• <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
    最近中文字幕高清免费大全6| 久久97久久精品| 26uuu在线亚洲综合色| 久久免费观看电影| 在线观看www视频免费| 国产精品女同一区二区软件| 观看av在线不卡| 我的老师免费观看完整版| 成人综合一区亚洲| 狂野欧美白嫩少妇大欣赏| 美女cb高潮喷水在线观看| 青春草亚洲视频在线观看| 国产 一区精品| 成人亚洲欧美一区二区av| 午夜免费男女啪啪视频观看| 三上悠亚av全集在线观看| 亚洲欧美清纯卡通| 中文字幕av电影在线播放| 各种免费的搞黄视频| 国产精品无大码| 内地一区二区视频在线| 最后的刺客免费高清国语| 97在线视频观看| 少妇人妻久久综合中文| 母亲3免费完整高清在线观看 | 国产av一区二区精品久久| 亚洲国产欧美日韩在线播放| 大片免费播放器 马上看| 伦理电影免费视频| 亚洲美女视频黄频| 超色免费av| 寂寞人妻少妇视频99o| 人人妻人人爽人人添夜夜欢视频| 精品人妻一区二区三区麻豆| 曰老女人黄片| 国产在视频线精品| 久久久久人妻精品一区果冻| 免费看不卡的av| 婷婷色av中文字幕| 99热这里只有是精品在线观看| 国产精品熟女久久久久浪| 高清不卡的av网站| 久久影院123| 日本色播在线视频| 热99久久久久精品小说推荐| 我要看黄色一级片免费的| 国产高清国产精品国产三级| 一边亲一边摸免费视频| 一区二区av电影网| 国产 一区精品| a级毛片在线看网站| 一级毛片黄色毛片免费观看视频| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 高清午夜精品一区二区三区| 国产成人一区二区在线| 日韩一区二区视频免费看| 亚洲国产精品国产精品| 韩国高清视频一区二区三区| 99九九在线精品视频| 久久97久久精品| 夫妻午夜视频| 少妇人妻 视频| 午夜福利网站1000一区二区三区| 国产毛片在线视频| 日日啪夜夜爽| 国产精品国产三级国产专区5o| 亚洲av电影在线观看一区二区三区| 亚洲国产精品专区欧美| 免费av不卡在线播放| 人妻一区二区av| 久久久久久久亚洲中文字幕| 麻豆乱淫一区二区| 能在线免费看毛片的网站| 一区二区三区四区激情视频| 好男人视频免费观看在线| 啦啦啦视频在线资源免费观看| 丰满乱子伦码专区| 国产精品秋霞免费鲁丝片| 欧美精品人与动牲交sv欧美| 成年美女黄网站色视频大全免费 | 久久久久精品久久久久真实原创| 人人妻人人澡人人爽人人夜夜| 中国美白少妇内射xxxbb| 最近2019中文字幕mv第一页| 国产片特级美女逼逼视频| 国精品久久久久久国模美| 日本vs欧美在线观看视频| 2022亚洲国产成人精品| 久久97久久精品| 桃花免费在线播放| 91aial.com中文字幕在线观看| 男女免费视频国产| 亚洲中文av在线| 欧美变态另类bdsm刘玥| 伊人久久国产一区二区| 能在线免费看毛片的网站| 99热网站在线观看| 最新的欧美精品一区二区| 九九在线视频观看精品| 国产成人freesex在线| 久久狼人影院| 熟妇人妻不卡中文字幕| 婷婷成人精品国产| 一本久久精品| av在线播放精品| 亚洲av福利一区| 日韩制服骚丝袜av| 黄片无遮挡物在线观看| 交换朋友夫妻互换小说| 熟女电影av网| 色网站视频免费| av有码第一页| 日本黄色日本黄色录像| a级片在线免费高清观看视频| 精品亚洲成国产av| 亚洲不卡免费看| 999精品在线视频| 亚洲五月色婷婷综合| 一区二区三区乱码不卡18| 