• <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(xiàng)連城桑基韜徐常勝
    大數(shù)據(jù) 2016年5期
    關(guān)鍵詞:用戶

    項(xiàng)連城,?;w,徐常勝

    1.中國科學(xué)院自動(dòng)化研究所,北京 100190;2.中國科學(xué)院大學(xué),北京 100049

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

    項(xiàng)連城1,2,桑基韜1,2,徐常勝1,2

    1.中國科學(xué)院自動(dòng)化研究所,北京 100190;2.中國科學(xué)院大學(xué),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(dú)立數(shù)據(jù)的價(jià)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(dú)立用戶空間,提出以用戶為橋梁對(duì)多源數(shù)據(jù)進(jìn)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(gè)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(jì)算機(jī)、手機(jī)、相機(jī)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(kuò)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(tái),供人們分享日常生活工作中的所感、所想并進(jìn)行交流。這些社交媒體網(wǎng)絡(luò)促使人們完成了從被動(dòng)接受數(shù)據(jù)到主動(dòng)產(chǎn)生并分享數(shù)據(jù)的一個(gè)重大革命,也帶來了真正的數(shù)據(jù)爆炸。據(jù)統(tǒng)計(jì),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(dá)到600 EB,其中平均每個(gè)人貢獻(xiàn)的數(shù)據(jù)超過100 GB。人們已經(jīng)進(jìn)入社交媒體大數(shù)據(jù)時(shí)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(jià)值提煉和挖掘能力仍然比較低,出現(xiàn)了“大數(shù)據(jù),小價(jià)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(jià)值密度低)。在這4個(gè)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(jì)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(diǎn)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(dòng)編輯采集而來,可能由官方或者個(gè)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(shí)代已經(jīng)得到了充分的關(guān)注,在多媒體傳輸、存儲(chǔ)、特征學(xué)習(xí)、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(shí)際上,異構(gòu)性和多源性都是挖掘社交媒體大數(shù)據(jù)價(jià)值的關(guān)鍵。跨社交媒體網(wǎng)絡(luò)同時(shí)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(gè)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(dú)立數(shù)據(jù)的價(jià)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(jià)值。

    近年來,跨社交媒體網(wǎng)絡(luò)分析的優(yōu)勢(shì)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(jìn)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(tuán)和大眾點(diǎn)評(píng)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(tái)、O2O、在線旅游等各個(gè)方面。而不同類型的社交媒體網(wǎng)絡(luò)進(jìn)行縱向合作的目的是增強(qiáng)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(diǎn)評(píng)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(dú)立、分散的數(shù)據(jù)。其實(shí),社交媒體網(wǎng)絡(luò)中的多源異構(gòu)數(shù)據(jù)共享獨(dú)立用戶空間,以用戶為橋梁進(jìn)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(dú)立異構(gòu)數(shù)據(jù),并予以綜合利用,充分釋放其潛在價(jià)值,從而實(shí)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(jìn)行個(gè)性化信息服務(wù),是高效地對(duì)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(gè)用戶會(huì)同時(shí)參與到不同社交網(wǎng)絡(luò)中。Global Web Index 2015的統(tǒng)計(jì)發(fā)現(xiàn),在調(diào)查的50個(gè)社交媒體網(wǎng)站中,每個(gè)人平均擁有5.54個(gè)賬號(hào),并定期活躍在2.82個(gè)網(wǎng)絡(luò)上。參與多個(gè)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(tái)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(jìn)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(zhǔn)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(yùn)動(dòng)等)、社交網(wǎng)絡(luò)狀態(tài)、流動(dòng)模式、消費(fèi)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(shí)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(jìn)行了探索,下面逐一進(jìn)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(duì)他們的人口屬性進(jìn)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(shí)。例如,Rao等人[2]利用社會(huì)語言學(xué)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(gè)多任務(wù)學(xué)習(xí)框架在Google+上進(jìn)行關(guān)聯(lián)屬性推斷。然而,據(jù)筆者所知,一個(gè)關(guān)鍵的問題被忽略且尚未解決:社交媒體行為的動(dòng)態(tài)性和相對(duì)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(shí)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(shí)間的動(dòng)態(tài)行為看作一個(gè)整體,這導(dǎo)致了用戶建模中的信息丟失,從而不能獲得動(dòng)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(shí)間段來估計(jì)隨著時(shí)間變化的興趣以解決動(dòng)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(shí)間里是不變的,動(dòng)態(tài)興趣建模的方法不能直接進(jìn)行應(yīng)用。

