• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于文檔向量和回歸模型的評分預測框架

    2016-05-21 15:54:14穆云磊周春暉俞東進
    計算機時代 2016年5期
    關(guān)鍵詞:回歸模型推薦系統(tǒng)

    穆云磊+++周春暉+++俞東進

    摘 要: 個性化推薦系統(tǒng)可以幫助用戶在海量的項目集合中找到他們喜愛的項目,其被廣泛地應用于崗位推薦系統(tǒng)、電子商務網(wǎng)站以及社交網(wǎng)絡平臺中。文章提出了一個基于文檔向量和回歸模型的評分預測框架,它利用文檔向量表示模型將非結(jié)構(gòu)化的評論文本用相同維度的向量表示,進而構(gòu)造出刻畫用戶和產(chǎn)品的特征向量,最終融合多個回歸模型進行評分預測。在基于真實的數(shù)據(jù)集上的實驗表明,與基準模型相比,其顯著改善了數(shù)據(jù)稀疏情況下評分預測的準確性。

    關(guān)鍵詞: 推薦系統(tǒng); 數(shù)據(jù)稀疏; 評論文本; 文檔向量; 回歸模型; 評分預測

    中圖分類號:TP391 文獻標志碼:A 文章編號:1006-8228(2016)05-24-06

    Abstract: Recommender systems typically produce a list of recommendations to precisely predict the user's preference for the items. It is widely used in post recommendation systems, e-commerce websites and social network platforms. This paper proposes a rating prediction framework based on distributed representation of document and regression model. The framework takes advantage of distributed representation of document to map the unstructured review texts into the same vector space, and furthermore constructs the feature vector of users and items. The framework trains several regression models to predict ratings. The extensive experiments on real-world datasets demonstrate that it performs better than the benchmark and alleviates the cold-start problem to some extent.

    Key words: recommender system; data sparsity; review text; distributed representation of document; rating prediction

    0 引言

    個性化推薦系統(tǒng)幫助用戶在網(wǎng)絡上發(fā)現(xiàn)各類產(chǎn)品,并做出決策。越來越多的網(wǎng)站,如Last.fm、Amazon、Taobao、YouTube、Yahoo等,開發(fā)了推薦系統(tǒng)并將其提供給它們的用戶。這些推薦系統(tǒng)可以幫助用戶從海量的產(chǎn)品集合中找到他們喜愛的歌曲、視頻、書籍以及各種商品[1]。近年來,協(xié)同過濾(Collaborative Filtering)技術(shù)在個性化推薦系統(tǒng)中取得了巨大的成功。其主要包括兩類方法[2]:基于鄰域的方法(Neighborhood-based)和基于模型的方法(Model-

    based)。然而,冷啟動問題[3]一直影響著協(xié)同過濾方法應用的效果。這里冷啟動問題是指:當一個新用戶或新產(chǎn)品加入系統(tǒng)時,用于刻畫他們特征的信息非常稀少,導致為新用戶推薦產(chǎn)品或?qū)⑿庐a(chǎn)品推薦給用戶變得非常困難。

    值得注意的是,用戶在給產(chǎn)品評分的同時還可能寫下一段評論。傳統(tǒng)的協(xié)同過濾方法僅僅將評分作為數(shù)據(jù)源,而忽略了蘊含在評論中豐富的信息。事實上,我們可以利用這些蘊含在評論中的信息來緩解傳統(tǒng)方法中存在的冷啟動問題。特別是,在評論中用戶不僅會討論這個產(chǎn)品的不同方面,還蘊含著他們對這些方面的情感。例如,當用戶評論筆記本電腦時,他會對某款筆記本電腦的“外形”和“性能”等方面表達正面的情感,而對它的“續(xù)航”和“散熱”等方面表達負面的情感。

    本文基于文檔向量和回歸模型,提出一個高效的評分預測框架。該框架利用文檔向量表示模型,構(gòu)造出比協(xié)同過濾更加精確的用戶和產(chǎn)品特征空間,并將多個回歸模型融合以生成有效的評分預測器。在數(shù)據(jù)稀疏的情況下,框架產(chǎn)生的評分預測器的效果顯著高于傳統(tǒng)的協(xié)同過濾方法。

    1 方法概述

    本文主要解決的問題是如何在用戶評分數(shù)據(jù)稀疏時利用評論文本提高評分預測的準確度。區(qū)別于傳統(tǒng)方法中以評分作為單一數(shù)據(jù)源,本文同時使用評分和評論作為數(shù)據(jù)源,利用評論中的豐富信息緩解傳統(tǒng)協(xié)同過濾推薦方法中存在的冷啟動的問題。圖1展示了一個評分與評論數(shù)據(jù)的例子,它來自電子商務網(wǎng)站Amazon.com。在這個例子中,用戶給產(chǎn)品打了四顆星(評分)的同時,寫了一段評論。我們的主要任務是利用用戶評分與評論的歷史數(shù)據(jù),構(gòu)造刻畫用戶和產(chǎn)品的特征,預測用戶對未產(chǎn)生過行為的產(chǎn)品的評分。

