì)的用戶信息,并構(gòu)成了最基礎(chǔ)的維度來建立一般的用戶模型,而興趣屬性有效直觀地反映了用戶喜好,二者都被廣泛地用在實際信息服務(wù)中?;诳缟缃幻襟w網(wǎng)絡(luò),筆者在用戶人口屬性建模和興趣屬性建模兩方面進行了探索,下面逐一進行介紹。

    2 跨社交媒體網(wǎng)絡(luò)人口屬性建模

    近些年,很多研究根據(jù)用戶的社交媒體行為對他們的人口屬性進行了推斷[1-6],其中大部分研究關(guān)注提升特征性能和模型或者利用外部信息和知識。例如,Rao等人[2]利用社會語言學特征和n元模型,根據(jù)用戶在Twitter上的行為推斷他們的人口屬性,包括性別、年齡和籍貫。Fang等人[4]挖掘不同人口屬性之間的潛在關(guān)系,提出了一個多任務(wù)學習框架在Google+上進行關(guān)聯(lián)屬性推斷。然而,據(jù)筆者所知,一個關(guān)鍵的問題被忽略且尚未解決:社交媒體行為的動態(tài)性和相對穩(wěn)定的人口屬性之間的矛盾。如圖1左側(cè)所示,用戶社交媒體行為明顯是隨著時間變化而變化的。一方面,上述的人口屬性研究通常將用戶不同時間的動態(tài)行為看作一個整體,這導(dǎo)致了用戶建模中的信息丟失,從而不能獲得動態(tài)行為和穩(wěn)定人口屬性之間的潛在關(guān)系。另一方面,用戶興趣建模的研究已經(jīng)通過將用戶行為分成不同時間段來估計隨著時間變化的興趣以解決動態(tài)問題[7]。在人口屬性推斷的背景下,考慮到人口屬性(如性別、年齡、婚姻狀況和職業(yè)等)是靜態(tài)的或者在很長一段時間里是不變的,動態(tài)興趣建模的方法不能直接進行應(yīng)用。

    筆者通過尋找用戶在不同場景下的共享模式進行推斷來解決這個問題?,F(xiàn)今每個用戶都同時使用多個社交媒體網(wǎng)絡(luò),這為筆者提供了天然的測試網(wǎng)絡(luò)探索用戶共享行為模式來進行人口屬性推斷。如圖1所示,假設(shè)存在唯一的穩(wěn)定人口屬性解釋和導(dǎo)致了在各種社交媒體網(wǎng)絡(luò)中不同的動態(tài)社交媒體行為,筆者提出了一個跨社交媒體網(wǎng)絡(luò)的人口屬性推斷方法來實現(xiàn)上述假設(shè)。具體地,筆者考慮將Google+和Twitter作為本探索中的測試社交媒體網(wǎng)絡(luò)。用戶在每個網(wǎng)絡(luò)中都可以發(fā)布文本、圖片和視頻信息。具體來說,訓練模型時包含兩個步驟。首先針對每個社交媒體網(wǎng)絡(luò),根據(jù)用戶社會多媒體行為建立每個用戶的特征表示。接著,將已知人口屬性作為監(jiān)督,利用對偶投影矩陣方法挖掘同一用戶不同社交媒體網(wǎng)絡(luò)之間的共享模式,獲得人口屬性空間和行為特征空間之間的關(guān)系。測試時,給定在不同社交媒體網(wǎng)絡(luò)上的用戶行為,先提取用戶特征,然后通過得到的對偶投影矩陣進行投影,最終得到用戶的人口屬性。

    圖1 對用戶Rick Bakas根據(jù)其社會媒體行為進行人口屬性推斷示意

    2.1 用戶多媒體行為的特征提取

    用戶行為中包含大量的文本內(nèi)容,可以反映用戶信息。這里筆者進行了詞干提取和去除停用詞,并去掉了在整個文本中出現(xiàn)詞頻小于15次的詞。為了減少特征表示的維數(shù),進一步采用了基于熵的方法對每種屬性選擇最具有識別力的詞。其基本的思路是計算每個詞的互信息熵,并選取熵值最高的10000個詞。最后采用TF-IDF方法對特征進行重新加權(quán),得到了用戶的文本特征表示。

    用戶的多媒體行為除了包含文本內(nèi)容外,還有很多的圖片內(nèi)容。同時考慮圖片特征,可以更進一步地表示用戶行為。筆者采用了廣泛使用的在ImageNet(圖像識別最大數(shù)據(jù)庫)上訓練的VGG16模型,對每一張圖片根據(jù)全連接層提取了1000維視覺特征。由于用戶通常發(fā)表超過一張的圖片,所以對圖片表示采用最大池的方法,得到了每個用戶的1000維聚合特征向量。

    最后,筆者連結(jié)文本和圖片特征,獲得了每個用戶的社交行為特征表示。同時,分別對每個社交媒體網(wǎng)絡(luò)都采取同樣的特征提取,最終獲得每個網(wǎng)絡(luò)的每個用戶的社交行為特征表示。

    2.2 對偶投影矩陣提取

    對于每個社交媒體網(wǎng)絡(luò),假設(shè)用戶行為特征空間和人口屬性空間的關(guān)聯(lián)可以用投影矩陣W表示。因此,用戶的人口屬性表示su可以通過其社交行為特征fu直接投影進行推斷。這個假設(shè)可以用計算式表示為:fu=Wsu。筆者的工作是通過觀察訓練集用戶的社交行為特征和他們相應(yīng)的人口屬性集學習投影矩陣W,可以通過解下面的優(yōu)化問題來實現(xiàn):

    其中,F(xiàn)=[f1,f2,…,fN]、S=[s1,s2,…,sN]分別是訓練集中所有N個用戶的社交行為特征和人口屬性表示。A=[a1,a2,…,aN]是用戶屬性的離散表示,通過直接擴展用戶標記屬性作為一個串聯(lián)的二值向量。在這里,將離散屬性表示A修正為連續(xù)形式S,可以更好地反映用戶不同屬性值的相對強弱。

    然而,在這個模型中,觀察到的動態(tài)社交行為和相對穩(wěn)定的人口屬性之間的矛盾并沒有被考慮。為了解決這個問題,筆者的方法最基本的前提是尋找不同社交網(wǎng)絡(luò)上的大量用戶行為的共享模式。因此,進一步修正式(1)中連續(xù)屬性表示S為兩個社交網(wǎng)絡(luò)的一個共享因子,得到了下面的目標函數(shù):

