• <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 ?

    基于分布式圖計算框架的好友推薦算法研究

    2016-07-19 02:07:18趙馬沙韓冀中
    計算機應(yīng)用與軟件 2016年6期
    關(guān)鍵詞:二度頂點好友

    趙馬沙 周 薇 張 豪 韓冀中

    1(中國科學(xué)院信息工程研究所信息智能處理技術(shù)研究室 北京 100093)2(中國科學(xué)院大學(xué) 北京 100049)3(重慶郵電大學(xué)通信與信息工程學(xué)院 重慶 400065)

    ?

    基于分布式圖計算框架的好友推薦算法研究

    趙馬沙1,2周薇1,2張豪3韓冀中1

    1(中國科學(xué)院信息工程研究所信息智能處理技術(shù)研究室北京 100093)2(中國科學(xué)院大學(xué)北京 100049)3(重慶郵電大學(xué)通信與信息工程學(xué)院重慶 400065)

    摘要隨著社交網(wǎng)絡(luò)的興起與發(fā)展,用戶數(shù)目規(guī)模呈現(xiàn)出指數(shù)級增長的趨勢。這些大規(guī)模數(shù)據(jù)里蘊含著許多有價值的信息,挖掘其中有用的信息已經(jīng)成為學(xué)者研究的重點,好友推薦就是數(shù)據(jù)挖掘里的一個重要應(yīng)用。為了獲得更優(yōu)的性能、更高的可擴展性,采用分布式平臺解決大規(guī)模好友推薦成為學(xué)術(shù)界和工業(yè)界的一個發(fā)展趨勢。目前使用得較廣泛的為基于MapReduce框架的好友推薦算法,該方法有較高的可擴展性,但是受限于MapReduce低效的中間數(shù)據(jù)傳輸,存在性能缺陷。針對上述問題,提出一種基于分布式圖計算框架的好友推薦算法。最后,在多個真實的社交網(wǎng)絡(luò)數(shù)據(jù)集上評測了該方法。實驗結(jié)果表明,該方法要優(yōu)于業(yè)界先進的好友推薦算法,在準確率相當?shù)那闆r下,性能大約為其他算法的7倍。

    關(guān)鍵詞好友推薦分布式圖計算框架隨機游走

    0引言

    隨著Web2.0的出現(xiàn)及興起,社交網(wǎng)絡(luò)得到了蓬勃發(fā)展,用戶數(shù)越來越多。2014年一月份的調(diào)查表明[1],Twitter[2]每月的平均活躍用戶人數(shù)高達2.41億。2014年5月,QQ空間官方聲稱其每月的平均活躍用戶高1.2億。這些大規(guī)模數(shù)據(jù)里蘊藏著許多潛在的有價值信息,而挖掘其中的有用信息已經(jīng)成為業(yè)界學(xué)者的一個研究重點。其中好友推薦[3]就是數(shù)據(jù)挖掘[4]的一個非常重要的應(yīng)用,目前已經(jīng)被廣泛地應(yīng)用在各類社交網(wǎng)站上。

    目前的好友推薦算法主要分為兩種[5],一種是基于局部信息的,比如已經(jīng)被廣泛應(yīng)用于社交網(wǎng)絡(luò)的二度人脈(好友的好友)好友推薦。這種基于局部信息的算法計算復(fù)雜度低,運行消耗的時間少,但因其利用的信息量少,所以準確率不高。第二種是基于全局信息的好友推薦算法,算法通常會偵測整個社會圖的所有路徑結(jié)構(gòu),由于其利用了更多的信息,所以推薦結(jié)果更加準確。但是對于大規(guī)模的在線社交網(wǎng)絡(luò)來說,這類方法的計算成本相當高,不適用實時推薦。

    針對以上缺陷,有學(xué)者提出了基于局部隨機游走的好友推薦算法[6]。它根據(jù)“小世界”理論[7],隨機游走有限范圍內(nèi)的所有路徑,為用戶提供了既快速又準確的朋友推薦。

    為了應(yīng)對日益增長的社交網(wǎng)絡(luò)數(shù)據(jù),分布式好友推薦算法也得到了研究學(xué)者的青睞。目前使用得較為廣泛的是基于MapReduce的大規(guī)模好友推薦算法[8]。該算法擁有較高的可擴展性,能應(yīng)對日益增長的社交網(wǎng)絡(luò)數(shù)據(jù)。但由于MapReduce框架中間數(shù)據(jù)的持久化機制,在其上實現(xiàn)的好友推薦算法性能較低。

    針對以上問題,本文提出一種基于分布式圖計算框架的好友推薦方法。該方法結(jié)合了局部隨機游走和分布式圖計算框架,實現(xiàn)了好友推薦迭代計算,中間數(shù)據(jù)采用消息傳遞的模式,減少了數(shù)據(jù)持久化的代價。最后,在分布式集群下評測了本文提出的方法,使用多個真實的大規(guī)模社交網(wǎng)絡(luò)公開數(shù)據(jù)集。實驗結(jié)果表明,該方法在性能上比單機的好友推薦算法提高了4倍,比基于MapReduce框架的算法提升了7倍,并且該算法具有較高的可擴展性,隨著集群規(guī)模的增長成正比增長。

    1相關(guān)工作

    好友推薦算法有很多,社會學(xué)中的同質(zhì)性理論認為,擁有相同愛好的人更可能成為朋友,所以很多社交平臺通過用戶屬性的相似度來推薦好友[9,10]。比如百度利用用戶的愛好等屬性推薦朋友。

    還有一種方法就是利用好友關(guān)系的網(wǎng)絡(luò)拓撲圖[11],主要有兩類:一類是基于社會網(wǎng)絡(luò)結(jié)構(gòu)的局部特性,比如二度人脈FOAF(FriendofaFriend)的方法[12]。它基于這樣的現(xiàn)象:如果兩個人有很多共同的朋友,那么他們在將來就很有可能成為朋友。由于FOAF的簡單高效,所以Facebook、騰訊QQ等均采用它為用戶推薦潛在好友。但是,這種基于網(wǎng)絡(luò)局部特性的方法由于利用的信息不充分,得到的結(jié)果往往不是很準確。另一類方法是基于社會網(wǎng)絡(luò)的全局特性,探索社會網(wǎng)絡(luò)圖中的所有路徑結(jié)構(gòu),比如經(jīng)典的Google網(wǎng)頁排序算法PageRank[13],利用了整個圖結(jié)構(gòu)的信息。雖然這種算法提高了結(jié)果的準確性,但是在現(xiàn)實的社交網(wǎng)絡(luò)中,用戶數(shù)目通常是上百萬、千萬甚至是億,運行這種算法成本太大,消耗的時間太多,也不適合應(yīng)用在實時推薦上。

