• <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 ?

    基于雙語(yǔ)詞典的微博多類情感分析方法

    2016-11-22 06:59:28栗雨晴宋丹丹廖樂(lè)健
    電子學(xué)報(bào) 2016年9期
    關(guān)鍵詞:博文高斯詞典

    栗雨晴,禮 欣,韓 煦,宋丹丹,廖樂(lè)健

    (1.北京理工大學(xué)計(jì)算機(jī)學(xué)院,北京 100081;2.北京市海量語(yǔ)言信息處理與云計(jì)算應(yīng)用工程技術(shù)研究中心,北京 100081)

    ?

    基于雙語(yǔ)詞典的微博多類情感分析方法

    栗雨晴1,2,禮 欣1,2,韓 煦1,宋丹丹1,2,廖樂(lè)健1,2

    (1.北京理工大學(xué)計(jì)算機(jī)學(xué)院,北京 100081;2.北京市海量語(yǔ)言信息處理與云計(jì)算應(yīng)用工程技術(shù)研究中心,北京 100081)

    現(xiàn)有微博文本情感分析方法多面向單一語(yǔ)種語(yǔ)料,如:中文語(yǔ)料.但是,中英文搭配使用的表達(dá)習(xí)慣已逐漸成為個(gè)體意見(jiàn)表達(dá)的重要形式.本文提出一種基于雙語(yǔ)詞典的多類情感分析方法,通過(guò)構(gòu)建雙語(yǔ)多類情感詞典對(duì)微博文本進(jìn)行多分類語(yǔ)義傾向性分析,以便更準(zhǔn)確有效捕捉群體意見(jiàn),及時(shí)發(fā)現(xiàn)社會(huì)輿論傾向.通過(guò)與多數(shù)投票算法、支持向量機(jī)算法、基于余弦距離的K近鄰分類算法相比,本文提出的基于雙語(yǔ)詞典的多類情感分析模型具有良好的分類效果,其在分類準(zhǔn)確率、F1值等方面都有明顯提高.

    雙語(yǔ)語(yǔ)義傾向性分析;半監(jiān)督高斯混合模型;相對(duì)熵;情感詞典

    1 引言

    隨著社交媒體平臺(tái)的興起和廣泛使用,針對(duì)社交網(wǎng)絡(luò)數(shù)據(jù)的自然語(yǔ)言處理已成為當(dāng)前研究熱點(diǎn)并囊括多種前沿課題.

    目前,一些情感分析方面的工作主要針對(duì)單一語(yǔ)種文本情感傾向進(jìn)行統(tǒng)計(jì)分析,但中英文搭配使用或純英文書寫已逐漸成為個(gè)體情感表達(dá)的重要形式.在本文中我們通過(guò)利用大量語(yǔ)料、已有知識(shí)庫(kù)、詞匯相似性計(jì)算模型構(gòu)建英漢雙語(yǔ)情感詞詞典,進(jìn)而對(duì)微博文本進(jìn)行向量化處理.本文利用半監(jiān)督高斯混合模型分類算法(Semi-GMM,Semi-supervised Gaussian Mixture Model)和基于對(duì)稱相對(duì)熵的K近鄰算法(KNN-KL,K-Nearest Neighbor-symmetric Kullback-Leibler divergence)對(duì)微博文本進(jìn)行情感分類.實(shí)驗(yàn)證實(shí),半監(jiān)督高斯混合模型分類算法魯棒性強(qiáng),并且分類準(zhǔn)確率不受訓(xùn)練集文本規(guī)模大小的影響,而基于對(duì)稱相對(duì)熵的K近鄰算法(KNN-KL)在訓(xùn)練數(shù)據(jù)充分的情況下,可以取得更高的分類準(zhǔn)確率.

    2 相關(guān)工作

    目前國(guó)內(nèi)外對(duì)于文本情感傾向性判定主要有基于語(yǔ)料庫(kù)和基于詞典兩種方法.總體來(lái)看,使用情感詞典及與其相關(guān)聯(lián)信息對(duì)文本進(jìn)行情感判別效果更加精準(zhǔn)[1].針對(duì)微博上大量中英雙語(yǔ)混合文本的出現(xiàn),我們通過(guò)構(gòu)建雙語(yǔ)情感詞典以提高情感傾向分析的準(zhǔn)確性.

    在文獻(xiàn)[2,3]中,作者提出跨語(yǔ)言混合模型,利用平行語(yǔ)料庫(kù)提高詞典覆蓋率,通過(guò)最大化生成語(yǔ)料庫(kù)的似然值對(duì)未標(biāo)注詞語(yǔ)進(jìn)行情感極性標(biāo)注,進(jìn)而擴(kuò)展詞典.但是,利用平行語(yǔ)料庫(kù)的方式進(jìn)行文本情感分類對(duì)平行語(yǔ)料庫(kù)質(zhì)量、規(guī)模要求很高.微博文本內(nèi)容簡(jiǎn)短、詞匯復(fù)雜多變不利于平行語(yǔ)料庫(kù)的構(gòu)建.因此,本文首先對(duì)大規(guī)模語(yǔ)料進(jìn)行統(tǒng)計(jì)分析,預(yù)先對(duì)具有代表性的詞匯進(jìn)行人工標(biāo)注選為種子詞匯,再利用已有情感詞匯知識(shí)庫(kù)、語(yǔ)義相似度計(jì)算模型或?qū)哟谓Y(jié)構(gòu)模型等方法對(duì)雙語(yǔ)情感詞典進(jìn)行擴(kuò)充.在構(gòu)建詞典的過(guò)程中我們利用新浪微博消息文本、中英文種子詞集結(jié)合雙語(yǔ)料相似度計(jì)算模型構(gòu)建情感詞典.

    在文獻(xiàn)[4]中作者指出采用機(jī)器學(xué)習(xí)方法比簡(jiǎn)單統(tǒng)計(jì)褒義和貶義情感詞匯個(gè)數(shù)具有更好的分類效果,并提出將情感詞典同監(jiān)督學(xué)習(xí)算法相結(jié)合以實(shí)現(xiàn)更高的文本分類精度.在文獻(xiàn)[5]中,作者提出一種反應(yīng)公眾對(duì)社會(huì)事件關(guān)注的五分類模型(社會(huì)關(guān)愛(ài)、高興、悲傷、憤怒、恐懼).本文結(jié)合上述文本情感類別,提出基于半監(jiān)督高斯混合模型等一系列動(dòng)態(tài)學(xué)習(xí)算法對(duì)中文及中英雙語(yǔ)微博文本進(jìn)行情感傾向性分類.