    我們可將用戶集合表示為,產(chǎn)品集合表示為。表示可見評分集合,表示評論集合,評分和評論的全集記為。本文涉及的相關(guān)記號見表1。

    基于文檔向量和回歸模型的評分預測框架的主要流程表述如下。首先,對原始的評論文本進行預處理,預處理過程主要包括分詞、去除停用詞和詞干提取,然后,通過文檔向量表示模型(doc2vec)[4]構(gòu)建刻畫用戶與產(chǎn)品的特征向量,接著,利用這些向量和用戶和產(chǎn)品的偏置構(gòu)造用戶-產(chǎn)品對特征實例集合,最后,以評分作為標簽,構(gòu)建多個回歸模型并融合為最終的評分預測模型。圖2展示了基于文檔向量和回歸模型評分預測框架的主要流程。

    該評分預測框架的特點為:①使用無監(jiān)督的文檔向量模型將每個評論轉(zhuǎn)化到相同維度的向量空間中,并以此為基礎(chǔ)構(gòu)造分別刻畫用戶和產(chǎn)品的向量;②在①的基礎(chǔ)上組合用戶-產(chǎn)品對的特征實例并構(gòu)造數(shù)據(jù)集;③將評分預測轉(zhuǎn)化為機器學習中的回歸問題,利用回歸模型提高評分預測精度。

    2 文檔向量表示模型

    文檔向量表示模型[4]能夠為一個變長的輸入序列構(gòu)造表示結(jié)構(gòu),其中變長的輸入序列可以是任意長度的文本:句子、段落或者文檔。它的優(yōu)點是無需面對不同的任務調(diào)節(jié)單詞的權(quán)重也無需依賴句法分析樹。

    文檔向量的學習方法受到詞向量[5]學習方法的啟發(fā)。在詞向量學習方法中,詞向量被用來幫助預測句子中的下一個單詞,因此,盡管詞向量被隨機初始化,它們作為預測任務的間接結(jié)果,仍然能夠捕捉語義信息。在文檔向量模型中使用相似的想法,文檔向量也被用來做預測任務,這里的預測任務是預測給定多個從文檔中采樣的上下文的下個單詞。

    圖3為文檔向量學習框架。每個文檔被映射為一個惟一的向量,由矩陣D中的列表示,同時每個單詞也映射為一個惟一的向量,由矩陣W的列表示。文檔向量和詞向量被平均或連結(jié)以預測上下文中的下個單詞。

    與詞向量學習方法相比,文檔向量學習框架增加了文檔標記,用于將每個文檔向量映射到文檔矩陣D中。這里,文檔標記可以被認為是另一個單詞,它的作用是記憶現(xiàn)有上下文缺失的部分,或者是文檔的主題。

    在文檔向量模型中,上下文是從文檔中通過滑動窗口采樣的固定長度文本。對于從同一個文檔中采樣的上下文,它們共享同一個文檔向量。而單詞向量矩陣W則是通用的。即,對于所有的文檔,表示“good”的向量是一樣的。

    文檔向量和詞向量使用隨機梯度下降法(SGD)學習得到,其中梯度由反向傳播算法得到。在每一步梯度下降中,可以從隨機的一個文檔中采樣一段固定長度的上下文,然后根據(jù)圖3中的網(wǎng)絡計算誤差梯度以及使用梯度更新模型的參數(shù)。

    在預測階段,對于一個新的文檔,我們需要執(zhí)行一個推斷的步驟來計算其向量。這個步驟仍然是通過梯度下降實現(xiàn)。在此步驟中,模型的其余參數(shù)包括詞向量矩陣W和Softmax權(quán)重等,都是固定的。

    在模型訓練之后,文檔向量可以被用作描述文檔特征。在本文的評分預測框架中,文檔向量被用來將每一個評論映射到相同維度的向量空間中,并進一步地用于刻畫用戶和產(chǎn)品特征向量的構(gòu)造。

    3 特征實例

    ⑴ 用戶和產(chǎn)品特征向量構(gòu)造

    通過將每個評論看作一個文檔,并賦予其標記,使用文檔向量表示模型,我們將每個評論都映射到相同維度的向量空間中。形式化地,對于評論duv,其對應的評論向量記為xuv,這里,。

    對于用戶u,我們使用其所有評論的向量平均作為其特征向量:

    其中,表示用戶u的評論集合。

    值得注意的是,每一個評論都有一個有用性評分,直觀上,有用性越高的評論,對產(chǎn)品的描述更加準確。有用性評分的形式一般為“有用/無用”,前者表示“認同”當前評論的用戶數(shù)量,后者表示“不認同”當前評論的用戶數(shù)量,為了將此形式的有用性評分轉(zhuǎn)化到實數(shù)上來,定義:

    其中,puv和nuv分別為對評論duv的“認同”用戶數(shù)和“不認同用”戶數(shù),a和b分別為控制轉(zhuǎn)換的參數(shù)。因此,對于產(chǎn)品v的特征向量,可以使用有用性評分對產(chǎn)品的所有評論向量加權(quán)平均得到:

    ⑵ 用戶和產(chǎn)品偏置

    除了使用評分向量構(gòu)造的用戶和產(chǎn)品特征之外,我們還使用用戶和產(chǎn)品的偏置作為特征。

    直觀上,不同的用戶和不同的產(chǎn)品評分尺度都有所不同。例如,某用戶是評分嚴格的用戶,那么他的評分一般會低于全局平均分,而某個產(chǎn)品質(zhì)量優(yōu)于其他產(chǎn)品,那么它的評分則會高于平均評分。對于用戶u,其偏置可以定義為其評分與全局平均差的均值:

    同理,對于產(chǎn)品v,其偏置可以定義為:

    最終,使用連接的方式構(gòu)造特征實例,即對于用戶-產(chǎn)品對(u,v),其特征實例為[xu,bu,xv,bv]。

    4 回歸模型

    回歸模型是一類監(jiān)督學習模型,每個輸入實例通常由特征向量表示,記為x={x(1),x(2),…,x(i),…,x(n)},x(i)表示第i個特征。對于訓練集的輸入實例X和輸出向量y,回歸模型通過擬合它們得到一個擬合函數(shù)f使得f(X)=y,使用此函數(shù)可以預測未知的實例集合(測試集)的輸出,即對于測試實例,求得。

    本文主要使用三個流行的回歸模型進行評分預測,分別是k近鄰回歸模型、隨機森林回歸模型和梯度提升回歸樹模型。

    ⑴ k近鄰

    k近鄰算法[6],簡稱k-NN,是一種非參數(shù)學習算法。在k近鄰回歸中,輸入為包含特征空間中的k個最近訓練實例,輸出為對象的屬性值,通過計算其k近鄰值的均值求得。k-NN是一種基于實例的學習算法,也被稱為惰性學習,其決策函數(shù)僅僅為局部近似,而且只有在需要回歸時才進行計算。

    ⑵ 隨機森林

    隨機森林回歸器[7]是集成學習中最重要的算法之一,它是一個包含多個樹結(jié)構(gòu)的回歸器的集合,其中是相互獨立分布的隨機參數(shù)向量,回歸的結(jié)果通過平均所有樹的結(jié)果得到。

    在隨機森林中,每一個子樹都是一個分類與回歸樹(CART)[8]。CART是一種應用廣泛的決策樹學習方法,對于訓練數(shù)據(jù)集X,Y,其通過遞歸將輸入空間的每個區(qū)域劃分為兩個子區(qū)域并決定每個子區(qū)域上的輸出值,構(gòu)建二叉樹。

    ⑶ 梯度提升回歸樹

    梯度提升回歸樹(GBRT)[9],又被稱為多重累加回歸樹(MART)或樹網(wǎng)(Tree-Net),是一種高效的提升(Boosting)學習方法。在一般的提升樹模型中,損失函數(shù)通常采用平方誤差損失,每一步只需擬合當前數(shù)據(jù)的殘差,但對于一般的損失函數(shù),如對數(shù)損失,其優(yōu)化變得非常困難。GBRT通過計算損失函數(shù)的負梯度近似殘差,以此擬合新的回歸樹。

    5 評分預測框架構(gòu)建

    我們在此探討所提出的基于文檔向量和回歸模型的評分預測框的構(gòu)建過程。首先介紹框架的冷啟動評分預測器,然后介紹評分預測框架構(gòu)建算法。

    5.1 冷啟動預測器

    當一個新用戶或者新產(chǎn)品加入系統(tǒng)時,常用的方法是使用全局平均分來預測新用戶或新產(chǎn)品的評分,我們在全局平均分的基礎(chǔ)上,加上用戶和產(chǎn)品的偏置來預測冷啟動情況下的評分,具體預測方法為:

    其中,bu和bv為用戶u和產(chǎn)品v的偏置,分別由式⑷和式⑸求得。

    5.2 評分預測框架構(gòu)建算法

    [算法1 基于文檔向量和回歸模型的評分預測框架構(gòu)建算法\&輸入:評分和評論集合,

    輸出:評分預測函數(shù)f(u,v)\&1. 使用文檔向量模型訓練評論語料庫,得到每個評論的向量表示。

    2. 使用式⑴、⑶、⑷和⑸計算用戶和產(chǎn)品的特征向量xu,xv和偏置bu,bv,對于輸入的所有用戶-產(chǎn)品對(u,v)∈Γ,連結(jié)得到訓練實例集合。

    3. 使用2中的訓練實例集合分別訓練多個回歸模型:f1,…,fs。

    4. 使用Stacking技術(shù)將3中多個模型的結(jié)果融合得到最終的評分預測模型:

    其中α1,…,αs為每個模型的權(quán)重,。\&]

    在該基于文檔向量和回歸模型的評分預測框架中,首先利用文檔向量模型得到評論向量,并用評論向量構(gòu)建訓練特征實例,然后利用訓練特征實例訓練一個評分回歸模型,最后使用融合方法得到最終的評分預測模型。

    算法1展示了該評分預測框架構(gòu)建的詳細步驟。第一步使用文檔向量模型得到訓練評論的向量表示。第二步將向量連結(jié)成特征實例。第三步訓練多個回歸模型。第四步使用Stacking技術(shù)將多個回歸模型相融合。Stacking技術(shù)使用多個模型的輸出作為輸入,并使用交叉驗證的方法獲得最優(yōu)的融合模型,其常用的融合方法是線性組合。

    6 實驗結(jié)果與分析

    本文使用的數(shù)據(jù)集是McAuley等[10]收集的著名電商網(wǎng)站Amazon 的評分和評論數(shù)據(jù)集。數(shù)據(jù)集按照產(chǎn)品的類別被分為25個類別子數(shù)據(jù)集,數(shù)據(jù)集一共包含486萬多用戶,78萬多產(chǎn)品,822萬多條評分和評論。為了對比基于文檔向量和回歸模型的評分預測框架中單個回歸模型,以及融合模型的評分預測的表現(xiàn),本文將文檔向量模型中的向量大小固定為100,并輸出所有數(shù)據(jù)集的MSE值。