    其中,F(xiàn)p、Fq分別是兩個社交網(wǎng)絡(luò)上所有N個用戶的社交行為特征,Wp、Wq分別是兩個社交網(wǎng)絡(luò)的對偶投影矩陣,λ1、λ2和λ3是3個正則化參數(shù)。這樣求出的屬性表示S利用了不同的社交網(wǎng)絡(luò),可以反映一些穩(wěn)定行為模式。

    考慮到目標函數(shù)中有很多變量,筆者采用一個等價的算法來尋找Wp、Wq和S的最優(yōu)解,主要思想是固定其他變量最小化目標函數(shù)求一個變量,不斷迭代更新直到收斂或最大迭代次數(shù),最終獲得筆者所要求解的對偶投影矩陣。

    2.3 用戶人口屬性推斷

    根據(jù)求出的對偶投影矩陣Wp和Wq,給定一個新用戶,已知他的社交行為特征fp和fq,可以估計他唯一的人口屬性,過程如下:

    除此之外,當?shù)玫搅送队熬仃?,同樣可以通過一些用戶在單一社交網(wǎng)絡(luò)中的社交行為數(shù)據(jù)簡單地進行人口屬性的粗略推斷。該過程的優(yōu)化函數(shù)如下:

    其中,f和W分別是某個社交網(wǎng)絡(luò)的用戶社交行為特征和投影矩陣。

    已知每個用戶推斷得到的用戶屬性表示s,它的每一項對應(yīng)了某種屬性的某一屬性值對應(yīng)的得分,將每種屬性的屬性值對應(yīng)的得分進行排序,選擇得分最高的屬性值作為該種屬性的最終推斷結(jié)果。

    將兩個流行的社交網(wǎng)絡(luò)Google+和Twitter作為測試網(wǎng)絡(luò)。通過Google+上用戶分享的其他網(wǎng)絡(luò)賬號,筆者建立了包含1478個共同用戶的集合,并下載了他們最近發(fā)表的2000條帖子(包括文本和圖片)和用戶的資料。研究其性別、年齡、婚姻狀況和職業(yè)4個人口屬性,以準確率為評價指標,比較了對偶投影矩陣提?。–PME)方法和投影矩陣(PME)方法、支持向量機(SVM)方法分別在兩個社交媒體網(wǎng)絡(luò)中的屬性推斷結(jié)果。表1為筆者所提方法在4個人口屬性推斷中與其他技術(shù)的對比結(jié)果,從表1可知,盡管在單網(wǎng)絡(luò)下的投影矩陣方法的推斷準確率不如支持向量機方法的推斷準確率,但是對偶投影矩陣提取方法利用了豐富的跨社交網(wǎng)絡(luò)用戶數(shù)據(jù),有效地提高了用戶人口屬性推斷準確率。這同時說明了對偶投影矩陣提取方法可以有效地解決用戶動態(tài)行為數(shù)據(jù)和相對穩(wěn)定的人口屬性之間的矛盾。

    表2為對偶投影矩陣提取方法在4個人口屬性推斷過程中利用不同用戶數(shù)據(jù)的設(shè)置的推斷準確率。分別給定用戶單獨在Google+上的數(shù)據(jù)、單獨在Twitter上的數(shù)據(jù)和兩個網(wǎng)絡(luò)上所有的數(shù)據(jù)。即使只有一個網(wǎng)絡(luò)的數(shù)據(jù),對偶投影矩陣提取方法的推斷準確率仍要高于其他方法的推斷準確率,因為在對偶投影矩陣提取的過程中已經(jīng)得到了潛在的不同平臺之間的穩(wěn)定關(guān)聯(lián)。同時,給定更多的用戶數(shù)據(jù)可以得到更高的用戶屬性推斷準確率。因此,基于跨社交媒體網(wǎng)絡(luò)的用戶人口屬性建模可以解決動態(tài)的用戶行為和相對穩(wěn)定的人口屬性之間的矛盾,有效地提高人口屬性推斷的準確率。

    表1 不同方法的人口屬性推斷準確率

    表2 本方法不同設(shè)置下的屬性推斷準確率

    3 跨社交媒體網(wǎng)絡(luò)興趣屬性建模

    特定的社交媒體服務(wù)一般都是在單一社交媒體網(wǎng)絡(luò)進行。例如,YouTube上的視頻推薦服務(wù)已經(jīng)成為引導(dǎo)用戶從大量的視頻中找到自己感興趣的視頻的一種重要方式[8]。但基于單一網(wǎng)絡(luò)的解決方法存在著一定的局限性:單個網(wǎng)絡(luò)上可以利用的用戶數(shù)據(jù)往往不足以全面地理解用戶興趣和有效地捕捉不斷改變的用戶喜好。因此,筆者利用了用戶分散在多個不同社交網(wǎng)絡(luò)的數(shù)據(jù),幫助預(yù)測用戶在YouTube上的興趣畫像和視頻偏好,并設(shè)計了一種統(tǒng)一的視頻推薦解決方案,提升個性化推薦服務(wù)的效果。

    統(tǒng)一的視頻推薦方案致力于解決以下3個問題。

    (1)新用戶問題

    當一個新用戶注冊到Y(jié)ouTube網(wǎng)站并且剛開始使用相應(yīng)推薦服務(wù)時,系統(tǒng)沒有關(guān)于該用戶對視頻興趣的任何了解。一般而言,對新用戶是利用有限的注冊信息進行用戶建模[9],或是直接作為平均用戶對待,并對其推薦最熱門的相關(guān)物品[10]。

    (2)冷啟動問題

    冷啟動問題是指由于缺乏足夠的用戶初始數(shù)據(jù),推薦系統(tǒng)無法提供精準推薦的相關(guān)情形。筆者用輕量用戶表示那些僅有很少歷史行為記錄的用戶。目前對輕量用戶進行個性化推薦的方法包括利用用戶的內(nèi)容信息(如用戶簡介資料以及標注信息)進行基于內(nèi)容的推薦[11,12]以及利用已知的社交關(guān)系數(shù)據(jù)預(yù)測用戶偏好并啟動推薦系統(tǒng)[13]等。