    3 文本情感分類系統(tǒng)

    本章將從情感詞典的構(gòu)建、文本情感傾向性分類、文本的向量表示以及文本情感分類算法設(shè)計(jì)四個(gè)方面的研究工作進(jìn)行介紹.文本情感分類系統(tǒng)的整體框架如圖1所示:

    3.1 情感詞典

    中英文搭配使用已成為個(gè)體表達(dá)的流行趨為進(jìn)一步說(shuō)明加入英文情感詞典的必要性,我們?cè)趫D2中展示微博用戶發(fā)布的兩則博文,圖中可以看出,具有雙語(yǔ)表述習(xí)慣的用戶在談及某一話題時(shí),慣用英語(yǔ)情感詞匯進(jìn)行情感表達(dá).

    為建立雙語(yǔ)情感詞典,首先我們從新浪微博中收集大量具有情感傾向的語(yǔ)料,并從語(yǔ)料集中提取出具有情感傾向的高頻詞匯.之后,應(yīng)用已有知識(shí)庫(kù)(HowNet[6]、WordNet[7]、NTUSD[8])對(duì)情感詞典進(jìn)行擴(kuò)展.在已有知識(shí)庫(kù)中(HowNet[6]、WordNet[7])每個(gè)詞匯vb(b∈Z+)可以通過(guò)多個(gè)概念Sba(a∈Z+)進(jìn)行描述,每個(gè)概念又是以義原為基礎(chǔ)通過(guò)知識(shí)庫(kù)表述語(yǔ)言進(jìn)行定義,且每個(gè)概念Sba含有多個(gè)義原pat(t∈Z+)對(duì)其進(jìn)行解釋.對(duì)于中文詞匯間的語(yǔ)義相似性,本文采用HowNet詞匯相似度計(jì)算方法[9],其定義如式(1)、式(2)所示:

    (1)

    (2)

    其中,t1,t2分別表示S1a1,S2a2兩個(gè)概念含有的義原數(shù)目,并選取兩個(gè)詞之間的最大概念描述相似度作為兩個(gè)詞的相似度.

    而對(duì)于英文詞匯間的語(yǔ)義相似性,我們利用WordNet中的Lesk方法對(duì)詞匯之間的關(guān)聯(lián)度進(jìn)行度量.在Wordnet中的每一個(gè)概念(word sense)都是通過(guò)一個(gè)短注釋進(jìn)行定義的.Lesk方法通過(guò)尋找和計(jì)算兩個(gè)概念的注釋的交叉部分進(jìn)而計(jì)算兩詞匯之間的相似度sim(v1,v2).本文采用NLTK中給出的Lancaster和WordNet Lemmatizer兩種方式對(duì)英文詞匯進(jìn)行詞形變化和詞干提取.除傳統(tǒng)情感詞外,我們還在情感詞典中引入了網(wǎng)絡(luò)語(yǔ)言和表情符號(hào).綜上所述,本文所構(gòu)建的中文情感詞匯共計(jì)7590個(gè),英文情感詞匯共計(jì)421個(gè),網(wǎng)絡(luò)詞匯613個(gè),常用表情符號(hào)101個(gè).

    3.2 文本的向量表示

    根據(jù)構(gòu)建的情感詞典我們從中選取部分詞匯進(jìn)行人工標(biāo)注作為5類情感的種子詞匯.種子詞集A-seedset={PC,PJ,PB,PA,PF},其中PC,PJ,PB,PA,PF分別代表各類情感(社會(huì)關(guān)愛(ài)、高興、悲傷、憤怒、恐懼)的子集.其中“社會(huì)關(guān)愛(ài)”類別的引入旨在更準(zhǔn)確有效的捕捉、辨別群體意見(jiàn)[5],而對(duì)于不在種子集合中的情感詞,我們則利用式(3)中所給定義將其分類.

    Ψ(v)=

    (3)

    其中K1,K2,K3,K4,K5為各類情感子集中種子詞匯的數(shù)目.Ψ(v)表示非種子詞匯所屬情感類別,取決于與各類情感子集平均相似度的最大值.而對(duì)于微博消息中常出現(xiàn)的網(wǎng)絡(luò)詞匯則采用多人人工標(biāo)注的方式對(duì)其進(jìn)行分類.最終建立的中英雙語(yǔ)五類情感詞典涵蓋“社會(huì)關(guān)愛(ài)”類詞匯971個(gè)、“高興”類詞匯2731個(gè)、“悲傷”類詞匯2289個(gè)、“憤怒”類詞匯1458個(gè)、“恐懼”類詞匯1276個(gè).

    本文采用ICTCLAS分詞系統(tǒng) (http://ictclas.nlpir.org/)對(duì)中文文本進(jìn)行詞匯識(shí)別,而對(duì)于英文文本則根據(jù)空格進(jìn)行詞匯識(shí)別.對(duì)一條微博消息文本進(jìn)行分此后,對(duì)其進(jìn)行去停用詞處理,如:“的”、“a”、“the”等.

    對(duì)微博消息文本進(jìn)行上述處理之后便可依照多分類情感詞典對(duì)其進(jìn)行文本向量化表示.設(shè)D={d1,d2,…,dn}是所有微博消息文本的集合,其中di是本文集合中第i條文本的向量表示.則對(duì)于任一條微博文本di=[ωiC,ωiJ,ωiB,ωiA,ωiF]T其中ωiC,ωiJ,ωiB,ωiA,ωiF表示微博消息文本中包含各類情感詞的個(gè)數(shù),因此每條微博消息均以5維向量表示.

    3.3 算法設(shè)計(jì)

    本節(jié)將詳細(xì)介紹本文提出的兩種文本情感多分類模型——半監(jiān)督高斯混合模型分類算法(Semi-GMM)和基于對(duì)稱相對(duì)熵的K近鄰算法(KNN-KL).

    3.3.1 半監(jiān)督高斯混合模型(Semi-GMM)情感分類算法

    高斯混合模型學(xué)習(xí),即是對(duì)各個(gè)高斯模型加概率密度的估計(jì)和權(quán)重(πk)進(jìn)行最大似然估計(jì)的過(guò)程.本文采用半監(jiān)督高斯混合模型對(duì)文本進(jìn)行分類,首先通過(guò)已標(biāo)記微博消息文本學(xué)習(xí)高斯混合模型,然后以該模型參數(shù)和已標(biāo)記樣本的概率分布作為高斯混合模型的參數(shù)初值對(duì)已有模型進(jìn)行迭代學(xué)習(xí).