    為了解決上述問題,有學(xué)者提出了一個基于局部隨機游走的好友推薦算法。這個方法考慮了更多的鄰居信息,具有更高的準確性;同時比起基于全局的方法,由于無需遍歷整個社會圖,因此其具有更低的時間復(fù)雜度。

    上述所有的方法都是為單機而設(shè)計的,當社交網(wǎng)絡(luò)用戶數(shù)增多,面對復(fù)雜的大規(guī)模好友推薦時,就會出現(xiàn)計算效率的問題,而且不具有很好的可擴展能力。于是一些學(xué)者開始研究可擴展的分布式好友推薦算法,通過集群的計算能力來應(yīng)對大規(guī)模數(shù)據(jù)帶來的挑戰(zhàn)。文獻[14]提出了基于MapReduce框架的分布式好友推薦方法,該方法采用MapReduce的Key-Value結(jié)構(gòu)實現(xiàn)了二度人脈等好友推薦算法[15]。盡管MapReduce具有較高的可擴展性,但是其低效的中間數(shù)據(jù)共享方式導(dǎo)致了該方法的性能不高。

    2相關(guān)背景

    2.1BSP模型

    大同步并行BSP(BulkSynchronizationParallel)模型是由哈佛大學(xué)Valiant和牛津大學(xué)BillMcColl提出的并行計算模型。BSP模型是一種包含一個主節(jié)點和多個從節(jié)點的分布式的模型。每個從節(jié)點負責(zé)處理圖中的一個子圖,作業(yè)的處理是由迭代的過程組成,每次迭代稱為一個超步。超步是在數(shù)據(jù)處理中的最小計算單位,主要包括三個階段:并行計算、通信和柵欄同步,如圖1所示。

    圖1 BSP超步的三個階段

    1) 本地計算階段,每個節(jié)點只處理本節(jié)點維護的數(shù)據(jù)。

    2) 全局通信階段,每個節(jié)點將本地計算的結(jié)果發(fā)送給鄰居節(jié)點。

    3) 柵欄同步階段,等待所有通信行為結(jié)束。

    在一個確定的超步中,一個從節(jié)點只有在上一個超步中接收到所有來自相鄰頂點的消息才可以處理這一個頂點。此外,該系統(tǒng)只有所有圖頂點都處理完畢之后才進行下一個超步。

    目前,很多公司已經(jīng)開發(fā)了許多基于BSP模型的圖數(shù)據(jù)處理系統(tǒng),最著名的就是Google發(fā)明的Pregel[16]。Pregel是一種面向圖算法的分布式編程框架,采用迭代的計算模型。在每一輪,每個頂點處理上一輪收到的消息,并給相鄰頂點發(fā)消息,更新自身狀態(tài)和拓撲結(jié)構(gòu)(出、入邊)等。類似的還有Apache的Hama[17],它是Hadoop[18]生態(tài)系統(tǒng)中的一個子項目,兼容很多Hadoop的分布式存儲系統(tǒng),如HDFS、HBase等。

    由于Pregel并非開源,我們基于Pregel的思想實現(xiàn)了BSP圖計算框架[19],本文的實驗也是運行在該框架上。與Pregel類似,BSP圖計算框架首先將圖分割為頂點不相交的子圖并將各個子圖分配到計算節(jié)點上,BSP圖計算框架的計算過程基于BSP模型實現(xiàn)。計算被分為多個超步,每一超步中各個計算節(jié)點依次調(diào)用各個頂點的更新函數(shù)。在頂點更新函數(shù)中,每個頂點可以根據(jù)所收到的上一輪的消息更新該頂點的狀態(tài)并產(chǎn)生本輪發(fā)送給其他頂點的消息。待所有圖頂點均更新完畢且所有消息均已到達目標節(jié)點,各計算節(jié)點進行柵欄同步并同時進入下一超步。這一過程循環(huán)往復(fù)直至所運行的算法達到收斂條件。因此,基于BSP框架實現(xiàn)圖算法時,主要工作是通過編寫頂點狀態(tài)更新函數(shù)來完成的。

    2.2基于局部隨機游走的好友推薦算法

    基于局部隨機游走的頂點間相似性是一個在社會圖的基礎(chǔ)上定義的相似性指標。

    首先給出社會圖的定義,社會圖是一個由頂點集合和邊集合構(gòu)成的社會網(wǎng)絡(luò),頂點代表用戶,邊代表用戶之間的關(guān)系,兩者之間構(gòu)成一個圖。

    正式地,根據(jù)圖理論定義社會圖G=(V,E),其中V表示頂點集合,也就是用戶集合,E表示無向邊集合,也就是用戶之間的關(guān)系。僅當兩個頂點vi、vj間的無向邊(vi,vj)∈E時,vj(vi)被稱為vi(vj)的鄰接。這樣社會圖能夠表示為鄰接矩陣A=(aij)∈E,如果vi和vj為朋友,則aij=1,否則為0。

    (1)

    20世紀60年代,美國著名社會心理學(xué)家Milgram提出了“小世界”理論。理論指出:你和任何一個陌生人之間所間隔的人不會超過五個,也就是說,最多通過五個中間人你就能夠認識任何一個陌生人。這個理論已經(jīng)被應(yīng)用到了很多的領(lǐng)域,局部隨機游走算法的思想就是根據(jù)“小世界”假說,在社會圖上進行有限長度的隨機游走,而不是針對整個社會圖進行全局地遍歷[20]。

    (2)

    其中L代表圖頂點vi、vj之間隨機游走的路徑長度,根據(jù)“小世界”理論,可取2到6之間的整數(shù),E為社會圖中邊的總數(shù)目,Γ(j)是頂點vj的度,代表頂點的流行度,流行度指數(shù)β是一個可變參數(shù),調(diào)節(jié)頂點vj的流行度對相似度的影響,實驗證明β取0.5時得出的結(jié)果最理想。

