• <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
    婷婷六月久久综合丁香| 久久久久免费精品人妻一区二区| 久久久久久久久久久丰满 | 最近最新免费中文字幕在线| 欧美一区二区亚洲| 久久精品夜夜夜夜夜久久蜜豆| 色综合色国产| 韩国av一区二区三区四区| 欧美xxxx性猛交bbbb| 免费观看人在逋| 亚洲18禁久久av| 国产一区二区亚洲精品在线观看| 亚洲欧美日韩无卡精品| 深夜a级毛片| 免费在线观看影片大全网站| 国产精品98久久久久久宅男小说| 在线天堂最新版资源| 成人精品一区二区免费| 免费观看精品视频网站| 俺也久久电影网| 午夜福利视频1000在线观看| 亚洲 国产 在线| 亚洲最大成人中文| 久久久久久久久中文| 亚洲欧美日韩东京热| 天堂av国产一区二区熟女人妻| 九色国产91popny在线| 亚洲av电影不卡..在线观看| 校园春色视频在线观看| 国内精品久久久久久久电影| 麻豆成人午夜福利视频| 乱人视频在线观看| eeuss影院久久| 免费高清视频大片| 午夜a级毛片| 亚洲av成人av| 无遮挡黄片免费观看| 久久久久国产精品人妻aⅴ院| 亚洲中文日韩欧美视频| 日韩,欧美,国产一区二区三区 | 赤兔流量卡办理| x7x7x7水蜜桃| 色av中文字幕| 亚洲美女搞黄在线观看 | 色综合站精品国产| 国产精品一区二区三区四区久久| 久久人人爽人人爽人人片va| 久久精品久久久久久噜噜老黄 | 一级a爱片免费观看的视频| 美女黄网站色视频| 观看美女的网站| 高清毛片免费观看视频网站| 99热网站在线观看| 久久久久久大精品| 九色成人免费人妻av| 深爱激情五月婷婷| av在线天堂中文字幕| 国模一区二区三区四区视频| 毛片女人毛片| 亚洲欧美激情综合另类| 美女高潮的动态| 男女那种视频在线观看| 99热精品在线国产| 伊人久久精品亚洲午夜| 成人国产综合亚洲| 国产高潮美女av| 亚洲精品在线观看二区| 日日啪夜夜撸| 久久这里只有精品中国| 一进一出好大好爽视频| 哪里可以看免费的av片| 香蕉av资源在线| 18禁在线播放成人免费| 成人无遮挡网站| 欧美xxxx黑人xx丫x性爽| 无人区码免费观看不卡| 久久久久久久久久久丰满 | 九九爱精品视频在线观看| 啦啦啦观看免费观看视频高清| 欧美另类亚洲清纯唯美| 亚洲va在线va天堂va国产| 亚洲欧美激情综合另类| 一卡2卡三卡四卡精品乱码亚洲| 午夜久久久久精精品| 中文字幕人妻熟人妻熟丝袜美| 亚洲精华国产精华液的使用体验 | 舔av片在线| 免费不卡的大黄色大毛片视频在线观看 | 久久精品影院6| 天美传媒精品一区二区| 亚洲内射少妇av| 一夜夜www| 最近最新免费中文字幕在线| 少妇猛男粗大的猛烈进出视频 | 国产精品一区二区三区四区久久| 日韩欧美国产一区二区入口| 亚洲国产精品sss在线观看| 国产高清激情床上av| 色吧在线观看| 欧美日韩乱码在线| 亚洲精品国产成人久久av| 3wmmmm亚洲av在线观看| 亚洲一级一片aⅴ在线观看| 久久精品影院6| 两个人视频免费观看高清| 日日干狠狠操夜夜爽| 18禁裸乳无遮挡免费网站照片| 国产精品一及| 亚洲精品成人久久久久久| 亚洲一区二区三区色噜噜| 91在线观看av| 黄色一级大片看看| 两个人的视频大全免费| 97人妻精品一区二区三区麻豆| 