• <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
    99热精品在线国产| 90打野战视频偷拍视频| 国产精品一区二区三区四区久久| 久久国产乱子伦精品免费另类| 99国产极品粉嫩在线观看| 国内少妇人妻偷人精品xxx网站 | 久久久国产成人精品二区| 国产av麻豆久久久久久久| 亚洲国产高清在线一区二区三| 精华霜和精华液先用哪个| 淫秽高清视频在线观看| 日本撒尿小便嘘嘘汇集6| 男女那种视频在线观看| 国产精品1区2区在线观看.| 色在线成人网| 国产精品精品国产色婷婷| 久99久视频精品免费| 久久人妻av系列| 亚洲精品一卡2卡三卡4卡5卡| 搡老岳熟女国产| 欧美性猛交╳xxx乱大交人| 一级作爱视频免费观看| 国内精品久久久久精免费| 在线a可以看的网站| 亚洲国产看品久久| 观看美女的网站| 老司机午夜十八禁免费视频| 中文资源天堂在线| 欧美又色又爽又黄视频| 日本免费a在线| 亚洲欧美激情综合另类| 又黄又粗又硬又大视频| 99久久久亚洲精品蜜臀av| 九九在线视频观看精品| 人人妻人人看人人澡| 日韩大尺度精品在线看网址| 伦理电影免费视频| av片东京热男人的天堂| 黑人欧美特级aaaaaa片| 久久久久久九九精品二区国产| 国产高清视频在线观看网站| 两性夫妻黄色片| 丰满人妻熟妇乱又伦精品不卡| 亚洲自偷自拍图片 自拍| 国产野战对白在线观看| 国产黄色小视频在线观看| av片东京热男人的天堂| 成人国产综合亚洲| 久久中文看片网| 丝袜人妻中文字幕| 国产aⅴ精品一区二区三区波| 久久久久久久久中文| 日本一本二区三区精品| 成人三级做爰电影| 精品熟女少妇八av免费久了| e午夜精品久久久久久久| 中国美女看黄片| 观看美女的网站| 波多野结衣高清无吗| 亚洲精品一卡2卡三卡4卡5卡| 波多野结衣巨乳人妻| 日本在线视频免费播放| 国产淫片久久久久久久久 | 成年人黄色毛片网站| av在线天堂中文字幕| 国内揄拍国产精品人妻在线| 999久久久国产精品视频| 欧美不卡视频在线免费观看| 亚洲av成人精品一区久久| 亚洲人与动物交配视频| 亚洲国产欧美一区二区综合| 噜噜噜噜噜久久久久久91| 午夜亚洲福利在线播放| 免费看美女性在线毛片视频| 18美女黄网站色大片免费观看| 国产精品一区二区三区四区久久| 久久国产乱子伦精品免费另类| 人妻夜夜爽99麻豆av| 婷婷亚洲欧美| 国产成人精品久久二区二区免费| 久久午夜综合久久蜜桃| 久久草成人影院| 女警被强在线播放| 亚洲五月天丁香| 成在线人永久免费视频| 美女高潮喷水抽搐中文字幕| www日本黄色视频网| 又粗又爽又猛毛片免费看| av福利片在线观看| 中文资源天堂在线| 精品国产乱子伦一区二区三区| 老司机福利观看| 中文字幕精品亚洲无线码一区| 这个男人来自地球电影免费观看| www.www免费av| 国产一区二区在线观看日韩 | 国产精品久久久久久亚洲av鲁大| 久久中文看片网| 国产成人精品久久二区二区91| 很黄的视频免费| 亚洲在线自拍视频| 国产精品99久久99久久久不卡| 日韩精品青青久久久久久| 99热只有精品国产| 夜夜爽天天搞| 日本黄色片子视频| 亚洲在线观看片| h日本视频在线播放| 999久久久国产精品视频| 欧美黑人欧美精品刺激| 久久久久国内视频| 老司机午夜福利在线观看视频| 欧美另类亚洲清纯唯美| 久久午夜综合久久蜜桃| 亚洲va日本ⅴa欧美va伊人久久| 欧美日韩瑟瑟在线播放| 国产一区二区三区视频了| 国产高清激情床上av| 国产av不卡久久| 