• <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 ?

    一種基于SVM的博客大數(shù)據(jù)分類算法及應(yīng)用

    2016-10-18 08:43:18陳建峽朱季騏王鷹適倪一鳴
    關(guān)鍵詞:特征詞訓(xùn)練樣本博客

    陳建峽, 朱季騏, 王鷹適, 倪一鳴

    (1 湖北工業(yè)大學(xué) 計算機學(xué)院,湖北 武漢 430068; 2 湖北泰信科技信息發(fā)展有限責(zé)任公司, 湖北 武漢 430071)

    ?

    一種基于SVM的博客大數(shù)據(jù)分類算法及應(yīng)用

    陳建峽1, 朱季騏1, 王鷹適2, 倪一鳴2

    (1 湖北工業(yè)大學(xué) 計算機學(xué)院,湖北 武漢 430068; 2 湖北泰信科技信息發(fā)展有限責(zé)任公司, 湖北 武漢 430071)

    提出了一種基于SVM的博客大數(shù)據(jù)分類算法BBD-SVM,根據(jù)RSS博客文本特點提取博客特征詞,通過SVM模型參數(shù)尋優(yōu)化SVM分類模型實現(xiàn)博客大數(shù)據(jù)分類。并設(shè)計了RSS博客爬蟲,以互聯(lián)網(wǎng)上各種計算機程序設(shè)計語言的技術(shù)博客為爬取對象,利用BBD-SVM算法對相關(guān)技術(shù)博客進行專業(yè)分類,為用戶學(xué)習(xí)程序設(shè)計語言提供專業(yè)推薦服務(wù)。其中,博客文本特征的提取選用改進的TF-IDF作為權(quán)重計算函數(shù),SVM分類模型的參數(shù)尋優(yōu)很好地提高了分類效率。實驗結(jié)果表明,BBD-SVM算法具有準(zhǔn)確率高,耗時少的優(yōu)勢,能夠?qū)崿F(xiàn)快速準(zhǔn)確的博客推薦服務(wù)。

    支持向量機;博客;大數(shù)據(jù);分類算法;社交網(wǎng)絡(luò);用戶推薦

    目前,博客文本分類方法主要有樸素貝葉斯法、K最鄰近(kNN,k-Nearest Neighbor)方法和支持向量機(SVM, Support Vector Machine)方法。樸素貝葉斯法是通過假設(shè)各個單詞之間兩兩獨立,然后用條件概率模型進行分類。kNN方法是一種基于實例的文本方法,對一個測試文本計算它與訓(xùn)練樣本中每個文本的相似度,找出k個最相似的文本,在此基礎(chǔ)上給每一個文本類別打分,然后根據(jù)打分高低排序分類[1]。SVM方法通過對樣本的學(xué)習(xí)尋找最優(yōu)分類超平面,然后根據(jù)找到的最優(yōu)分類超平面進行分類。在與樸素貝葉斯法和kNN方法的比較中,SVM方法取得了更好的分類效果,并且對于高維數(shù)據(jù)的處理表現(xiàn)出了 優(yōu)良的性能[2]。

    本文基于SVM,提出博客大數(shù)據(jù)分類算法BBD-SVM(Blog Big Data-SVM),通過SVM分類模型實現(xiàn)相關(guān)技術(shù)博客專業(yè)分類。在該模型中采用了改進的TF-IDF權(quán)重計算函數(shù),提高了SVM的分類效率。

    1 SVM分類模型

    支持向量機(Support Vector Machine,SVM)是一種基于統(tǒng)計學(xué)習(xí)理論的通用學(xué)習(xí)方法。SVM的基本思想見圖1,圖中實心圓代表正樣本,空心圓代表負樣本,每一個樣本點可以表示為(x,y),其中x代表該樣本的特征向量,y代表樣本類別。這里樣本類別y∈{+1,-1}。需要找到一個分類超平面H(二維平面中為一條直線)將2類樣本分開,這個分類超平面可以表達為w·x-b=0。過離H最近的正負樣本點且平行于H的超平面分別為H1、H2,H1與H2之間的距離成為分類間隔。為了簡化計算表達,對于樣本集(xi,yi),i=1,…,n需要滿足yi[(w·xi)+b]≥1,此時分類間隔等于2/‖w‖,所以在此基礎(chǔ)上使‖w‖最小的超平面就是最優(yōu)的分類超平面,H1和H2上的樣本點就是支持向量[3]。根據(jù)最優(yōu)化理論求得最優(yōu)解的w*,再用一個支持向量計算出b*就可以得到最后的分類函數(shù)f(x)=sgn{(w*+x)+b*},最后根據(jù)分類函數(shù)f(x)就能對輸入樣本進行分類計算了。

    圖1  SVM分類原理圖

    SVM模型的確定主要在于核函數(shù)與其參數(shù)選擇,為了使SVM適用于大樣本數(shù)據(jù)集的訓(xùn)練就需要加快參數(shù)尋優(yōu)速度或縮小參數(shù)尋優(yōu)范圍,所以本文使用一種基于均勻設(shè)計的自調(diào)用SVR方法(UD-SVR)來解決這一問題[4]。

    2 TF-IDF的改進

    2.1傳統(tǒng)TF-IDF

    在博客文本特征的提取時,權(quán)重計算函數(shù)選用了目前應(yīng)用較多、效果較好的TF-IDF函數(shù),評估特征詞的重要程度。TF-IDF的思想是:如果一個特征詞在某個文檔中出現(xiàn)次數(shù)很多,且其他的文檔中包含該特征詞較少,則該特征詞能夠很好地表示該文檔。TF為詞頻,表示特征詞m在博客文本d中出現(xiàn)的次數(shù),反映博客文本的內(nèi)部特征。IDF為逆文本頻數(shù),表示某一特征詞m在整個博客文本集合中的分布情況,反映博客文本間的特征。