天美传媒精品一区二区| 久久ye,这里只有精品| 亚洲欧洲日产国产| 少妇被粗大猛烈的视频| 一级毛片黄色毛片免费观看视频| 免费大片黄手机在线观看| 免费看不卡的av| 欧美97在线视频| 老女人水多毛片| 久久精品国产亚洲网站| 国产成人av激情在线播放 | 亚洲成人av在线免费| 成年女人在线观看亚洲视频| 久久久久国产精品人妻一区二区| 国产老妇伦熟女老妇高清| 高清欧美精品videossex| 美女内射精品一级片tv| 大片免费播放器 马上看| 91久久精品国产一区二区成人| 天堂8中文在线网| 亚洲欧洲精品一区二区精品久久久 | videosex国产| 免费大片黄手机在线观看| 伦精品一区二区三区| 人人妻人人爽人人添夜夜欢视频| 精品人妻在线不人妻| 午夜免费观看性视频| 人妻 亚洲 视频| 亚洲国产精品国产精品| 国产爽快片一区二区三区| 伊人久久国产一区二区| 新久久久久国产一级毛片| 涩涩av久久男人的天堂| 99久久精品一区二区三区| 久久久久久久久久成人| 80岁老熟妇乱子伦牲交| a级毛色黄片| 久久精品夜色国产| 99九九在线精品视频| 美女内射精品一级片tv| 国产高清有码在线观看视频| 黄色毛片三级朝国网站| 亚洲成人手机| 大香蕉97超碰在线| 亚洲欧美一区二区三区国产| 欧美日韩av久久| 亚洲精品日本国产第一区| 曰老女人黄片| 97精品久久久久久久久久精品| av女优亚洲男人天堂| 99久久精品国产国产毛片| 一本大道久久a久久精品| 9色porny在线观看| 最新中文字幕久久久久| 国产亚洲欧美精品永久| 九色成人免费人妻av| a级毛片免费高清观看在线播放| 青青草视频在线视频观看| 啦啦啦视频在线资源免费观看| 午夜老司机福利剧场| 国产免费一区二区三区四区乱码| 国产综合精华液| 777米奇影视久久| 大码成人一级视频| 一级片'在线观看视频| 午夜久久久在线观看| 亚洲国产av新网站| 女人精品久久久久毛片| 国产精品国产三级国产av玫瑰| 七月丁香在线播放| 爱豆传媒免费全集在线观看| 中国三级夫妇交换| 各种免费的搞黄视频| 中文精品一卡2卡3卡4更新| 一级片'在线观看视频| 18禁在线播放成人免费| 一级二级三级毛片免费看| 久久久久久久精品精品| 天美传媒精品一区二区| 日日爽夜夜爽网站| xxxhd国产人妻xxx| 中文字幕av电影在线播放| 成人无遮挡网站| 美女国产高潮福利片在线看| 国产精品久久久久久精品古装| 丰满饥渴人妻一区二区三| 久久久精品区二区三区| 亚洲精品乱码久久久v下载方式| 国产免费又黄又爽又色| 18+在线观看网站| 黄色配什么色好看| 欧美日本中文国产一区发布| 国产成人精品福利久久| 天堂中文最新版在线下载| 午夜日本视频在线| 国产精品偷伦视频观看了| 国产一区二区三区综合在线观看 | 亚洲国产色片| 99热6这里只有精品| 啦啦啦啦在线视频资源| 丝袜喷水一区| 免费人成在线观看视频色| 日日摸夜夜添夜夜添av毛片| 十八禁网站网址无遮挡| 国产精品久久久久久久电影| 国产黄色免费在线视频| 国产熟女午夜一区二区三区 | 国精品久久久久久国模美| 国模一区二区三区四区视频| 人妻人人澡人人爽人人| 高清欧美精品videossex| 色婷婷久久久亚洲欧美| 性色av一级| 99久久人妻综合| 99热这里只有是精品在线观看| 三上悠亚av全集在线观看| 在线观看一区二区三区激情| 欧美变态另类bdsm刘玥| 国产在线视频一区二区| 老司机影院毛片| 男女边摸边吃奶| av播播在线观看一区| 成人黄色视频免费在线看| 亚洲熟女精品中文字幕| 我的女老师完整版在线观看| 