    筆者通過尋找用戶在不同場景下的共享模式進(jìn)行推斷來解決這個(gè)問題。現(xiàn)今每個(gè)用戶都同時(shí)使用多個(gè)社交媒體網(wǎng)絡(luò),這為筆者提供了天然的測(cè)試網(wǎng)絡(luò)探索用戶共享行為模式來進(jìn)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(dòng)態(tài)社交媒體行為,筆者提出了一個(gè)跨社交媒體網(wǎng)絡(luò)的人口屬性推斷方法來實(shí)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(cè)試社交媒體網(wǎng)絡(luò)。用戶在每個(gè)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(xùn)練模型時(shí)包含兩個(gè)步驟。首先針對(duì)每個(gè)社交媒體網(wǎng)絡(luò),根據(jù)用戶社會(huì)多媒體行為建立每個(gè)用戶的特征表示。接著,將已知人口屬性作為監(jiān)督,利用對(duì)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(cè)試時(shí),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(duì)偶投影矩陣進(jìn)行投影,最終得到用戶的人口屬性。

    圖1 對(duì)用戶Rick Bakas根據(jù)其社會(huì)媒體行為進(jìn)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(jìn)行了詞干提取和去除停用詞,并去掉了在整個(gè)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(jìn)一步采用了基于熵的方法對(duì)每種屬性選擇最具有識(shí)別力的詞。其基本的思路是計(jì)算每個(gè)詞的互信息熵,并選取熵值最高的10000個(gè)詞。最后采用TF-IDF方法對(duì)特征進(jìn)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(shí)考慮圖片特征,可以更進(jìn)一步地表示用戶行為。筆者采用了廣泛使用的在ImageNet(圖像識(shí)別最大數(shù)據(jù)庫)上訓(xùn)練的VGG16模型,對(duì)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(duì)圖片表示采用最大池的方法,得到了每個(gè)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(gè)用戶的社交行為特征表示。同時(shí),分別對(duì)每個(gè)社交媒體網(wǎng)絡(luò)都采取同樣的特征提取,最終獲得每個(gè)網(wǎng)絡(luò)的每個(gè)用戶的社交行為特征表示。

    2.2 對(duì)偶投影矩陣提取

    對(duì)于每個(gè)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(jìn)行推斷。這個(gè)假設(shè)可以用計(jì)算式表示為:fu=Wsu。筆者的工作是通過觀察訓(xùn)練集用戶的社交行為特征和他們相應(yīng)的人口屬性集學(xué)習(xí)投影矩陣W,可以通過解下面的優(yōu)化問題來實(shí)現(xiàn):

    其中,F(xiàn)=[f1,f2,…,fN]、S=[s1,s2,…,sN]分別是訓(xùn)練集中所有N個(gè)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(kuò)展用戶標(biāo)記屬性作為一個(gè)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(duì)強(qiáng)弱。

    然而,在這個(gè)模型中,觀察到的動(dòng)態(tài)社交行為和相對(duì)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(gè)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(jìn)一步修正式(1)中連續(xù)屬性表示S為兩個(gè)社交網(wǎng)絡(luò)的一個(gè)共享因子,得到了下面的目標(biāo)函數(shù):

    其中,F(xiàn)p、Fq分別是兩個(gè)社交網(wǎng)絡(luò)上所有N個(gè)用戶的社交行為特征,Wp、Wq分別是兩個(gè)社交網(wǎng)絡(luò)的對(duì)偶投影矩陣,λ1、λ2和λ3是3個(gè)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(biāo)函數(shù)中有很多變量,筆者采用一個(gè)等價(jià)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(biāo)函數(shù)求一個(gè)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(duì)偶投影矩陣。

    2.3 用戶人口屬性推斷

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

    除此之外,當(dāng)?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(jìn)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(gè)社交網(wǎng)絡(luò)的用戶社交行為特征和投影矩陣。

    已知每個(gè)用戶推斷得到的用戶屬性表示s,它的每一項(xiàng)對(duì)應(yīng)了某種屬性的某一屬性值對(duì)應(yīng)的得分,將每種屬性的屬性值對(duì)應(yīng)的得分進(jìn)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(gè)流行的社交網(wǎng)絡(luò)Google+和Twitter作為測(cè)試網(wǎng)絡(luò)。通過Google+上用戶分享的其他網(wǎng)絡(luò)賬號(hào),筆者建立了包含1478個(gè)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(gè)人口屬性,以準(zhǔn)確率為評(píng)價(jià)指標(biāo),比較了對(duì)偶投影矩陣提?。–PME)方法和投影矩陣(PME)方法、支持向量機(jī)(SVM)方法分別在兩個(gè)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(gè)人口屬性推斷中與其他技術(shù)的對(duì)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(zhǔn)確率不如支持向量機(jī)方法的推斷準(zhǔn)確率,但是對(duì)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(zhǔn)確率。這同時(shí)說明了對(duì)偶投影矩陣提取方法可以有效地解決用戶動(dòng)態(tài)行為數(shù)據(jù)和相對(duì)穩(wěn)定的人口屬性之間的矛盾。