    TF-IDF計算公式為:

    (1)

    其中,m為特征詞在博客文本d中出現(xiàn)的次數(shù),M為博客文本d中總詞數(shù)。

    (2)

    其中:n為包含某項特征詞的博客文本總數(shù),N為總博客文本數(shù)。

    TF-IDF將博客文本集作為整體處理,但是在IDF的計算中,存在很大的問題。往往一些生僻詞的IDF會比較高,這些生僻詞就會被誤認為是文檔關(guān)鍵詞。

    而且,傳統(tǒng)TF-IDF函數(shù)中的IDF部分只考慮了特征詞與它出現(xiàn)的博客文本數(shù)之間的關(guān)系,而忽略了當(dāng)前類別中的特征詞在不同的類別間的分布情況。

    2.2改進的TF-IDF

    現(xiàn)有待分類博客文本類別的集合Y={y1,y2,…,yj},在yi(yi∈Y)中,博客文本集合D={d1,d2,…,dn},n為博客文本數(shù)目。特征詞集合M={m1,m2,…,mk},k為yi中出現(xiàn)的所有詞語個數(shù)。針對傳統(tǒng)的TF-IDF中存在的不足,本文選取了一種改進的TF-IDF函數(shù),對TF和IDF的計算方面都做了改進[5]。

    TF的改進:文檔內(nèi)的詞頻率更改為同一類文檔內(nèi)的詞頻率。

    IDF的改進如下式:

    (3)

    其中,P(mk)表示特征詞mk在當(dāng)前類別中的頻率,P(mk)′表示特征詞mk在其他類別中的頻率。從(3)式中可以看出,當(dāng)P(mk)很大,IDF的絕對值反而小。對它取反,根據(jù)log函數(shù)的特性,自變量要大于0,IDF要為正值,則修正后的IDF公式為

    (4)

    實驗中運用改進后的IF-IDF函數(shù),提取訓(xùn)練博客文本集D中每個類別yi的特征詞時,特征詞與類別相關(guān)性相較于傳統(tǒng)TF-IDF效果更好,分類效果也有了很大的改善[6]。

    3 BBD-SVM分類算法

    本文根據(jù)博客信息的特點,利用參數(shù)尋優(yōu)的方法改進SVM模型,研究并實現(xiàn)了一種新的BBD-SVM(BlogBigData-SVM, 基于SVM的博客大數(shù)據(jù))分類算法,以計算機程序設(shè)計語言為分類的實驗對象,為用戶提供專業(yè)的程序設(shè)計語言技術(shù)博客分類。實驗表明,BBD-SVM分類算法具有較高的分類精度和訓(xùn)練速度。BBD-SVM分類算法的研究思路見圖 2。

    圖2  BBD-SVM分類研究思路

    3.1博客信息特征提取

    利用項目組以前開發(fā)的博客搜索引擎中的爬蟲工具[7],爬取各大技術(shù)博客網(wǎng)站的網(wǎng)頁信息,由于爬取下來的信息均為網(wǎng)頁標(biāo)簽文本信息,不能直接用于分類模型的訓(xùn)練和預(yù)測,所以必須要對文本信息進行特征提取的預(yù)處理過程。具體步驟如下:

    步驟一:通過爬蟲工具爬取到標(biāo)準(zhǔn)的RSS格式的博客信息,RSS是一種基于XML的標(biāo)準(zhǔn)格式,規(guī)則且解析容易。

    步驟二:按照RSS格式將標(biāo)題、標(biāo)簽和正文內(nèi)容解析保存為純文本,并在此過程中進行一些特殊符號等的過濾處理。

    步驟三:本文選用性能和準(zhǔn)確率都比較出眾并帶有詞性分析功能的中文分詞器Ansj,對博客文本信息進行分詞與統(tǒng)計。

    步驟四:根據(jù)分詞后每個詞的詞性再對分詞后的結(jié)果進行一次過濾,得到最終的處理語料。

    步驟五:根據(jù)改進后的TF-IDF公式計算每個詞的TF-IDF的值,根據(jù)TF-IDF值的高低選擇每個類別的特征詞。

    本文針對計算機程序設(shè)計的技術(shù)博客進行了爬取,獲得相應(yīng)的博客信息特征提取結(jié)果見圖3樣例所示。

    圖 3  特征詞提取結(jié)果樣例

    3.2SVM模型參數(shù)尋優(yōu)

    3.2.1傳統(tǒng)參數(shù)尋優(yōu)傳統(tǒng)的SVM參數(shù)尋優(yōu)的流程見圖4,尋優(yōu)需要對參數(shù)c,g(c表示懲罰系數(shù),g表示核函數(shù)參數(shù))組合在給定范圍內(nèi)進行窮盡搜索。搜索次數(shù)為兩個參數(shù)向量長度的乘積,總的搜索時間為搜索次數(shù)乘訓(xùn)練樣本個數(shù)。對于小樣本數(shù)據(jù)窮盡搜索算法運行時間尚能接受,但隨著樣本數(shù)目的增大,所需的計算時間會呈幾何級數(shù)增加,致使SVM無法有效適用于大數(shù)據(jù)集。一般情況下,g的選取需要根據(jù)實際的分類情況把握其范圍。由于本文研究的是博客文本分類方面,且博客文本分類量化后向量比較稀疏,g的最優(yōu)參數(shù)一般偏小。所以,文中c和g這兩個參數(shù)的范圍定為:log2c=-1:1:14,log2g=-8:-1:-23。