    (3)數(shù)據(jù)稀疏性問題

    在典型的推薦系統(tǒng)中,絕大多數(shù)用戶沒有機會瀏覽或評價大部分物品,因此用戶—物品交互矩陣往往非常稀疏。這在具有較高物品—用戶比例的系統(tǒng)中尤為嚴重,如擁有超過20億視頻的YouTube網(wǎng)站。目前已經(jīng)有不少工作專門針對減輕數(shù)據(jù)稀疏性問題,如用默認值填充缺失的用戶—物品記錄[13],利用潛在因子模型將用戶和物品投影到公共的低維子空間,可以捕捉用戶—物品交互行為背后的潛在結(jié)構(gòu)[14]以及通過傳播或者迭代模型發(fā)現(xiàn)用戶間的高階關(guān)聯(lián)[15]等。

    這3個問題一直是推薦系統(tǒng)領(lǐng)域最經(jīng)典的問題,受到了廣泛的關(guān)注,但同時處理上述3種問題的統(tǒng)一解決框架還沒被研究過。不同于大多數(shù)工作致力于更好地利用目標網(wǎng)絡(luò)中的數(shù)據(jù),筆者考慮利用其他輔助網(wǎng)絡(luò)上的豐富的用戶數(shù)據(jù)。筆者利用來自Twitter輔助網(wǎng)絡(luò)的更多用戶數(shù)據(jù),介紹一種簡單的解決框架同時處理所有上述提到的問題,有效地幫助3種典型的YouTube用戶。具體地說,對于新用戶,通過分析用戶在Twitter網(wǎng)絡(luò)上的推文活動,估算他們在YouTube上的興趣畫像,基于此給出一個初始化的視頻推薦列表;對輕量用戶,通過整合來自Twitter輔助網(wǎng)絡(luò)的信息和用戶在YouTube網(wǎng)絡(luò)已有的部分信息來裝載推薦引擎;對重度用戶,通過進一步降低數(shù)據(jù)稀疏性,可以提供給他們更有效的推薦。輔助信息有助于計算用戶間的關(guān)聯(lián)性。

    筆者的整體解決框架如圖2所示,該框架由兩個階段構(gòu)成,即輔助社交網(wǎng)絡(luò)數(shù)據(jù)遷移與跨社交網(wǎng)絡(luò)用戶行為整合。在第一階段,輔助網(wǎng)絡(luò)和目標網(wǎng)絡(luò)用戶行為間的關(guān)聯(lián)被嵌入一個轉(zhuǎn)移矩陣中,通過該轉(zhuǎn)移矩陣,用戶Twitter上的推文活動可以被映射到Y(jié)ouTube的一個潛在用戶空間。利用學習得到的轉(zhuǎn)移矩陣,可以通過轉(zhuǎn)移用戶的推文歷史行為大致估算用戶的興趣畫像,并得到該用戶在YouTube上的視頻偏好。對于新用戶,推薦系統(tǒng)已經(jīng)可以直接利用轉(zhuǎn)移得到的興趣畫像生成推薦結(jié)果。在第二階段,以轉(zhuǎn)移得到的興趣畫像為先驗,進一步介紹一種基于正則約束的方法來整合兩種不同的用戶數(shù)據(jù)源。此外,加入一個權(quán)重矩陣,根據(jù)用戶可得到的YouTube行為數(shù)據(jù)自適應(yīng)地調(diào)節(jié)不同源的整合權(quán)重。以這種方式,得到的輕量用戶和重度用戶的興趣畫像同時考慮了Twitter上的用戶推文活動以及歷史的YouTube視頻行為交互情況。然后得到的用戶模型可以直接用來生成相應(yīng)的推薦結(jié)果。

    圖2 基于跨網(wǎng)絡(luò)用戶行為的統(tǒng)一視頻推薦整體解決框架示意

    3.1 輔助社交網(wǎng)絡(luò)行為遷移

    筆者通過測試共同用戶在Twitter上的輔助數(shù)據(jù)如何被轉(zhuǎn)移到其對YouTube上的興趣畫像來發(fā)現(xiàn)相應(yīng)的關(guān)聯(lián)模式。筆者提出的解決方案是基于有約束的矩陣分解方法的。在推薦系統(tǒng)中,矩陣分解模型將用戶和物品投影到一個潛在的因子空間,其中用戶—視頻交互被模擬為二者的內(nèi)積。因此,用戶在YouTube上的興趣畫像就是用戶的潛在因子表示u,已經(jīng)嵌入相應(yīng)的用戶—視頻交互矩陣R中。首先,為了表示用戶在Twitter上的推文活動,視每個用戶的推文歷史為一個文檔,將標準的LDA主題模型應(yīng)用到所有Twitter用戶構(gòu)成的文檔集上。結(jié)果,每個用戶可以被表示為一個主題分布ut。對每個跨網(wǎng)絡(luò)共同用戶,假設(shè)存在一個轉(zhuǎn)移矩陣W蘊含著從該用戶的Twitter主題分布ut向其由交互矩陣中提取的YouTube用戶興趣畫像u進行映射的映射關(guān)系。因此,轉(zhuǎn)移輔助數(shù)據(jù)的任務(wù)變?yōu)槔每缇W(wǎng)絡(luò)共同用戶在Twitter和YouTube上的以觀測行為學習相應(yīng)的轉(zhuǎn)移矩陣W。筆者利用用戶Twitter主題分布ut和轉(zhuǎn)移矩陣W替代用戶興趣畫像u,構(gòu)建有約束的矩陣分解模型。其中,為了防止過擬合,僅基于已觀測到的交互數(shù)據(jù)去發(fā)現(xiàn)潛在數(shù)據(jù)結(jié)構(gòu)[14,16]。同時,筆者融合內(nèi)容信息作為正則約束[11,17],使得具有相似內(nèi)容信息的視頻在得到的潛在因子空間具有相似的表示,可以有效地減少數(shù)據(jù)稀疏性的影響。最終,通過求解該模型,可以得到相應(yīng)的轉(zhuǎn)移矩陣W和視頻的潛在因子表示V,捕捉到用戶在輔助網(wǎng)絡(luò)和目標網(wǎng)絡(luò)行為的關(guān)聯(lián)性。那么,給定任意測試用戶及其Twitter主題分布ut,就可以估算該用戶在YouTube上的興趣畫像及視頻的偏好。

    在圖3中,筆者模擬了3類YouTube用戶,給出了相應(yīng)的簡單示例。通過W轉(zhuǎn)移,預(yù)測用戶在包含科技、游戲和體育等潛在視頻主題上的用戶興趣(×、√、√√分別表示“不喜歡”“喜歡”和“非常喜歡”)。進一步與V相乘,可以發(fā)現(xiàn)用戶在特定視頻上的相關(guān)偏好。因此,即使在目標網(wǎng)絡(luò)沒有任何可利用的行為記錄的情況下,仍然可以通過轉(zhuǎn)移輔助網(wǎng)絡(luò)的數(shù)據(jù)來建立一個初始化的用戶興趣畫像。這實際上解決了統(tǒng)一視頻推薦問題下的第一種情形:新用戶。