国产男女内射视频| 国产男女内射视频| 人人澡人人妻人| 王馨瑶露胸无遮挡在线观看| 国语对白做爰xxxⅹ性视频网站| 国产精品久久久久久av不卡| 成人无遮挡网站| 成年人午夜在线观看视频| 黄色视频在线播放观看不卡| 久久精品久久久久久久性| 亚洲精品一区蜜桃| 久热这里只有精品99| 伦理电影大哥的女人| 人体艺术视频欧美日本| 成人亚洲精品一区在线观看| 色94色欧美一区二区| 国产有黄有色有爽视频| 久久99一区二区三区| 国产极品天堂在线| 精品久久久久久电影网| 2018国产大陆天天弄谢| av天堂久久9| 18禁在线无遮挡免费观看视频| 一区二区三区乱码不卡18| 中文乱码字字幕精品一区二区三区| 美女国产高潮福利片在线看| 中文乱码字字幕精品一区二区三区| 狂野欧美白嫩少妇大欣赏| 欧美亚洲日本最大视频资源| 久久久久久久亚洲中文字幕| 日本黄色日本黄色录像| 免费高清在线观看视频在线观看| 街头女战士在线观看网站| 亚洲国产精品专区欧美| 日本猛色少妇xxxxx猛交久久| 国产av国产精品国产| 插阴视频在线观看视频| 亚洲国产色片| 十八禁高潮呻吟视频| 伦精品一区二区三区| 欧美日韩一区二区视频在线观看视频在线| 91午夜精品亚洲一区二区三区| 免费人妻精品一区二区三区视频| 视频区图区小说| 一级毛片电影观看| 热re99久久国产66热| av不卡在线播放| 亚洲精品成人av观看孕妇| 国产爽快片一区二区三区| 成人综合一区亚洲| av在线app专区| 久热这里只有精品99| 成人免费观看视频高清| 美女大奶头黄色视频| 国产精品无大码| 国产欧美另类精品又又久久亚洲欧美| 午夜免费鲁丝| 99久久精品国产国产毛片| 国内精品宾馆在线| 亚洲成人一二三区av| 精品亚洲成国产av| 在线播放无遮挡| 熟女av电影| 全区人妻精品视频| 日本av免费视频播放| 国产亚洲午夜精品一区二区久久| 啦啦啦视频在线资源免费观看| 老司机亚洲免费影院| 51国产日韩欧美| 老熟女久久久| 欧美变态另类bdsm刘玥| 成人免费观看视频高清| 国产精品偷伦视频观看了| 26uuu在线亚洲综合色| 中文字幕最新亚洲高清| 婷婷色综合www| 99热这里只有精品一区| av视频免费观看在线观看| 国产日韩欧美视频二区| 制服人妻中文乱码| 国产精品久久久久久av不卡| 亚洲四区av| 美女视频免费永久观看网站| 精品视频人人做人人爽| kizo精华| 欧美日韩综合久久久久久| 日本av免费视频播放| 大片电影免费在线观看免费| av在线播放精品| 国产老妇伦熟女老妇高清| 热re99久久精品国产66热6| 国产高清三级在线| 国产在线免费精品| 99精国产麻豆久久婷婷| 91aial.com中文字幕在线观看| 免费久久久久久久精品成人欧美视频 | 国产一区二区在线观看av| 国产综合精华液| 最近2019中文字幕mv第一页| 午夜精品国产一区二区电影| 高清视频免费观看一区二区| 国产在线免费精品| 亚洲一区二区三区欧美精品| 欧美日韩视频精品一区| 国产精品免费大片| 国产精品三级大全| 国产在视频线精品| 午夜激情福利司机影院| 热re99久久精品国产66热6| 青春草视频在线免费观看| 国产毛片在线视频| 亚洲人成77777在线视频| av.在线天堂| 一级毛片 在线播放| 在线观看美女被高潮喷水网站| 热99国产精品久久久久久7| 欧美成人午夜免费资源| 伦精品一区二区三区| 欧美xxⅹ黑人| 我的女老师完整版在线观看| 亚洲精品av麻豆狂野| 亚洲五月色婷婷综合| 欧美成人午夜免费资源| 亚洲欧美成人精品一区二区| 久久女婷五月综合色啪小说| 亚洲av国产av综合av卡| www.