    圖 4  傳統(tǒng)的SVM參數(shù)尋優(yōu)過程

    3.2.2UD-SVR算法尋優(yōu)本文運用UD-SVR算法[8],對傳統(tǒng)的SVM尋優(yōu)方法進行了優(yōu)化。該算法以基于均勻設(shè)計的自調(diào)用SVR代替?zhèn)鹘y(tǒng)參數(shù)尋優(yōu)過程,并從兩個方面對傳統(tǒng)SVM尋優(yōu)方法進行了優(yōu)化。一方面,基于均勻設(shè)計僅從全部256組參數(shù)組合中選取16組具有代表性的組合,有效降低搜索范圍,大幅度縮短了尋優(yōu)時間。另一方面,基于此16個參數(shù)組合及其評價指標(biāo)(準(zhǔn)確率)以自調(diào)用SVR建立評價指標(biāo)與參數(shù)組合之間的關(guān)系模型,并以此對全部參數(shù)組合進行預(yù)測,以預(yù)測的評價指標(biāo)代替?zhèn)鹘y(tǒng)SVM尋優(yōu)方法中的交叉測試評價指標(biāo),有效提升了尋優(yōu)效率。UD-SVR參數(shù)尋優(yōu)的流程見圖5。

    圖 5  UD-SVR參數(shù)尋優(yōu)過程

    均勻設(shè)計(UniformDesign),是只考慮試驗點在試驗范圍內(nèi)均勻散布的一種試驗設(shè)計方法。它由方開泰[9]教授和數(shù)學(xué)家王元共同提出,是數(shù)論方法中的“偽蒙特卡羅方法”的一個應(yīng)用,它能提高試驗點“均勻分散”的程度,使試驗點具有更好的代表性,能用較少的試驗獲得較多的信息。由于c,g因素水平不同,根據(jù)混合水平均勻設(shè)計表生成n個(c,g)組合(本文中n等于16)。

    將16組(c,g)組合對訓(xùn)練樣本進行交叉驗證得到對應(yīng)的16個準(zhǔn)確率值,然后將這16組參數(shù)組合和準(zhǔn)確率作為訓(xùn)練樣本進行SVR訓(xùn)練,得到一個SVR預(yù)測模型,利用這個模型本文 可以對全部256組參數(shù)組合預(yù)測其準(zhǔn)確率,從預(yù)測的準(zhǔn)確率中選取準(zhǔn)確率最高的一組參數(shù)做為本文 的最優(yōu)參數(shù)組合,最后將這組最優(yōu)參數(shù)組合作為訓(xùn)練SVC的參數(shù)進行訓(xùn)練就得到了最終的分類模型。

    本文使用三個方面的數(shù)據(jù)集進行對比試驗,數(shù)據(jù)集1為UCI酒類數(shù)據(jù)集、數(shù)據(jù)集2為搜狗開放的新聞?wù)Z料數(shù)據(jù)集,數(shù)據(jù)集3為本文 爬取的博客數(shù)據(jù)集,實驗結(jié)果見表1。

    表1 傳統(tǒng)參數(shù)尋優(yōu)與UD-SVR算法尋優(yōu)對比試驗

    從表1中可以看出:采用UD-SVR尋優(yōu)算法和不采用的精度差別不大,但是訓(xùn)練耗時則有著數(shù)量級的差別,所以UD-SVR尋優(yōu)算法可以在幾乎不損失分類精度的前提下大幅度提升訓(xùn)練尋參速度,非常適合用于緯度高、計算量大的文本多分類問題。

    3.3BBD-SVM算法表達

    將BBD-SVM算法用偽代碼形式表達如下:

    webcrawling;

    for(i=0,i

    pretreatment;

    for(i=0,i

    wordsegment;

    for(i=0,i

    wordcount;

    for(i=0,i

    {for(everyword)

    tfidf-tf*idf

    sortbytfidf;

    }

    for(i=0;i

    getfeatureword;

    for(i=0;i

    (j=0;j

    {

    if(bloghasfeatureword

    vector[j]=countoffeatureword;

    }

    if(totrain(

    svmtrainwithud-svr;

    if(topredict)

    svmpredict;

    4 實驗結(jié)果與分析

    如上所述,本文從互聯(lián)網(wǎng)上獲取真實數(shù)據(jù)進行實驗,利用Heritrix爬蟲工具[7]從網(wǎng)絡(luò)中爬取博客信息。然后運用改進的TF-IDF函數(shù)進行特征詞的提取,并將每篇博客的文本信息量化為數(shù)值信息, 進行訓(xùn)練樣本數(shù)量和分類類別數(shù)量的實驗。

    本文選擇的是CSDN等技術(shù)博客網(wǎng)站進行的數(shù)據(jù)爬取,所以實驗以多種編程語言為分類類別進行。訓(xùn)練樣本數(shù)量實驗中, 類別數(shù)為5,樣本維度為1000,預(yù)測樣本數(shù)量為5000;分類類別數(shù)實驗中訓(xùn)練樣本數(shù)量為2000/類,測試樣本數(shù)量為2000/類,樣本維度為100維/類。訓(xùn)練樣本數(shù)量實驗結(jié)果見表2,對應(yīng)的分類類別數(shù)量實驗的結(jié)果見表3。