    表2為對(duì)偶投影矩陣提取方法在4個(gè)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(zhǔn)確率。分別給定用戶單獨(dú)在Google+上的數(shù)據(jù)、單獨(dú)在Twitter上的數(shù)據(jù)和兩個(gè)網(wǎng)絡(luò)上所有的數(shù)據(jù)。即使只有一個(gè)網(wǎng)絡(luò)的數(shù)據(jù),對(duì)偶投影矩陣提取方法的推斷準(zhǔn)確率仍要高于其他方法的推斷準(zhǔn)確率,因?yàn)樵趯?duì)偶投影矩陣提取的過程中已經(jīng)得到了潛在的不同平臺(tái)之間的穩(wěn)定關(guān)聯(lián)。同時(shí),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(zhǔn)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(dòng)態(tài)的用戶行為和相對(duì)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(zhǔn)確率。

    表1 不同方法的人口屬性推斷準(zhǔn)確率

    表2 本方法不同設(shè)置下的屬性推斷準(zhǔn)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(jìn)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(gè)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(gè)不同社交網(wǎng)絡(luò)的數(shù)據(jù),幫助預(yù)測(cè)用戶在YouTube上的興趣畫像和視頻偏好,并設(shè)計(jì)了一種統(tǒng)一的視頻推薦解決方案,提升個(gè)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(gè)問題。

    (1)新用戶問題

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

    (2)冷啟動(dòng)問題

    冷啟動(dòng)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(zhǔn)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(duì)輕量用戶進(jìn)行個(gè)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(biāo)注信息)進(jìn)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(cè)用戶偏好并啟動(dòng)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(jī)會(huì)瀏覽或評(píng)價(jià)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(yán)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(duì)減輕數(shù)據(jù)稀疏性問題,如用默認(rèn)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(gè)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(shí)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(biāo)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(shí)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(duì)于新用戶,通過分析用戶在Twitter網(wǎng)絡(luò)上的推文活動(dòng),估算他們?cè)赮ouTube上的興趣畫像,基于此給出一個(gè)初始化的視頻推薦列表;對(duì)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(duì)重度用戶,通過進(jìn)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(jì)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(gè)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(biāo)網(wǎng)絡(luò)用戶行為間的關(guān)聯(lián)被嵌入一個(gè)轉(zhuǎn)移矩陣中,通過該轉(zhuǎn)移矩陣,用戶Twitter上的推文活動(dòng)可以被映射到Y(jié)ouTube的一個(gè)潛在用戶空間。利用學(xué)習(xí)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(duì)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(yàn),進(jìn)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(gè)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(shí)考慮了Twitter上的用戶推文活動(dòng)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(cè)試共同用戶在Twitter上的輔助數(shù)據(jù)如何被轉(zhuǎn)移到其對(duì)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(gè)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(dòng),視每個(gè)用戶的推文歷史為一個(gè)文檔,將標(biāo)準(zhǔn)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(gè)用戶可以被表示為一個(gè)主題分布ut。對(duì)每個(gè)跨網(wǎng)絡(luò)共同用戶,假設(shè)存在一個(gè)轉(zhuǎn)移矩陣W蘊(yùn)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(jìn)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(cè)行為學(xué)習(xí)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(cè)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(shí),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(biāo)網(wǎng)絡(luò)行為的關(guān)聯(lián)性。那么,給定任意測(cè)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(cè)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(jìn)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(biāo)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(gè)初始化的用戶興趣畫像。這實(shí)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(duì)輕量用戶和重度用戶,他們?cè)谀繕?biāo)網(wǎng)絡(luò)已經(jīng)有部分觀測(cè)到的行為。直接將估算得到的視頻偏好與目標(biāo)網(wǎng)絡(luò)已觀測(cè)到的行為進(jìn)行聚合往往不太現(xiàn)實(shí),因?yàn)檫@兩個(gè)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(shí)考慮已觀測(cè)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(yàn)。這可以從兩方面進(jìn)行解釋:對(duì)在目標(biāo)網(wǎng)絡(luò)具有稀疏的觀測(cè)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(gè)很好的表示,即U應(yīng)該與UtW類似,這實(shí)際上對(duì)應(yīng)著冷啟動(dòng)問題。求得的轉(zhuǎn)移矩陣W定義了用戶所在的一個(gè)潛在空間,這有助于計(jì)算用戶間的關(guān)聯(lián)性,并能被利用以減輕目標(biāo)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(xué)到的視頻潛在因子V′和用戶興趣畫像U可以更好地?cái)M合觀測(cè)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(jìn)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(duì)每個(gè)測(cè)試的輕量用戶或者重度用戶,都可以計(jì)算其在YouTube視頻上的偏好。