    所有子數(shù)據(jù)集上評分預測的MSE結(jié)果見表2。每個子數(shù)據(jù)集上最優(yōu)的MSE結(jié)果已加粗顯示,括號中為標準差。從MSE結(jié)果表中可以看出,在所有的25個子數(shù)據(jù)集上,基于文檔向量和回歸模型的評分預測框架的評分預測精度優(yōu)于全局平均預測器和標準的潛在因子模型。

    相比于全局平均預測器(Offset)和標準潛在因子模型(LFM),基于文檔向量和回歸模型的評分預測框架的MSE結(jié)果有顯著的提升。其三模型融合的評分預測效果在24個子模型上都是最優(yōu)的,平均MSE為1.391。考慮單個回歸模型情況,k近鄰回歸(KNR)表現(xiàn)最優(yōu),平均MSE為1.395。其次是梯度提升回歸樹(GBRT),平均MSE為1.416。效果最差的單回歸模型是隨機森林(RFR),平均MSE為1.439。它們的結(jié)果都遠優(yōu)于全局平均預測器并且顯著優(yōu)于潛在因子模型。

    相比于標準潛在因子模型的改進模型(SVD++),基于文檔向量和回歸模型的評分預測框架的評分預測效果也有明顯提升。其平均MSE結(jié)果從1.434提升到1.391,并在23個子數(shù)據(jù)集上優(yōu)于SVD++。

    綜上所述,本文在真實的Amazon數(shù)據(jù)集上的實驗表明,基于文檔向量和回歸模型的評分預測框架的評分預測效果確實明顯優(yōu)于作為基準的矩陣分解模型(LFM、SVD++)。

    7 結(jié)束語

    評論數(shù)據(jù)中蘊含了豐富的信息,它是改善僅將評分作為單一數(shù)據(jù)源的傳統(tǒng)協(xié)同過濾推薦方法的關(guān)鍵因素之一。如何分析非結(jié)構(gòu)化的評論文本成為挖掘其中蘊含的豐富信息的關(guān)鍵問題。本文提出了一個基于文檔向量和回歸模型的評分預測框架,首先,介紹了特征構(gòu)建方法,包括如何使用文檔向量模型將評論映射到相同維度的向量空間中以及如何使用文檔向量構(gòu)建用戶和產(chǎn)品特征向量,然后,介紹了多個回歸模型,最后,介紹了整個框架的構(gòu)建算法。雖然本文給出的例子主要是如何解決電子商務網(wǎng)站中對產(chǎn)品的評分預測問題,但上述算法也可用于諸如個性化崗位推薦等場景,其應用前景十分廣闊。未來的研究可以從評分的角度考慮更多的用戶和產(chǎn)品特征,擴充特征空間。

    參考文獻(References):

    [1] 劉建國,周濤,汪秉宏.個性化推薦系統(tǒng)的研究進展[J].自然科學進展,2009.19(1):1-15

    [2] 鄧愛林,朱揚勇,施伯樂.基于項目評分預測的協(xié)同過濾推薦算法[J].軟件學報,2003.14(9):1621-1628

    [3] Schein, A.I., Popescul, A., Ungar, L.H., Pennock, D.M.: Methods and metrics for cold-start recommendations[C]. Proc of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Re-trieval, August 11-15, 2002, Tampere, Finland,2002:253-260

    [4] Quoc V. Le and Tomas Mikolov. Distributed representa-

    tions of sentences and documents[C]. Proceedings of the 31th International Conference on Machine Learning, ICML 2014. New York: ACM, 2014:1188-1196

    [5] Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg Corrado,

    and Jeffrey Dean. Distributed Representations of Words and Phrases and their Compositionality[C]. Annual Conference on Neural Information Processing Systems. MA: MIT Press,2013:3111-3119

    [6] Kilian Q. Weinberger, John Blitzer, and Lawrence K. Saul.

    Distance metric learning for large margin nearest neighbor classification[C]. Proceedings of Advances in Neural Information Processing Systems. MA: MIT Press,2005:1473-1480

    [7] Leo Breiman. Random forests[J]. Machine Learning,2001.45(1):5-32

    [8] Leo Breiman, J. H. Friedman, R. A. Olshen, and C. J.Stone. Classification and Regression Trees[M]. Wadsworth,1984.

    [9] J. H. Friedman. Greedy function approximation: A gradient boosting machine[J]. Annals of Statistics,2000.29:1189-1232

    [10] Julian J. McAuley, Jure Leskovec. Hidden factors andhidden topics: understanding rating dimensions with review text[C]. Proceedings of the 7th ACM Conference on Recommender System. New York: ACM,2013:165-172