    表2 訓(xùn)練樣本數(shù)量實驗

    表3 分類類別數(shù)量實驗

    由表3可以看出分類類別的增加會使得分類準(zhǔn)確率有所下降,而且由于分類類別的增加,訓(xùn)練樣本的增加和樣本維度也需要隨之增加,導(dǎo)致訓(xùn)練時間大幅增加。

    圖 6  訓(xùn)練樣本數(shù)量與各類F1值關(guān)系圖

    圖6中,查準(zhǔn)率(precision)表示檢出相關(guān)文檔與檢出全部文檔的百分比,查全率(recall)表示檢出相關(guān)文檔與所有相關(guān)文檔的百分比,這里相關(guān)即指同類別。綜合查準(zhǔn)率和查全率,F(xiàn)1=2×查準(zhǔn)率×查全率/(查準(zhǔn)率+查全率),用F1值作為分類好壞的指標(biāo),F(xiàn)1值越高,說明分類效果越好,分類精度越高。

    由圖6可以看出分類結(jié)果的精度會隨著訓(xùn)練樣本的數(shù)量增加而增加,但是增長速度會隨之下降,由圖7可以看出訓(xùn)練時間會隨訓(xùn)練樣本數(shù)量的增加而增加,并且增長的速度越來越快。所以,為了提高分類精度,大量的訓(xùn)練樣本是必須的,但伴隨大量樣本,訓(xùn)練時間會迅速增長。

    圖 7  訓(xùn)練樣本數(shù)量與訓(xùn)練時間關(guān)系圖

    試驗中均使用了UD-SVR參數(shù)尋優(yōu)算法進行樣本訓(xùn)練,如果使用傳統(tǒng)尋優(yōu),表1的實驗結(jié)果可以看出,在面對大量多類別的訓(xùn)練樣本時,訓(xùn)練所花費的時間將是極高的。

    5 總結(jié)與展望

    提出了一種運用SVM分類模型進行博客分類的BBD-SVM算法,該算法使用改進的TF-IDF進行特征提取,并采用改進的參數(shù)尋優(yōu)算法對SVM中的c和g參數(shù)做了尋優(yōu)處理。實驗結(jié)果表明,該方案在面對大量訓(xùn)練樣本和高樣本維度時,呈現(xiàn)出了較高的準(zhǔn)確率和較少的樣本訓(xùn)練時間,取得了一定成果。

    對于類別過多的情況,準(zhǔn)確率還是差強人意,而且多分類問題中特征提取的維度還是較高,如何更好地適應(yīng)分類類別數(shù)量較大的應(yīng)用環(huán)境和如何縮小特征提取維度將會是未來研究的重點。

    [1]陳建峽,李志鵬. 基于移動終端的博客搜索引擎系統(tǒng)研究與應(yīng)用[J].湖北工業(yè)大學(xué)學(xué)報,2015,30(2):89-94.

    [2]崔彩霞, 馮登國. 文本分類方法對比研究[J]. 太原師范學(xué)院學(xué)報(自然科學(xué)版), 2007, 6(4): 52-54.

    [3]成艷潔. 基于SVM的多類文本分類算法及應(yīng)用研究[D].西安:西安理工大學(xué)圖書館, 2011.

    [4]CohenE,KrishnamurthyB.AshortwalkintheBlogistan[J].ComputerNetworks,2006,50(5):615-630.

    [5]覃世安, 李法運. 文本分類中TF_IDF方法的改進研究[J].現(xiàn)代圖書情報技術(shù), 2013, 238: 27-30.

    [6]盧中寧, 張保威. 一種基于改進TF-IDF[J]. 河南師范大學(xué)學(xué)報(自然科學(xué)版), 2012, 40(6): 158-160.

    [7]吳偉, 陳建峽 . 基于Heritrix的web信息抽取優(yōu)化與實現(xiàn)[J]. 湖北工業(yè)大學(xué)學(xué)報,2012, 27 (2):23-26.

    [8]龔永罡, 湯世平. 面向大數(shù)據(jù)的SVM參數(shù)尋優(yōu)方法[J]. 計算機仿真, 2010, 27(9): 204-207.

    [9]方開泰.均勻設(shè)計與均勻設(shè)計表[M].北京:科學(xué)出版社,1994:18-23.

    [責(zé)任編校: 張巖芳]

    A SVM-based Blog Big Data Classification Algorithm and Its Application

    CHEN Jianxia1, ZHU Jiqi1,WANG Yingshi2,NI Yiming2

    (1.SchoolofComputerScience,HubeiUniversityofTechnology,Wuhan, 430068,China; 2HubeiTaixinInformationDevelopmentCo.,Ltd.,Wuhan, 430071,China)

    The paper proposes a blog big data classification algorithm based on Support Vector Machine (Blog Big Data-SVM, namely BBD-SVM). It completes blog texts’feature extraction according to the RSS blogs characteristics, and optimizes SVM classification model via improving its

    to realize blog big data classification efficiently. The paper designs a crawler for the RSS blogs especially, takes a variety of technology blogs about computer programming languages over the Internet as objects. Therefore, the proposed algorithm can provide the users with relevant professional classifications of technology blogs accurately. In particular, the proposed approach utilizes the improved TF-IDF as the weight calculation function when extracting blog text features, and the improved SVM model has been verified to be a good way to improve the classification efficiency. The experimental results show that BBD-SVM algorithm has high accuracy and less time-consuming advantages, so that it is able to achieve fast and accurate information referral blog services for the users.