    學(xué)者還通過大量的實驗證明,在準確性上,基于局部隨機游走的好友推薦算法高于基于二度好友的方法,甚至高于基于全局的推薦算法?;谌值耐扑]算法雖然對社會網(wǎng)絡(luò)進行全局遍歷,但其沒有充分地捕獲圖中頂點(用戶)的局部信息[21]。而基于局部隨機游走的好友推薦算法根據(jù)“小世界”假設(shè),更加注重頂點(用戶)附近鄰居的作用,充分利用了用戶局部信息,所以它的準確性能夠高于基于全局的好友推薦方法。在性能上,基于局部隨機游走的好友推薦算法遠高于基于全局的推薦算法。

    3基于圖計算框架的好友推薦算法

    本節(jié)描述了本文提出的一種基于分布式圖計算框架的好友推薦方法。首先介紹該方法并行化的原理,然后以算法的形式詳細介紹了圖計算迭代完成好友推薦的3個階段:初始化階段、迭代階段以及結(jié)束階段。

    3.1原理

    首先分析式(1),轉(zhuǎn)移概率矩陣Q就是圖中頂點之間互相轉(zhuǎn)移的概率。如圖2所示,aij代表頂點i到頂點j的轉(zhuǎn)移概率,也就是下一步從頂點i到頂點j的概率。矩陣中每一行代表某一個頂點到其他頂點的轉(zhuǎn)移概率,根據(jù)矩陣元素的計算公式,可以得到結(jié)論。如果頂點i和頂點j無邊,轉(zhuǎn)移概率則為0,如果有邊,轉(zhuǎn)移概率就是頂點i包含的邊的倒數(shù)。

    圖2概率轉(zhuǎn)移矩陣Q

    式(1)中出現(xiàn)了Q的轉(zhuǎn)置,轉(zhuǎn)置矩陣如圖3所示。

    圖3概率轉(zhuǎn)移矩陣Q的轉(zhuǎn)置

    從圖3可以看出,轉(zhuǎn)置后的矩陣中,每一行代表其他頂點到該頂點的轉(zhuǎn)移概率。

    [pi0pi1pi2…pin]

    圖5是一個列向量,每一個元素是由n個加數(shù)相加得到。對每個加數(shù)ajk×pij,分析其意義,pij為頂點i經(jīng)過t-1步到達頂點j的概率,ajk為頂點j到達頂點k的概率,兩者相乘即為頂點i經(jīng)過t步到達頂點k的一部分概率,而所有的加數(shù)相加就代表頂點i經(jīng)過t步到達頂點k的概率。通過這種形式化的分析,我們就可以理解式(1)了。

    3.2算法

    在BSP上實現(xiàn)分布式的局部隨機游走算法分為3個階段,分別為初始化階段、迭代階段和結(jié)束階段:

    1) 初始化階段:根據(jù)輸入的圖數(shù)據(jù)文件,遍歷文件中的每一行,在BSP中生成頂點對象,然后記錄每個頂點的邊。

    算法1初始化圖數(shù)據(jù)

    輸入:圖數(shù)據(jù)文件file

    1:foreachlineinfiledo

    2:vertex←createVertex(line)

    //line是文件file的每一行數(shù)據(jù),vertex是BSP框架中的頂點對象

    3:edges←getEdges(vertex)

    //edges是存儲頂點所有的邊

    4:endforeach

    5:return

    2) 迭代階段:BSP框架控制每個頂點運行該階段,首先頂點會接受每一條邊發(fā)過來的消息,得到其中的值。然后計算p值,如果迭代次數(shù)沒有達到指定次數(shù),則繼續(xù)發(fā)消息,再次迭代,如果達到指定次數(shù),則停止。

    算法2迭代階段

    輸入:頂點vertex,頂點的邊edges,迭代的次數(shù)turn

    1:foreachedgeinedgesdo

    2:dstVertex←getDstVertex(edge)

    //dstVertex是目標頂點

    3:value←getMessage(dstVertex)

    //value是邊的權(quán)值

    4:values.add(value)

    5:endforeach

    6:p←calculate(vertex,value)

    7:ps.add(p)

    8:ifturn<=STEPthen

    //如果迭代次數(shù)小于STEP,繼續(xù)發(fā)消息

    9:foreachedgeinedgesdo

    10:dstVertex←getDstVertex(edge)

    11:sendMessage(dstVertex,p)

    //把p值發(fā)給每條邊

    12:values.add(value)

    13:endforeach

    14:elsehalt()

    3) 結(jié)束階段:每個頂點計算得到p值后,BSP框架計算出每個頂點和目標頂點的相似度sin,然后把所有的sin存儲sins集合中,最后集合匯總對所有的sin進行排序,最后按照相似度從大到小輸出。

    算法3結(jié)束階段

    輸入:各頂點的ps

    輸出:各頂點的相似度,從大到小輸出

    1:foreachvertexdo

    2:sin←getSin(ps)

    //sin就是相似度的值

    3:sins.add(sin)

    //sins存儲所有頂點的相似度

    4:endforeach

    5:printsort(sins)

    //輸出排序的結(jié)果

    6:return

    4實驗結(jié)果

    4.1測試數(shù)據(jù)集和實驗環(huán)境

    為了評測本文方法的有效性,本文選取兩個好友推薦對比系:單機的局部隨機游走算法和基于MapReduce的二度人脈好友推薦算法。并在多個真實公開的數(shù)據(jù)集上做了評測實驗,和單機的局部隨機游走算法比較。一方面證明本文提出的分布式算法是正確的,另一方面說明分布式的算法能帶來很大的性能提升,從而可以應(yīng)付日益增長的大數(shù)據(jù)集帶來的挑戰(zhàn)。和如今被很多公司廣泛用到的二度人脈算法比較,說明本文提出的算法比現(xiàn)在流行的算法擁有更高的性能,可以在實際中應(yīng)用。實驗環(huán)境是由4臺主機組成的集群,具體硬件配置參數(shù)如表1所示。

    表1 實驗環(huán)境

    在數(shù)據(jù)集的選取上,本著真實公開和全面的原則,選擇了5個不同大小的數(shù)據(jù),如表2所示。所有的數(shù)據(jù)來源各社交網(wǎng)站里,從law.di.unimi.it/datasets.php下載,由WebGraph和LLPprojects提供。這5個數(shù)據(jù)集的規(guī)模是從小到大增長的,很好地說明了本文提出的方法擁有很好的擴展性。其次從數(shù)據(jù)集中頂點的平均邊數(shù)也可以看出每個圖的稀疏程度不同,說明本文提出的方法適用面廣泛。