亚洲国产精品sss在线观看| 久久久成人免费电影| 一区福利在线观看| 亚洲精品日韩av片在线观看| 久久精品91蜜桃| 亚洲精品成人久久久久久| 五月玫瑰六月丁香| 我的老师免费观看完整版| 美女免费视频网站| 久久久久久久久大av| 久久精品夜夜夜夜夜久久蜜豆| a级毛片a级免费在线| 俄罗斯特黄特色一大片| 欧美成人a在线观看| 男女边吃奶边做爰视频| 男女视频在线观看网站免费| 国产美女午夜福利| 久久草成人影院| 免费人成在线观看视频色| 欧美不卡视频在线免费观看| 亚洲欧美日韩东京热| 一进一出抽搐gif免费好疼| 免费在线观看影片大全网站| 国产精品免费一区二区三区在线| 日本五十路高清| 国产黄a三级三级三级人| 男女边吃奶边做爰视频| 亚洲精华国产精华精| 免费看美女性在线毛片视频| 人妻少妇偷人精品九色| 最新在线观看一区二区三区| 欧美色视频一区免费| 久久久国产成人精品二区| 最新在线观看一区二区三区| 真人做人爱边吃奶动态| 伦精品一区二区三区| av在线蜜桃| 欧美又色又爽又黄视频| 日本成人三级电影网站| 国产三级在线视频| av.在线天堂| 少妇被粗大猛烈的视频| 久久久久久伊人网av| 免费电影在线观看免费观看| 精品免费久久久久久久清纯| 免费在线观看成人毛片| 国产欧美日韩精品一区二区| 一个人看视频在线观看www免费| 日韩欧美 国产精品| 欧美日韩国产亚洲二区| 欧美三级亚洲精品| 精品久久久久久久久久免费视频| 国产精品98久久久久久宅男小说| 又粗又爽又猛毛片免费看| 国产精品一及| 精品午夜福利在线看| 91久久精品国产一区二区成人| 国产成人影院久久av| 久久久久精品国产欧美久久久| 亚洲国产精品合色在线| 国产免费一级a男人的天堂| av国产免费在线观看| 麻豆久久精品国产亚洲av| 国产91精品成人一区二区三区| 此物有八面人人有两片| eeuss影院久久| 色吧在线观看| 亚洲av日韩精品久久久久久密| 深爱激情五月婷婷| 很黄的视频免费| 欧美在线一区亚洲| 久久久国产成人免费| 99热这里只有精品一区| 午夜精品一区二区三区免费看| 精品不卡国产一区二区三区| 99久久九九国产精品国产免费| 日韩欧美国产一区二区入口| 深夜精品福利| 亚洲四区av| 日本在线视频免费播放| av天堂中文字幕网| 人人妻人人澡欧美一区二区| 精品久久久久久,| 亚洲内射少妇av| 美女高潮喷水抽搐中文字幕| 美女cb高潮喷水在线观看| 国产成人影院久久av| 少妇裸体淫交视频免费看高清| av视频在线观看入口| 在线免费十八禁| 99久国产av精品| 美女被艹到高潮喷水动态| 亚洲,欧美,日韩| 日本黄色视频三级网站网址| 国产精品,欧美在线| 日本精品一区二区三区蜜桃| 亚洲精品粉嫩美女一区| 最近在线观看免费完整版| 乱系列少妇在线播放| 国产成人av教育| 国产欧美日韩精品一区二区| 人人妻人人看人人澡| 两人在一起打扑克的视频| 国产男靠女视频免费网站| 欧美一区二区国产精品久久精品| 在线观看午夜福利视频| 国产精华一区二区三区| 两个人视频免费观看高清| 在线免费观看不下载黄p国产 | 亚洲成人免费电影在线观看| 日韩欧美精品v在线| 欧美日韩精品成人综合77777| 国产精品三级大全| 99久久无色码亚洲精品果冻| 99热这里只有是精品在线观看| 国产成人aa在线观看| av在线老鸭窝| 亚洲av电影不卡..