    SVM; blog; big data; classification algorithm; user recommenation

    2015-09-15

    2013年國家大學(xué)生創(chuàng)新項目(41301371)(Q20141410)

    陳建峽(1971-), 女,湖北丹江口人,湖北工業(yè)大學(xué)副教授,研究領(lǐng)域為數(shù)據(jù)挖掘,搜索引擎

    朱季騏(1994-),男,湖北潛江人,湖北工業(yè)大學(xué)本科生,研究領(lǐng)域為數(shù)據(jù)挖掘

    1003-4684(2016)04-0070-05

    TP393

    A

    猜你喜歡
    特征詞訓(xùn)練樣本博客
    人工智能
    基于改進TFIDF算法的郵件分類技術(shù)
    產(chǎn)品評論文本中特征詞提取及其關(guān)聯(lián)模型構(gòu)建與應(yīng)用
    寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
    融合原始樣本和虛擬樣本的人臉識別算法
    基于稀疏重構(gòu)的機載雷達訓(xùn)練樣本挑選方法
    博客天下
    博客天下(2015年2期)2015-09-15 14:12:57
    面向文本分類的特征詞選取方法研究與改進
    關(guān)于“方言特征詞”理論的回顧及思考
    博客相冊
    博客天下(2009年12期)2009-08-21 07:35:10
    久久久久久伊人网av| 亚洲精品视频女| 91精品国产九色| 91久久精品国产一区二区成人| 午夜福利在线观看免费完整高清在| 亚洲国产毛片av蜜桃av| 国产亚洲欧美精品永久| 亚洲国产av影院在线观看| 91午夜精品亚洲一区二区三区| 高清毛片免费看| 黄色视频在线播放观看不卡| 国产成人av激情在线播放 | videossex国产| 成人国语在线视频| 色哟哟·www| 亚洲一级一片aⅴ在线观看| 久久精品久久久久久噜噜老黄| 热99久久久久精品小说推荐| 成年av动漫网址| 日日啪夜夜爽| 丝袜脚勾引网站| 亚洲av免费高清在线观看| 91精品伊人久久大香线蕉| 人人妻人人添人人爽欧美一区卜| 啦啦啦中文免费视频观看日本| 日韩大片免费观看网站| 插逼视频在线观看| av在线老鸭窝| 亚洲欧美清纯卡通| 青春草国产在线视频| 免费黄频网站在线观看国产| 久久婷婷青草| 性高湖久久久久久久久免费观看| 国产高清不卡午夜福利| 人妻制服诱惑在线中文字幕| 欧美最新免费一区二区三区| 天堂中文最新版在线下载| 国产永久视频网站| 91午夜精品亚洲一区二区三区| 成人黄色视频免费在线看| 亚洲精品乱久久久久久| 国产在视频线精品| 日韩电影二区| 国产黄色免费在线视频| 视频中文字幕在线观看| 亚洲av不卡在线观看| 一个人看视频在线观看www免费| 久久99精品国语久久久| 久久97久久精品| 如何舔出高潮| 国产一区二区三区综合在线观看 | 成人影院久久| 午夜激情福利司机影院| 国产精品不卡视频一区二区| 国产一区二区三区av在线| 综合色丁香网| 韩国高清视频一区二区三区| 免费大片黄手机在线观看| 黄片无遮挡物在线观看| 91精品国产国语对白视频| 飞空精品影院首页| 最近中文字幕2019免费版| 国产一区二区在线观看av| 嫩草影院入口| 久久精品国产鲁丝片午夜精品| 女人久久www免费人成看片| 日韩中字成人| 人妻人人澡人人爽人人| 大又大粗又爽又黄少妇毛片口| 国产成人精品久久久久久| 国产成人精品婷婷| 麻豆乱淫一区二区| 午夜福利,免费看| 日本av免费视频播放| 人人妻人人添人人爽欧美一区卜| 国产在线一区二区三区精| 久久精品人人爽人人爽视色| 成人国语在线视频| 亚洲精品日本国产第一区| 国产免费又黄又爽又色| 2022亚洲国产成人精品| 国产日韩一区二区三区精品不卡 | 永久免费av网站大全| 2018国产大陆天天弄谢| 国产精品一二三区在线看| 久久亚洲国产成人精品v| 免费高清在线观看视频在线观看| 国产高清有码在线观看视频| 新久久久久国产一级毛片| 国产av码专区亚洲av| 最黄视频免费看| 黄片播放在线免费| 国产爽快片一区二区三区| 国产精品一区二区三区四区免费观看| av免费在线看不卡| 亚洲欧美中文字幕日韩二区| 亚洲在久久综合| 伊人亚洲综合成人网| 狂野欧美激情性xxxx在线观看| 韩国av在线不卡| 欧美激情 高清一区二区三区| 日产精品乱码卡一卡2卡三| 久久影院123| 热re99久久精品国产66热6| 91精品三级在线观看| 看非洲黑人一级黄片| 卡戴珊不雅视频在线播放| 国产深夜福利视频在线观看| 