    表2 實驗數(shù)據(jù)集

    4.2和單機的局部隨機游走算法比較

    首先我們對分布式算法和單機算法的結(jié)果進行了比較,實驗表明兩種算法中相同頂點的相似度都是一樣的,所以局部隨機游走算法的分布式版本是正確的。

    接下來,我們測試了單機算法和分布式算法運行的時間,數(shù)據(jù)如表3所示。

    表3 分布式和單機時間對比

    由表3得出的時間對比圖如圖6所示,橫坐標是測試數(shù)據(jù)集中頂點的個數(shù)(大致),萬為單位,縱坐標是算法運行的時間,秒為單位。

    圖6 單機和并行算法時間對比圖

    由圖或者表中的數(shù)據(jù)可以看出,數(shù)據(jù)量小的時候,分布式算法時間要消耗得更多一些,這是因為并行框架本身要消耗資源和時間,并行帶來的性能還沒有彌補框架損失的性能。但隨著數(shù)據(jù)集的增大,很明顯,分布式的時間比單機版本消耗的時間要少,性能大約提升了四倍,而且性能的提升程度和集群的大小是成正比的。

    4.3和MapReduce的二度人脈算法比較

    在分布式好友推薦算法中,基于MapReduce的二度人脈好友推薦算法使用得較廣泛,F(xiàn)acebook和Hi5等OSNs就使用了該方法進行好友推薦,來自于Facebook的數(shù)據(jù)科學(xué)家LarsBackstrom在eswc2011的報告[22]中介紹了他們是如何利用二度人脈的算法來為用戶推薦朋友。下面就BSP上的局部隨機游走算法和MapReduce上的二度人脈算法進行比較。首先看兩個算法的推薦效果。采用MeanReciprocalRank(MRR)值作為測試指標,在原來的數(shù)據(jù)圖中刪除某頂點的10個好友,然后分別用這兩個算法試圖把刪去的10個好友推薦回來,比較這十個好友的MRR值,結(jié)果如表4所示。

    表4 MRR值對比

    由于數(shù)據(jù)量很大,一個頂點的邊有很多,所以得到的MRR值非常小。由表4可以看出,BSP的MRR值比MapReduce的MRR值要大,可以得出結(jié)論,BSP上的局部隨機游走算法的推薦是更準確的。

    接下來,比較兩者的計算時間,數(shù)據(jù)如表5所示。

    表5 兩個并行算法時間對比

    圖7是表5中數(shù)據(jù)的折線圖顯示,橫坐標是測試數(shù)據(jù)集頂點的個數(shù),單位為萬,縱坐標是算法運行的時間,單位為秒。

    圖7 單機和并行算法時間對比圖

    由圖7可以看出MapReduce上的二度人脈的性能遠遠不如BSP上的局部隨機游走算法的性能,主要原因是并行框架的差異,BSP適合迭代圖數(shù)據(jù)計算,中間消息采用消息傳遞,而不是通過文件系統(tǒng)存儲中間結(jié)果。而MapReduce框架的啟動代價比較大,并且中間的結(jié)果是存儲在本地磁盤中,從而每次計算會產(chǎn)生大量的IO操作,所以抑制了性能。

    5結(jié)語

    本文首先提出了一種基于分布式圖計算框架的好友推薦方法,然后通過大量的實驗證明了該方法的高效性和可擴展性。實驗中,首先和單機的局部隨機游走算法進行了比較,證明了分布式的算法能夠帶來很大的性能提升,從而可以通過增加普通集群的方式來應(yīng)付大數(shù)據(jù)帶來的挑戰(zhàn)。接著又和現(xiàn)在流行的二度人脈算法進行了比較,證明了本文提出的算法具有很高的應(yīng)用價值。為了進一步提高本文方法的適用面,未來我們的工作主要集中在優(yōu)化好友推薦算法上。

    參考文獻

    [1]SocialNetworkService[EB/OL].http://newsroom.fb.com/Key-Facts.

    [2]HaewoonKwak,ChanghyunLee,HosungPark,etal.WhatisTwitter,asocialnetworkornewsmedia?[C]//Proceedingsofthe19thInternationalConferenceonWorldWideWeb,2010:591-600.

    [3]IdoGuy,InbalRonen,EricWilcox.Doyouknow?:recommendingpeopletoinviteintoyoursocialnetwork[C]//Proceedingsofthe14thinternationalconferenceonIntelligentuserinterfaces,February08-11,2009:77-86.

    [4]MarkHall,EibeFrank,GeoffreyHolmes,etal.Thewekadataminingsoftware:anupdate[J].ACMSIGKDDexplorationsnewsletter,2009,11(1):10-18.

    [5] 王兵輝.社交網(wǎng)絡(luò)中潛在好友推薦算法研究[D].云南大學(xué),2013.

    [6] 俞琰,邱廣華.基于局部隨機游走的在線社交網(wǎng)絡(luò)朋友推薦算法[J].系統(tǒng)工程,2013,31(2):47-54.

    [7] 佟婷婷,宋藝.小世界理論及其在Internet中的應(yīng)用[J].企業(yè)技術(shù)開發(fā),2010,29(1):26-27.

    [8] 楊婷.基于MapReduce的好友推薦系統(tǒng)的研究與實現(xiàn)[D].北京郵電大學(xué),2013.

    [9] 楊長春,楊晶,丁虹.一種新的新浪微博好友推薦算法[J].計算機應(yīng)用與軟件,2014,31(7):255-258,274.

    [10] 于海群,劉萬軍,邱云飛.基于用戶偏好的社會網(wǎng)絡(luò)二級人脈推薦研究[J].計算機應(yīng)用與軟件,2012,29(4):39-43.

    [11]SilvaNB,TsangIR,CavalcantiGDC,etal.Agraph-basedfriendrecommendationsystemusinggeneticalgorithm[C]//Proceedingsof6thIEEEWorldCongressonComputationalIntelligence.Piscataway:IEEEPress,2010:233-239.

    [12] 張龍昌,劉志晗,王攀,等.基于FOAF的分布式移動SNS應(yīng)用[J].電信科學(xué),2010,26(5):88-92.