    半監(jiān)督高斯混合模型是一個(gè)自訓(xùn)練算法,在每一次迭代訓(xùn)練的過(guò)程中,已標(biāo)注樣本集合(L)通過(guò)不斷在未標(biāo)注樣本集合(U)中選擇表現(xiàn)良好的樣本加入,更新標(biāo)注樣本集.根據(jù)新的標(biāo)注集合不斷對(duì)混合高斯模型進(jìn)行學(xué)習(xí),直至算法收斂或未標(biāo)注集合為空.半監(jiān)督高斯混合模型情感分類算法偽代碼如算法1所示:

    算法1 半監(jiān)督高斯混合模型情感分類算法

    輸入:小規(guī)模已標(biāo)注微博文本集合,高斯混合模型

    輸出:Θ(q)

    1.q←0

    3. whileU!=NULL or‖Q(θ(q+1),θ(q))-Q(θ(q),θ(q))‖>ε

    4. E-step:

    7.L←L∪uj

    8.U←U-uj

    9. M-step:

    11.q←q+1

    3.3.2 基于對(duì)稱相對(duì)熵的K近鄰情感分類算法

    K近鄰分類算法(KNN,K-Nearest Neighbor)[10]是指一個(gè)樣本所屬類別取決于特征空間中最鄰近的樣本中大多數(shù)所屬類別.在本文中我們采用相對(duì)熵對(duì)文本情感相似性進(jìn)行度量.相對(duì)熵是對(duì)相同事件空間里的兩個(gè)概率分布(P和Q的)的非對(duì)稱性度量,記為DKL(P‖Q).因此對(duì)3.3節(jié)中提出的文本向量表示進(jìn)行歸一化,如式(4)所示,歸一化后的文本向量記為Ti,其中W為文本包含各類情感詞的個(gè)數(shù)總和.

    Ti=〈ωiC/W,ωiJ/W,ωiB/W,ωiA/W,ωiF/W〉

    (4)

    微博消息文本Ti與Tj之間的距離定義如式(5)所示:

    (5)

    由于傳統(tǒng)相對(duì)熵具有非對(duì)稱性,因此在度量概率分布P和Q的差別時(shí),P表示數(shù)據(jù)的真實(shí)分布,Q表示P的近似分布.因此,在計(jì)算文本之間的距離時(shí),Ti為已標(biāo)記文本的歸一化向量表示,Tj則為未標(biāo)記文本的歸一化向量表示.tik但是這種非對(duì)稱性計(jì)算形式忽略了P對(duì)于Q的近似分布.為了改進(jìn)傳統(tǒng)相對(duì)熵計(jì)算的非對(duì)稱性,本文采用的相對(duì)熵計(jì)算公式[11]定義如式(6)所示:

    (6)

    4 實(shí)驗(yàn)結(jié)果及相關(guān)分析

    4.1 多種文本情感分類算法比較

    本實(shí)驗(yàn)根據(jù)3.1節(jié)中構(gòu)建的中文情感詞典,選取多種機(jī)器學(xué)習(xí)分類算法進(jìn)行比較.使用新浪微博提供的API抓取7170條中文微博文本信息作為實(shí)驗(yàn)數(shù)據(jù).并邀請(qǐng)25位研究自然語(yǔ)言方向的學(xué)生依照5類情感對(duì)文本進(jìn)行人工類別標(biāo)注,進(jìn)而使得文本的情感類別取決于多數(shù)人選取的情感類別.語(yǔ)料在各情感類別中的分布情況如表1所示:

    表1 微博文本在5類情感類別中的分布

    針對(duì)上述微博文本我們采用多種分類模型對(duì)文本進(jìn)行情感分類,實(shí)驗(yàn)詳細(xì)設(shè)計(jì)與結(jié)果分析如下所述.

    我們從中選取3170條微博作為測(cè)試集,其中表達(dá)社會(huì)關(guān)愛(ài)的微博文本500條,表達(dá)高興的微博文本1300條,表達(dá)悲傷的微博文本540條,表達(dá)憤怒的微博文本510條,表達(dá)恐懼的微博文本320條.訓(xùn)練集則從余下4000條中選取1000至4000條微博不等.

    (1)我們首先對(duì)基于非對(duì)稱相對(duì)熵的K近鄰分類算法,如式(5)所示和基于對(duì)稱相對(duì)熵的K近鄰分類算法,如式(6)所示進(jìn)行比較,實(shí)驗(yàn)結(jié)果如表2所示.

    結(jié)果表明,盡管基于對(duì)稱相對(duì)熵的K近鄰分類算法依照本文所示訓(xùn)練文本優(yōu)勢(shì)并不明顯,但考慮到基于對(duì)稱相對(duì)熵的K近鄰分類算法可消除不同訓(xùn)練集導(dǎo)致的算法準(zhǔn)確率差異,進(jìn)而提高分類算法的高魯棒性.因此,在之后的多種機(jī)器學(xué)習(xí)分類算法的比較中,我們僅選用基于對(duì)稱相對(duì)熵的K近鄰分類算法參與比較.

    表2 基于不同距離度量算法的K近鄰分類算法在不同訓(xùn)練集規(guī)模下的準(zhǔn)確率比較

    (2)多模型分類結(jié)果的比較

    我們選用多數(shù)投票算法(Majority Vote)、支持向量機(jī)算法(SVM)、基于余弦距離的K近鄰分類算法(KNN-Cosine)同本文中提出的半監(jiān)督高斯混合模型分類算法(Semi-GMM)和基于對(duì)稱相對(duì)熵的K近鄰算法(KNN-KL)進(jìn)行比較.比較結(jié)果如圖3所示:

    從圖3可以看出當(dāng)訓(xùn)練集文本規(guī)模為4000條時(shí),KNN-KL準(zhǔn)確率最高達(dá)到85.1%.當(dāng)選用相同最近鄰數(shù)時(shí),采用對(duì)稱相對(duì)熵進(jìn)行文本距離度量比采用余弦距離進(jìn)行文本距離度量分類效果更好.但隨著訓(xùn)練集文本數(shù)目下降到1000條,采用KNN-KL的準(zhǔn)確率下降了8.9%,而Semi-GMM僅下降了2.9%.這也進(jìn)一步證實(shí)了Semi-GMM更加適合在訓(xùn)練集規(guī)模較小時(shí)使用,而KNN這種全監(jiān)督學(xué)習(xí)算法容易被選取鄰居數(shù)目左右,影響分類效果.

    表3 在不同訓(xùn)練集規(guī)模下,基于Semi-GMM和KMM-KL的文本分類準(zhǔn)確率

    表4 在不同訓(xùn)練集規(guī)模下,基于Semi-GMM和KMM-KL的文本分類F1值

    在不同文本訓(xùn)練集規(guī)模下,Semi-GMM和KNN-KL的F1值如表4所示,這也進(jìn)一步證實(shí)了Semi-GMM在小規(guī)模訓(xùn)練集下的分類優(yōu)勢(shì).