久久精品国产清高在天天线| 婷婷六月久久综合丁香| 99久久精品热视频| 午夜福利免费观看在线| 高清毛片免费观看视频网站| 中文在线观看免费www的网站| 欧美日韩黄片免| 亚洲国产欧美人成| 成人三级做爰电影| 老熟妇仑乱视频hdxx| 亚洲av电影在线进入| 少妇的丰满在线观看| 国产乱人伦免费视频| 欧美黄色片欧美黄色片| 美女高潮的动态| 欧美日韩精品网址| 哪里可以看免费的av片| 久久这里只有精品19| 国产伦在线观看视频一区| 国产一区二区在线观看日韩 | 久久久色成人| 欧美日韩瑟瑟在线播放| 亚洲精品国产精品久久久不卡| 免费在线观看成人毛片| 日本成人三级电影网站| 欧美性猛交黑人性爽| 特大巨黑吊av在线直播| 我的老师免费观看完整版| 精品久久久久久久毛片微露脸| 亚洲精品456在线播放app | 一进一出抽搐动态| 婷婷精品国产亚洲av| 99精品欧美一区二区三区四区| 一边摸一边抽搐一进一小说| 天堂av国产一区二区熟女人妻| 天天躁狠狠躁夜夜躁狠狠躁| 桃红色精品国产亚洲av| 99国产精品一区二区三区| 久久精品aⅴ一区二区三区四区| 国产亚洲av嫩草精品影院| 日本三级黄在线观看| tocl精华| 日本精品一区二区三区蜜桃| av视频在线观看入口| 黄色片一级片一级黄色片| svipshipincom国产片| 亚洲av片天天在线观看| 国内精品美女久久久久久| av欧美777| 精品国产乱码久久久久久男人| 国产成人啪精品午夜网站| 精品一区二区三区视频在线观看免费| 国产高清有码在线观看视频| 成人欧美大片| 久久婷婷人人爽人人干人人爱| 午夜精品久久久久久毛片777| 在线观看舔阴道视频| 亚洲片人在线观看| 日本撒尿小便嘘嘘汇集6| 国产精品一区二区精品视频观看| 久久久精品欧美日韩精品| 亚洲国产精品久久男人天堂| 午夜福利在线在线| 嫁个100分男人电影在线观看| 日韩欧美在线乱码| 在线免费观看的www视频| 三级毛片av免费| 国产乱人伦免费视频| 床上黄色一级片| 婷婷丁香在线五月| 大型黄色视频在线免费观看| 久久亚洲真实| 亚洲成av人片在线播放无| 一区福利在线观看| 精品一区二区三区四区五区乱码| 在线观看免费视频日本深夜| 亚洲av电影在线进入| 丰满人妻熟妇乱又伦精品不卡| 日韩人妻高清精品专区| 夜夜爽天天搞| 香蕉久久夜色| 深夜精品福利| 蜜桃久久精品国产亚洲av| 两个人的视频大全免费| 日韩av在线大香蕉| 在线国产一区二区在线| 久久久久久久久久黄片| 熟女少妇亚洲综合色aaa.| 成人av一区二区三区在线看| 午夜福利在线观看吧| 日韩欧美在线乱码| 免费高清视频大片| 亚洲欧洲精品一区二区精品久久久| 男人舔奶头视频| 久久亚洲真实| 特级一级黄色大片| 琪琪午夜伦伦电影理论片6080| 午夜成年电影在线免费观看| 女人高潮潮喷娇喘18禁视频| 在线观看日韩欧美| 久久香蕉精品热| 久久中文字幕人妻熟女| 一级毛片女人18水好多| 丰满的人妻完整版| 欧美成人免费av一区二区三区| 一区二区三区高清视频在线| 一个人观看的视频www高清免费观看 | 后天国语完整版免费观看| 免费看光身美女| 日韩三级视频一区二区三区| 制服人妻中文乱码| 中文字幕人成人乱码亚洲影| 亚洲自拍偷在线| 亚洲精品中文字幕一二三四区| 看免费av毛片| 99热只有精品国产| 色尼玛亚洲综合影院| 人人妻,人人澡人人爽秒播| 成人无遮挡网站| 久久精品国产综合久久久| 丰满的人妻完整版| 最近最新中文字幕大全免费视频| 久久久久亚洲av毛片大全| 国产一区二区在线观看日韩 | 国产精品一区二区免费欧美| 