    [13] 平衛(wèi)芳.Web數(shù)據(jù)挖掘中PageRank算法的研究與改進[D].華東理工大學(xué),2014.

    [14] 賀超波,湯庸,陳國華,等.面向大規(guī)模社交網(wǎng)絡(luò)的潛在好友推薦方法[J].合肥工業(yè)大學(xué)學(xué)報:自然科學(xué)版,2013,36(4):420-424.

    [15]MapReduce上實現(xiàn)二度人脈好友推薦算法[EB/OL].http://www.datalab.sinaapp.com/?=192.

    [16] 張杰.PyGel:基于DPark的分布式圖計算引擎的研究與實現(xiàn)[D].華南理工大學(xué),2013.

    [17] 蔡大威.基于Hadoop和Hama平臺的并行算法研究[D].浙江大學(xué),2013.

    [18] 朱珠.基于Hadoop的海量數(shù)據(jù)處理模型研究和應(yīng)用[D].北京郵電大學(xué),2008.

    [19]WeiZhou,BoLi,ZhangZhang,etal.Arbor:EfficientLarge-ScaleGraphDataComputingModel[C]//Proceedingsofthe15thIEEEInternationalConferenceonHighPerformanceComputingandCommunications,2013:300-307.

    [20] 李金枝.基于RWR的圖像分割算法研究[D].重慶大學(xué),2010.

    [21]PapadimitriouA,SyseonidisP,ManolopoulosY.Fastandaccuratelinkpredictioninsocialnetworkingsystems[J].JournalofSystemandSoftware,2012,85(9):2119-2132.

    [22]DealingwithstructuredandunstructureddataatFacebook[EB/OL].http://videolectures.net/eswc2011_backstrom_facebook/.

    STUDY ON A FRIEND RECOMMENDATION ALGORITHM BASED ON DISTRIBUTEDGRAPHCOMPUTINGFRAMEWORK

    Zhao Masha1,2Zhou Wei1,2Zhang Hao3Han Jizhong1

    1(Institute of Information Engineering,Chinese Academy of Science,Beijing 100093,China)2(University of Chinese Academy of Science,Beijing 100049,China)3(School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China)

    AbstractWith the rise and development of social networking sites, the user number show a growth trend in exponential level, in these massive data there contains a lot of valuable information, and to mine the useful information has become the focus of the scholars in their studies. The friend recommendation algorithm is one of the most important applications in data mining. To acquire better performance and higher scalability, it becomes a developing trend in both the academia and the industry to use a distributed platform in solving the large-scale friend recommendation. Currently, the friend recommendation algorithm based on MapReduce framework has been widely used because of its high scalability. However, the inefficient transmission of the intermediate data of MapReduce results in the performance deficiencies. To solve these problems, the paper proposes a distributed graph computing framework-based friend recommendation algorithm. In end of the paper, we give the evaluation of the proposed algorithm on a couple of real social network datasets, and the experimental results show that it is superior to the advanced friend recommendation algorithms of the industry, and its performance is about seven times than that of other algorithms under the circumstance of similar accuracy.

    KeywordsFriend recommendationDistributed graph computing frameworkRandom walk

    收稿日期:2014-10-09。國家自然科學(xué)基金項目(60903047);國家高技術(shù)研究發(fā)展計劃項目(2012AA01A401,2013AA013204);中國科學(xué)院先導(dǎo)專項(XDA06030200)。趙馬沙,碩士生,主研領(lǐng)域:大規(guī)模數(shù)據(jù)處理。周薇,博士生。張豪,碩士生。韓冀中,教授級高工。