    在圖4中,接著圖3的示例,進(jìn)一步展示了輕量用戶和重度用戶的用戶興趣畫像在整個(gè)過程中如何更新,可以看出根據(jù)YouTube上觀測(cè)到的視頻行為,轉(zhuǎn)移的用戶興趣畫像和視頻表示被進(jìn)一步改進(jìn)(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?cái)M合了目標(biāo)網(wǎng)絡(luò)已觀測(cè)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(duì)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(duì)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(dú)立異構(gòu)數(shù)據(jù),并予以綜合利用。同時(shí),用戶作為社交媒體服務(wù)的中心,為了更好地進(jìn)行個(gè)性化信息服務(wù),迫切地需要進(jìn)行用戶建模,達(dá)到全面準(zhǔn)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(duì)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?yàn)橛脩粼诓煌缃幻襟w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(jìn)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(gè)方面對(duì)跨社交媒體網(wǎng)絡(luò)工作展開進(jìn)一步地研究:更進(jìn)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(yùn)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(xiàng)連城(1992-),女,中國科學(xué)院自動(dòng)化研究所碩士生,主要研究方向?yàn)樯缃欢嗝襟w分析與挖掘。

    ?;w(1985-),男,博士,中國科學(xué)院自動(dòng)化研究所副研究員,主要研究方向?yàn)樯鐣?huì)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(xué)院自動(dòng)化研究所研究員,中國科學(xué)院大學(xué)博士生導(dǎo)師,主要研究方向?yàn)槎嗝襟w分析/索引/檢索、模式識(shí)別、計(jì)算機(jī)視覺。

