• <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
    国产一区在线观看成人免费| 成年免费大片在线观看| 淫妇啪啪啪对白视频| 欧美日韩精品网址| 国产又色又爽无遮挡免费看| 国产精品久久久久久人妻精品电影| bbb黄色大片| 欧美国产日韩亚洲一区| 日本成人三级电影网站| 国产欧美日韩一区二区三| 欧美日韩乱码在线| 亚洲欧美精品综合久久99| 精品高清国产在线一区| 老熟妇仑乱视频hdxx| 精品乱码久久久久久99久播| 香蕉国产在线看| 日本在线视频免费播放| 欧美成人午夜精品| 88av欧美| 久久天躁狠狠躁夜夜2o2o| 久久草成人影院| 国产亚洲精品av在线| 99久久久亚洲精品蜜臀av| 99热只有精品国产| 最近在线观看免费完整版| 中文在线观看免费www的网站 | 精品福利观看| 日韩欧美一区二区三区在线观看| 国产精品久久久久久人妻精品电影| 欧美一级毛片孕妇| 白带黄色成豆腐渣| 一进一出好大好爽视频| 香蕉国产在线看| 国产精品一区二区免费欧美| 亚洲成人久久性| 深夜精品福利| 别揉我奶头~嗯~啊~动态视频| 91老司机精品| 男人舔女人的私密视频| 国产一区二区激情短视频| 欧美人与性动交α欧美精品济南到| 久久国产精品人妻蜜桃| 黄色 视频免费看| 亚洲男人天堂网一区| 高清毛片免费观看视频网站| 人妻丰满熟妇av一区二区三区| 亚洲熟女毛片儿| 国产欧美日韩一区二区三| 欧美成人一区二区免费高清观看 | 桃色一区二区三区在线观看| 99国产精品一区二区三区| 2021天堂中文幕一二区在线观 | 亚洲av五月六月丁香网| 国产欧美日韩一区二区三| 久久精品成人免费网站| 精品国产乱子伦一区二区三区| 精品国产超薄肉色丝袜足j| 亚洲精品色激情综合| 女性生殖器流出的白浆| 成年免费大片在线观看| 熟妇人妻久久中文字幕3abv| 日本 av在线| 99久久无色码亚洲精品果冻| 最新美女视频免费是黄的| 精品不卡国产一区二区三区| 宅男免费午夜| 一本一本综合久久| 久久国产亚洲av麻豆专区| 午夜视频精品福利| 久久中文字幕人妻熟女| 精品日产1卡2卡| 欧美精品啪啪一区二区三区| 色综合亚洲欧美另类图片| 最近最新免费中文字幕在线| 国产人伦9x9x在线观看| 悠悠久久av| 在线免费观看的www视频| 桃红色精品国产亚洲av| 久久热在线av| 久久精品人妻少妇| 黄色视频不卡| 久久久国产成人精品二区| 免费在线观看视频国产中文字幕亚洲| 欧美黑人精品巨大| 在线观看午夜福利视频| 高潮久久久久久久久久久不卡| 亚洲成人久久性| 国产精品九九99| 18禁黄网站禁片午夜丰满| 日韩大尺度精品在线看网址| 国产精品 欧美亚洲| 欧美精品啪啪一区二区三区| 国产一区在线观看成人免费| 一边摸一边抽搐一进一小说| 啦啦啦韩国在线观看视频| 一区二区三区高清视频在线| 国产av不卡久久| 精品熟女少妇八av免费久了| 超碰成人久久| 亚洲第一青青草原| 精品无人区乱码1区二区| 亚洲av成人一区二区三| 男人舔女人下体高潮全视频| 国产精华一区二区三区| 色播在线永久视频| 日韩欧美一区视频在线观看| 后天国语完整版免费观看| 免费在线观看日本一区| 亚洲成人精品中文字幕电影| 亚洲国产欧美一区二区综合| 中文字幕久久专区| 日韩成人在线观看一区二区三区| 亚洲精华国产精华精| 最新美女视频免费是黄的| 黄色 视频免费看| 90打野战视频偷拍视频| 国产亚洲欧美精品永久| 国产99白浆流出| 国产黄a三级三级三级人| 免费在线观看成人毛片| 亚洲色图av天堂| 