在线观看| 国产白丝娇喘喷水9色精品| 小蜜桃在线观看免费完整版高清| 亚洲专区中文字幕在线| 18禁黄网站禁片免费观看直播| 最近中文字幕高清免费大全6 | 精品一区二区三区av网在线观看| 国产精品乱码一区二三区的特点| 精品福利观看| 黄片wwwwww| 波多野结衣高清作品| 可以在线观看的亚洲视频| 校园春色视频在线观看| 黄色欧美视频在线观看| 精品一区二区三区人妻视频| 久久精品久久久久久噜噜老黄 | 免费av观看视频| 搡老岳熟女国产| av视频在线观看入口| 欧美极品一区二区三区四区| 国产探花极品一区二区| 日本五十路高清| 在线免费观看的www视频| 欧美xxxx性猛交bbbb| 午夜福利成人在线免费观看| 国产白丝娇喘喷水9色精品| 国产精品不卡视频一区二区| 成人永久免费在线观看视频| 国产午夜精品久久久久久一区二区三区 | 窝窝影院91人妻| 久久人妻av系列| 欧美一区二区精品小视频在线| 亚洲18禁久久av| 无人区码免费观看不卡| 亚洲午夜理论影院| 国产精品电影一区二区三区| 人人妻,人人澡人人爽秒播| 久久久久久久久久黄片| av女优亚洲男人天堂| 国产精品伦人一区二区| 久久99热6这里只有精品| 国产精品一区二区免费欧美| 国产淫片久久久久久久久| 亚洲午夜理论影院| 久久国产精品人妻蜜桃| 亚洲精品一卡2卡三卡4卡5卡| 少妇丰满av| 淫秽高清视频在线观看| 非洲黑人性xxxx精品又粗又长| 99久久无色码亚洲精品果冻| 欧美一级a爱片免费观看看| 亚洲成人免费电影在线观看| 日韩国内少妇激情av| 久久99热这里只有精品18| 欧美日韩中文字幕国产精品一区二区三区| 久久精品国产亚洲网站| 日本撒尿小便嘘嘘汇集6| 特大巨黑吊av在线直播| 亚洲人成网站在线播放欧美日韩| 我的老师免费观看完整版| АⅤ资源中文在线天堂| 久久精品国产亚洲网站| 色综合婷婷激情| 日日啪夜夜撸| 日本爱情动作片www.在线观看 | 国产黄a三级三级三级人| 日本一二三区视频观看| 精品久久久久久久久久免费视频| 国产精品国产高清国产av| 88av欧美| 最近中文字幕高清免费大全6 | 欧美激情国产日韩精品一区| 大型黄色视频在线免费观看| 99九九线精品视频在线观看视频| 国产男人的电影天堂91| 一本一本综合久久| 久久精品国产亚洲av天美| 伊人久久精品亚洲午夜| 国产成年人精品一区二区| 国产精品精品国产色婷婷| 国产精品永久免费网站| 国产精品亚洲一级av第二区| 亚洲av二区三区四区| 亚洲内射少妇av| 淫秽高清视频在线观看| 非洲黑人性xxxx精品又粗又长| 美女cb高潮喷水在线观看| 中文字幕高清在线视频| 在线观看av片永久免费下载| 男女边吃奶边做爰视频| 亚洲男人的天堂狠狠| 日日夜夜操网爽| 色噜噜av男人的天堂激情| 在现免费观看毛片| 69av精品久久久久久| 啦啦啦观看免费观看视频高清| 欧美成人免费av一区二区三区| 国产真实乱freesex| 大又大粗又爽又黄少妇毛片口| 日韩欧美 国产精品| 琪琪午夜伦伦电影理论片6080| 国内精品宾馆在线| 波多野结衣巨乳人妻| 色在线成人网| 老熟妇仑乱视频hdxx| 亚洲欧美日韩卡通动漫| 亚洲人成网站在线播| 1000部很黄的大片| 在线观看美女被高潮喷水网站| 亚洲黑人精品在线| 黄色欧美视频在线观看| 亚洲国产精品sss在线观看| 免费看美女性在线毛片视频| 