天堂中文最新版在线下载| 精品久久国产蜜桃| 另类精品久久| 免费av不卡在线播放| 桃花免费在线播放| 日本欧美国产在线视频| 日韩成人伦理影院| 国产一区二区在线观看av| 大香蕉97超碰在线| 亚洲无线观看免费| 亚洲欧美成人综合另类久久久| 能在线免费看毛片的网站| 国产成人精品一,二区| 国产女主播在线喷水免费视频网站| 日韩强制内射视频| 蜜桃国产av成人99| 99视频精品全部免费 在线| 最近最新中文字幕免费大全7| 99久国产av精品国产电影| 免费人成在线观看视频色| 国产极品天堂在线| 91久久精品国产一区二区成人| av在线app专区| 大话2 男鬼变身卡| 久久精品久久精品一区二区三区| 97在线人人人人妻| 亚洲精品视频女| 久久99热这里只频精品6学生| 狠狠精品人妻久久久久久综合| 老司机影院毛片| 国产精品人妻久久久影院| a级毛片黄视频| 赤兔流量卡办理| 91午夜精品亚洲一区二区三区| 视频中文字幕在线观看| 欧美精品高潮呻吟av久久| 边亲边吃奶的免费视频| 中文字幕av电影在线播放| videos熟女内射| 满18在线观看网站| xxxhd国产人妻xxx| 免费少妇av软件| 汤姆久久久久久久影院中文字幕| 亚洲成人手机| 99久久精品一区二区三区| 欧美日韩成人在线一区二区| 日韩欧美精品免费久久| 亚洲精华国产精华液的使用体验| 日韩伦理黄色片| 久久韩国三级中文字幕| 午夜视频国产福利| 亚洲综合色惰| 日本爱情动作片www.在线观看| a 毛片基地| 夜夜爽夜夜爽视频| 黄色一级大片看看| 制服诱惑二区| 久久久久人妻精品一区果冻| 久久久精品区二区三区| 亚洲国产精品999| 欧美日韩成人在线一区二区| 精品久久国产蜜桃| 色婷婷久久久亚洲欧美| av黄色大香蕉| 久久毛片免费看一区二区三区| 国产精品久久久久久久电影| 一区二区三区精品91| 精品一区二区免费观看| 久久午夜综合久久蜜桃| 日韩亚洲欧美综合| 久久久久久人妻| 91精品三级在线观看| 午夜福利网站1000一区二区三区| 国产一区二区在线观看av| 免费观看性生交大片5| 97精品久久久久久久久久精品| 在线观看人妻少妇| 日韩熟女老妇一区二区性免费视频| 只有这里有精品99| 欧美少妇被猛烈插入视频| 国语对白做爰xxxⅹ性视频网站| 女人久久www免费人成看片| 久久免费观看电影| 成人黄色视频免费在线看| av一本久久久久| av电影中文网址| av在线老鸭窝| 制服丝袜香蕉在线| 欧美人与性动交α欧美精品济南到 | 在线观看免费视频网站a站| 人妻制服诱惑在线中文字幕| freevideosex欧美| 一本色道久久久久久精品综合| 欧美性感艳星| 亚洲欧美一区二区三区国产| av在线老鸭窝| 亚洲成人av在线免费| 国产极品粉嫩免费观看在线 | 国产黄色视频一区二区在线观看| 免费黄频网站在线观看国产| 日韩熟女老妇一区二区性免费视频| 欧美精品一区二区免费开放| 男女高潮啪啪啪动态图| 水蜜桃什么品种好| videos熟女内射| 免费大片黄手机在线观看| 少妇被粗大猛烈的视频| 中文字幕av电影在线播放| 国产日韩欧美在线精品| 日韩制服骚丝袜av| 狂野欧美激情性bbbbbb| 人体艺术视频欧美日本| 日产精品乱码卡一卡2卡三| av国产精品久久久久影院| 亚洲第一av免费看| 精品国产一区二区久久| 丰满饥渴人妻一区二区三| 久久国产精品大桥未久av| 伦理电影免费视频| 新久久久久国产一级毛片| 18在线观看网站| 亚洲情色 制服丝袜| 一级爰片在线观看| 日韩伦理黄色片| 国产 精品1| 女人久久www免费人成看片| 精品久久久久久久久av| 在线观看人妻少妇| 欧美日韩视频精品一区| 一本一本综合久久| 99re6热这里在线精品视频| 777米奇影视久久| 亚洲精品中文字幕在线视频| 高清午夜精品一区二区三区| 国产精品女同一区二区软件| 国产色婷婷99| 欧美日韩视频精品一区| 国产精品国产三级国产专区5o| 欧美最新免费一区二区三区| 日日爽夜夜爽网站| 国产精品人妻久久久久久| 一区二区av电影网| 天堂俺去俺来也www色官网| 久久国产精品大桥未久av| av天堂久久9| 亚洲第一av免费看| 精品国产一区二区久久| 欧美日韩亚洲高清精品| 亚洲精品,欧美精品| 最后的刺客免费高清国语| 在线精品无人区一区二区三| 男女边吃奶边做爰视频| 久久久久久久亚洲中文字幕| 又大又黄又爽视频免费| 欧美亚洲日本最大视频资源| 国产黄色免费在线视频| 曰老女人黄片| 中文字幕人妻丝袜制服| xxxhd国产人妻xxx| 考比视频在线观看| 色哟哟·www| 亚洲国产精品国产精品| av福利片在线| 少妇人妻精品综合一区二区| 在线看a的网站| 91久久精品国产一区二区成人| 少妇的逼水好多| 亚洲av.av天堂| 