18禁国产床啪视频网站| 美女 人体艺术 gogo| 日本一本二区三区精品| 丁香六月欧美| 国产高清有码在线观看视频 | 国产精品国产高清国产av| 老司机靠b影院| 女性生殖器流出的白浆| 成年女人毛片免费观看观看9| 欧美激情久久久久久爽电影| 男女床上黄色一级片免费看| 在线av久久热| 亚洲 欧美 日韩 在线 免费| 亚洲av电影在线进入| 婷婷丁香在线五月| 亚洲电影在线观看av| 欧美日韩中文字幕国产精品一区二区三区| 美女扒开内裤让男人捅视频| 一区二区三区高清视频在线| 亚洲一码二码三码区别大吗| 高潮久久久久久久久久久不卡| 波多野结衣高清无吗| 国产高清有码在线观看视频 | 人人妻人人看人人澡| 国产在线观看jvid| 男人操女人黄网站| 亚洲最大成人中文| 少妇被粗大的猛进出69影院| tocl精华| 日韩国内少妇激情av| 久久99热这里只有精品18| 禁无遮挡网站| 又黄又粗又硬又大视频| 亚洲男人天堂网一区| 很黄的视频免费| 亚洲最大成人中文| 国产黄a三级三级三级人| 在线av久久热| 丝袜在线中文字幕| 免费搜索国产男女视频| 国产激情偷乱视频一区二区| 国产精品香港三级国产av潘金莲| 欧美乱妇无乱码| 亚洲中文日韩欧美视频| 黄色女人牲交| 欧美日韩一级在线毛片| 国产精品98久久久久久宅男小说| 亚洲av日韩精品久久久久久密| 亚洲第一欧美日韩一区二区三区| 悠悠久久av| 精品免费久久久久久久清纯| 亚洲 欧美一区二区三区| 欧美av亚洲av综合av国产av| 真人一进一出gif抽搐免费| 亚洲国产欧美网| 男人舔女人下体高潮全视频| 一进一出抽搐动态| www日本在线高清视频| 99热只有精品国产| 成人亚洲精品av一区二区| 亚洲电影在线观看av| av在线天堂中文字幕| svipshipincom国产片| 国产一区二区三区视频了| 一个人免费在线观看的高清视频| 欧美大码av| www.自偷自拍.com| 久久精品成人免费网站| 免费在线观看视频国产中文字幕亚洲| 国产一区二区在线av高清观看| e午夜精品久久久久久久| 激情在线观看视频在线高清| 露出奶头的视频| 亚洲avbb在线观看| 免费在线观看影片大全网站| 欧美黑人巨大hd| 麻豆一二三区av精品| 日本 av在线| 亚洲成人久久爱视频| 亚洲熟妇熟女久久| 国产v大片淫在线免费观看| 亚洲中文字幕日韩| 国产成人精品久久二区二区91| 亚洲人成网站高清观看| 男女下面进入的视频免费午夜 | 亚洲色图av天堂| av有码第一页| 两个人看的免费小视频| 精品国产一区二区三区四区第35| av福利片在线| 黑人巨大精品欧美一区二区mp4| 女性生殖器流出的白浆| 精品久久久久久久久久免费视频| 久久精品aⅴ一区二区三区四区| 久久久国产成人免费| 日韩精品中文字幕看吧| 亚洲人成77777在线视频| svipshipincom国产片| 此物有八面人人有两片| 中亚洲国语对白在线视频| 91大片在线观看| 一区二区三区激情视频| 黑人欧美特级aaaaaa片| 国产精品乱码一区二三区的特点| 日韩精品免费视频一区二区三区| 69av精品久久久久久| 99久久精品国产亚洲精品| 好看av亚洲va欧美ⅴa在| 99re在线观看精品视频| 久久久久国内视频| 99国产精品99久久久久| 国产三级在线视频| 国产精品久久久久久人妻精品电影| 国内久久婷婷六月综合欲色啪| 老熟妇乱子伦视频在线观看| 99re在线观看精品视频| 制服诱惑二区| 又紧又爽又黄一区二区| 亚洲七黄色美女视频| 免费在线观看日本一区| 国产蜜桃级精品一区二区三区| 中文字幕精品亚洲无线码一区 | 在线免费观看的www视频| 免费看日本二区| 欧美亚洲日本最大视频资源| 中国美女看黄片| 亚洲国产日韩欧美精品在线观看 | 亚洲国产欧美网| 免费在线观看完整版高清| 国产成人欧美在线观看| 少妇 在线观看| 人人妻,人人澡人人爽秒播| 白带黄色成豆腐渣| 最好的美女福利视频网| cao死你这个sao货| 亚洲欧美日韩高清在线视频| 国产男靠女视频免费网站| 日韩欧美免费精品| x7x7x7水蜜桃| 久久久久久久久中文| 亚洲av成人不卡在线观看播放网| 日韩高清综合在线| 亚洲欧美精品综合一区二区三区| 51午夜福利影视在线观看| 麻豆一二三区av精品| 国产精品免费一区二区三区在线| √禁漫天堂资源中文www| av中文乱码字幕在线| 久久性视频一级片| 一级黄色大片毛片| 亚洲aⅴ乱码一区二区在线播放 | 一区二区三区激情视频| 日韩高清综合在线| 一级黄色大片毛片| 亚洲五月天丁香| 中文字幕精品免费在线观看视频| 欧美性猛交╳xxx乱大交人| 一级毛片女人18水好多| 深夜精品福利| 男女那种视频在线观看| 亚洲第一青青草原| 一本精品99久久精品77| 国产主播在线观看一区二区| 欧美日韩亚洲国产一区二区在线观看| 97人妻精品一区二区三区麻豆 | 欧美日韩黄片免| 免费搜索国产男女视频| 婷婷亚洲欧美| 香蕉丝袜av| 可以在线观看毛片的网站| 在线永久观看黄色视频| 亚洲avbb在线观看| 国产精品香港三级国产av潘金莲| 成人三级做爰电影| 精品国产一区二区三区四区第35| 亚洲欧美精品综合久久99| av天堂在线播放| 国产欧美日韩一区二区精品| 999久久久精品免费观看国产| 夜夜爽天天搞| 亚洲一区中文字幕在线| 亚洲av第一区精品v没综合| 亚洲av片天天在线观看| 成人亚洲精品一区在线观看| 可以在线观看毛片的网站| 99热只有精品国产| 亚洲第一电影网av| 久久婷婷人人爽人人干人人爱| 欧美一级毛片孕妇| 欧美在线黄色| 成人三级做爰电影| 国产精品香港三级国产av潘金莲| 亚洲avbb在线观看| 久久精品夜夜夜夜夜久久蜜豆 | 午夜久久久久精精品| 啦啦啦免费观看视频1| 两人在一起打扑克的视频| 久久久久久人人人人人| 欧美色视频一区免费| 亚洲三区欧美一区| 一区二区三区精品91| 欧美日韩精品网址| 亚洲黑人精品在线| 欧美性长视频在线观看| 午夜亚洲福利在线播放| 亚洲av中文字字幕乱码综合 | 婷婷丁香在线五月| 美女午夜性视频免费| 制服诱惑二区| 婷婷亚洲欧美| 久久久久久久精品吃奶| 国产精品乱码一区二三区的特点| 两个人视频免费观看高清| 欧美日本视频| 中文字幕另类日韩欧美亚洲嫩草| 一本综合久久免费| 亚洲欧美一区二区三区黑人| 欧美激情久久久久久爽电影| 国产精品久久久久久人妻精品电影| 99国产精品一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| 欧美性长视频在线观看| 人成视频在线观看免费观看| 久久精品亚洲精品国产色婷小说| 搡老妇女老女人老熟妇| 搡老熟女国产l中国老女人| 久久久精品欧美日韩精品| 中文字幕av电影在线播放| 男女床上黄色一级片免费看| 精品国内亚洲2022精品成人| 天堂动漫精品| 丁香六月欧美| 嫩草影院精品99| 午夜日韩欧美国产| 国产精品精品国产色婷婷| 色综合婷婷激情| 久久久久久国产a免费观看| 国产99久久九九免费精品| 亚洲男人天堂网一区| 成人18禁在线播放| 亚洲成人国产一区在线观看| 黄片播放在线免费| 亚洲精品粉嫩美女一区| 欧美在线黄色| 国产激情久久老熟女| 一区福利在线观看| 人妻久久中文字幕网| 一级a爱片免费观看的视频| 成年女人毛片免费观看观看9| 日韩成人在线观看一区二区三区| 人妻久久中文字幕网| 国产又色又爽无遮挡免费看| www.