    圖3 輔助社交網(wǎng)絡(luò)行為遷移的示例

    3.2 跨社交網(wǎng)絡(luò)用戶行為整合

    對輕量用戶和重度用戶,他們在目標網(wǎng)絡(luò)已經(jīng)有部分觀測到的行為。直接將估算得到的視頻偏好與目標網(wǎng)絡(luò)已觀測到的行為進行聚合往往不太現(xiàn)實,因為這兩個網(wǎng)絡(luò)上的行為可能存在不一致性甚至相互矛盾。因此,同時考慮已觀測到的YouTube用戶—視頻矩陣R和轉(zhuǎn)移得到的用戶興趣畫像UtW來更新輕量用戶和重度用戶的興趣畫像,作為他們的潛在用戶表示U。

    筆者視Twitter轉(zhuǎn)移得到的用戶興趣畫像UtW為整合后的用戶興趣畫像U的先驗。這可以從兩方面進行解釋:對在目標網(wǎng)絡(luò)具有稀疏的觀測行為的用戶,Twitter轉(zhuǎn)移得到的用戶興趣畫像UtW可以作為整合用戶興趣畫像的一個很好的表示,即U應(yīng)該與UtW類似,這實際上對應(yīng)著冷啟動問題。求得的轉(zhuǎn)移矩陣W定義了用戶所在的一個潛在空間,這有助于計算用戶間的關(guān)聯(lián)性,并能被利用以減輕目標用戶—視頻矩陣R中的稀疏性問題。因此,需要利用輔助社交網(wǎng)絡(luò)行為遷移后得到的視頻潛在表示V和用戶興趣畫像UtW,正則化約束更新學到的視頻潛在因子V′和用戶興趣畫像U可以更好地擬合觀測到的用戶—視頻矩陣R,并且更新的視頻潛在因子V′盡可能接近已求得的視頻潛在因子V,而Twitter轉(zhuǎn)移得到的用戶興趣畫像UtW和更新后的用戶興趣畫像U之前的差也按照一定的權(quán)重進行約束,最終得到最優(yōu)的更新后的用戶興趣畫像U和視頻潛在表示V′。對每個測試的輕量用戶或者重度用戶,都可以計算其在YouTube視頻上的偏好。

    在圖4中,接著圖3的示例,進一步展示了輕量用戶和重度用戶的用戶興趣畫像在整個過程中如何更新,可以看出根據(jù)YouTube上觀測到的視頻行為,轉(zhuǎn)移的用戶興趣畫像和視頻表示被進一步改進(修改的矩陣元素加粗突出)。最終得到的用戶視頻偏好既考慮了Twitter網(wǎng)絡(luò)的輔助信息,又很好地擬合了目標網(wǎng)絡(luò)已觀測到的用戶行為。因此,筆者解決了統(tǒng)一視頻推薦問題中的剩下的兩種情形:輕量用戶和重度用戶。

    圖4 跨社交網(wǎng)絡(luò)用戶行為整合的示例

    4 結(jié)束語

    社交媒體中的異構(gòu)和多源問題是深度利用社交媒體大數(shù)據(jù)的關(guān)鍵。隨著人們對不同社交媒體服務(wù)的深入和跨網(wǎng)絡(luò)共同用戶發(fā)現(xiàn)技術(shù)的成熟,大量可獲得的共同用戶對應(yīng)關(guān)系可以作為跨社交媒體網(wǎng)絡(luò)分析的橋梁,有效地連接各社交媒體網(wǎng)絡(luò)中的獨立異構(gòu)數(shù)據(jù),并予以綜合利用。同時,用戶作為社交媒體服務(wù)的中心,為了更好地進行個性化信息服務(wù),迫切地需要進行用戶建模,達到全面準確地理解用戶的目的。

    本文從跨社交媒體網(wǎng)絡(luò)用戶人口屬性建模和興趣屬性建模兩方面討論了對跨社交媒體網(wǎng)絡(luò)中多源異構(gòu)數(shù)據(jù)的綜合利用。因為用戶在不同社交媒體網(wǎng)絡(luò)中的行為都在一定程度上反映了其屬性,所以可以通過整合用戶在不同社交媒體網(wǎng)絡(luò)上的行為信息進行協(xié)同分析,有效地解決單網(wǎng)絡(luò)的行為稀疏性和內(nèi)容單一性等問題。未來,筆者將從以下幾個方面對跨社交媒體網(wǎng)絡(luò)工作展開進一步地研究:更進一步分析不同網(wǎng)絡(luò)之間的關(guān)聯(lián)和區(qū)別,充分挖掘數(shù)據(jù)所蘊含的信息;在用戶人口屬性建模和興趣屬性建?;A(chǔ)上,著眼于更多應(yīng)用,更好地利用大數(shù)據(jù)來服務(wù)于用戶。

    [1] ZHELEVA E, GETOOR L.To join or not to join: the illusion of privacy in social networks with mixed public and private user profiles[C]//The 18th International Conference on World Wide Web, April 20-24, 2009, Madrid, Spain.New York: ACM Press, 2009: 531-540.

    [2] RAO D, YAROWSKY D, SHREEVATS A, et al.Classifying latent user attributes in twitter[C]//The 2nd International Workshop on Search and Mining User-Generated Contents, October 30, 2010, Toronto, Canada.New York: ACM Press, 2010: 37-44.

    [3] PENNACCHIOTTI M, POPESCU A M.Democrats, republicans and starbucks afficionados: user classification in twitter[C]//The 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, August 21-24, 2011, San Diego, CA, USA.New York: ACM Press, 2011: 430-438.

    [4] FANG Q, SANG J, XU C, et al.Relational user attribute inference in social media[J].IEEE Transactions on Multimedia, 2015, 17(7): 1031-1044.

    [5] CHEN X, WANG Y, AGICHTEIN E, et al.A comparative study of demographic attribute inference in twitter[C]//The 9th International AAAI Conference on Web and Social Media(ICWSM), May 26-29, 2015, Oxford, UK.[S.l.:s.n.], 2015: 590-593.

    [6] HUANG Y, YU L, WANG X, et al.A multi-source integration framework for user occupation inference in social media systems[J].World Wide Web, 2015, 18(5): 1247-1267.