    猜你喜歡
    回歸模型推薦系統(tǒng)
    數(shù)據(jù)挖掘在選課推薦中的研究
    軟件(2016年4期)2017-01-20 10:09:33
    農(nóng)村秸稈處理方式的影響因素
    東方教育(2016年9期)2017-01-17 00:43:44
    基于用戶偏好的信任網(wǎng)絡隨機游走推薦模型
    基于個性化的協(xié)同過濾圖書推薦算法研究
    個性化推薦系統(tǒng)關(guān)鍵算法探討
    國際旅游外匯收入影響因素分析
    淺談Mahout在個性化推薦系統(tǒng)中的應用
    城市空間用地擴展變化研究與規(guī)模預測
    關(guān)于協(xié)同過濾推薦算法的研究文獻綜述
    商(2016年29期)2016-10-29 15:22:08
    電子商務影響因素的計量分析
    商(2016年28期)2016-10-27 20:23:05
    国产成人影院久久av| 亚洲自偷自拍图片 自拍| 9色porny在线观看| 国产成人av激情在线播放| 国产精品 欧美亚洲| 激情视频va一区二区三区| 精品国产超薄肉色丝袜足j| 欧美乱码精品一区二区三区| 黄片播放在线免费| 不卡av一区二区三区| 免费在线观看影片大全网站| 18禁国产床啪视频网站| 高清黄色对白视频在线免费看| 十八禁人妻一区二区| 熟女少妇亚洲综合色aaa.| 美国免费a级毛片| 女人被躁到高潮嗷嗷叫费观| 91麻豆精品激情在线观看国产 | 欧美+亚洲+日韩+国产| 宅男免费午夜| 亚洲一区二区三区欧美精品| 亚洲精品国产色婷婷电影| 久久精品亚洲熟妇少妇任你| 在线观看人妻少妇| 美女高潮到喷水免费观看| 超色免费av| 色尼玛亚洲综合影院| 日韩免费高清中文字幕av| 狠狠精品人妻久久久久久综合| 久久中文看片网| 久久免费观看电影| 久久精品国产99精品国产亚洲性色 | 国产在视频线精品| 午夜视频精品福利| 国产91精品成人一区二区三区 | 亚洲精品国产区一区二| 欧美午夜高清在线| 男女下面插进去视频免费观看| 国产精品亚洲av一区麻豆| 男男h啪啪无遮挡| 亚洲精品在线美女| 国产不卡一卡二| 国产91精品成人一区二区三区 | 国产欧美日韩综合在线一区二区| 久久九九热精品免费| 老司机午夜福利在线观看视频 | 亚洲第一青青草原| 黄频高清免费视频| 精品一区二区三区四区五区乱码| 搡老熟女国产l中国老女人| 亚洲专区中文字幕在线| 精品人妻熟女毛片av久久网站| 超色免费av| 国产高清videossex| 欧美国产精品va在线观看不卡| 国产男靠女视频免费网站| 久久精品人人爽人人爽视色| 老司机午夜十八禁免费视频| 咕卡用的链子| 精品国产超薄肉色丝袜足j| 超碰97精品在线观看| 国产成人av教育| 中文字幕人妻熟女乱码| 十分钟在线观看高清视频www| 欧美久久黑人一区二区| 免费av中文字幕在线| av又黄又爽大尺度在线免费看| √禁漫天堂资源中文www| av片东京热男人的天堂| 欧美乱妇无乱码| 老司机午夜福利在线观看视频 | 亚洲av片天天在线观看| 精品国产乱子伦一区二区三区| 国产精品电影一区二区三区 | 成人18禁在线播放| 欧美久久黑人一区二区| 久久精品亚洲精品国产色婷小说| 女性被躁到高潮视频| 亚洲午夜理论影院| av电影中文网址| 激情视频va一区二区三区| 99国产极品粉嫩在线观看| 久久久精品免费免费高清| 欧美午夜高清在线| 国产av精品麻豆| 亚洲av国产av综合av卡| 国产国语露脸激情在线看| av网站在线播放免费| 18禁黄网站禁片午夜丰满| 女人精品久久久久毛片| 精品欧美一区二区三区在线| 亚洲精品乱久久久久久| 国产成人欧美| 国产精品99久久99久久久不卡| 国产亚洲精品一区二区www | 亚洲成a人片在线一区二区| 菩萨蛮人人尽说江南好唐韦庄| 久久久久久久久免费视频了| 亚洲精品在线美女| www.999成人在线观看| 电影成人av| 交换朋友夫妻互换小说| 国产一区二区三区视频了| 又紧又爽又黄一区二区| 久久精品国产a三级三级三级| 大陆偷拍与自拍| 日韩 欧美 亚洲 中文字幕| 亚洲视频免费观看视频| 肉色欧美久久久久久久蜜桃| 亚洲精品中文字幕一二三四区 | 丰满迷人的少妇在线观看| 成人18禁在线播放| 日本黄色日本黄色录像| 一进一出好大好爽视频| 久久天堂一区二区三区四区| 国产在线免费精品| a级毛片在线看网站| 免费av中文字幕在线| 国产日韩欧美视频二区| 久久av网站| 在线观看免费午夜福利视频| 欧美乱码精品一区二区三区| 精品人妻在线不人妻| 中亚洲国语对白在线视频| 亚洲欧洲精品一区二区精品久久久| 一级黄色大片毛片| 欧美老熟妇乱子伦牲交| av福利片在线| 午夜日韩欧美国产| 色在线成人网| a在线观看视频网站| 