    2016-08-12

    國家自然科學(xué)基金資助項(xiàng)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(qǐng)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
    欧美在线黄色| 校园春色视频在线观看| 国产在视频线精品| 伊人久久大香线蕉亚洲五| 国产91精品成人一区二区三区| 满18在线观看网站| 美女扒开内裤让男人捅视频| 老司机亚洲免费影院| 国产在线一区二区三区精| 一本一本久久a久久精品综合妖精| 国产成人精品久久二区二区91| 操出白浆在线播放| 色播在线永久视频| 涩涩av久久男人的天堂| 香蕉丝袜av| bbb黄色大片| 怎么达到女性高潮| 欧美亚洲日本最大视频资源| 十八禁网站免费在线| 中亚洲国语对白在线视频| 成熟少妇高潮喷水视频| 岛国在线观看网站| 午夜福利乱码中文字幕| 久久精品成人免费网站| 9色porny在线观看| 悠悠久久av| 99国产精品免费福利视频| 99riav亚洲国产免费| 很黄的视频免费| 精品国内亚洲2022精品成人 | 成年动漫av网址| 午夜亚洲福利在线播放| 18禁裸乳无遮挡动漫免费视频| 丝袜美足系列| 色在线成人网| 69av精品久久久久久| 狂野欧美激情性xxxx| 亚洲av片天天在线观看| 精品久久久久久,| 国产亚洲欧美在线一区二区| 亚洲aⅴ乱码一区二区在线播放 | www.自偷自拍.com| 91麻豆精品激情在线观看国产 | 久久久久久免费高清国产稀缺| 美国免费a级毛片| 色综合婷婷激情| 丝袜美足系列| 亚洲av片天天在线观看| 欧美性长视频在线观看| 国产成人av激情在线播放| 日日爽夜夜爽网站| 又黄又粗又硬又大视频| 麻豆乱淫一区二区| 久久久久久久国产电影| 色在线成人网| 欧美老熟妇乱子伦牲交| 欧美日韩中文字幕国产精品一区二区三区 | 超色免费av| 亚洲第一欧美日韩一区二区三区| 精品久久久久久久久久免费视频 | 成人av一区二区三区在线看| videosex国产| 女人精品久久久久毛片| 亚洲色图av天堂| 国产精品香港三级国产av潘金莲| 夜夜爽天天搞| 亚洲在线自拍视频| 日韩制服丝袜自拍偷拍| 免费女性裸体啪啪无遮挡网站| 国产成人免费观看mmmm| 免费日韩欧美在线观看| a级片在线免费高清观看视频| 又大又爽又粗| 免费观看精品视频网站| 婷婷精品国产亚洲av在线 | 国产乱人伦免费视频| 精品国产一区二区三区四区第35| 免费人成视频x8x8入口观看| 91大片在线观看| 女同久久另类99精品国产91| 国产三级黄色录像| 大香蕉久久成人网| 女人精品久久久久毛片| 欧美日韩亚洲国产一区二区在线观看 | 成人黄色视频免费在线看| 国产成人免费观看mmmm| 久久国产精品人妻蜜桃| 一本综合久久免费| 麻豆乱淫一区二区| 精品久久久久久,| www.999成人在线观看| 亚洲欧美一区二区三区黑人| 亚洲人成电影免费在线| 正在播放国产对白刺激| 国产亚洲精品一区二区www | 99国产精品一区二区蜜桃av | 99国产精品免费福利视频| 丝袜美腿诱惑在线| 91国产中文字幕| 777米奇影视久久| 欧美中文综合在线视频| 亚洲色图综合在线观看| 9热在线视频观看99| 精品一区二区三卡| 成人手机av| 久久人妻av系列| 999精品在线视频| 视频区欧美日本亚洲| 很黄的视频免费| 中文字幕精品免费在线观看视频| 国产91精品成人一区二区三区| 国产av又大| 窝窝影院91人妻| 黑人巨大精品欧美一区二区蜜桃| 在线看a的网站| 亚洲欧洲精品一区二区精品久久久| 麻豆乱淫一区二区| 国产精品.久久久| 性少妇av在线| 国产精品1区2区在线观看. | 欧美人与性动交α欧美精品济南到| 可以免费在线观看a视频的电影网站| 久久影院123| 热99国产精品久久久久久7| 国产精品综合久久久久久久免费 | 在线观看免费日韩欧美大片| 日日爽夜夜爽网站| 午夜福利欧美成人| av福利片在线| 下体分泌物呈黄色| 亚洲久久久国产精品| 波多野结衣一区麻豆| 亚洲精品国产一区二区精华液| 亚洲全国av大片| 老司机靠b影院| tube8黄色片| 国产精品二区激情视频| 在线看a的网站| 极品人妻少妇av视频| xxxhd国产人妻xxx| 亚洲成人免费av在线播放| 少妇裸体淫交视频免费看高清 | 亚洲午夜精品一区,二区,三区| 国产高清视频在线播放一区| 