    [7] SANG J, LU D, XU C.A probabilistic framework for temporal user modeling on Microblogs[C]//The 24th ACM International on Conference on Information and Knowledge Management, October 19-23, 2015, Melbourne, Australia.New York: ACM Press, 2015: 961-970.

    [8] DAVIDSON J, LIEBALD B, LIU J, et al.The YouTube video recommendation system[C]//The Fourth ACM Conference on Recommender Systems, September 26-30, 2010, Barcelona, Spain.New York: ACM Press, 2010: 293-296.

    [9] DEGEMMIS M, LOPS P, SEMERARO G.A content-collaborative recommender that exploits wordnet-based user profiles for neighborhood formation[J].User Modeling and User-Adapted Interaction, 2007, 17(3): 217-255.

    [10] JANNACH D, ZANKER M, FELFERNIG A, et al.Recommender systems: an introduction[M].[S.l.]:Cambridge University Press, 2010.

    [11] PAZZANI M J, BILLSUS D.Contentbased recommendation systems[M]//The Adaptive Web.Berlin: Springer Berlin Heidelberg, 2007: 325-341.

    [12] ZHANG Z K, LIU C, ZHANG Y C, et al.Solving the cold-start problem in recommender systems with social tags[J].Europhysics Letters, 2010, 92(2): 28002-28007.

    [13] DESHPANDE M, KARYPIS G.Item-based top-n recommendation algorithms[J].ACM Transactions on Information Systems (TOIS), 2004, 22(1): 143-177.

    [14] KO R E N Y.Factorization meets the neighborhood: a multifaceted collaborative filtering model[C]//The 14thACM SIGKDD International Conference on Knowledge Discovery and Data Mining, August 24-27, 2008, Las Vegas, Nevada, USA.New York: ACM Press, 2008: 426-434.

    [15] HUANG Z, CHEN H, ZENG D.Applying as sociative retr ieval techniques to alleviate the sparsity problem in collaborative filtering[J].ACM Transactions on Information Systems (TOIS), 2004, 22(1): 116-142.

    [16] SALAKHUTDINOV R, MNIH A.Probabilistic matrix factorization[C]// The 25th Annual Conference on Neural Information Processing Systems(NIPS), December 12-17, 2011, Granada, Spain.[S.l.:s.n.], 2011: 880-887.

    [17] BALABANOVIM, SHOHAM Y.Fab: content-based, collaborative recommendation[J].Communications of the ACM, 1997, 40(3): 66-72.

    Cross-OSN user modeling in big data

    XIANG Liancheng1,2, SANG Jitao1,2, XU Changsheng1,2
    1.Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China
    2.University of Chinese Academy of Sciences, Beijing 100049, China

    Social media variety mainly concerns with the contents created and consumed in different online social network (OSN).Analyzing cross-OSN from the perspective of “variety” is beneficial to exerting the potential of big data, by integrally analyzing and exploiting the multi-sourced and multi-modal data.The problem of exploiting the cross-OSN data for comprehensive user modeling, which is fundamental in the context of multi-sourced social media big data was addressed.Inspired by the fact that the cross-OSN data shares unique user space, take the users as a bridge for associations mining between OSN was proposed.The discovered association patterns were then utilized in cross-OSN user demographic attribute inference and interest modeling in cross-OSN respectively, which can be further applied to personalized social media services.

    cross-OSN, user modeling, demographic attribute, interest attribute

    TP37

    A

    10.11959/j.issn.2096-0271.2016052

    項連城(1992-),女,中國科學院自動化研究所碩士生,主要研究方向為社交多媒體分析與挖掘。

    ?;w(1985-),男,博士,中國科學院自動化研究所副研究員,主要研究方向為社會媒體分析、多媒體檢索、數(shù)據(jù)挖掘。

    徐常勝(1969-),男,博士,中國科學院自動化研究所研究員,中國科學院大學博士生導(dǎo)師,主要研究方向為多媒體分析/索引/檢索、模式識別、計算機視覺。

    2016-08-12

    國家自然科學基金資助項目(No.61432019, No.61225009, No.61303176)

    Foundation Items: The National Natural Science Foundation of China(No.61432019, No.61225009, No.61303176)