在线观看舔阴道视频| 国产主播在线观看一区二区| 久久久久性生活片| 身体一侧抽搐| 精品久久久久久久末码| 亚洲va日本ⅴa欧美va伊人久久| 日韩三级视频一区二区三区| av黄色大香蕉| 精品国产三级普通话版| 欧美一级毛片孕妇| 久久人人精品亚洲av| 午夜精品在线福利| 手机成人av网站| 午夜福利免费观看在线| 国产欧美日韩精品一区二区| 日本精品一区二区三区蜜桃| 国产又黄又爽又无遮挡在线| 日本 av在线| 桃色一区二区三区在线观看| 久久欧美精品欧美久久欧美| 在线观看免费午夜福利视频| 免费在线观看影片大全网站| 午夜精品在线福利| 亚洲国产高清在线一区二区三| 亚洲av熟女| 99国产精品99久久久久| 免费高清视频大片| 淫妇啪啪啪对白视频| 国产又色又爽无遮挡免费看| 少妇的丰满在线观看| 男人舔女人的私密视频| 成人性生交大片免费视频hd| 精品一区二区三区视频在线观看免费| 两个人视频免费观看高清| 亚洲avbb在线观看| 国产午夜精品论理片| 一进一出抽搐gif免费好疼| 香蕉av资源在线| 视频区欧美日本亚洲| 亚洲五月婷婷丁香| 成人欧美大片| 日本五十路高清| 性色av乱码一区二区三区2| 无人区码免费观看不卡| 熟妇人妻久久中文字幕3abv| av国产免费在线观看| 免费人成视频x8x8入口观看| 色av中文字幕| 国产黄片美女视频| 97超视频在线观看视频| 久9热在线精品视频| 国产伦精品一区二区三区四那| 国产主播在线观看一区二区| 精品久久久久久成人av| 日韩 欧美 亚洲 中文字幕| 桃色一区二区三区在线观看| 亚洲精品在线观看二区| 黄色片一级片一级黄色片| 999久久久精品免费观看国产| 国产精品久久久久久人妻精品电影| 一本综合久久免费| 亚洲av日韩精品久久久久久密| 精品一区二区三区av网在线观看| 日本 av在线| 亚洲第一欧美日韩一区二区三区| 美女大奶头视频| 亚洲人成伊人成综合网2020| 久久久久亚洲av毛片大全| 午夜精品久久久久久毛片777| 亚洲成人免费电影在线观看| a在线观看视频网站| 白带黄色成豆腐渣| 免费搜索国产男女视频| 久久久久国产精品人妻aⅴ院| 叶爱在线成人免费视频播放| 久久久久久久久中文| 日韩三级视频一区二区三区| 日日摸夜夜添夜夜添小说| 深夜精品福利| 国产成人av激情在线播放| 丰满的人妻完整版| 一本精品99久久精品77| 黄片小视频在线播放| 99久久成人亚洲精品观看| 国产一区二区在线观看日韩 | 亚洲欧洲精品一区二区精品久久久| 美女免费视频网站| 欧美极品一区二区三区四区| 午夜福利欧美成人| 人妻久久中文字幕网| 亚洲乱码一区二区免费版| 国内精品久久久久久久电影| 国产精品影院久久| 国产视频内射| 国产野战对白在线观看| 在线看三级毛片| 亚洲av成人不卡在线观看播放网| av女优亚洲男人天堂 | 两人在一起打扑克的视频| 午夜福利高清视频| 国产成人av教育| 久久久久久人人人人人| 热99re8久久精品国产| 日韩免费av在线播放| 真人一进一出gif抽搐免费| 久久精品91蜜桃| 丝袜人妻中文字幕| 成年女人看的毛片在线观看| 99在线视频只有这里精品首页| 夜夜看夜夜爽夜夜摸| 国产成人影院久久av| 国产精品亚洲一级av第二区| 精品久久久久久久末码| 亚洲中文字幕日韩| 香蕉国产在线看| 日韩中文字幕欧美一区二区| 高清毛片免费观看视频网站| 午夜福利在线观看免费完整高清在 | 嫩草影视91久久| 18禁黄网站禁片午夜丰满| 日韩免费av在线播放| 国产成人aa在线观看| 18禁观看日本| 久久久久性生活片| 