    中圖分類號TP3

    文獻標識碼A

    DOI:10.3969/j.issn.1000-386x.2016.06.008

    猜你喜歡
    二度頂點好友
    過非等腰銳角三角形頂點和垂心的圓的性質(zhì)及應(yīng)用(下)
    圖說·“梅”開二度
    杭州(2019年16期)2019-09-10 07:22:44
    歌唱表演“二度創(chuàng)作”的基本能力和表演要求
    心聲歌刊(2019年1期)2019-05-09 03:21:34
    屬羊
    關(guān)于頂點染色的一個猜想
    滬指二度回升 逢高宜減倉
    刪除好友
    雜文月刊(2017年20期)2017-11-13 02:25:06
    智慧改寫,讓佳作“二度開花”
    語文知識(2014年2期)2014-02-28 21:59:23
    數(shù)學(xué)問答
    一個人在頂點
    歲月(2009年3期)2009-04-10 03:50:12
    汤姆久久久久久久影院中文字幕| 日韩电影二区| 久久午夜福利片| 国产精品精品国产色婷婷| 国产一区二区三区av在线| 午夜福利网站1000一区二区三区| 边亲边吃奶的免费视频| 国产av一区二区精品久久 | 亚洲色图综合在线观看| 精品久久久久久电影网| 久久国产乱子免费精品| 免费观看在线日韩| 丝袜喷水一区| 纯流量卡能插随身wifi吗| 在线 av 中文字幕| 99久久综合免费| 综合色丁香网| 久久人人爽人人爽人人片va| 男女下面进入的视频免费午夜| 2022亚洲国产成人精品| 色视频www国产| 啦啦啦在线观看免费高清www| 国产av码专区亚洲av| 国产乱人偷精品视频| 激情 狠狠 欧美| 国产精品成人在线| 国产精品99久久久久久久久| 九九爱精品视频在线观看| 水蜜桃什么品种好| 美女cb高潮喷水在线观看| 在线观看美女被高潮喷水网站| 少妇的逼好多水| 欧美日韩视频精品一区| 亚洲欧美日韩东京热| 国产精品嫩草影院av在线观看| 国产亚洲午夜精品一区二区久久| 中国美白少妇内射xxxbb| 秋霞在线观看毛片| 免费观看无遮挡的男女| 中文精品一卡2卡3卡4更新| 国产极品天堂在线| 99精国产麻豆久久婷婷| 日韩在线高清观看一区二区三区| 啦啦啦啦在线视频资源| 国产 精品1| 一级毛片我不卡| 国产视频首页在线观看| 少妇丰满av| 午夜日本视频在线| .国产精品久久| 成人高潮视频无遮挡免费网站| 另类亚洲欧美激情| 国产精品国产av在线观看| 欧美一级a爱片免费观看看| 一区二区三区免费毛片| 国产精品三级大全| 日韩大片免费观看网站| 久久精品久久久久久噜噜老黄| 日本av免费视频播放| 精品国产露脸久久av麻豆| 国产精品一区二区三区四区免费观看| 赤兔流量卡办理| 赤兔流量卡办理| 免费看不卡的av| 免费看不卡的av| 在线观看免费视频网站a站| 中文字幕人妻熟人妻熟丝袜美| 欧美 日韩 精品 国产| 美女视频免费永久观看网站| 2018国产大陆天天弄谢| 男女啪啪激烈高潮av片| 色5月婷婷丁香| 免费黄频网站在线观看国产| 亚洲欧美清纯卡通| 十分钟在线观看高清视频www | 在线免费观看不下载黄p国产| 少妇 在线观看| 久久精品夜色国产| 99热6这里只有精品| 国产片特级美女逼逼视频| 久久国内精品自在自线图片| 最近手机中文字幕大全| 高清不卡的av网站| 国产精品一区二区在线不卡| 寂寞人妻少妇视频99o| 人妻 亚洲 视频| 蜜桃久久精品国产亚洲av| 免费黄色在线免费观看| 99久久综合免费| 成人18禁高潮啪啪吃奶动态图 | 青青草视频在线视频观看| 久久人人爽人人爽人人片va| 又粗又硬又长又爽又黄的视频| 26uuu在线亚洲综合色| 免费人妻精品一区二区三区视频| 高清黄色对白视频在线免费看 | 国产男女超爽视频在线观看| 国产精品.久久久| 亚洲av二区三区四区| 日本黄色日本黄色录像| 国产免费又黄又爽又色| 97在线人人人人妻| 国产色爽女视频免费观看| 夜夜爽夜夜爽视频| 国产亚洲一区二区精品| 久久久久国产精品人妻一区二区| 少妇 在线观看| 婷婷色av中文字幕| 国产v大片淫在线免费观看| 国产精品一二三区在线看| 国产精品国产三级国产专区5o| 简卡轻食公司| 最近2019中文字幕mv第一页| 欧美一区二区亚洲| 亚洲国产av新网站| 国产高潮美女av| 国产毛片在线视频| 日日啪夜夜爽| 国产深夜福利视频在线观看| 久久久久久久大尺度免费视频| 欧美日韩亚洲高清精品| 新久久久久国产一级毛片| 成人一区二区视频在线观看| 亚洲精品中文字幕在线视频 | 人体艺术视频欧美日本| 国产精品一区二区三区四区免费观看| 大陆偷拍与自拍| 熟女电影av网| 亚洲av日韩在线播放| 日韩人妻高清精品专区| 久久99精品国语久久久| 99热国产这里只有精品6| 成人国产麻豆网| 日韩大片免费观看网站| 久久久久视频综合| 舔av片在线| av国产精品久久久久影院| 九色成人免费人妻av| 久久精品国产自在天天线| 精品国产一区二区三区久久久樱花 | 毛片女人毛片| 多毛熟女@视频| 看非洲黑人一级黄片| 中文欧美无线码| 国产黄色免费在线视频| 中文欧美无线码| 免费播放大片免费观看视频在线观看| 日韩三级伦理在线观看| 男女边吃奶边做爰视频| 亚洲精品国产成人久久av| 观看美女的网站| 久久青草综合色| 激情 狠狠 欧美| 久久人人爽人人爽人人片va| 亚洲伊人久久精品综合| 精品久久久久久电影网| av在线观看视频网站免费| 亚洲av欧美aⅴ国产| 伦精品一区二区三区| 人人妻人人看人人澡| 亚洲人成网站在线观看播放| 赤兔流量卡办理| 欧美高清成人免费视频www| 亚洲精品一二三| 久久毛片免费看一区二区三区| 高清视频免费观看一区二区| 99国产精品免费福利视频| .