1024香蕉在线观看| 日韩一卡2卡3卡4卡2021年| 国产精品久久久久成人av| 久久精品熟女亚洲av麻豆精品| 久久精品成人免费网站| av电影中文网址| 精品视频人人做人人爽| 在线观看免费日韩欧美大片| 国产欧美日韩综合在线一区二区| 午夜福利欧美成人| 天天躁日日躁夜夜躁夜夜| 欧美国产精品va在线观看不卡| 在线十欧美十亚洲十日本专区| 国产视频一区二区在线看| 男人舔女人的私密视频| 国产精品永久免费网站| 久9热在线精品视频| 亚洲一卡2卡3卡4卡5卡精品中文| 老司机午夜福利在线观看视频| 人妻丰满熟妇av一区二区三区 | 亚洲国产欧美网| 亚洲欧美激情综合另类| 多毛熟女@视频| 国产在视频线精品| 黄网站色视频无遮挡免费观看| 丰满迷人的少妇在线观看| 搡老熟女国产l中国老女人| 亚洲五月色婷婷综合| 啦啦啦免费观看视频1| 人人妻人人澡人人爽人人夜夜| 热99re8久久精品国产| www.熟女人妻精品国产| 91在线观看av| 身体一侧抽搐| 国产欧美日韩一区二区三| 99国产精品一区二区蜜桃av | av不卡在线播放| 日韩欧美国产一区二区入口| 亚洲男人天堂网一区| 亚洲国产欧美一区二区综合| 欧美黄色淫秽网站| 精品国产乱子伦一区二区三区| 曰老女人黄片| videos熟女内射| 久久久久久久午夜电影 | 制服诱惑二区| xxx96com| 亚洲中文字幕日韩| 在线观看免费视频网站a站| 满18在线观看网站| 亚洲精品国产色婷婷电影| 韩国精品一区二区三区| 桃红色精品国产亚洲av| 色婷婷久久久亚洲欧美| 日本黄色日本黄色录像| 国产片内射在线| 乱人伦中国视频| 啪啪无遮挡十八禁网站| 香蕉久久夜色| 亚洲,欧美精品.| 首页视频小说图片口味搜索| 悠悠久久av| 亚洲一码二码三码区别大吗| 看黄色毛片网站| 欧美黑人精品巨大| 女人精品久久久久毛片| 久久久久久久国产电影| 久久天躁狠狠躁夜夜2o2o| 99国产精品99久久久久| 国产精品二区激情视频| 黄色丝袜av网址大全| 国产精品影院久久| 日韩大码丰满熟妇| 欧美精品啪啪一区二区三区| 国产免费现黄频在线看| 人妻久久中文字幕网| 精品福利观看| 久久影院123| 咕卡用的链子| 欧美日韩亚洲高清精品| 国产欧美日韩精品亚洲av| 这个男人来自地球电影免费观看| 久久午夜综合久久蜜桃| 成年版毛片免费区| 欧美午夜高清在线| 精品熟女少妇八av免费久了| 91九色精品人成在线观看| 丁香欧美五月| 交换朋友夫妻互换小说| 欧美精品av麻豆av| 欧美日韩黄片免| 国产亚洲欧美在线一区二区| 中文欧美无线码| 亚洲精品国产色婷婷电影| av免费在线观看网站| 国产免费av片在线观看野外av| 成在线人永久免费视频| 麻豆国产av国片精品| 最新美女视频免费是黄的| 精品国产亚洲在线| 日本精品一区二区三区蜜桃| 成人手机av| 亚洲色图综合在线观看| 黑人巨大精品欧美一区二区蜜桃| 精品一区二区三卡| 国产在线一区二区三区精| 一个人免费在线观看的高清视频| 99久久精品国产亚洲精品| 一级毛片精品| 亚洲国产欧美日韩在线播放| 欧美黑人欧美精品刺激| 成人手机av| 成人影院久久| 亚洲熟女毛片儿| 午夜福利一区二区在线看| 日韩大码丰满熟妇| 久久影院123| 亚洲中文字幕日韩| 久久中文看片网| 国产色视频综合| av天堂久久9| 欧美日韩黄片免| 亚洲男人天堂网一区| 99香蕉大伊视频| 国产精品电影一区二区三区 | 一级a爱视频在线免费观看| 女性被躁到高潮视频| 一区二区三区激情视频| 午夜福利乱码中文字幕| 欧美亚洲 丝袜 人妻 在线| 亚洲情色 制服丝袜| 免费在线观看影片大全网站| 91成年电影在线观看| 亚洲第一欧美日韩一区二区三区| 一级黄色大片毛片| 99国产精品一区二区蜜桃av | 亚洲av电影在线进入| 免费观看a级毛片全部| 日韩欧美免费精品| 精品欧美一区二区三区在线| 老司机在亚洲福利影院| 午夜免费观看网址| 别揉我奶头~嗯~啊~动态视频| 王馨瑶露胸无遮挡在线观看| 久久狼人影院| 国产成人免费观看mmmm| 久久人人97超碰香蕉20202| av超薄肉色丝袜交足视频| 9色porny在线观看| 无人区码免费观看不卡| 黄色丝袜av网址大全| 久久香蕉精品热| 18禁国产床啪视频网站| 一级作爱视频免费观看| 美女国产高潮福利片在线看| avwww免费| 国产av又大| 看片在线看免费视频| 搡老岳熟女国产| 欧美日韩成人在线一区二区| 亚洲精品久久午夜乱码| 亚洲成人免费av在线播放| 