色视频.com| 久久精品久久精品一区二区三区| 国产69精品久久久久777片| 亚洲精品一二三| 国产精品人妻久久久久久| 午夜福利在线观看免费完整高清在| 日韩伦理黄色片| 久久青草综合色| videossex国产| 纯流量卡能插随身wifi吗| 少妇高潮的动态图| 亚洲熟女精品中文字幕| 久久久久人妻精品一区果冻| 大香蕉97超碰在线| 亚洲国产毛片av蜜桃av| 日韩熟女老妇一区二区性免费视频| av福利片在线| 青春草亚洲视频在线观看| 大香蕉97超碰在线| av天堂在线播放| 亚洲中文av在线| 精品熟女少妇八av免费久了| 国产精品一区二区在线不卡| 激情在线观看视频在线高清 | 多毛熟女@视频| 美女福利国产在线| 日本黄色视频三级网站网址 | 久久久精品94久久精品| 夜夜骑夜夜射夜夜干| 999久久久国产精品视频| 黑人巨大精品欧美一区二区蜜桃| 国产欧美亚洲国产| 免费观看a级毛片全部| 一本—道久久a久久精品蜜桃钙片| 欧美成人免费av一区二区三区 | 男女高潮啪啪啪动态图| 欧美人与性动交α欧美软件| 黑人巨大精品欧美一区二区蜜桃| 精品一区二区三卡| 成在线人永久免费视频| 99久久国产精品久久久| 免费在线观看日本一区| 免费在线观看影片大全网站| 蜜桃在线观看..| 精品福利永久在线观看| 午夜成年电影在线免费观看| 欧美精品亚洲一区二区| 欧美av亚洲av综合av国产av| 免费观看av网站的网址| 女人精品久久久久毛片| 国产成人av激情在线播放| 国产精品98久久久久久宅男小说| 久久狼人影院| 亚洲黑人精品在线| 亚洲国产欧美在线一区| 色老头精品视频在线观看| 久久久精品免费免费高清| 亚洲黑人精品在线| 伦理电影免费视频| 亚洲熟女毛片儿| 亚洲精品美女久久av网站| 一边摸一边抽搐一进一小说 | 亚洲精品在线美女| 国产91精品成人一区二区三区 | 精品国产一区二区三区久久久樱花| 一区二区av电影网| 啦啦啦在线免费观看视频4| 纯流量卡能插随身wifi吗| 国产又色又爽无遮挡免费看| 人成视频在线观看免费观看| 欧美成人免费av一区二区三区 | 91精品国产国语对白视频| 悠悠久久av| 欧美黑人欧美精品刺激| 日韩大码丰满熟妇| 免费在线观看日本一区| 12—13女人毛片做爰片一| 亚洲成av片中文字幕在线观看| 亚洲五月婷婷丁香| 怎么达到女性高潮| 亚洲国产欧美网| 好男人电影高清在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 亚洲成a人片在线一区二区| 午夜91福利影院| 在线观看免费视频日本深夜| 老熟妇仑乱视频hdxx| 亚洲国产欧美一区二区综合| 精品视频人人做人人爽| 亚洲国产欧美一区二区综合| 在线观看免费高清a一片| h视频一区二区三区| 一区二区av电影网| 在线观看66精品国产| 国产精品一区二区在线观看99| 在线播放国产精品三级| 97在线人人人人妻| 成年人黄色毛片网站| 欧美精品亚洲一区二区| 亚洲av日韩在线播放| 亚洲精品av麻豆狂野| 黄片小视频在线播放| 少妇的丰满在线观看| 黄色 视频免费看| 国产精品久久久久久人妻精品电影 | 国产99久久九九免费精品| 精品一品国产午夜福利视频| 精品国产一区二区久久| 黑人巨大精品欧美一区二区mp4| 久久中文字幕一级| 久久99热这里只频精品6学生| 国产淫语在线视频| 菩萨蛮人人尽说江南好唐韦庄| 精品少妇一区二区三区视频日本电影| 国产男女超爽视频在线观看| 两个人看的免费小视频| 99re在线观看精品视频| 国产成人一区二区三区免费视频网站| 