国产成人系列免费观看| 欧美一级毛片孕妇| www日本黄色视频网| 国产单亲对白刺激| av欧美777| svipshipincom国产片| 久久久成人免费电影| 成人18禁在线播放| 国产91精品成人一区二区三区| 黄色丝袜av网址大全| 丰满的人妻完整版| 国产精品一区二区免费欧美| 亚洲熟妇中文字幕五十中出| 窝窝影院91人妻| 亚洲中文av在线| 亚洲 欧美一区二区三区| 国产一区二区在线av高清观看| 国产精品电影一区二区三区| 中文字幕熟女人妻在线| 久久久久免费精品人妻一区二区| 国产伦人伦偷精品视频| 免费看光身美女| 99国产精品一区二区蜜桃av| h日本视频在线播放| 欧美xxxx黑人xx丫x性爽| 三级男女做爰猛烈吃奶摸视频| 亚洲精华国产精华精| 在线观看66精品国产| 男人的好看免费观看在线视频| 国产精品久久久久久久电影 | 日本一本二区三区精品| 亚洲性夜色夜夜综合| 夜夜躁狠狠躁天天躁| 国产成人福利小说| 国产欧美日韩精品一区二区| 亚洲中文av在线| 99久久99久久久精品蜜桃| 亚洲av电影在线进入| 91九色精品人成在线观看| 欧美日韩乱码在线| 岛国在线观看网站| 丝袜人妻中文字幕| 麻豆久久精品国产亚洲av| 亚洲人成电影免费在线| 91字幕亚洲| 非洲黑人性xxxx精品又粗又长| 国产三级在线视频| 亚洲欧美精品综合久久99| 午夜福利欧美成人| 国产高清videossex| 1024香蕉在线观看| 丁香六月欧美| 成在线人永久免费视频| 亚洲午夜精品一区,二区,三区| 久久亚洲真实| 日本黄色视频三级网站网址| 在线观看免费午夜福利视频| 日本与韩国留学比较| 色综合欧美亚洲国产小说| 国产真人三级小视频在线观看| 亚洲国产中文字幕在线视频| 丰满人妻一区二区三区视频av | 国产精品亚洲美女久久久| 黄频高清免费视频| 亚洲欧美精品综合一区二区三区| 亚洲五月婷婷丁香| 又粗又爽又猛毛片免费看| av片东京热男人的天堂| 国产又色又爽无遮挡免费看| 午夜久久久久精精品| 欧美黄色片欧美黄色片| 51午夜福利影视在线观看| 亚洲无线观看免费| 日本 欧美在线| 亚洲熟女毛片儿| 好男人在线观看高清免费视频| 91字幕亚洲| 美女高潮的动态| 午夜a级毛片| 中文字幕最新亚洲高清| 美女高潮喷水抽搐中文字幕| 欧美高清成人免费视频www| 久久中文字幕人妻熟女| 老司机在亚洲福利影院| 好男人在线观看高清免费视频| 久久久久久人人人人人| 免费看日本二区| 美女午夜性视频免费| 国产av一区在线观看免费| 久久精品影院6| 亚洲国产欧美网| 一夜夜www| 国产乱人伦免费视频| 亚洲五月婷婷丁香| av天堂在线播放| 狂野欧美激情性xxxx| 日韩欧美一区二区三区在线观看| 高潮久久久久久久久久久不卡| 国产午夜精品久久久久久| 韩国av一区二区三区四区| 精品久久久久久久毛片微露脸| 国产伦在线观看视频一区| 最近最新免费中文字幕在线| 国产一级毛片七仙女欲春2| 国产成人av教育| 国产精品久久久av美女十八| 国产av一区在线观看免费| 哪里可以看免费的av片| 韩国av一区二区三区四区| 久久久久久久精品吃奶| av在线蜜桃| 国产成人一区二区三区免费视频网站| 国产野战对白在线观看| 亚洲第一电影网av| 亚洲精品国产精品久久久不卡| 亚洲一区二区三区不卡视频| 成年女人永久免费观看视频| 日日摸夜夜添夜夜添小说| 国产91精品成人一区二区三区| 99久久综合精品五月天人人| 每晚都被弄得嗷嗷叫到高潮| 国产精品女同一区二区软件 | 国内精品久久久久精免费| 九九久久精品国产亚洲av麻豆 | www.