国产精品久久| 欧美xxⅹ黑人| 国产精品福利在线免费观看| 色婷婷av一区二区三区视频| 在线观看国产h片| 精品久久国产蜜桃| 丰满乱子伦码专区| 丰满迷人的少妇在线观看| 久久午夜福利片| 国产中年淑女户外野战色| 日韩一区二区三区影片| 麻豆精品久久久久久蜜桃| 久久久久久久大尺度免费视频| 亚洲精品乱码久久久v下载方式| 极品教师在线视频| 亚洲国产精品国产精品| 国产午夜精品一二区理论片| 日韩国内少妇激情av| 国产精品国产av在线观看| 久久精品国产亚洲av涩爱| 夜夜看夜夜爽夜夜摸| 在线观看免费日韩欧美大片 | 97在线视频观看| av又黄又爽大尺度在线免费看| 最黄视频免费看| 视频区图区小说| av播播在线观看一区| 午夜福利在线在线| 99热国产这里只有精品6| 久久久久视频综合| 校园人妻丝袜中文字幕| 色婷婷久久久亚洲欧美| 亚洲色图综合在线观看| 青青草视频在线视频观看| 激情 狠狠 欧美| 免费久久久久久久精品成人欧美视频 | 少妇裸体淫交视频免费看高清| 国产综合精华液| 婷婷色综合www| 免费在线观看成人毛片| 特大巨黑吊av在线直播| 国产大屁股一区二区在线视频| 久久久欧美国产精品| 国产探花极品一区二区| 亚洲色图av天堂| 国产午夜精品一二区理论片| 精品一品国产午夜福利视频| 久久婷婷青草| 在线观看人妻少妇| 狠狠精品人妻久久久久久综合| 亚洲人成网站在线播| 国产精品蜜桃在线观看| 久久精品国产亚洲网站| 色视频www国产| av线在线观看网站| 人妻 亚洲 视频| 黄色日韩在线| av在线观看视频网站免费| 美女国产视频在线观看| 嫩草影院新地址| 美女cb高潮喷水在线观看| 97精品久久久久久久久久精品| 啦啦啦中文免费视频观看日本| 在线观看美女被高潮喷水网站| 久久精品久久精品一区二区三区| 一级a做视频免费观看| 日日撸夜夜添| 国产国拍精品亚洲av在线观看| 夫妻午夜视频| 中国国产av一级| 毛片一级片免费看久久久久| 热99国产精品久久久久久7| 99热这里只有是精品在线观看| 九九爱精品视频在线观看| 国产淫语在线视频| 99国产精品免费福利视频| 亚洲国产高清在线一区二区三| 亚洲成人中文字幕在线播放| 丰满人妻一区二区三区视频av| 免费久久久久久久精品成人欧美视频 | 大香蕉97超碰在线| 国产 精品1| 国产v大片淫在线免费观看| 亚洲国产毛片av蜜桃av| 精品酒店卫生间| 日日啪夜夜撸| 国产欧美另类精品又又久久亚洲欧美| 久久99热这里只频精品6学生| 最新中文字幕久久久久| 少妇人妻 视频| 亚洲精品乱久久久久久| 国产精品三级大全| 免费观看无遮挡的男女| 久久精品夜色国产| 亚洲国产成人一精品久久久| 免费黄频网站在线观看国产| 国产精品.久久久| 午夜福利在线在线| 夫妻午夜视频| 日本一二三区视频观看| 色视频www国产| 久久久精品免费免费高清| 亚洲欧美一区二区三区黑人 | 天天躁日日操中文字幕| 18禁在线播放成人免费| 午夜免费鲁丝| 在现免费观看毛片| 精品久久久噜噜| 国产在线视频一区二区| 99re6热这里在线精品视频| 大陆偷拍与自拍| 精品国产一区二区三区久久久樱花 | 欧美高清成人免费视频www| 日本欧美视频一区| 伊人久久精品亚洲午夜| 黑丝袜美女国产一区| 国产精品偷伦视频观看了| 欧美国产精品一级二级三级 | 在线观看美女被高潮喷水网站| 狂野欧美白嫩少妇大欣赏| 韩国高清视频一区二区三区| 久热久热在线精品观看| 成年免费大片在线观看| 免费看av在线观看网站| 国产一区有黄有色的免费视频| 久久国产精品男人的天堂亚洲 | 成年av动漫网址| 久久久欧美国产精品| av.在线天堂| 男女下面进入的视频免费午夜| 国产成人精品婷婷| 亚洲婷婷狠狠爱综合网| 黄色视频在线播放观看不卡| 91精品国产九色| 日韩在线高清观看一区二区三区| 久久人妻熟女aⅴ| 少妇人妻久久综合中文| 亚洲高清免费不卡视频| 极品少妇高潮喷水抽搐| 涩涩av久久男人的天堂| 亚洲欧美成人精品一区二区| 纵有疾风起免费观看全集完整版| 日韩制服骚丝袜av| 国产高清有码在线观看视频| 成人二区视频| 九九爱精品视频在线观看| 欧美激情国产日韩精品一区| 日韩av不卡免费在线播放| 欧美国产精品一级二级三级 | 久久久久精品久久久久真实原创| 色哟哟·www| 日本欧美国产在线视频| av黄色大香蕉| 日本免费在线观看一区| 黄片无遮挡物在线观看| 亚洲美女视频黄频| 少妇的逼好多水| 精品久久久久久久久av| 欧美国产精品一级二级三级 | 精品午夜福利在线看| 国产男人的电影天堂91| 一区二区三区免费毛片| 亚洲av综合色区一区| 国产伦理片在线播放av一区| 精华霜和精华液先用哪个| 这个男人来自地球电影免费观看 | 一区二区三区精品91| 亚洲国产欧美人成| videossex国产| 久久久久精品性色| 极品少妇高潮喷水抽搐| 久久女婷五月综合色啪小说| 亚洲美女视频黄频| 天天躁日日操中文字幕| 晚上一个人看的免费电影| 在线播放无遮挡| 高清黄色对白视频在线免费看 | 午夜福利在线在线| 亚洲国产欧美人成| 青青草视频在线视频观看| 麻豆成人午夜福利视频| 特大巨黑吊av在线直播| 色5月婷婷丁香| 人体艺术视频欧美日本| 九九久久精品国产亚洲av麻豆| 多毛熟女@视频| 男男h啪啪无遮挡| 街头女战士在线观看网站| 七月丁香在线播放| 夜夜骑夜夜射夜夜干| 丝袜喷水一区| 99视频精品全部免费 在线| 中国三级夫妇交换| videossex国产| 老师上课跳d突然被开到最大视频| 你懂的网址亚洲精品在线观看| 99热网站在线观看| 亚洲精品国产成人久久av| 欧美性感艳星| 在现免费观看毛片| 国产久久久一区二区三区| 在线观看免费视频网站a站| 一级a做视频免费观看| 久久人人爽av亚洲精品天堂 | 国产精品.