亚洲色图综合在线观看| 伊人久久大香线蕉亚洲五| 女性生殖器流出的白浆| 国产区一区二久久| 亚洲自偷自拍图片 自拍| 久久久精品免费免费高清| 超色免费av| 国产99久久九九免费精品| 日韩欧美国产一区二区入口| 中文字幕人妻丝袜制服| 婷婷丁香在线五月| 水蜜桃什么品种好| 1024香蕉在线观看| 一区在线观看完整版| 免费一级毛片在线播放高清视频 | 久久久国产成人免费| 日日摸夜夜添夜夜添小说| 久久精品国产a三级三级三级| 狠狠婷婷综合久久久久久88av| 老司机福利观看| 黄色视频在线播放观看不卡| 美女高潮喷水抽搐中文字幕| 国产成人欧美在线观看 | 久热这里只有精品99| 日韩大码丰满熟妇| 看免费av毛片| 在线观看人妻少妇| 亚洲国产欧美一区二区综合| 黄色毛片三级朝国网站| 国产亚洲精品第一综合不卡| 99国产精品一区二区蜜桃av | 建设人人有责人人尽责人人享有的| 亚洲成av片中文字幕在线观看| 99精品久久久久人妻精品| 午夜日韩欧美国产| 日韩视频在线欧美| 超色免费av| 精品少妇内射三级| 少妇精品久久久久久久| 久久久久久久久久久久大奶| 男男h啪啪无遮挡| 免费少妇av软件| 视频在线观看一区二区三区| 美女福利国产在线| 波多野结衣av一区二区av| 交换朋友夫妻互换小说| xxxhd国产人妻xxx| 人人妻,人人澡人人爽秒播| 男女之事视频高清在线观看| 天堂8中文在线网| 亚洲av成人不卡在线观看播放网| 老鸭窝网址在线观看| 久久热在线av| 丝袜喷水一区| 久9热在线精品视频| 色播在线永久视频| av欧美777| 69精品国产乱码久久久| 一区二区三区乱码不卡18| 久久精品国产亚洲av香蕉五月 | 脱女人内裤的视频| 十八禁高潮呻吟视频| 国产成人精品久久二区二区91| 伦理电影免费视频| 亚洲 国产 在线| 69av精品久久久久久 | 久久中文字幕一级| 2018国产大陆天天弄谢| 在线观看www视频免费| 国产精品.久久久| 老司机午夜福利在线观看视频 | 久久免费观看电影| 国精品久久久久久国模美| 丁香六月天网| 汤姆久久久久久久影院中文字幕| 国产1区2区3区精品| 久久精品aⅴ一区二区三区四区| 男人操女人黄网站| 国产在视频线精品| 日韩欧美三级三区| 亚洲人成伊人成综合网2020| 久热爱精品视频在线9| 亚洲精品粉嫩美女一区| 精品欧美一区二区三区在线| 另类精品久久| 国产成人精品久久二区二区91| 免费在线观看日本一区| 色在线成人网| 最黄视频免费看| 国产精品久久久久成人av| 91麻豆精品激情在线观看国产 | 精品国产乱码久久久久久小说| 欧美精品啪啪一区二区三区| 国产一区二区激情短视频| 日韩中文字幕视频在线看片| 国产高清视频在线播放一区| 国产亚洲精品久久久久5区| 国产日韩一区二区三区精品不卡| 国产一区有黄有色的免费视频| 视频在线观看一区二区三区| 久久精品国产综合久久久| 久久久精品免费免费高清| 亚洲人成伊人成综合网2020| 999精品在线视频| 日本a在线网址| 青青草视频在线视频观看| 97在线人人人人妻| 久久精品亚洲av国产电影网| 水蜜桃什么品种好| 国产一区二区三区在线臀色熟女 | 久久婷婷成人综合色麻豆| 日韩视频一区二区在线观看| 免费在线观看日本一区| 久久亚洲精品不卡| 国产成人一区二区三区免费视频网站| 丰满饥渴人妻一区二区三| 香蕉丝袜av| 久久久久精品国产欧美久久久| 成人国产一区最新在线观看| 黄片大片在线免费观看| 欧美性长视频在线观看| 老汉色av国产亚洲站长工具| 成人影院久久| 丁香欧美五月| 国产精品美女特级片免费视频播放器 | 久久国产精品大桥未久av| 丰满人妻熟妇乱又伦精品不卡| 亚洲专区中文字幕在线| 汤姆久久久久久久影院中文字幕| 老熟妇乱子伦视频在线观看| 精品国产一区二区三区久久久樱花| √禁漫天堂资源中文www| 女人高潮潮喷娇喘18禁视频| 麻豆国产av国片精品| 热re99久久国产66热| 一区福利在线观看| 国产麻豆69| 成年人午夜在线观看视频| 美女高潮到喷水免费观看| 精品欧美一区二区三区在线| 老汉色∧v一级毛片| 国产亚洲精品久久久久5区| 日本av手机在线免费观看| 国产av一区二区精品久久| 夜夜夜夜夜久久久久| 久久久久久免费高清国产稀缺| 免费观看人在逋| 精品国产乱子伦一区二区三区| 日韩精品免费视频一区二区三区| 国产成人欧美在线观看 | 国产午夜精品久久久久久| 欧美另类亚洲清纯唯美| 国产精品影院久久| 免费人妻精品一区二区三区视频| 美女国产高潮福利片在线看| 黄频高清免费视频| 丝袜美足系列| 捣出白浆h1v1| 91大片在线观看| 新久久久久国产一级毛片| 一边摸一边抽搐一进一小说 | 亚洲精品久久成人aⅴ小说| 国产国语露脸激情在线看| 手机成人av网站| 国产男女超爽视频在线观看| 