    猜你喜歡
    用戶
    雅閣國內(nèi)用戶交付突破300萬輛
    車主之友(2022年4期)2022-08-27 00:58:26
    您撥打的用戶已戀愛,請稍后再哭
    關(guān)注用戶
    商用汽車(2016年11期)2016-12-19 01:20:16
    關(guān)注用戶
    商用汽車(2016年5期)2016-11-28 09:55:15
    兩新黨建新媒體用戶與全網(wǎng)新媒體用戶之間有何差別
    關(guān)注用戶
    商用汽車(2016年6期)2016-06-29 09:18:54
    關(guān)注用戶
    商用汽車(2016年4期)2016-05-09 01:23:12
    挖掘用戶需求尖端科技應(yīng)用
    Camera360:拍出5億用戶
    100萬用戶
    高清在线视频一区二区三区 | 久久久久久久午夜电影| 精品一区二区免费观看| 欧美日本亚洲视频在线播放| 国产爱豆传媒在线观看| 精品一区二区三区人妻视频| 成人毛片60女人毛片免费| 不卡一级毛片| 国产精品久久久久久久电影| 在线观看66精品国产| 国产白丝娇喘喷水9色精品| 亚洲色图av天堂| 成人亚洲欧美一区二区av| 国产白丝娇喘喷水9色精品| 国语自产精品视频在线第100页| 插逼视频在线观看| av.在线天堂| 两个人的视频大全免费| 在线观看av片永久免费下载| 12—13女人毛片做爰片一| 日本免费一区二区三区高清不卡| 亚洲国产高清在线一区二区三| 国产午夜福利久久久久久| 在线观看免费视频日本深夜| 日本黄大片高清| 99久久久亚洲精品蜜臀av| 中文字幕av成人在线电影| 免费看a级黄色片| 国产 一区精品| 久久国产乱子免费精品| 亚洲精品日韩av片在线观看| av国产免费在线观看| 亚洲精品日韩av片在线观看| 精品国产三级普通话版| 日韩中字成人| 亚洲美女视频黄频| 国产精品久久久久久精品电影| 精品一区二区免费观看| 五月玫瑰六月丁香| 国产一区二区亚洲精品在线观看| 国产一区二区在线av高清观看| 国产视频首页在线观看| 狂野欧美激情性xxxx在线观看| or卡值多少钱| 亚洲内射少妇av| 青春草亚洲视频在线观看| 搡老妇女老女人老熟妇| 日日干狠狠操夜夜爽| 97热精品久久久久久| 欧美成人a在线观看| 美女内射精品一级片tv| 国产美女午夜福利| 晚上一个人看的免费电影| 尤物成人国产欧美一区二区三区| 免费观看精品视频网站| 少妇的逼水好多| 亚洲欧美成人精品一区二区| 看免费成人av毛片| 在线a可以看的网站| 日本黄色视频三级网站网址| 色哟哟哟哟哟哟| 日产精品乱码卡一卡2卡三| 日韩av不卡免费在线播放| 小说图片视频综合网站| 国产女主播在线喷水免费视频网站 | 国内精品久久久久精免费| 成人美女网站在线观看视频| 啦啦啦韩国在线观看视频| av在线亚洲专区| 国产精品一区二区三区四区免费观看| 成年版毛片免费区| 日韩一本色道免费dvd| 欧美精品一区二区大全| 人妻夜夜爽99麻豆av| 两个人的视频大全免费| 人人妻人人澡欧美一区二区| 26uuu在线亚洲综合色| avwww免费| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 免费无遮挡裸体视频| 国产老妇女一区| 色哟哟哟哟哟哟| 男女啪啪激烈高潮av片| 国内少妇人妻偷人精品xxx网站| 自拍偷自拍亚洲精品老妇| 少妇人妻一区二区三区视频| 搡女人真爽免费视频火全软件| 久久久成人免费电影| 精品午夜福利在线看| 久久久精品94久久精品| 校园人妻丝袜中文字幕| 天美传媒精品一区二区| 69av精品久久久久久| 午夜免费激情av| 中文字幕精品亚洲无线码一区| 国产乱人偷精品视频| 国产在视频线在精品| 国产精品人妻久久久久久| 国产精品国产高清国产av| 亚洲中文字幕一区二区三区有码在线看| 久久久久久九九精品二区国产| 天天躁夜夜躁狠狠久久av| 亚洲乱码一区二区免费版| 久久精品夜夜夜夜夜久久蜜豆| 99久久中文字幕三级久久日本| 亚洲精品粉嫩美女一区| 国产精品三级大全| 深爱激情五月婷婷| 亚洲高清免费不卡视频| 欧美色视频一区免费| 日韩一区二区三区影片| 亚洲欧美精品综合久久99| 国产又黄又爽又无遮挡在线| 亚洲在线自拍视频| 可以在线观看毛片的网站| 国产精品99久久久久久久久| 在线观看66精品国产| 国产乱人视频| www日本黄色视频网| 国产成年人精品一区二区| 偷拍熟女少妇极品色| 一本久久中文字幕| 最近2019中文字幕mv第一页| 晚上一个人看的免费电影| 黄色欧美视频在线观看| 日韩,欧美,国产一区二区三区 | 欧美高清成人免费视频www| 色综合色国产| 三级男女做爰猛烈吃奶摸视频| 国产一级毛片七仙女欲春2| 只有这里有精品99| 色吧在线观看| 国产黄a三级三级三级人| 日日摸夜夜添夜夜爱| 在线免费十八禁| av黄色大香蕉| 亚洲成av人片在线播放无| 国产精品一区二区在线观看99 | 国产精品免费一区二区三区在线| 中文精品一卡2卡3卡4更新| 国产精品爽爽va在线观看网站| 欧美xxxx黑人xx丫x性爽| 国产亚洲欧美98| 国产又黄又爽又无遮挡在线| 97超碰精品成人国产| .国产精品久久| 2021天堂中文幕一二区在线观| 国内揄拍国产精品人妻在线| 美女黄网站色视频| 狂野欧美激情性xxxx在线观看| 亚洲av免费高清在线观看| 男人狂女人下面高潮的视频| 亚洲在线自拍视频| 午夜视频国产福利| 一个人看视频在线观看www免费| 亚洲第一区二区三区不卡| 精品久久久久久久久亚洲| 少妇人妻一区二区三区视频| 99在线人妻在线中文字幕| 国产成人a∨麻豆精品| 99热这里只有是精品在线观看| 国产大屁股一区二区在线视频| 久久精品国产亚洲av涩爱 | 亚洲四区av| 亚洲av不卡在线观看| 国产av麻豆久久久久久久| 插逼视频在线观看| 欧美日韩精品成人综合77777| 哪里可以看免费的av片| 我要搜黄色片| 久久午夜亚洲精品久久| 六月丁香七月| 久久精品久久久久久久性| 国产高清三级在线| 久久久久国产网址| 3wmmmm亚洲av在线观看| 偷拍熟女少妇极品色| 