精品久久久久久久久久久久久| 免费观看精品视频网站| 一区二区三区高清视频在线| 午夜亚洲福利在线播放| 两人在一起打扑克的视频| 亚洲欧美日韩东京热| av天堂在线播放| 一个人观看的视频www高清免费观看| 久久久久久久久久久丰满 | 久久这里只有精品中国| 国国产精品蜜臀av免费| 蜜桃久久精品国产亚洲av| 精品久久久久久久人妻蜜臀av| 一进一出好大好爽视频| 国模一区二区三区四区视频| 国产亚洲精品av在线| 国产爱豆传媒在线观看| 日本 欧美在线| 国产成人影院久久av| 国产伦一二天堂av在线观看| 精品一区二区三区视频在线观看免费| 观看美女的网站| 人妻久久中文字幕网| 91久久精品电影网| 亚洲狠狠婷婷综合久久图片| 极品教师在线视频| 久久精品国产亚洲av涩爱 | 亚洲av免费高清在线观看| 伊人久久精品亚洲午夜| 国产精品国产三级国产av玫瑰| 国产真实乱freesex| 老熟妇乱子伦视频在线观看| 十八禁网站免费在线| 给我免费播放毛片高清在线观看| 老师上课跳d突然被开到最大视频| 天天一区二区日本电影三级| 国产主播在线观看一区二区| 久9热在线精品视频| 在线播放无遮挡| 97超视频在线观看视频| 五月玫瑰六月丁香| 国产成人aa在线观看| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲精品日韩av片在线观看| 成人性生交大片免费视频hd| 亚洲欧美日韩高清在线视频| 亚洲欧美日韩东京热| 成年女人永久免费观看视频| 国产单亲对白刺激| 国产精品伦人一区二区| 日韩欧美 国产精品| 欧美日韩中文字幕国产精品一区二区三区| 久久久久精品国产欧美久久久| 亚洲成人中文字幕在线播放| 国产精品三级大全| 中文字幕人妻熟人妻熟丝袜美| 精品一区二区三区视频在线观看免费| 日日摸夜夜添夜夜添av毛片 | 欧美xxxx性猛交bbbb| 变态另类成人亚洲欧美熟女| 国产精品女同一区二区软件 | 欧美又色又爽又黄视频| 琪琪午夜伦伦电影理论片6080| 尤物成人国产欧美一区二区三区| 少妇人妻一区二区三区视频| 一个人免费在线观看电影| 中文字幕高清在线视频| av中文乱码字幕在线| 国产精品,欧美在线| 亚洲一区高清亚洲精品| 亚洲国产高清在线一区二区三| 99九九线精品视频在线观看视频| 日韩大尺度精品在线看网址| 变态另类成人亚洲欧美熟女| av视频在线观看入口| 国产亚洲精品综合一区在线观看| 国产免费一级a男人的天堂| 毛片一级片免费看久久久久 | 老熟妇仑乱视频hdxx| 69av精品久久久久久| 欧美高清性xxxxhd video| 日本与韩国留学比较| 日本 欧美在线| 中国美白少妇内射xxxbb| 国产精品野战在线观看| 最好的美女福利视频网| 国模一区二区三区四区视频| 国产v大片淫在线免费观看| 亚洲av中文av极速乱 | 小蜜桃在线观看免费完整版高清| 亚洲一级一片aⅴ在线观看| 亚洲avbb在线观看| 少妇熟女aⅴ在线视频| 国国产精品蜜臀av免费| 日韩欧美国产在线观看| 日韩国内少妇激情av| 综合色av麻豆| 日本一本二区三区精品| 亚洲精品在线观看二区| 毛片一级片免费看久久久久 | 日韩一本色道免费dvd| 久久久久久久精品吃奶| 91狼人影院| 国产三级中文精品| 久久久国产成人免费| 又爽又黄a免费视频| 亚洲美女黄片视频| bbb黄色大片| 