色精品久久人妻99蜜桃| 午夜激情av网站| 久久人妻熟女aⅴ| 99国产精品99久久久久| 久久久国产精品麻豆| 看免费av毛片| 91精品三级在线观看| svipshipincom国产片| 国产成人系列免费观看| 久久久久国产一级毛片高清牌| 极品少妇高潮喷水抽搐| x7x7x7水蜜桃| av中文乱码字幕在线| 国产成人av教育| 欧美日韩亚洲高清精品| 国产欧美日韩综合在线一区二区| 亚洲 国产 在线| 香蕉国产在线看| 亚洲专区国产一区二区| 丝袜人妻中文字幕| 一区二区三区激情视频| 久久午夜亚洲精品久久| 久久婷婷成人综合色麻豆| 18在线观看网站| 亚洲精品一卡2卡三卡4卡5卡| 亚洲一码二码三码区别大吗| 欧美日韩精品网址| 亚洲精品自拍成人| 下体分泌物呈黄色| 麻豆av在线久日| 手机成人av网站| 最近最新中文字幕大全免费视频| 亚洲一区中文字幕在线| 男女之事视频高清在线观看| 岛国在线观看网站| 电影成人av| 9热在线视频观看99| 高清黄色对白视频在线免费看| 免费在线观看视频国产中文字幕亚洲| а√天堂www在线а√下载 | 少妇裸体淫交视频免费看高清 | 在线观看免费视频日本深夜| 欧美日韩成人在线一区二区| 欧美日韩黄片免| 国产精品偷伦视频观看了| 亚洲欧美日韩另类电影网站| 国产精品偷伦视频观看了| 国产亚洲精品久久久久久毛片 | 日韩免费av在线播放| 国产熟女午夜一区二区三区| 三上悠亚av全集在线观看| 成人黄色视频免费在线看| 不卡一级毛片| 69精品国产乱码久久久| 老熟妇仑乱视频hdxx| 中文字幕人妻熟女乱码| 亚洲全国av大片| 日本一区二区免费在线视频| 日本五十路高清| av片东京热男人的天堂| 国产亚洲精品第一综合不卡| 欧美一级毛片孕妇| 国产主播在线观看一区二区| 国产精品一区二区在线不卡| 91精品三级在线观看| 久久青草综合色| 91精品三级在线观看| 免费观看精品视频网站| 午夜福利免费观看在线| 中文字幕精品免费在线观看视频| cao死你这个sao货| 国产精品98久久久久久宅男小说| 黄片大片在线免费观看| 超碰97精品在线观看| 亚洲熟女精品中文字幕| 欧美+亚洲+日韩+国产| 国产极品粉嫩免费观看在线| 新久久久久国产一级毛片| 首页视频小说图片口味搜索| 日韩精品免费视频一区二区三区| 欧美精品av麻豆av| 一二三四社区在线视频社区8| 99精品在免费线老司机午夜| 国产男女超爽视频在线观看| 色婷婷久久久亚洲欧美| 久久天躁狠狠躁夜夜2o2o| 一边摸一边做爽爽视频免费| 国产欧美日韩一区二区精品| 国产深夜福利视频在线观看| 99精品久久久久人妻精品| 欧美精品亚洲一区二区| 久久中文字幕人妻熟女| 成人18禁高潮啪啪吃奶动态图| 老司机靠b影院| 国产成人精品在线电影| 国产高清videossex| 老熟女久久久| 这个男人来自地球电影免费观看| 一本大道久久a久久精品| 亚洲久久久国产精品| 法律面前人人平等表现在哪些方面| 亚洲av成人不卡在线观看播放网| 高清毛片免费观看视频网站 | 久久人人97超碰香蕉20202| aaaaa片日本免费| 在线视频色国产色| 亚洲精品国产一区二区精华液| 国产免费av片在线观看野外av| 丰满迷人的少妇在线观看| 天堂√8在线中文| 在线观看免费高清a一片| 亚洲av电影在线进入| 亚洲自偷自拍图片 自拍| 亚洲欧美一区二区三区黑人| 亚洲欧美日韩另类电影网站| 韩国av一区二区三区四区| 大陆偷拍与自拍| 欧美国产精品va在线观看不卡| 交换朋友夫妻互换小说| 国产亚洲一区二区精品| 操出白浆在线播放| 好男人电影高清在线观看| 欧美色视频一区免费| 免费不卡黄色视频| 精品一区二区三区av网在线观看| 国产不卡一卡二| 国产国语露脸激情在线看| 国产乱人伦免费视频| 国产有黄有色有爽视频| 在线观看免费高清a一片| 国产av精品麻豆| 欧美精品啪啪一区二区三区| 欧美亚洲 丝袜 人妻 在线| 女人被躁到高潮嗷嗷叫费观| 极品人妻少妇av视频| 天天影视国产精品| 成人18禁高潮啪啪吃奶动态图| 在线天堂中文资源库| 丝袜美足系列| cao死你这个sao货| 欧美亚洲日本最大视频资源| 美女 人体艺术 gogo| 国产在线一区二区三区精| 精品欧美一区二区三区在线| 亚洲第一青青草原| 亚洲av片天天在线观看| 啪啪无遮挡十八禁网站| 黄色 视频免费看| 免费不卡黄色视频| 精品人妻在线不人妻| 最近最新中文字幕大全电影3 | 国产不卡av网站在线观看| 精品欧美一区二区三区在线| 