99热这里只有是精品在线观看| 亚洲在线观看片| 九草在线视频观看| 久久99精品国语久久久| 少妇的逼好多水| 偷拍熟女少妇极品色| 人妻少妇偷人精品九色| 高清毛片免费看| 尾随美女入室| 亚洲中文字幕日韩| 国产精品福利在线免费观看| 麻豆国产97在线/欧美| 一级毛片我不卡| 又爽又黄无遮挡网站| 久久这里有精品视频免费| 高清午夜精品一区二区三区 | 能在线免费观看的黄片| 免费看日本二区| 成人一区二区视频在线观看| 全区人妻精品视频| 欧美bdsm另类| 偷拍熟女少妇极品色| 最近的中文字幕免费完整| 国产大屁股一区二区在线视频| www.av在线官网国产| 欧美日本亚洲视频在线播放| 久久久久久大精品| 国产片特级美女逼逼视频| 亚洲欧美成人精品一区二区| 亚洲经典国产精华液单| 日本与韩国留学比较| 成人特级av手机在线观看| 一本精品99久久精品77| 中文字幕精品亚洲无线码一区| 国产精品麻豆人妻色哟哟久久 | 欧美成人a在线观看| 国产一级毛片在线| 中文字幕av在线有码专区| 在线天堂最新版资源| 国产精品,欧美在线| а√天堂www在线а√下载| 国产真实乱freesex| 精品久久久久久成人av| 一个人看视频在线观看www免费| 亚洲精品亚洲一区二区| 亚洲欧洲日产国产| 能在线免费看毛片的网站| 校园春色视频在线观看| 亚洲在久久综合| 神马国产精品三级电影在线观看| 热99在线观看视频| 欧美zozozo另类| 老司机福利观看| 国产成人一区二区在线| 日韩av不卡免费在线播放| 国产精品一及| 好男人视频免费观看在线| 99久国产av精品| 欧美日韩国产亚洲二区| 日韩av不卡免费在线播放| 久久精品影院6| 国内精品宾馆在线| 色尼玛亚洲综合影院| 老熟妇乱子伦视频在线观看| 久久精品国产自在天天线| 欧美日韩乱码在线| 国产69精品久久久久777片| 免费av观看视频| 男女啪啪激烈高潮av片| 欧美精品国产亚洲| 亚洲四区av| 大又大粗又爽又黄少妇毛片口| 99视频精品全部免费 在线| 婷婷色综合大香蕉| 狠狠狠狠99中文字幕| 久久草成人影院| 少妇熟女aⅴ在线视频| 麻豆久久精品国产亚洲av| 99久久中文字幕三级久久日本| 日日摸夜夜添夜夜爱| 女的被弄到高潮叫床怎么办| 亚洲欧美成人精品一区二区| 日本五十路高清| 国产视频首页在线观看| 国产成人aa在线观看| 国产av麻豆久久久久久久| 一区二区三区高清视频在线| 国产精品,欧美在线| 久久九九热精品免费| 大又大粗又爽又黄少妇毛片口| 三级国产精品欧美在线观看| 色吧在线观看| 日韩高清综合在线| 天堂影院成人在线观看| 三级男女做爰猛烈吃奶摸视频| 午夜a级毛片| 欧美成人一区二区免费高清观看| 国产乱人偷精品视频| 国产高清不卡午夜福利| 久久中文看片网| 一本一本综合久久| 国产成人精品一,二区 | 给我免费播放毛片高清在线观看| 99热这里只有是精品50| 高清午夜精品一区二区三区 | 丝袜喷水一区| 亚洲欧美精品自产自拍| 亚洲熟妇中文字幕五十中出| 亚洲四区av| 麻豆一二三区av精品| 欧美日韩在线观看h| 少妇猛男粗大的猛烈进出视频 | 中文字幕久久专区| 熟女电影av网| АⅤ资源中文在线天堂| 日韩高清综合在线| 少妇的逼水好多| 又粗又爽又猛毛片免费看| 久久精品久久久久久噜噜老黄 | 女人十人毛片免费观看3o分钟| 亚洲av电影不卡..在线观看| 成人高潮视频无遮挡免费网站| 亚洲欧美成人综合另类久久久 | 国产淫片久久久久久久久| 免费人成在线观看视频色| 国内少妇人妻偷人精品xxx网站| 中文字幕熟女人妻在线| 国产人妻一区二区三区在| 特级一级黄色大片| 国产不卡一卡二| 毛片一级片免费看久久久久| 国内久久婷婷六月综合欲色啪| 欧美区成人在线视频| 美女黄网站色视频| 成人性生交大片免费视频hd| 国产亚洲精品av在线| 3wmmmm亚洲av在线观看| 嫩草影院入口| 国产乱人偷精品视频| 亚洲欧美精品自产自拍| 乱人视频在线观看| 99久久人妻综合| 国产精品人妻久久久久久| 久久人妻av系列| ponron亚洲| 国产黄片视频在线免费观看| 国产视频内射| 欧美日韩国产亚洲二区| 日产精品乱码卡一卡2卡三| 一夜夜www| 1024手机看黄色片| 看黄色毛片网站| 91麻豆精品激情在线观看国产| 亚洲成a人片在线一区二区| 人体艺术视频欧美日本| 99九九线精品视频在线观看视频| 老女人水多毛片| 成人三级黄色视频| 插阴视频在线观看视频| 国产精品99久久久久久久久| 精品久久久久久久久av| 青青草视频在线视频观看| 亚洲av电影不卡..在线观看| 国产成人一区二区在线| 精品久久久久久久久亚洲| 乱系列少妇在线播放| 亚洲欧美日韩东京热| 久久久久久伊人网av| 美女cb高潮喷水在线观看| 看免费成人av毛片| 丰满乱子伦码专区| 国产精品麻豆人妻色哟哟久久 | 久久久a久久爽久久v久久| 国产三级在线视频| 好男人在线观看高清免费视频| 日韩国内少妇激情av| 97超视频在线观看视频| 91精品国产九色| 三级经典国产精品| 国产精品精品国产色婷婷| 亚洲国产精品久久男人天堂| 日韩av不卡免费在线播放| 国产精品精品国产色婷婷| 国产单亲对白刺激| 人妻夜夜爽99麻豆av| 97热精品久久久久久| 免费看光身美女| 日韩欧美精品v在线| 美女xxoo啪啪120秒动态图| 国产高清三级在线| 成人国产麻豆网| 热99re8久久精品国产| 国产精品1区2区在线观看.