日本av手机在线免费观看| 一区福利在线观看| 国产成人免费观看mmmm| 婷婷成人精品国产| 久久天躁狠狠躁夜夜2o2o| 中文字幕精品免费在线观看视频| 国产免费现黄频在线看| 人人妻人人添人人爽欧美一区卜| 久久亚洲精品不卡| av又黄又爽大尺度在线免费看| 国产深夜福利视频在线观看| 久久香蕉激情| 日本黄色视频三级网站网址 | 亚洲精品国产色婷婷电影| 在线观看一区二区三区激情| 日韩大片免费观看网站| 中文字幕制服av| 欧美亚洲 丝袜 人妻 在线| 成年人午夜在线观看视频| 狠狠婷婷综合久久久久久88av| 国产免费视频播放在线视频| 十八禁网站网址无遮挡| 欧美大码av| 日韩视频在线欧美| 日韩大片免费观看网站| www.自偷自拍.com| 成人手机av| 变态另类成人亚洲欧美熟女 | 高清黄色对白视频在线免费看| 电影成人av| 高潮久久久久久久久久久不卡| 一级a爱视频在线免费观看| 99re6热这里在线精品视频| 99久久国产精品久久久| 成年版毛片免费区| 久久av网站| 精品国产一区二区久久| 免费在线观看日本一区| 欧美av亚洲av综合av国产av| 丝袜美腿诱惑在线| svipshipincom国产片| 欧美亚洲日本最大视频资源| 肉色欧美久久久久久久蜜桃| 最新美女视频免费是黄的| 女人被躁到高潮嗷嗷叫费观| 91成年电影在线观看| 免费不卡黄色视频| 欧美精品啪啪一区二区三区| 深夜精品福利| 最新的欧美精品一区二区| 国产1区2区3区精品| av天堂在线播放| 丝袜美腿诱惑在线| 国产成人av教育| 成年版毛片免费区| 亚洲视频免费观看视频| 国产成人一区二区三区免费视频网站| 亚洲欧美日韩高清在线视频 | 欧美日韩亚洲综合一区二区三区_| www.精华液| 纯流量卡能插随身wifi吗| 日韩三级视频一区二区三区| 久久精品亚洲av国产电影网| 王馨瑶露胸无遮挡在线观看| 丁香欧美五月| 中亚洲国语对白在线视频| 国产人伦9x9x在线观看| 自线自在国产av| 人成视频在线观看免费观看| 中文字幕av电影在线播放| 欧美+亚洲+日韩+国产| 亚洲av国产av综合av卡| 精品国内亚洲2022精品成人 | 每晚都被弄得嗷嗷叫到高潮| 十八禁网站免费在线| 国产单亲对白刺激| 国产精品亚洲一级av第二区| 国产又爽黄色视频| 无人区码免费观看不卡 | 成人亚洲精品一区在线观看| 亚洲免费av在线视频| 亚洲精品在线美女| 国产欧美日韩精品亚洲av| 老司机午夜十八禁免费视频| 国产精品一区二区精品视频观看| 高清视频免费观看一区二区| 国产成人一区二区三区免费视频网站| 精品少妇一区二区三区视频日本电影| 亚洲欧美色中文字幕在线| 亚洲av第一区精品v没综合| 久久热在线av| 伊人久久大香线蕉亚洲五| 母亲3免费完整高清在线观看| 淫妇啪啪啪对白视频| 久久久国产欧美日韩av| a级毛片在线看网站| 一本综合久久免费| 深夜精品福利| 久久精品国产99精品国产亚洲性色 | 夜夜骑夜夜射夜夜干| 久久久精品免费免费高清| 日本vs欧美在线观看视频| 国产亚洲精品一区二区www | 在线观看免费视频网站a站| av福利片在线| 九色亚洲精品在线播放| 国产精品九九99| 成人国产av品久久久| 免费高清在线观看日韩| 在线播放国产精品三级| 在线观看人妻少妇| 最黄视频免费看| 国产日韩欧美视频二区| 肉色欧美久久久久久久蜜桃| 日本av手机在线免费观看| 国产在线观看jvid| 国产精品偷伦视频观看了| 免费日韩欧美在线观看| 国产在线视频一区二区| 99热网站在线观看| 亚洲精品一卡2卡三卡4卡5卡| 天堂动漫精品| 欧美中文综合在线视频| 丝瓜视频免费看黄片| av超薄肉色丝袜交足视频| 精品高清国产在线一区| 国产免费av片在线观看野外av| 99热国产这里只有精品6| 色老头精品视频在线观看| 老汉色av国产亚洲站长工具| 亚洲成国产人片在线观看| 精品国产亚洲在线| 亚洲av第一区精品v没综合| 啦啦啦在线免费观看视频4| h视频一区二区三区| 亚洲人成电影免费在线| 亚洲精品一卡2卡三卡4卡5卡| 色94色欧美一区二区| 免费av中文字幕在线| 黑人巨大精品欧美一区二区蜜桃| 十八禁网站免费在线| 老司机午夜福利在线观看视频 | 久久精品成人免费网站| 亚洲精品国产精品久久久不卡| aaaaa片日本免费| 午夜福利影视在线免费观看| 国产伦理片在线播放av一区| 国产成人一区二区三区免费视频网站| 老熟妇乱子伦视频在线观看| 99精品欧美一区二区三区四区| 人人妻人人澡人人看| av免费在线观看网站| 日韩视频一区二区在线观看| 久久ye,这里只有精品| 日韩欧美国产一区二区入口| 十八禁人妻一区二区| 色婷婷久久久亚洲欧美| 久久久久精品人妻al黑| a级毛片在线看网站| 中文字幕高清在线视频| 国产精品久久久人人做人人爽| 