    4.2 雙語(yǔ)微博文本情感分類實(shí)驗(yàn)

    類似的,我們使用新浪提供的API抓取7000條雙語(yǔ)微博文本信息.并邀請(qǐng)25位研究自然語(yǔ)言方向的學(xué)生依照5類情感對(duì)文本進(jìn)行人工類別標(biāo)注,情感類別語(yǔ)料在各情感類別中的分布情況如表5所示:

    表5 微博文本在5類情感類別中的分布

    針對(duì)上述雙語(yǔ)微博文本我們采用多種分類模型對(duì)文本進(jìn)行情感分類,實(shí)驗(yàn)詳細(xì)設(shè)計(jì)與結(jié)果分析如下所述.

    (1)多模型分類結(jié)果比較

    我們從中選取3000條微博作為測(cè)試集,其中表達(dá)社會(huì)關(guān)愛(ài)的微博文本400條,表達(dá)高興的微博文本950條,表達(dá)悲傷的微博文本660條,表達(dá)憤怒的微博文本500條,表達(dá)恐懼的微博文本490條.訓(xùn)練集則從余下4000條中選取1000至4000條微博不等.

    我們選用僅使用中文情感詞典作感詞識(shí)別的半監(jiān)督高斯混合模型分類算法(Semi-GMM(Ch.))和基于對(duì)稱相對(duì)熵的K近鄰算法(KNN-KL(Ch.))同使用中英文情感詞典相結(jié)合進(jìn)行情感詞識(shí)別的多數(shù)投票算法(Majority Vote(Ch.+Eng.))、SVM(Ch.+Eng.)算法、基于余弦距離的K近鄰分類算法(KNN-Cosine(Ch.+Eng.))以及本文提出的半監(jiān)督高斯混合模型分類算法(Semi-GMM(Ch.+Eng.))和基于對(duì)稱相對(duì)熵的K近鄰算法(KNN-KL(Ch.+Eng.))進(jìn)行比較.比較結(jié)果如圖4所示:

    如圖4所示,利用中英文情感詞典相結(jié)合進(jìn)行情感詞識(shí)別的文本情感分類算法準(zhǔn)確率明顯高于單一利用中文情感詞典進(jìn)行情感詞識(shí)別的文本情感分類算法,進(jìn)一步證實(shí)了我們建立的雙語(yǔ)情感詞詞典的有效性.當(dāng)訓(xùn)練集微博文本下降到1000條時(shí),Semi-GMM(Ch.+Eng.)的分類準(zhǔn)確率最高達(dá)到了68.3%.

    表6 不同訓(xùn)練集規(guī)模下,基于Semi-GMM和KMM-KL的文本分類準(zhǔn)確率

    分類算法訓(xùn)練集文本數(shù)量社會(huì)關(guān)愛(ài)高興悲傷憤怒恐懼KNN?KL400066.7%84.7%68.2%81.2%81.1%100053.2%77.8%58.2%71.4%67.5%Semi?GMM400062.3%82.9%65.2%78.8%76.5%100054.6%78.8%59.4%72.9%68.8%

    表6和表7給出了當(dāng)文本訓(xùn)練集規(guī)模不同時(shí),Semi-GMM和KNN-KL針對(duì)文本進(jìn)行5類情感識(shí)別的準(zhǔn)確率.在文本訓(xùn)練集規(guī)模下降到1000時(shí),Semi-GMM的F1值大于KNN-KL的F1值,這也進(jìn)一步證實(shí)了文本中出現(xiàn)不同語(yǔ)種的文字不會(huì)對(duì)Semi-GMM的穩(wěn)定性造成影響,并且在小規(guī)模訓(xùn)練集下Semi-GMM更具分類優(yōu)勢(shì).

    表7 不同訓(xùn)練集規(guī)模下,基于Semi-GMM和KMM-KL的文本分類F1值

    (2)平行語(yǔ)料vs.雙語(yǔ)情感詞典

    我們利用平行語(yǔ)料庫(kù)方式對(duì)文本進(jìn)行預(yù)處理——通過(guò)調(diào)用百度翻譯API將雙語(yǔ)微博文本信息全部翻譯為中文單一語(yǔ)料文本.針對(duì)于上述構(gòu)建完成的平行語(yǔ)料文本集,我們選用中文情感詞典作情感詞識(shí)別的半監(jiān)督高斯混合模型分類算法(Semi-GMM(Ch.))和基于對(duì)稱相對(duì)熵的K近鄰算法(KNN-KL(Ch.))對(duì)文本就行情感分類.并與本文提出的基于雙語(yǔ)情感詞詞典的半監(jiān)督高斯混合模型分類算法(Semi-GMM(Ch.+Eng.))和基于對(duì)稱相對(duì)熵的K近鄰算法(KNN-KL(Ch.+Eng.))進(jìn)行比較.

    如圖5所示,在選用相同分類模型的前提下,利用中英文情感詞典相結(jié)合進(jìn)行情感詞識(shí)別的文本情感分類算法準(zhǔn)確率明顯高于利用平行語(yǔ)料庫(kù)方式進(jìn)行文本預(yù)處理的文本情感分類算法.由于情感詞匯語(yǔ)義復(fù)雜,上述實(shí)驗(yàn)也印證了多類別情感詞典的構(gòu)建不適宜采用平行語(yǔ)料庫(kù)的方式,證實(shí)了我們構(gòu)建的雙語(yǔ)情感詞詞典對(duì)于多類情感識(shí)別的有效性.

    (3)微博文本英文字符所占比重對(duì)情感分類的影響

    我們通過(guò)實(shí)驗(yàn)分析了微博文本中英文字符所占比重(新浪微博中每?jī)蓚€(gè)英文字符算為一字)對(duì)本文提出的情感分類算法的影響.我們從7000條雙語(yǔ)微博文本信息中隨機(jī)選取其中3000條雙語(yǔ)微博文本作為訓(xùn)練集.測(cè)試集則從余下4000條中選取,其中英文字符所占比重小于30%的文本共計(jì)1105條(27.62%),英文字符所占比重介于30%至70%的文本共計(jì)2170條(54.25%),英文字符所占比重大于70%的文本共計(jì)725條(18.13%).實(shí)驗(yàn)結(jié)果如表8所示:

    表8 不同英文字符占比測(cè)試集下的文本分類準(zhǔn)確率比較

    結(jié)果表明,本文提出的情感分類算法的高準(zhǔn)確率不受文本英文字符比重的影響.這也進(jìn)一步證明了我們建立的雙語(yǔ)情感詞詞典的有效性以及分類模型的強(qiáng)魯棒性.