国产精品久久久久久精品古装| 纵有疾风起免费观看全集完整版| 一本大道久久a久久精品| 精品人妻熟女毛片av久久网站| 免费久久久久久久精品成人欧美视频 | av不卡在线播放| 伊人久久精品亚洲午夜| 搡老乐熟女国产| 亚洲欧美色中文字幕在线| 精品国产乱码久久久久久小说| 免费黄色在线免费观看| 日韩一本色道免费dvd| 一本久久精品| 熟女电影av网| 国产免费一区二区三区四区乱码| 久久久久久久久久久免费av| 免费观看性生交大片5| 少妇的逼水好多| xxx大片免费视频| 18禁观看日本| 五月伊人婷婷丁香| 亚洲国产色片| 欧美老熟妇乱子伦牲交| 久久亚洲国产成人精品v| 精品一区二区三卡| 亚洲av二区三区四区| 少妇人妻久久综合中文| 美女内射精品一级片tv| 在线观看人妻少妇| 欧美精品一区二区大全| 精品久久久久久久久av| 婷婷色av中文字幕| 亚洲久久久国产精品| 久久精品久久久久久噜噜老黄| 国模一区二区三区四区视频| 男女无遮挡免费网站观看| 2022亚洲国产成人精品| 天美传媒精品一区二区| 久久久久久久大尺度免费视频| 久久久国产精品麻豆| av又黄又爽大尺度在线免费看| 欧美xxxx性猛交bbbb| 亚洲,欧美,日韩| 草草在线视频免费看| 成年人午夜在线观看视频| 国产高清不卡午夜福利| 午夜老司机福利剧场| 日本黄色日本黄色录像| av在线播放精品| 亚洲国产精品999| 国产亚洲午夜精品一区二区久久| 日韩欧美一区视频在线观看| 少妇的逼好多水| 久久久a久久爽久久v久久| 欧美bdsm另类| 亚洲精品第二区| 精品人妻偷拍中文字幕| 亚洲欧美清纯卡通| 你懂的网址亚洲精品在线观看| 一级二级三级毛片免费看| av在线app专区| 日本与韩国留学比较| 亚洲精品国产色婷婷电影| 视频中文字幕在线观看| 黄色欧美视频在线观看| 观看av在线不卡| 国产精品一区www在线观看| 国产免费现黄频在线看| 黑人欧美特级aaaaaa片| 久久国产精品男人的天堂亚洲 | 久久女婷五月综合色啪小说| 91久久精品国产一区二区三区| 久久精品国产a三级三级三级| 日韩av在线免费看完整版不卡| 欧美 亚洲 国产 日韩一| 人妻制服诱惑在线中文字幕| 亚洲国产欧美在线一区| 国产深夜福利视频在线观看| 欧美日韩成人在线一区二区| 大香蕉97超碰在线| 日日摸夜夜添夜夜添av毛片| 亚州av有码| 香蕉精品网在线| 久久久亚洲精品成人影院| 精品国产国语对白av| 一个人看视频在线观看www免费| 亚洲综合色网址| 国产日韩欧美亚洲二区| 一区在线观看完整版| 99久国产av精品国产电影| 日韩,欧美,国产一区二区三区| 有码 亚洲区| 国产一级毛片在线| 美女大奶头黄色视频| 嫩草影院入口| 亚洲国产精品999| 色哟哟·www| 久久精品国产亚洲av天美| 久久久久久久久久久久大奶| 欧美日韩视频高清一区二区三区二| 久久久久久人妻| 色5月婷婷丁香| 欧美bdsm另类| 久久久久网色| 日韩,欧美,国产一区二区三区| 黄色视频在线播放观看不卡| 色5月婷婷丁香| xxx大片免费视频| 国产视频内射| 国产精品久久久久久久电影| 18禁在线播放成人免费| 久久久久久久亚洲中文字幕| 国产精品成人在线| 亚洲精品国产av成人精品| 成年女人在线观看亚洲视频| 国产熟女午夜一区二区三区 | 美女主播在线视频| 中文字幕免费在线视频6| 99热国产这里只有精品6| 纯流量卡能插随身wifi吗| 亚洲欧美成人综合另类久久久| 99热这里只有精品一区| av免费在线看不卡| 国产免费又黄又爽又色| 国产视频首页在线观看| 亚洲,欧美,日韩| 久久精品久久精品一区二区三区| videosex国产| 国产精品久久久久成人av| 亚洲欧美一区二区三区黑人 | 精品国产国语对白av| 久久久久久久久久人人人人人人| 成人无遮挡网站| 久久国产精品大桥未久av| 高清欧美精品videossex| 天堂中文最新版在线下载| 久久久久精品性色| 久久免费观看电影| 成人二区视频| 一区二区av电影网| 免费少妇av软件| 高清av免费在线| 99久久精品一区二区三区| a级毛片免费高清观看在线播放| 国产午夜精品一二区理论片| 亚洲国产精品一区三区| 国产欧美亚洲国产| 亚洲综合精品二区| 大陆偷拍与自拍| 最近手机中文字幕大全| 中文天堂在线官网| 在线观看www视频免费| 免费高清在线观看视频在线观看| 91精品国产九色| 草草在线视频免费看| 极品少妇高潮喷水抽搐| 国产成人精品婷婷| 国产又色又爽无遮挡免| 黄色怎么调成土黄色| 岛国毛片在线播放| 高清欧美精品videossex| 在线看a的网站| 在线免费观看不下载黄p国产| 亚洲av中文av极速乱| 在线观看www视频免费| 久久精品久久久久久噜噜老黄| 亚洲av在线观看美女高潮| 