精华液| 亚洲av成人不卡在线观看播放网| 午夜福利视频1000在线观看| 亚洲中文日韩欧美视频| 香蕉av资源在线| 法律面前人人平等表现在哪些方面| 欧美日本亚洲视频在线播放| x7x7x7水蜜桃| 神马国产精品三级电影在线观看| 欧美色视频一区免费| 国产精品亚洲一级av第二区| 免费看十八禁软件| 日本黄色视频三级网站网址| 18禁黄网站禁片午夜丰满| 日韩欧美精品v在线| 伦理电影免费视频| 九九热线精品视视频播放| 久久久久国产精品人妻aⅴ院| 欧美乱妇无乱码| 国产精品久久久久久亚洲av鲁大| 成人18禁在线播放| 亚洲精品美女久久久久99蜜臀| 特级一级黄色大片| 又大又爽又粗| 午夜福利在线在线| 欧美国产日韩亚洲一区| 国产一区二区在线av高清观看| 又黄又爽又免费观看的视频| 青草久久国产| 美女大奶头视频| 真实男女啪啪啪动态图| 欧美性猛交╳xxx乱大交人| 天天一区二区日本电影三级| 91久久精品国产一区二区成人 | 中文字幕精品亚洲无线码一区| 国产亚洲av高清不卡| 亚洲精品中文字幕一二三四区| 日韩精品中文字幕看吧| 99在线视频只有这里精品首页| 日韩欧美精品v在线| 伦理电影免费视频| 欧美性猛交╳xxx乱大交人| 国产乱人伦免费视频| 欧美日韩一级在线毛片| 亚洲国产看品久久| 亚洲欧美日韩高清在线视频| 国产高清有码在线观看视频| 精品国产亚洲在线| 免费看日本二区| 国产精品免费一区二区三区在线| 91在线观看av| 国模一区二区三区四区视频 | 欧洲精品卡2卡3卡4卡5卡区| 99在线人妻在线中文字幕| 久久久久国产精品人妻aⅴ院| 久久九九热精品免费| 国产av在哪里看| 久久热在线av| 午夜亚洲福利在线播放| 免费在线观看影片大全网站| 成年女人毛片免费观看观看9| 十八禁网站免费在线| 欧美乱色亚洲激情| 1024手机看黄色片| 美女大奶头视频| 脱女人内裤的视频| 欧美日韩乱码在线| 亚洲成人久久性| 首页视频小说图片口味搜索| 99精品欧美一区二区三区四区| 熟妇人妻久久中文字幕3abv| 午夜精品在线福利| 最新中文字幕久久久久 | 91av网一区二区| 啦啦啦观看免费观看视频高清| 制服丝袜大香蕉在线| 黄色 视频免费看| 狂野欧美激情性xxxx| 久久久水蜜桃国产精品网| 国产精品乱码一区二三区的特点| 麻豆国产av国片精品| 中文字幕人成人乱码亚洲影| 成人精品一区二区免费| a级毛片在线看网站| 神马国产精品三级电影在线观看| 观看免费一级毛片| 一个人免费在线观看电影 | 久久久国产成人精品二区| 日本精品一区二区三区蜜桃| 特级一级黄色大片| 亚洲人成电影免费在线| 一区福利在线观看| 91在线观看av| 高清毛片免费观看视频网站| 亚洲成人中文字幕在线播放| 精品国产乱子伦一区二区三区| 国产精品久久久久久人妻精品电影| 男人舔女人的私密视频| 最新美女视频免费是黄的| 国产精品女同一区二区软件 | 99久国产av精品| 亚洲精品粉嫩美女一区| 国语自产精品视频在线第100页| 日本撒尿小便嘘嘘汇集6| 小蜜桃在线观看免费完整版高清| 日韩高清综合在线| 日韩成人在线观看一区二区三区| 可以在线观看毛片的网站| 最近最新免费中文字幕在线| 色在线成人网| 精品国内亚洲2022精品成人| 精品久久久久久久末码| 亚洲精品一区av在线观看| 免费在线观看日本一区| 日韩av在线大香蕉| 男女午夜视频在线观看| 日本一本二区三区精品| 91久久精品国产一区二区成人 | 中文资源天堂在线| 叶爱在线成人免费视频播放| 婷婷亚洲欧美| 一级作爱视频免费观看| 婷婷精品国产亚洲av在线|