    5 結(jié)論

    中英文搭配使用的表達(dá)習(xí)慣已成為社交網(wǎng)絡(luò)個(gè)體、群體意見(jiàn)表達(dá)的重要形式.本文使用新浪微博消息文本和已有知識(shí)庫(kù)構(gòu)建了雙語(yǔ)情感詞典.為進(jìn)一步加強(qiáng)面向語(yǔ)義分類器的性能,本文提出了半監(jiān)督高斯混合模型和基于相對(duì)熵的K近鄰算法對(duì)文本進(jìn)行情感分類.實(shí)驗(yàn)結(jié)果表明,本文提出的基于雙語(yǔ)情感詞典的情感分類方法的準(zhǔn)確率和綜合評(píng)價(jià)指標(biāo)(F1值)均高于傳統(tǒng)的分類方法.特別是半監(jiān)督高斯混合模型分類算法在小規(guī)模訓(xùn)練集下的分類效果明顯優(yōu)于其他方法.

    [1]Melville P,Gryc W,Lawrence R D.Sentiment analysis of blogs by combining lexical knowledge with text classification[A].Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C].New York:ACM SIGKDD Explorations Newsletter,2009.1275-1284.

    [2]Wan X.Bilingual co-training for sentiment classification of Chinese product reviews[J].Computational Linguistics,2011,37(3):587-616.

    [3]Meng X,Wei F,Liu X,et al.Cross-lingual mixture model for sentiment classification[A].Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics:Long Papers-Volume 1[C].Stroudsburg:Association for Computational Linguistics,2012.572-581.

    [4]Pang B,Lee L.Opinion mining and sentiment analysis[J].Foundations and Trends in Information Retrieval,2008,2(1-2):1-135.

    [5]Li Y,Li X,Li F,et al.A lexicon-based multi-class semantic orientation analysis for microblogs[A].Web Technologies and Applications[C].Cham:Springer International Publishing,2014.81-92.

    [6]Dong Z,Dong Q.HowNet and the Computation of Meaning[M].Singapore:World Scientific,2006.

    [7]Miller G A.WordNet:a lexical database for English[J].Communications of the ACM,1995,38(11):39-41.

    [8]Hu M,Liu B.Opinion extraction and summarization on the web[A].Proceedings of the 21st National Conference on Artificial Intelligence(AAAI 2006) [C].California:AAAI Press,2006.1621-1624.

    [9]Zhu Y L,Min J,Zhou Y,et al.Semantic orientation computing based on HowNet[J].Journal of Chinese Information Processing,2006,20(1):14-20.

    [10]Chen J,Xue N,Palmer M S.Using a smoothing maximum entropy model for Chinese nominal entity tagging[A].Natural Language Processing-IJCNLP 2004[C].Heidelberg:Springer-Verlag Berlin Heidelberg,2004.493-499.

    [11]Seghouane A K,Amari S I.The AIC criterion and symmetrizing the Kullback-Leibler divergence[J].IEEE Transactions on Neural Networks,2007,18(1):97-106.

    栗雨晴 女,1991年7月出生于北京市.現(xiàn)為北京理工大學(xué)碩士研究生.主要研究方向?yàn)樯缃痪W(wǎng)絡(luò)、文本情感分析.

    E-mail:liyqyimy@163.com

    禮 欣(通訊作者) 女,1980年4月出生于黑龍江省佳木斯市.2001和2004年分別獲得吉林大學(xué)計(jì)算機(jī)學(xué)院工學(xué)學(xué)士和碩士學(xué)位,2009年獲香港浸會(huì)大學(xué)計(jì)算機(jī)博士學(xué)位.目前就職于北京理工大學(xué)計(jì)算機(jī)學(xué)院,主要從事數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、無(wú)線傳感網(wǎng)、車聯(lián)網(wǎng)、社交網(wǎng)絡(luò)分析和移動(dòng)計(jì)算等方面的研究.

    E-mail:xinli@bit.edu.com

    A Bilingual Lexicon-Based Multi-class SemanticOrientation Analysis for Microblogs

    LI Yu-qing1,2,LI Xin1,2,HAN Xu1,SONG Dan-dan1,2,LIAO Le-jian1,2

    (1.SchoolofComputerScience,BeijingInstituteofTechnology,Beijing100081,China;2.BeijingEngineeringApplicationResearchCenterofHighVolumeLanguageInformationProcessingandCloudComputing,Beijing100081,China)

    Most of the existing Weibo sentiment analysis focuses on monolingual corpus like Chinese.However,a mixed use of Chinese and English becomes a popular form of expression.To better capture the social attention on public events,this paper proposes a bilingual lexicon based multi-class semantic orientation analysis for bilingual microblogs.We compare our proposed methodologies with majority vote,support vector machine (SVM) and K-nearest neighbor (KNN) by using cosine similarity which are competitive baseline methods.The experimental results show that our proposed methods outperform the three approaches we mentioned in terms of the accuracy and F1 score.

    bilingual semantic orientation analysis;semi-supervised gaussian mixture model(Semi-GMM);Kullback-Leibler divergence;sentiment lexicon

    2015-02-03;

    2015-07-20;責(zé)任編輯:覃懷銀

    國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展規(guī)劃(973計(jì)劃)項(xiàng)目(No.2013CB329605);國(guó)家自然科學(xué)基金(No.61300178)