熟女人妻精品国产| 91麻豆精品激情在线观看国产| 国产精品永久免费网站| www日本黄色视频网| 精品欧美一区二区三区在线| 一区二区日韩欧美中文字幕| 久久伊人香网站| 精华霜和精华液先用哪个| 性欧美人与动物交配| 美女大奶头视频| 欧美成人免费av一区二区三区| 美女午夜性视频免费| 欧美另类亚洲清纯唯美| 日本 av在线| 亚洲第一电影网av| 欧美黑人欧美精品刺激| 亚洲 欧美一区二区三区| 国产三级黄色录像| 国产精品野战在线观看| 99国产综合亚洲精品| 久久精品国产综合久久久| 亚洲性夜色夜夜综合| 亚洲专区字幕在线| 夜夜爽天天搞| 精品国产超薄肉色丝袜足j| 欧美色视频一区免费| 欧美一区二区精品小视频在线| 两性夫妻黄色片| 少妇 在线观看| 欧美黄色片欧美黄色片| 亚洲第一青青草原| 欧美中文日本在线观看视频| 欧美+亚洲+日韩+国产| 两性夫妻黄色片| 女性被躁到高潮视频| 黄色视频不卡| √禁漫天堂资源中文www| 国内少妇人妻偷人精品xxx网站 | 午夜日韩欧美国产| 久久中文看片网| 亚洲成国产人片在线观看| 一区二区三区高清视频在线| 国产精品 国内视频| 国产伦一二天堂av在线观看| 黄色视频不卡| 久久人妻av系列| 男女下面进入的视频免费午夜 | 欧美绝顶高潮抽搐喷水| 黄色视频不卡| 最新美女视频免费是黄的| 中文字幕人成人乱码亚洲影| 久久这里只有精品19| 欧美三级亚洲精品| 欧美在线一区亚洲| 一级黄色大片毛片| 午夜精品久久久久久毛片777| 成人国产一区最新在线观看| 在线av久久热| 国产免费av片在线观看野外av| 国产在线精品亚洲第一网站| 淫秽高清视频在线观看| 老司机深夜福利视频在线观看| 两个人视频免费观看高清| 国产精品1区2区在线观看.| 大香蕉久久成人网| 日本免费一区二区三区高清不卡| 女人被狂操c到高潮| av在线播放免费不卡| 国产高清videossex| 岛国视频午夜一区免费看| 啦啦啦观看免费观看视频高清| videosex国产| 岛国在线观看网站| 91国产中文字幕| 村上凉子中文字幕在线| 可以免费在线观看a视频的电影网站| 日韩精品免费视频一区二区三区| 国产精品一区二区免费欧美| a级毛片a级免费在线| 天天一区二区日本电影三级| 1024视频免费在线观看| 久久婷婷成人综合色麻豆| 精品无人区乱码1区二区| 一级a爱片免费观看的视频| 国产片内射在线| 亚洲成av片中文字幕在线观看| 男男h啪啪无遮挡| 免费看美女性在线毛片视频| 久久国产精品影院| 久久香蕉激情| 国产成人系列免费观看| 最新美女视频免费是黄的| 国产三级黄色录像| 757午夜福利合集在线观看| 99riav亚洲国产免费| 久久久久久人人人人人| 国产v大片淫在线免费观看| 香蕉av资源在线| 一级毛片精品| 国产成人精品久久二区二区91| 亚洲成人免费电影在线观看| 99热6这里只有精品| 国产在线观看jvid| 黑人欧美特级aaaaaa片| 成在线人永久免费视频| 成年版毛片免费区| 99精品久久久久人妻精品| 波多野结衣av一区二区av| 久久久久精品国产欧美久久久| www.999成人在线观看| 看黄色毛片网站| 日本a在线网址| 一边摸一边做爽爽视频免费| 99热6这里只有精品| 男女下面进入的视频免费午夜 | 国产蜜桃级精品一区二区三区| 啦啦啦观看免费观看视频高清| 亚洲九九香蕉| 国产亚洲精品久久久久久毛片| 