日韩大片免费观看网站| 蜜桃国产av成人99| 亚洲精华国产精华精| 久久精品国产综合久久久| 午夜福利,免费看| 亚洲成国产人片在线观看| 纯流量卡能插随身wifi吗| 一区二区三区精品91| 老熟妇仑乱视频hdxx| 亚洲国产av影院在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 国产高清国产精品国产三级| 性高湖久久久久久久久免费观看| 免费日韩欧美在线观看| 91国产中文字幕| 久久人人97超碰香蕉20202| 女人精品久久久久毛片| 久久毛片免费看一区二区三区| 精品国产乱子伦一区二区三区| 午夜福利在线免费观看网站| 欧美激情久久久久久爽电影 | 国产老妇伦熟女老妇高清| 丝袜人妻中文字幕| 午夜精品国产一区二区电影| 精品午夜福利视频在线观看一区 | 国产精品一区二区免费欧美| 久热这里只有精品99| 精品第一国产精品| 欧美激情极品国产一区二区三区| 欧美性长视频在线观看| 国产黄频视频在线观看| 亚洲av成人不卡在线观看播放网| 亚洲精品国产一区二区精华液| 男女床上黄色一级片免费看| 亚洲av片天天在线观看| 一级片免费观看大全| 每晚都被弄得嗷嗷叫到高潮| 成年女人毛片免费观看观看9 | 中文字幕人妻丝袜一区二区| 搡老熟女国产l中国老女人| 国产福利在线免费观看视频| 一个人免费看片子| 国产日韩欧美在线精品| 亚洲情色 制服丝袜| 日韩视频一区二区在线观看| 亚洲色图av天堂| 日韩制服丝袜自拍偷拍| 日韩中文字幕视频在线看片| 男女床上黄色一级片免费看| 精品久久久精品久久久| 国产一区二区三区在线臀色熟女 | 中文字幕色久视频| 欧美激情 高清一区二区三区| 国产高清videossex| 久久久水蜜桃国产精品网| 超碰成人久久| 极品教师在线免费播放| 91精品国产国语对白视频| 91精品三级在线观看| 一级毛片女人18水好多| 成年人免费黄色播放视频| 午夜日韩欧美国产| 美女高潮到喷水免费观看| 久久精品国产综合久久久| 中国美女看黄片| 午夜视频精品福利| 欧美成人免费av一区二区三区 | 999久久久国产精品视频| 日本av免费视频播放| 狠狠精品人妻久久久久久综合| 三级毛片av免费| 日韩欧美一区视频在线观看| 99精品在免费线老司机午夜| 捣出白浆h1v1| 国产精品熟女久久久久浪| 久久精品亚洲av国产电影网| 久久婷婷成人综合色麻豆| 亚洲熟女精品中文字幕| tube8黄色片| 最新美女视频免费是黄的| 国产精品免费一区二区三区在线 | 免费av中文字幕在线| 国产精品九九99| 久久久久网色| 99国产精品一区二区蜜桃av | 亚洲精品一二三| 高清在线国产一区| 岛国毛片在线播放| 午夜激情av网站| 男女之事视频高清在线观看| 国产精品久久久久久精品电影小说| 亚洲天堂av无毛| 国产在线观看jvid| 欧美一级毛片孕妇| 一二三四社区在线视频社区8| 老司机亚洲免费影院| 欧美日韩亚洲综合一区二区三区_| 久久国产精品影院| 两人在一起打扑克的视频| 无遮挡黄片免费观看| 亚洲成国产人片在线观看| www.999成人在线观看| 欧美 亚洲 国产 日韩一| 久久中文字幕一级| 久久久精品区二区三区| 亚洲国产欧美在线一区| 国产精品久久久av美女十八| 久久国产精品人妻蜜桃| 51午夜福利影视在线观看| 女人被躁到高潮嗷嗷叫费观| 精品熟女少妇八av免费久了| 久久久精品免费免费高清| 9191精品国产免费久久| 十八禁人妻一区二区| 欧美日韩黄片免| 可以免费在线观看a视频的电影网站| 99国产精品免费福利视频| 高清欧美精品videossex| 亚洲欧美一区二区三区黑人| 亚洲精品在线美女| 大片电影免费在线观看免费| 日韩欧美一区二区三区在线观看 | 啦啦啦免费观看视频1| 极品人妻少妇av视频| 国产欧美日韩一区二区三| 成人永久免费在线观看视频 | 亚洲精品成人av观看孕妇| 极品人妻少妇av视频| 国产91精品成人一区二区三区 | 三上悠亚av全集在线观看| 一级毛片电影观看| 久久久国产欧美日韩av| 丰满迷人的少妇在线观看| 肉色欧美久久久久久久蜜桃| 女人被躁到高潮嗷嗷叫费观| 一级片'在线观看视频| 黄片小视频在线播放| 国产精品久久久久成人av| 操出白浆在线播放| 成人av一区二区三区在线看| 大片电影免费在线观看免费| 国产午夜精品久久久久久| 水蜜桃什么品种好| a在线观看视频网站| 国产日韩欧美在线精品| 中文字幕高清在线视频| 国产成人影院久久av| 丝瓜视频免费看黄片| 亚洲情色 制服丝袜| 欧美精品一区二区大全| 日韩欧美国产一区二区入口| 亚洲国产中文字幕在线视频| 一个人免费在线观看的高清视频| 精品一区二区三区视频在线观看免费 | 国产亚洲精品一区二区www | 无人区码免费观看不卡 | 99国产精品99久久久久| 亚洲精品美女久久av网站|