    TP391;H085.5

    A

    0372-2112 (2016)09-2068-06

    ??學(xué)報(bào)URL:http://www.ejournal.org.cn

    10.3969/j.issn.0372-2112.2016.09.007

    猜你喜歡
    博文高斯詞典
    小高斯的大發(fā)現(xiàn)
    第一次掙錢
    米沃什詞典
    文苑(2019年24期)2020-01-06 12:06:50
    天才數(shù)學(xué)家——高斯
    誰(shuí)和誰(shuí)好
    評(píng)《現(xiàn)代漢語(yǔ)詞典》(第6版)
    詞典例證翻譯標(biāo)準(zhǔn)探索
    Review on Tang Wenzhi’s The Gist of Chinese Writing Gamut
    有限域上高斯正規(guī)基的一個(gè)注記
    打電話2
    2021天堂中文幕一二区在线观 | 欧美激情极品国产一区二区三区| 黑人巨大精品欧美一区二区mp4| 精品国产乱子伦一区二区三区| 最新在线观看一区二区三区| a在线观看视频网站| 久久久久久大精品| 亚洲男人天堂网一区| 一a级毛片在线观看| 日韩免费av在线播放| 久久国产精品影院| 国产av在哪里看| 变态另类丝袜制服| 久久天躁狠狠躁夜夜2o2o| 免费在线观看黄色视频的| 久久热在线av| 精品福利观看| 18禁黄网站禁片免费观看直播| 神马国产精品三级电影在线观看 | 露出奶头的视频| 满18在线观看网站| 午夜激情福利司机影院| 精品久久久久久久久久久久久 | 午夜福利欧美成人| 久久久精品欧美日韩精品| 男女午夜视频在线观看| 成年版毛片免费区| 韩国精品一区二区三区| 国产av不卡久久| 亚洲av熟女| bbb黄色大片| 日本三级黄在线观看| 中文字幕高清在线视频| 国语自产精品视频在线第100页| 午夜福利高清视频| 国产蜜桃级精品一区二区三区| 日韩欧美三级三区| 欧美zozozo另类| 99热6这里只有精品| 国产av一区在线观看免费| 国产亚洲精品av在线| 亚洲熟女毛片儿| 午夜福利在线在线| 国产亚洲欧美在线一区二区| 制服诱惑二区| 桃色一区二区三区在线观看| xxx96com| 超碰成人久久| 亚洲真实伦在线观看| 在线免费观看的www视频| 久久中文字幕一级| 久久久精品国产亚洲av高清涩受| 亚洲欧美日韩高清在线视频| 麻豆成人av在线观看| 身体一侧抽搐| 91麻豆精品激情在线观看国产| 国产精品爽爽va在线观看网站 | 一本综合久久免费| 伊人久久大香线蕉亚洲五| 男女做爰动态图高潮gif福利片| 露出奶头的视频| 欧美乱妇无乱码| 亚洲精品国产一区二区精华液| 不卡av一区二区三区| 亚洲专区中文字幕在线| 久久精品影院6| 亚洲国产欧美一区二区综合| 婷婷丁香在线五月| 黑人操中国人逼视频| 日本五十路高清| 久久99热这里只有精品18| 在线观看www视频免费| 久久精品成人免费网站| www.999成人在线观看| 国产高清视频在线播放一区| 在线国产一区二区在线| 国产精品久久电影中文字幕| 精品欧美一区二区三区在线| 狂野欧美激情性xxxx| 国产精品亚洲av一区麻豆| 欧美黄色淫秽网站| 中文字幕精品亚洲无线码一区 | 亚洲aⅴ乱码一区二区在线播放 | 国产成人精品无人区| x7x7x7水蜜桃| 国产成人精品久久二区二区免费| 亚洲专区中文字幕在线| 久久久久久国产a免费观看| 欧美乱妇无乱码| 日本三级黄在线观看| 熟妇人妻久久中文字幕3abv| 久久狼人影院| 国产精品久久久久久人妻精品电影| 中文字幕精品亚洲无线码一区 | 成人特级黄色片久久久久久久| 国产精品久久久av美女十八| 黄频高清免费视频| 女人被狂操c到高潮| 欧美大码av| 亚洲国产精品合色在线| 欧美在线黄色| 99国产精品一区二区蜜桃av| 制服人妻中文乱码| 亚洲精品中文字幕在线视频| 一区二区日韩欧美中文字幕| 成人国产一区最新在线观看| 一级片免费观看大全| 免费看美女性在线毛片视频| 久久中文字幕一级| 国产一区二区三区在线臀色熟女| 亚洲欧美一区二区三区黑人| 亚洲精华国产精华精| 99riav亚洲国产免费| 久久午夜亚洲精品久久| 日韩有码中文字幕| 97超级碰碰碰精品色视频在线观看| 桃色一区二区三区在线观看| 人妻久久中文字幕网| 久久久久国产精品人妻aⅴ院| 91成人精品电影| 亚洲狠狠婷婷综合久久图片| 国产区一区二久久| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲精品美女久久久久99蜜臀| 中国美女看黄片| 欧美中文综合在线视频| 国产精品99久久99久久久不卡| 美女大奶头视频| 黑丝袜美女国产一区| 一本一本综合久久| 99久久99久久久精品蜜桃| 亚洲人成网站在线播放欧美日韩| 久久精品夜夜夜夜夜久久蜜豆 | 日韩有码中文字幕| 国产亚洲精品av在线| 999久久久国产精品视频| 亚洲精品色激情综合| 日韩视频一区二区在线观看| 99久久国产精品久久久| 女人爽到高潮嗷嗷叫在线视频| 久久久久亚洲av毛片大全| 国产亚洲欧美在线一区二区| 成人国语在线视频| 亚洲av五月六月丁香网| av欧美777| 国产亚洲精品久久久久5区| 久久精品成人免费网站| 欧美日韩亚洲国产一区二区在线观看| 国产精品乱码一区二三区的特点| 韩国精品一区二区三区| 男女床上黄色一级片免费看| 精品熟女少妇八av免费久了| 中文字幕高清在线视频| 亚洲欧美日韩无卡精品| a级毛片在线看网站| 国产亚洲欧美精品永久| 白带黄色成豆腐渣| 国产精品香港三级国产av潘金莲| 18美女黄网站色大片免费观看| 熟女少妇亚洲综合色aaa.| 婷婷亚洲欧美| avwww免费| a级毛片a级免费在线| 中文字幕人妻熟女乱码| 日日摸夜夜添夜夜添小说| 久久婷婷成人综合色麻豆| 国产成人系列免费观看| 99国产综合亚洲精品| 亚洲国产精品久久男人天堂| 一区二区三区激情视频| 19禁男女啪啪无遮挡网站| 麻豆成人午夜福利视频| 高潮久久久久久久久久久不卡| 女人高潮潮喷娇喘18禁视频| 欧美zozozo另类| √禁漫天堂资源中文www| 国产精品1区2区在线观看.