日韩一区二区三区影片| 国产福利在线免费观看视频| 精品卡一卡二卡四卡免费| 人人妻人人爽人人添夜夜欢视频| 久久久久国产一级毛片高清牌| 成人av一区二区三区在线看| 国产欧美日韩一区二区精品| 亚洲国产欧美日韩在线播放| 久久香蕉激情| 丝袜在线中文字幕| 操出白浆在线播放| 久久久久久久国产电影| 天天添夜夜摸| 夫妻午夜视频| 精品一品国产午夜福利视频| 18禁裸乳无遮挡动漫免费视频| 丁香六月天网| 日韩一卡2卡3卡4卡2021年| 男人舔女人的私密视频| 18禁黄网站禁片午夜丰满| 妹子高潮喷水视频| 99riav亚洲国产免费| 九色亚洲精品在线播放| 国产成人精品无人区| 欧美性长视频在线观看| 国产在线免费精品| 亚洲情色 制服丝袜| 久久狼人影院| 极品人妻少妇av视频| 每晚都被弄得嗷嗷叫到高潮| 色精品久久人妻99蜜桃| 无限看片的www在线观看| 岛国毛片在线播放| 我的亚洲天堂| 久久毛片免费看一区二区三区| 欧美一级毛片孕妇| 亚洲欧美色中文字幕在线| 国产麻豆69| 久久久久久人人人人人| 大香蕉久久成人网| 在线观看66精品国产| 国产免费福利视频在线观看| 午夜日韩欧美国产| 亚洲熟妇熟女久久| 在线观看66精品国产| 少妇裸体淫交视频免费看高清 | 国产精品免费大片| 日本欧美视频一区| 久久久久久亚洲精品国产蜜桃av| 蜜桃国产av成人99| 欧美日韩成人在线一区二区| 国产精品国产高清国产av | 精品国产一区二区三区久久久樱花| 丁香六月欧美| 国产在线视频一区二区| 久久国产精品人妻蜜桃| 日韩欧美三级三区| 国产人伦9x9x在线观看| 久久精品国产亚洲av香蕉五月 | 国产精品秋霞免费鲁丝片| 黄色 视频免费看| 亚洲色图 男人天堂 中文字幕| 麻豆成人av在线观看| 久久精品成人免费网站| 一级a爱视频在线免费观看| 欧美精品人与动牲交sv欧美| 五月天丁香电影| 亚洲性夜色夜夜综合| 国产精品久久久久成人av| 亚洲av第一区精品v没综合| 一二三四在线观看免费中文在| 国产熟女午夜一区二区三区| av天堂在线播放| 老司机福利观看| h视频一区二区三区| 国产精品免费大片| 人妻 亚洲 视频| 久久国产精品人妻蜜桃| 国产主播在线观看一区二区| 亚洲avbb在线观看| 久久久精品免费免费高清| 黄色丝袜av网址大全| 另类亚洲欧美激情| 久久热在线av| 国产欧美亚洲国产| 精品高清国产在线一区| 国产成人精品在线电影| 黄色毛片三级朝国网站| 国产精品二区激情视频| 青青草视频在线视频观看| 亚洲av美国av| 午夜免费鲁丝| 十八禁网站免费在线| 精品国产乱子伦一区二区三区| 深夜精品福利| 高潮久久久久久久久久久不卡| 亚洲成av片中文字幕在线观看| 国产精品电影一区二区三区 | 18禁国产床啪视频网站| 国产aⅴ精品一区二区三区波| 国产91精品成人一区二区三区 | 另类亚洲欧美激情| 91老司机精品| 日韩三级视频一区二区三区| 成人精品一区二区免费| 国产男女超爽视频在线观看| 女人爽到高潮嗷嗷叫在线视频| 亚洲九九香蕉| 757午夜福利合集在线观看| 交换朋友夫妻互换小说| 建设人人有责人人尽责人人享有的| 中文字幕人妻熟女乱码| 一个人免费看片子| svipshipincom国产片| 他把我摸到了高潮在线观看 | 亚洲熟女毛片儿| 欧美日韩视频精品一区| 曰老女人黄片| 岛国毛片在线播放| 99国产精品99久久久久| 免费观看人在逋| 手机成人av网站| 丝袜人妻中文字幕| 超碰97精品在线观看| 国产欧美日韩综合在线一区二区| 黑人巨大精品欧美一区二区蜜桃| 99久久精品国产亚洲精品|