久久久| 看非洲黑人一级黄片| 国产免费一区二区三区四区乱码| 国产乱来视频区| 人人妻人人看人人澡| 亚洲精品乱码久久久久久按摩| 国国产精品蜜臀av免费| 高清不卡的av网站| 在线免费观看不下载黄p国产| 午夜视频国产福利| 日韩欧美 国产精品| 精品久久久久久久久av| 天天躁日日操中文字幕| 国产精品久久久久久精品古装| 午夜免费男女啪啪视频观看| 汤姆久久久久久久影院中文字幕| 久久影院123| 欧美日韩亚洲高清精品| 成人亚洲精品一区在线观看 | 噜噜噜噜噜久久久久久91| 国产黄色视频一区二区在线观看| 成人二区视频| a级一级毛片免费在线观看| 免费观看在线日韩| 肉色欧美久久久久久久蜜桃| 亚洲天堂av无毛| 毛片一级片免费看久久久久| 内地一区二区视频在线| 日韩视频在线欧美| 亚洲第一区二区三区不卡| 各种免费的搞黄视频| 在现免费观看毛片| 国产在线男女| 黄片wwwwww| 久久国产亚洲av麻豆专区| 精品亚洲乱码少妇综合久久| 成人毛片60女人毛片免费| 免费久久久久久久精品成人欧美视频 | 亚洲不卡免费看| 九草在线视频观看| 国产黄频视频在线观看| 久久97久久精品| 亚洲av综合色区一区| 女性生殖器流出的白浆| 中文欧美无线码| 天堂8中文在线网| 久久久久性生活片| 精品国产一区二区三区久久久樱花 | 国产女主播在线喷水免费视频网站| 亚洲av男天堂| 久久人人爽人人片av| 亚洲性久久影院| 国产精品一及| 亚洲av免费高清在线观看| 少妇精品久久久久久久| av网站免费在线观看视频| 欧美另类一区| 天堂俺去俺来也www色官网| 精品久久久噜噜| 中文天堂在线官网| 看非洲黑人一级黄片| 国产高清有码在线观看视频| 99久久精品国产国产毛片| 欧美极品一区二区三区四区| 国产精品一区二区三区四区免费观看| 一区二区av电影网| 热99国产精品久久久久久7| 99久久精品一区二区三区| 久久99蜜桃精品久久| 男男h啪啪无遮挡| 免费少妇av软件| 免费人妻精品一区二区三区视频| 久久 成人 亚洲| 亚洲av成人精品一区久久| 日韩av不卡免费在线播放| 亚洲av电影在线观看一区二区三区| 亚洲精品中文字幕在线视频 | 美女内射精品一级片tv| 国产欧美日韩一区二区三区在线 | 成人特级av手机在线观看| 久久久久国产精品人妻一区二区| 日日摸夜夜添夜夜添av毛片| 亚洲av.av天堂| 国产美女午夜福利| 国产精品.久久久| 欧美少妇被猛烈插入视频| 成人二区视频| 在线看a的网站| 女人十人毛片免费观看3o分钟| 日韩电影二区| 午夜福利高清视频| 舔av片在线| 久久久久性生活片| 日本欧美视频一区| 国产高清不卡午夜福利| 久久久久久久久久成人| 在线观看一区二区三区激情| 国产免费一级a男人的天堂| 国产国拍精品亚洲av在线观看| 水蜜桃什么品种好| 欧美日本视频| 日韩精品有码人妻一区| 国产精品嫩草影院av在线观看| 人妻制服诱惑在线中文字幕| 九色成人免费人妻av| 精品亚洲乱码少妇综合久久| 国产精品国产三级专区第一集| 18禁裸乳无遮挡免费网站照片| 欧美+日韩+精品| 日韩三级伦理在线观看| 免费看日本二区| 国产爱豆传媒在线观看| 欧美成人a在线观看| 国产精品不卡视频一区二区| 亚洲精品色激情综合| 免费黄网站久久成人精品| 一区在线观看完整版| 国产黄色视频一区二区在线观看| 国产免费一级a男人的天堂| 欧美xxxx黑人xx丫x性爽| 午夜视频国产福利| 久久久久视频综合| 蜜桃久久精品国产亚洲av| 午夜福利在线在线| 下体分泌物呈黄色| 国产高清不卡午夜福利| 丰满迷人的少妇在线观看| 国产亚洲av片在线观看秒播厂| av国产免费在线观看| 少妇熟女欧美另类| 国产免费一级a男人的天堂| 国模一区二区三区四区视频| 中国美白少妇内射xxxbb| 一级毛片 在线播放| 美女高潮的动态| 国产女主播在线喷水免费视频网站| 卡戴珊不雅视频在线播放| 欧美变态另类bdsm刘玥| 亚洲av.av天堂| 国产精品久久久久久精品古装| 1000部很黄的大片| 91精品伊人久久大香线蕉| kizo精华| 在线观看三级黄色| 亚洲精品乱码久久久v下载方式| 蜜臀久久99精品久久宅男| 色婷婷久久久亚洲欧美| 女人久久www免费人成看片| 国产高清国产精品国产三级 | freevideosex欧美| 久久久色成人| 大陆偷拍与自拍| 啦啦啦中文免费视频观看日本| 国产午夜精品一二区理论片| 97超视频在线观看视频| 特大巨黑吊av在线直播| 亚洲精品,欧美精品| 久久久久性生活片| 久久热精品热| 高清欧美精品videossex| 人妻制服诱惑在线中文字幕| 狂野欧美激情性xxxx在线观看| 在线观看免费视频网站a站| 丰满人妻一区二区三区视频av| 狠狠精品人妻久久久久久综合| 日本与韩国留学比较| 日韩 亚洲 欧美在线| 1000部很黄的大片| 国产精品久久久久成人av| 亚洲经典国产精华液单| 免费观看无遮挡的男女| 精品酒店卫生间| 免费观看无遮挡的男女| 国产精品99久久久久久久久| 丰满迷人的少妇在线观看| 久久这里有精品视频免费| 久久久久视频综合| 精品亚洲乱码少妇综合久久| 只有这里有精品99| 在线免费十八禁| 三级经典国产精品| 成人漫画全彩无遮挡| 黄色欧美视频在线观看| 26uuu在线亚洲综合色| 亚洲人与动物交配视频| 色综合色国产| 免费av中文字幕在线| 丝袜喷水一区| 久久精品国产自在天天线| 成年人午夜在线观看视频| av福利片在线观看| 久久久久久久精品精品| 人妻 亚洲 视频| 免费不卡的大黄色大毛片视频在线观看| 亚洲精品国产av蜜桃| 成人毛片a级毛片在线播放| 91精品伊人久久大香线蕉| 亚洲精华国产精华液的使用体验| 各种免费的搞黄视频| 久久精品国产鲁丝片午夜精品| 亚洲熟女精品中文字幕| 国产精品嫩草影院av在线观看| 亚洲国产日韩一区二区| 九色成人免费人妻av| 免费黄网站久久成人精品| 日韩一本色道免费dvd| 91精品国产国语对白视频| 80岁老熟妇乱子伦牲交| 久久久久久伊人网av| 国产69精品久久久久777片| 久久人妻熟女aⅴ| 久久青草综合色| 亚洲欧美成人精品一区二区| 国产精品免费大片| 极品少妇高潮喷水抽搐| 国产精品成人在线| 少妇人妻精品综合一区二区| 在线看a的网站| 亚洲精品国产av成人精品| 亚洲色图av天堂| 亚洲精品久久午夜乱码| 在线播放无遮挡| 国产亚洲91精品色在线| 老女人水多毛片| 99热网站在线观看| 精品99又大又爽又粗少妇毛片| 日产精品乱码卡一卡2卡三| 欧美精品亚洲一区二区| 男女免费视频国产| 97热精品久久久久久| 一个人看的www免费观看视频| 午夜免费鲁丝| kizo精华| 91久久精品国产一区二区三区| 男人添女人高潮全过程视频| 中国三级夫妇交换| 亚洲精品一区蜜桃| 精品久久久久久久久亚洲| 日本黄色片子视频| 2022亚洲国产成人精品| 麻豆成人午夜福利视频| 制服丝袜香蕉在线| 好男人视频免费观看在线| 成人免费观看视频高清|