最近最新中文字幕免费大全7| 日本欧美视频一区| 成人18禁高潮啪啪吃奶动态图 | 男女国产视频网站| 亚洲久久久国产精品| 热re99久久国产66热| 久久久久久久久久人人人人人人| 久久久久精品性色| 久久99蜜桃精品久久| 蜜桃久久精品国产亚洲av| 七月丁香在线播放| 考比视频在线观看| 亚洲精品久久午夜乱码| av国产精品久久久久影院| √禁漫天堂资源中文www| 国产精品久久久久久久久免| 欧美精品一区二区大全| 一级毛片我不卡| 国产在线视频一区二区| 一级二级三级毛片免费看| 久久精品熟女亚洲av麻豆精品| 亚洲综合色惰| 亚洲国产成人一精品久久久| 中文欧美无线码| 最近的中文字幕免费完整| 午夜福利在线观看免费完整高清在| 国模一区二区三区四区视频| 免费大片黄手机在线观看| 亚洲国产精品一区三区| 午夜免费男女啪啪视频观看| 啦啦啦在线观看免费高清www| 老熟女久久久| 精品久久久久久久久亚洲| 丝袜在线中文字幕| 极品人妻少妇av视频| tube8黄色片| 黑人猛操日本美女一级片| 91精品三级在线观看| 精品久久久精品久久久| a级毛片在线看网站| 飞空精品影院首页| 成人国产av品久久久| 国产精品无大码| 在线亚洲精品国产二区图片欧美 | 在线观看免费视频网站a站| 丰满迷人的少妇在线观看| 国产精品.久久久| 亚洲精品国产av成人精品| 午夜日本视频在线| 飞空精品影院首页| xxx大片免费视频| 18+在线观看网站| 国产成人a∨麻豆精品| 永久网站在线| 亚洲av综合色区一区| 极品人妻少妇av视频| 精品一区二区三卡| 观看美女的网站| 亚洲成色77777| 午夜激情av网站| 成人黄色视频免费在线看| 久久久国产欧美日韩av| 久久ye,这里只有精品| 成人亚洲精品一区在线观看| 亚洲国产精品成人久久小说| 国产 一区精品| 丁香六月天网| 欧美性感艳星| 精品国产一区二区三区久久久樱花| 最近的中文字幕免费完整| av福利片在线| 成人综合一区亚洲| 欧美日韩视频高清一区二区三区二| 精品国产一区二区三区久久久樱花| 欧美精品亚洲一区二区| 日本色播在线视频| 欧美97在线视频| 在线观看美女被高潮喷水网站| 黑丝袜美女国产一区| 亚洲五月色婷婷综合| 国产国语露脸激情在线看| 在线观看免费视频网站a站| 校园人妻丝袜中文字幕| 亚洲国产精品一区二区三区在线| 欧美丝袜亚洲另类| 亚洲精品色激情综合| 国产又色又爽无遮挡免| 丰满少妇做爰视频| 亚洲精品视频女| 精品亚洲乱码少妇综合久久| 激情五月婷婷亚洲| 久久久久久久久久人人人人人人| 日韩一区二区三区影片| 色婷婷av一区二区三区视频| 午夜免费男女啪啪视频观看| 亚洲婷婷狠狠爱综合网| 国产精品国产三级专区第一集| 老熟女久久久| 中国国产av一级| 色网站视频免费| 亚洲欧美日韩另类电影网站| 成人国产麻豆网| 赤兔流量卡办理| 国产精品久久久久久av不卡| 国产精品 国内视频| 纯流量卡能插随身wifi吗| 有码 亚洲区| 成人亚洲精品一区在线观看| 狂野欧美白嫩少妇大欣赏| 菩萨蛮人人尽说江南好唐韦庄| 80岁老熟妇乱子伦牲交| 国产成人免费无遮挡视频| 男女免费视频国产| 久久久久久久国产电影| 一级a做视频免费观看| videosex国产| 51国产日韩欧美| 一区二区av电影网| 亚洲欧美成人精品一区二区| 最后的刺客免费高清国语| 国产精品成人在线| 亚洲欧美色中文字幕在线| 久久精品久久精品一区二区三区| 亚洲av日韩在线播放| 中文字幕免费在线视频6| 有码 亚洲区| 波野结衣二区三区在线| 99热全是精品| av又黄又爽大尺度在线免费看| 国产欧美亚洲国产| 欧美日韩av久久| 日韩不卡一区二区三区视频在线| 中文字幕亚洲精品专区| 男女边吃奶边做爰视频| 国产av精品麻豆| 日本黄色片子视频| 国产一区亚洲一区在线观看| 伦精品一区二区三区| 男人爽女人下面视频在线观看| 看非洲黑人一级黄片| 久久这里有精品视频免费| 成人无遮挡网站| 久久99蜜桃精品久久| 男人添女人高潮全过程视频| 国产成人免费无遮挡视频| 婷婷色麻豆天堂久久| 国产一区有黄有色的免费视频| 日本爱情动作片www.在线观看| 母亲3免费完整高清在线观看 | 午夜老司机福利剧场| 成人手机av| 久久婷婷青草| 最后的刺客免费高清国语| 国产午夜精品久久久久久一区二区三区| 精品一区二区三卡| 久久韩国三级中文字幕| 日产精品乱码卡一卡2卡三| 一个人免费看片子| 久久青草综合色| 国产精品 国内视频| 久久久国产欧美日韩av| 高清不卡的av网站| 亚洲精品亚洲一区二区| 久久久久久久亚洲中文字幕| 国产av国产精品国产| 一级,二级,三级黄色视频| 国产高清三级在线| 久久97久久精品| 欧美日韩成人在线一区二区| 久久狼人影院| 久久午夜福利片| av播播在线观看一区|