| 国产精品久久久人人做人人爽| 中亚洲国语对白在线视频| 成人18禁在线播放| 国产99白浆流出| 男女床上黄色一级片免费看| 国产麻豆成人av免费视频| 看片在线看免费视频| 老熟妇仑乱视频hdxx| 亚洲熟妇中文字幕五十中出| 国产熟女午夜一区二区三区| 黑人操中国人逼视频| 色在线成人网| 色播亚洲综合网| 老司机福利观看| 免费无遮挡裸体视频| 宅男免费午夜| 免费在线观看成人毛片| 无限看片的www在线观看| 午夜影院日韩av| 男女之事视频高清在线观看| 亚洲国产精品久久男人天堂| 精品国产超薄肉色丝袜足j| 久久精品影院6| 国产成人av教育| 老司机在亚洲福利影院| 国产一卡二卡三卡精品| 麻豆国产av国片精品| 日日爽夜夜爽网站| 丁香欧美五月| 亚洲五月天丁香| 免费一级毛片在线播放高清视频| 精品国产一区二区三区四区第35| 又大又爽又粗| 日日摸夜夜添夜夜添小说| 午夜免费成人在线视频| 午夜福利视频1000在线观看| 国产精品电影一区二区三区| 丁香欧美五月| 给我免费播放毛片高清在线观看| 成人精品一区二区免费| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲国产欧美一区二区综合| 国产在线精品亚洲第一网站| 中文字幕精品免费在线观看视频| 在线永久观看黄色视频| 免费搜索国产男女视频| www.精华液| 精品福利观看| 99精品欧美一区二区三区四区| 欧美日韩一级在线毛片| 无限看片的www在线观看| 亚洲成人国产一区在线观看| 国产真实乱freesex| 亚洲av成人一区二区三| 午夜免费观看网址| 无人区码免费观看不卡| 国产亚洲精品综合一区在线观看 | 三级毛片av免费| 91老司机精品| 日韩精品中文字幕看吧| 久久精品91蜜桃| 午夜a级毛片| 国产精品自产拍在线观看55亚洲| 后天国语完整版免费观看| 午夜成年电影在线免费观看| 亚洲国产日韩欧美精品在线观看 | 亚洲欧美激情综合另类| 黑人欧美特级aaaaaa片| 又黄又爽又免费观看的视频| 2021天堂中文幕一二区在线观 | 一区二区三区国产精品乱码| 人人妻,人人澡人人爽秒播| 两个人视频免费观看高清| 黄色丝袜av网址大全| 一进一出抽搐gif免费好疼| 日韩视频一区二区在线观看| 法律面前人人平等表现在哪些方面| 国产免费男女视频| 国产蜜桃级精品一区二区三区| 人成视频在线观看免费观看| 波多野结衣巨乳人妻| 精华霜和精华液先用哪个| 视频在线观看一区二区三区| 亚洲午夜理论影院| 日韩三级视频一区二区三区| 精品欧美一区二区三区在线| 午夜视频精品福利| 香蕉丝袜av| 欧美色欧美亚洲另类二区| 久久久久国产精品人妻aⅴ院| 女性生殖器流出的白浆| 午夜福利成人在线免费观看| 亚洲 国产 在线| 99riav亚洲国产免费| 久久久久久久久中文| 啦啦啦免费观看视频1| 男人的好看免费观看在线视频 | 脱女人内裤的视频| 在线免费观看的www视频| 99热6这里只有精品| 曰老女人黄片| 国产精品久久久久久精品电影 | 在线观看www视频免费| 久久精品影院6| 在线播放国产精品三级| 人人妻,人人澡人人爽秒播| 久久亚洲真实| 色老头精品视频在线观看| 99热只有精品国产| 老司机福利观看| 女人高潮潮喷娇喘18禁视频| 亚洲成av人片免费观看| 搡老熟女国产l中国老女人| 久久精品国产清高在天天线| 亚洲成av人片免费观看| 中文字幕最新亚洲高清| 每晚都被弄得嗷嗷叫到高潮| 国产精品久久久久久人妻精品电影| 怎么达到女性高潮| 日韩欧美一区二区三区在线观看| 老司机午夜十八禁免费视频| 黄网站色视频无遮挡免费观看| 女性生殖器流出的白浆| 丁香六月欧美| 两个人免费观看高清视频| 一级作爱视频免费观看| 午夜激情av网站| 男女之事视频高清在线观看| 中文字幕av电影在线播放| 美女免费视频网站| 热99re8久久精品国产| 欧美日韩精品网址| 亚洲av日韩精品久久久久久密| 色av中文字幕| 波多野结衣av一区二区av| 男人的好看免费观看在线视频 | 夜夜看夜夜爽夜夜摸| 久久久久久大精品| 精品高清国产在线一区| 一进一出好大好爽视频| 亚洲第一欧美日韩一区二区三区| 日本五十路高清| 成人手机av| 亚洲va日本ⅴa欧美va伊人久久| 亚洲精品美女久久久久99蜜臀| 精品欧美一区二区三区在线| 日韩精品青青久久久久久| 国产精品久久视频播放| 黄色成人免费大全| АⅤ资源中文在线天堂| 国产人伦9x9x在线观看| 丁香欧美五月| 欧美日韩福利视频一区二区| 男人舔女人的私密视频| 嫁个100分男人电影在线观看| 久久久久免费精品人妻一区二区 | 男人操女人黄网站| 欧美绝顶高潮抽搐喷水| 亚洲无线在线观看| 伦理电影免费视频| 波多野结衣av一区二区av| 制服诱惑二区| 欧美精品亚洲一区二区| av在线天堂中文字幕| 级片在线观看| 久久国产乱子伦精品免费另类| 国产精华一区二区三区| 久久国产亚洲av麻豆专区| 男人舔女人下体高潮全视频| av福利片在线| 国产精品99久久99久久久不卡| 91成年电影在线观看| 欧美中文综合在线视频| 亚洲精品一区av在线观看| 久久亚洲真实| 在线观看舔阴道视频| 黄色女人牲交| 欧美丝袜亚洲另类 | 国产成+人综合+亚洲专区| 国产又爽黄色视频| 一级作爱视频免费观看| 中文亚洲av片在线观看爽| 成人免费观看视频高清| 国产高清videossex| 2021天堂中文幕一二区在线观 | 精品少妇一区二区三区视频日本电影| 精品久久久久久久毛片微露脸| 99热6这里只有精品| 麻豆一二三区av精品| 最新在线观看一区二区三区| 午夜久久久在线观看| 国产乱人伦免费视频| 嫩草影视91久久| 成人免费观看视频高清| 女警被强在线播放| 久久久久国产一级毛片高清牌| 91成年电影在线观看| 听说在线观看完整版免费高清| www.www免费av| √禁漫天堂资源中文www| 久久久久久人人人人人| 一个人观看的视频www高清免费观看 | 亚洲精品国产一区二区精华液| 嫩草影视91久久| 国产成人影院久久av| 国产亚洲精品一区二区www| 亚洲第一青青草原| 日本撒尿小便嘘嘘汇集6| 99国产精品一区二区三区| 一区福利在线观看| av在线天堂中文字幕| 欧美大码av| 欧美成人午夜精品| 中文字幕人妻丝袜一区二区| 国产精品久久久久久人妻精品电影| 国产亚洲欧美精品永久| 韩国av一区二区三区四区| 