| 听说在线观看完整版免费高清| 成人美女网站在线观看视频| 成人国产麻豆网| 免费在线观看成人毛片| 日本黄大片高清| 好男人视频免费观看在线| kizo精华| 99久久中文字幕三级久久日本| 男人狂女人下面高潮的视频| 久久热精品热| 一边摸一边抽搐一进一小说| 内射极品少妇av片p| 国产国拍精品亚洲av在线观看| 日本在线视频免费播放| 99国产极品粉嫩在线观看| 日本欧美国产在线视频| 99久久九九国产精品国产免费| 成人特级av手机在线观看| 级片在线观看| 久久精品国产自在天天线| 精品无人区乱码1区二区| 人体艺术视频欧美日本| 综合色av麻豆| 精品日产1卡2卡| 欧美三级亚洲精品| 成人特级av手机在线观看| a级毛色黄片| 国产成人freesex在线| 菩萨蛮人人尽说江南好唐韦庄 | 国产高清不卡午夜福利| 菩萨蛮人人尽说江南好唐韦庄 | АⅤ资源中文在线天堂| 99在线视频只有这里精品首页| 中文字幕av在线有码专区| 久久精品人妻少妇| 久99久视频精品免费| 亚洲性久久影院| 深夜精品福利| 成人亚洲精品av一区二区| 久久欧美精品欧美久久欧美| 欧美成人a在线观看| 在线播放无遮挡| 久久精品夜夜夜夜夜久久蜜豆| 国产精品一区www在线观看| 美女被艹到高潮喷水动态| 精华霜和精华液先用哪个| 最近2019中文字幕mv第一页| 日本熟妇午夜| 美女xxoo啪啪120秒动态图| 久久久精品大字幕| 国产极品精品免费视频能看的| 激情 狠狠 欧美| 国内久久婷婷六月综合欲色啪| 日韩精品青青久久久久久| 久久6这里有精品| 久久这里有精品视频免费| 99在线人妻在线中文字幕| 久久人妻av系列| 男人舔奶头视频| 99riav亚洲国产免费| 看免费成人av毛片| 国产精品一区二区三区四区久久| 亚洲av电影不卡..在线观看| 国产乱人视频| 久久九九热精品免费| 少妇高潮的动态图| 成人特级av手机在线观看| 十八禁国产超污无遮挡网站| 男女下面进入的视频免费午夜| 成人亚洲精品av一区二区| 久久国产乱子免费精品| 午夜免费激情av| 亚洲最大成人中文| 国产精品精品国产色婷婷| 精品久久久噜噜| 亚洲av男天堂| 国产老妇伦熟女老妇高清| 久久鲁丝午夜福利片| 我要看日韩黄色一级片| 欧美一级a爱片免费观看看| 日韩精品有码人妻一区| 日本撒尿小便嘘嘘汇集6| 色哟哟哟哟哟哟| 少妇猛男粗大的猛烈进出视频 | 熟妇人妻久久中文字幕3abv| 国产成人精品一,二区 | 日韩成人av中文字幕在线观看| 成人美女网站在线观看视频| 久久亚洲精品不卡| 女人被狂操c到高潮| 日韩精品青青久久久久久| 久久久久网色| 身体一侧抽搐| 午夜福利视频1000在线观看| 大香蕉久久网| 国产av不卡久久| 久久精品国产鲁丝片午夜精品| 亚洲乱码一区二区免费版| 久久精品久久久久久久性| 只有这里有精品99| 能在线免费观看的黄片| 身体一侧抽搐| 久久久国产成人免费| 欧美一区二区精品小视频在线| 美女内射精品一级片tv| 国产成人一区二区在线| 青青草视频在线视频观看| 搞女人的毛片| а√天堂www在线а√下载| 欧美日本视频| 九九热线精品视视频播放| 免费一级毛片在线播放高清视频| 国产精品人妻久久久影院| 国产日韩欧美在线精品| 国产精品免费一区二区三区在线| 亚洲美女搞黄在线观看| 少妇被粗大猛烈的视频| 非洲黑人性xxxx精品又粗又长| 人妻夜夜爽99麻豆av| 久久久久九九精品影院| 国产成人freesex在线| 国产黄色小视频在线观看| 亚洲精华国产精华液的使用体验 | 尤物成人国产欧美一区二区三区| 男女啪啪激烈高潮av片| 亚洲欧美清纯卡通| 免费无遮挡裸体视频| 校园人妻丝袜中文字幕| 国产成人一区二区在线| 久久久久久国产a免费观看| 亚洲欧美日韩高清在线视频| 国产av不卡久久| 国产伦精品一区二区三区四那| 亚洲国产欧洲综合997久久,| 亚洲天堂国产精品一区在线| 国产一区亚洲一区在线观看| 成人欧美大片| 我要看日韩黄色一级片| 精品少妇黑人巨大在线播放 | 青青草视频在线视频观看| 中文字幕av在线有码专区| 成年女人永久免费观看视频| 97超碰精品成人国产| 亚洲无线在线观看| 99热精品在线国产| 变态另类丝袜制服| 亚洲在线自拍视频| 国产国拍精品亚洲av在线观看| 欧美潮喷喷水| or卡值多少钱| 欧美+日韩+精品| 亚洲欧美日韩卡通动漫| 美女脱内裤让男人舔精品视频 | 丝袜喷水一区| 亚洲自偷自拍三级| 波多野结衣巨乳人妻| 青青草视频在线视频观看| 国产成人午夜福利电影在线观看| 久久久久久久午夜电影| 久久久久久久久中文| 亚洲av成人av| 99精品在免费线老司机午夜| 日韩强制内射视频| 亚洲人成网站在线观看播放| 床上黄色一级片| 亚洲天堂国产精品一区在线| 九九久久精品国产亚洲av麻豆| 国产 一区 欧美 日韩| 长腿黑丝高跟| 国产亚洲精品av在线| av在线天堂中文字幕| 久久久久久久久久成人| 少妇裸体淫交视频免费看高清| 亚洲最大成人中文| 国产成人a∨麻豆精品| 国产精品久久久久久久电影| 午夜精品在线福利| 国产女主播在线喷水免费视频网站 | 久久国内精品自在自线图片| 永久网站在线| 韩国av在线不卡| 国产精品无大码| 成人鲁丝片一二三区免费| 91aial.com中文字幕在线观看| 内地一区二区视频在线| 99久久中文字幕三级久久日本| 精品久久久久久久久久免费视频| 有码 亚洲区| kizo精华| 久久综合国产亚洲精品| 成人高潮视频无遮挡免费网站| 插阴视频在线观看视频| 国产女主播在线喷水免费视频网站 | 在线播放无遮挡| 成人漫画全彩无遮挡| av专区在线播放| 黄色视频,在线免费观看| 欧美激情国产日韩精品一区| 天天躁日日操中文字幕| 全区人妻精品视频| 麻豆国产av国片精品| 国产午夜福利久久久久久| 国产精品久久久久久精品电影小说 | 精品无人区乱码1区二区| 国产一区二区在线观看日韩| 亚洲人成网站在线播| 久久久成人免费电影| 久久人妻av系列| av又黄又爽大尺度在线免费看 | 午夜激情欧美在线| 欧美日韩精品成人综合77777| 丝袜喷水一区| 变态另类丝袜制服| 国产午夜精品一二区理论片| 日本免费a在线| 国语自产精品视频在线第100页| 免费观看的影片在线观看| 国产乱人视频| 午夜精品国产一区二区电影 | 黑人高潮一二区| 国产欧美日韩精品一区二区| av在线天堂中文字幕| 色综合色国产| 男插女下体视频免费在线播放| 男人舔奶头视频| 亚洲不卡免费看| 久久久久久久久久黄片| 免费观看精品视频网站| 丰满乱子伦码专区| 亚洲欧美日韩东京热| 亚洲婷婷狠狠爱综合网| 你懂的网址亚洲精品在线观看 | 色尼玛亚洲综合影院| 黑人高潮一二区| 国产成人午夜福利电影在线观看| 一区二区三区四区激情视频 | 久99久视频精品免费| 五月伊人婷婷丁香| 最近最新中文字幕大全电影3| 国产黄a三级三级三级人| 亚洲,欧美,日韩| 春色校园在线视频观看| 亚洲激情五月婷婷啪啪| 女人被狂操c到高潮| 婷婷六月久久综合丁香|