国产真实乱freesex| 日韩成人在线观看一区二区三区| 成人18禁高潮啪啪吃奶动态图| 国产精品九九99| 欧美精品啪啪一区二区三区| 欧美成狂野欧美在线观看| 波多野结衣高清无吗| 99热这里只有精品一区 | 一区二区三区高清视频在线| 国产v大片淫在线免费观看| 99热只有精品国产| 一本综合久久免费| 一区二区三区精品91| 日本五十路高清| 亚洲第一电影网av| 90打野战视频偷拍视频| 婷婷精品国产亚洲av| 99在线视频只有这里精品首页| 午夜福利18| 成人18禁高潮啪啪吃奶动态图| 免费高清在线观看日韩| 精品少妇一区二区三区视频日本电影| 女警被强在线播放| 午夜福利欧美成人| 国产成人av激情在线播放| 美女高潮喷水抽搐中文字幕| 一级毛片女人18水好多| 丝袜美腿诱惑在线| 亚洲国产高清在线一区二区三 | 久久国产亚洲av麻豆专区| 日本免费a在线| 夜夜看夜夜爽夜夜摸| 99久久精品国产亚洲精品| 国产欧美日韩一区二区三| 色播在线永久视频| 这个男人来自地球电影免费观看| 神马国产精品三级电影在线观看 | 女同久久另类99精品国产91| aaaaa片日本免费| 香蕉av资源在线| 中文资源天堂在线| 一本久久中文字幕| 久久国产乱子伦精品免费另类| xxx96com| 51午夜福利影视在线观看| 欧美亚洲日本最大视频资源| 老司机福利观看| 天堂动漫精品| 日韩精品中文字幕看吧| 国产极品粉嫩免费观看在线| 久久婷婷人人爽人人干人人爱| 中文字幕高清在线视频| 亚洲精品久久国产高清桃花| 欧美日本亚洲视频在线播放| 国产精品一区二区免费欧美| 一夜夜www| 色哟哟哟哟哟哟| 精品日产1卡2卡| 欧美激情极品国产一区二区三区| 国产黄片美女视频| 免费在线观看成人毛片| 欧美激情 高清一区二区三区| av电影中文网址| 成年人黄色毛片网站| 97人妻精品一区二区三区麻豆 | 国产一卡二卡三卡精品| 久久精品亚洲精品国产色婷小说| 欧美成狂野欧美在线观看| 啦啦啦免费观看视频1| 可以在线观看毛片的网站| 一个人观看的视频www高清免费观看 | 女人高潮潮喷娇喘18禁视频| 国产高清videossex| 丝袜美腿诱惑在线| 欧美亚洲日本最大视频资源| 熟女少妇亚洲综合色aaa.| 亚洲精品粉嫩美女一区| 国产精品免费视频内射| 很黄的视频免费| 亚洲,欧美精品.| 欧美绝顶高潮抽搐喷水| 中文字幕人妻熟女乱码| 少妇被粗大的猛进出69影院| 国产伦在线观看视频一区| 久久精品91无色码中文字幕| 欧美日本亚洲视频在线播放| 亚洲欧美日韩高清在线视频| 色播亚洲综合网| 人人妻,人人澡人人爽秒播| 两个人看的免费小视频| av视频在线观看入口| 午夜视频精品福利| 黄色丝袜av网址大全| 国产精品自产拍在线观看55亚洲| 国产精品亚洲一级av第二区| www国产在线视频色| 国产一区二区激情短视频| 麻豆成人av在线观看| 久久久国产成人精品二区| 日韩三级视频一区二区三区| 少妇 在线观看| 在线av久久热| 国产精品二区激情视频| 不卡av一区二区三区| 国产麻豆成人av免费视频| 亚洲第一青青草原| 亚洲一区中文字幕在线| aaaaa片日本免费| 十八禁网站免费在线| 亚洲精品一卡2卡三卡4卡5卡| 夜夜夜夜夜久久久久| 在线天堂中文资源库| 变态另类成人亚洲欧美熟女| 欧美丝袜亚洲另类 | 国产精品香港三级国产av潘金莲| 人人妻人人看人人澡| 两性夫妻黄色片| 一区二区日韩欧美中文字幕| 成人永久免费在线观看视频| 好男人在线观看高清免费视频 | 波多野结衣巨乳人妻| 国产精华一区二区三区| 久久精品夜夜夜夜夜久久蜜豆 |