999久久久精品免费观看国产| 亚洲男人天堂网一区| 日韩高清综合在线| 夜夜躁狠狠躁天天躁| 国产爱豆传媒在线观看 | 50天的宝宝边吃奶边哭怎么回事| 一区二区三区高清视频在线| 久久久久久大精品| 亚洲专区国产一区二区| 日本 av在线| 一级片免费观看大全| 亚洲欧美日韩高清在线视频| 欧美激情 高清一区二区三区| 成熟少妇高潮喷水视频| 日韩免费av在线播放| 国产精品久久久久久人妻精品电影| 91在线观看av| 国产av不卡久久| 一本精品99久久精品77| 一级a爱片免费观看的视频| 99久久国产精品久久久| 亚洲精品中文字幕在线视频| 色精品久久人妻99蜜桃| 国产精品国产高清国产av| 男女床上黄色一级片免费看| 精品久久久久久成人av| 神马国产精品三级电影在线观看 | 好男人电影高清在线观看| 亚洲一码二码三码区别大吗| 男女那种视频在线观看| 少妇粗大呻吟视频| av在线天堂中文字幕| 亚洲一区高清亚洲精品| 亚洲 欧美 日韩 在线 免费| 一边摸一边抽搐一进一小说| 国产黄片美女视频| 欧美性猛交╳xxx乱大交人| 99精品在免费线老司机午夜| 他把我摸到了高潮在线观看| 久久伊人香网站| 久久人人精品亚洲av| 黄色片一级片一级黄色片| 精品一区二区三区视频在线观看免费| 日韩av在线大香蕉| 女性被躁到高潮视频| 亚洲狠狠婷婷综合久久图片| 日日爽夜夜爽网站| 欧美黑人欧美精品刺激| 国产精品永久免费网站| 美女免费视频网站| 成人国语在线视频| 欧美又色又爽又黄视频| 黄片小视频在线播放| 青草久久国产| 韩国av一区二区三区四区| 在线观看一区二区三区| 操出白浆在线播放| 超碰成人久久| 久久精品影院6| 亚洲一区高清亚洲精品| 欧美三级亚洲精品| 亚洲人成77777在线视频| 男女那种视频在线观看| 久久精品国产清高在天天线| 日本三级黄在线观看| 亚洲第一av免费看| 欧美丝袜亚洲另类 | 波多野结衣高清作品| 成人18禁在线播放| 亚洲国产精品999在线| e午夜精品久久久久久久| 日韩精品青青久久久久久| 午夜精品久久久久久毛片777| 一区二区三区激情视频| 黄片大片在线免费观看| 亚洲色图av天堂| 男女之事视频高清在线观看| 国产亚洲精品一区二区www| 一个人免费在线观看的高清视频| 欧美另类亚洲清纯唯美| 搡老岳熟女国产| 久久久国产成人精品二区| 精品人妻1区二区| 在线观看日韩欧美| 国产99白浆流出| 嫁个100分男人电影在线观看| 午夜激情av网站| 啪啪无遮挡十八禁网站| 99久久99久久久精品蜜桃| 美女高潮到喷水免费观看| 窝窝影院91人妻| 免费看美女性在线毛片视频| 精品不卡国产一区二区三区| 久久精品亚洲精品国产色婷小说| 99国产精品99久久久久| 女性生殖器流出的白浆| 日本熟妇午夜| 大香蕉久久成人网| 嫩草影视91久久| 老司机午夜福利在线观看视频| 丰满的人妻完整版| 怎么达到女性高潮| 日本免费a在线| av免费在线观看网站| tocl精华| 亚洲精品一区av在线观看| 欧洲精品卡2卡3卡4卡5卡区| 久久久水蜜桃国产精品网| 亚洲国产日韩欧美精品在线观看 | 亚洲在线自拍视频| 午夜福利免费观看在线| 女性被躁到高潮视频| 青草久久国产| 亚洲精品一区av在线观看| 国产激情久久老熟女| 一二三四社区在线视频社区8| 欧美乱码精品一区二区三区| 精品久久久久久久末码| 大型黄色视频在线免费观看| 亚洲第一欧美日韩一区二区三区| 久久久久久久久久黄片| 久久精品国产综合久久久| 久久亚洲真实| 日本免费一区二区三区高清不卡| 可以免费在线观看a视频的电影网站| 久久精品国产清高在天天线| 色播在线永久视频| 色精品久久人妻99蜜桃| 大型黄色视频在线免费观看| 色av中文字幕| 亚洲精品美女久久av网站| 亚洲自偷自拍图片 自拍| 日韩高清综合在线| 国产av在哪里看| 高清在线国产一区| 亚洲av日韩精品久久久久久密| 美女国产高潮福利片在线看| 国产欧美日韩一区二区精品| 巨乳人妻的诱惑在线观看| 久久久久久久久免费视频了| 中文字幕另类日韩欧美亚洲嫩草| 在线观看免费视频日本深夜| 国产日本99.免费观看| 一区福利在线观看| 免费一级毛片在线播放高清视频| 两个人视频免费观看高清| 国产一区二区三区视频了| av片东京热男人的天堂| 色综合亚洲欧美另类图片| 丁香六月欧美| 夜夜爽天天搞| 自线自在国产av| 国产久久久一区二区三区| 琪琪午夜伦伦电影理论片6080| 曰老女人黄片| 女警被强在线播放| 久久婷婷人人爽人人干人人爱| 波多野结衣巨乳人妻| a级毛片在线看网站| 成人国产一区最新在线观看| 成人18禁在线播放| 亚洲av电影在线进入| 麻豆成人av在线观看| 99精品久久久久人妻精品| netflix在线观看网站| 老司机靠b影院| 国产免费av片在线观看野外av| 禁无遮挡网站| 91九色精品人成在线观看| 在线观看一区二区三区| 韩国av一区二区三区四区| 精品一区二区三区视频在线观看免费| 欧美激情极品国产一区二区三区| 别揉我奶头~嗯~啊~动态视频| 国产熟女xx| 嫩草影视91久久| 性色av乱码一区二区三区2| 黄色a级毛片大全视频| 精品久久久久久,| 欧美乱妇无乱码| 欧美绝顶高潮抽搐喷水| АⅤ资源中文在线天堂| 女人被狂操c到高潮| 每晚都被弄得嗷嗷叫到高潮| 99国产精品一区二区蜜桃av| 一级毛片高清免费大全| 91麻豆精品激情在线观看国产| 日本撒尿小便嘘嘘汇集6| 黄网站色视频无遮挡免费观看| 日韩欧美免费精品| 淫妇啪啪啪对白视频| 巨乳人妻的诱惑在线观看| 欧美最黄视频在线播放免费| 啪啪无遮挡十八禁网站| 久久久久亚洲av毛片大全| 精品第一国产精品| 51午夜福利影视在线观看| 亚洲中文字幕日韩| 久久久久国产一级毛片高清牌| 在线天堂中文资源库| 欧美日韩精品网址| 日韩一卡2卡3卡4卡2021年| 亚洲激情在线av| 女人爽到高潮嗷嗷叫在线视频| 香蕉国产在线看| 国产精品香港三级国产av潘金莲| 看黄色毛片网站| 欧美日韩亚洲综合一区二区三区_| 久久久久精品国产欧美久久久| 午夜福利在线在线| 欧美日韩乱码在线| 国产99久久九九免费精品| 精品久久久久久,| 后天国语完整版免费观看| 国产99久久九九免费精品| 美女大奶头视频| x7x7x7水蜜桃| 白带黄色成豆腐渣| 久久99热这里只有精品18| 国产区一区二久久| 亚洲精品在线美女|