一进一出好大好爽视频| 丁香六月欧美| 亚洲av日韩在线播放| 一二三四在线观看免费中文在| 午夜精品在线福利| 午夜影院日韩av| 国产精品 欧美亚洲| 国产一区二区激情短视频| 黑人操中国人逼视频| 99国产精品一区二区蜜桃av | 国产亚洲欧美98| 欧美黑人精品巨大| 国产激情欧美一区二区| 免费观看人在逋| 777久久人妻少妇嫩草av网站| 香蕉国产在线看| 午夜免费成人在线视频| 国产精品永久免费网站| 五月开心婷婷网| 亚洲专区字幕在线| 丝袜人妻中文字幕| 99久久人妻综合| 免费久久久久久久精品成人欧美视频| 国产欧美日韩精品亚洲av| 国产在视频线精品| 高清毛片免费观看视频网站 | 人妻 亚洲 视频| av国产精品久久久久影院| 狠狠婷婷综合久久久久久88av| 国产精品99久久99久久久不卡| 波多野结衣一区麻豆| 亚洲成人免费av在线播放| 国产片内射在线| 亚洲av日韩精品久久久久久密| 又黄又爽又免费观看的视频| 国产精品偷伦视频观看了| 婷婷精品国产亚洲av在线 | 国产三级黄色录像| 曰老女人黄片| av福利片在线| 一a级毛片在线观看| 怎么达到女性高潮| 亚洲精品中文字幕一二三四区| 天堂俺去俺来也www色官网| 久久这里只有精品19| 欧美黑人精品巨大| 国产1区2区3区精品| 69av精品久久久久久| 悠悠久久av| 精品午夜福利视频在线观看一区| 精品人妻熟女毛片av久久网站| 咕卡用的链子| 桃红色精品国产亚洲av| 色在线成人网| 亚洲情色 制服丝袜| 久久中文字幕一级| 久久久精品区二区三区| 首页视频小说图片口味搜索| 高清视频免费观看一区二区| 好看av亚洲va欧美ⅴa在| 一边摸一边抽搐一进一小说 | 美女扒开内裤让男人捅视频| 黄色视频不卡| 国产乱人伦免费视频| 日韩有码中文字幕| 久久精品aⅴ一区二区三区四区| 中文字幕av电影在线播放| 国产成人精品久久二区二区91| 免费在线观看影片大全网站| 欧美日韩亚洲国产一区二区在线观看 | 又大又爽又粗| 国产日韩欧美亚洲二区| 黑人欧美特级aaaaaa片| 天堂中文最新版在线下载| 亚洲精品中文字幕在线视频| 色综合欧美亚洲国产小说| 捣出白浆h1v1| 热99国产精品久久久久久7| 欧美色视频一区免费| 国产真人三级小视频在线观看| 欧美最黄视频在线播放免费 | 香蕉国产在线看| 国产在线观看jvid| 国产99久久九九免费精品| 精品免费久久久久久久清纯 | 大码成人一级视频| 久久久水蜜桃国产精品网| 免费日韩欧美在线观看| 精品熟女少妇八av免费久了| 久久久精品免费免费高清| 色综合婷婷激情| 国产成人影院久久av| 村上凉子中文字幕在线| 亚洲欧美日韩高清在线视频| 国产成人精品无人区| 亚洲全国av大片| av一本久久久久| 91成年电影在线观看| 国产亚洲精品久久久久久毛片 | 日韩欧美三级三区| 亚洲va日本ⅴa欧美va伊人久久| 欧美人与性动交α欧美精品济南到| 精品视频人人做人人爽| 亚洲成人手机| 久久久久国内视频| 在线视频色国产色| 日日夜夜操网爽| 亚洲五月天丁香| 亚洲av成人不卡在线观看播放网| 国产aⅴ精品一区二区三区波| 91av网站免费观看| 少妇粗大呻吟视频| 美女扒开内裤让男人捅视频| 国产成人精品在线电影| 天堂俺去俺来也www色官网| 欧美一级毛片孕妇| 日韩熟女老妇一区二区性免费视频| 亚洲精品成人av观看孕妇| 99久久精品国产亚洲精品| 欧美黑人欧美精品刺激| 曰老女人黄片| 日本撒尿小便嘘嘘汇集6| 亚洲av美国av| 亚洲午夜精品一区,二区,三区| 国产精品秋霞免费鲁丝片| 国产精品免费一区二区三区在线 | 亚洲av日韩精品久久久久久密| 国产视频一区二区在线看| 久久草成人影院| 亚洲熟妇熟女久久| 又紧又爽又黄一区二区| 可以免费在线观看a视频的电影网站| 19禁男女啪啪无遮挡网站| 麻豆成人av在线观看| 中文字幕色久视频| 久久久久久久午夜电影 | 91精品三级在线观看| 欧美日韩av久久| 极品人妻少妇av视频| www.999成人在线观看| 九色亚洲精品在线播放| 国产97色在线日韩免费| 国产欧美亚洲国产| 国产精品亚洲一级av第二区| 18禁裸乳无遮挡动漫免费视频| 大香蕉久久网| 欧美成人午夜精品| 成年女人毛片免费观看观看9 | 黑人欧美特级aaaaaa片| 人成视频在线观看免费观看| 亚洲少妇的诱惑av| av国产精品久久久久影院| 18在线观看网站| 国产不卡一卡二| 美国免费a级毛片| 99热国产这里只有精品6|