日韩大尺度精品在线看网址| 久久中文看片网| 男人狂女人下面高潮的视频| 成人毛片a级毛片在线播放| 色精品久久人妻99蜜桃| 国产精品国产高清国产av| 黄色视频,在线免费观看| 中文字幕免费在线视频6| 亚洲成人久久性| 精品欧美国产一区二区三| 久久久久久久亚洲中文字幕| 免费av毛片视频| 免费观看的影片在线观看| 看黄色毛片网站| 亚洲美女视频黄频| 九色成人免费人妻av| 九色国产91popny在线| 99热网站在线观看| 亚洲国产精品久久男人天堂| 国产色爽女视频免费观看| 亚洲av.av天堂| 午夜精品久久久久久毛片777| 成人特级黄色片久久久久久久| 99九九线精品视频在线观看视频| 最近最新中文字幕大全电影3| 2021天堂中文幕一二区在线观| 人妻少妇偷人精品九色| 熟女电影av网| 国产av不卡久久| 桃红色精品国产亚洲av| 日韩,欧美,国产一区二区三区 | 日本五十路高清| 日韩欧美三级三区| 国产高清三级在线| www.色视频.com| 毛片女人毛片| 国产精品一区二区性色av| 在线观看午夜福利视频| 国产精品98久久久久久宅男小说| 久久久久久久久久黄片| 亚洲人成网站高清观看| 97超视频在线观看视频| 国产色爽女视频免费观看| 国产伦在线观看视频一区| 免费观看人在逋| 日本熟妇午夜| 国产伦精品一区二区三区视频9| 欧美成人免费av一区二区三区| 97碰自拍视频| 午夜爱爱视频在线播放| 午夜日韩欧美国产| 国产精品精品国产色婷婷| 久久久精品大字幕| 亚州av有码| 日本撒尿小便嘘嘘汇集6| 色在线成人网| 国内精品宾馆在线| 国内精品美女久久久久久| 一区二区三区四区激情视频 | 少妇裸体淫交视频免费看高清| 99热这里只有是精品50| 免费看a级黄色片| 久久久国产成人免费| 日本免费一区二区三区高清不卡| 熟女人妻精品中文字幕| 欧美+日韩+精品| 欧美激情在线99| 欧美绝顶高潮抽搐喷水| 欧美在线一区亚洲| 别揉我奶头 嗯啊视频| 91麻豆精品激情在线观看国产| 在线播放国产精品三级| 日本五十路高清| 欧美3d第一页| 日本五十路高清| 中出人妻视频一区二区| 国产老妇女一区| 毛片女人毛片| 免费观看在线日韩| 国产男人的电影天堂91| 性欧美人与动物交配| 欧美日韩精品成人综合77777| 色视频www国产| 国产精品野战在线观看| 久久精品影院6| 看黄色毛片网站| 免费大片18禁| 亚洲精品乱码久久久v下载方式| 九九久久精品国产亚洲av麻豆| 又爽又黄无遮挡网站| 精品人妻偷拍中文字幕| 男女之事视频高清在线观看| 国内精品一区二区在线观看| 日本 欧美在线| 久久精品91蜜桃| 日韩强制内射视频| 免费看光身美女| 欧美一区二区亚洲| 黄色配什么色好看| 精品一区二区免费观看| 亚洲在线观看片| 亚洲国产欧美人成| 麻豆av噜噜一区二区三区| 少妇被粗大猛烈的视频| 欧美色欧美亚洲另类二区| 国产真实伦视频高清在线观看 | 国产午夜福利久久久久久| 床上黄色一级片| 中文资源天堂在线| 亚洲七黄色美女视频| 尾随美女入室| 国产精品一及| 日本一本二区三区精品| 变态另类丝袜制服| 久久国产精品人妻蜜桃| 99久久精品热视频| 亚洲欧美精品综合久久99| 九九久久精品国产亚洲av麻豆| 男女那种视频在线观看| 一级a爱片免费观看的视频| 色尼玛亚洲综合影院| 亚洲成人中文字幕在线播放| 高清在线国产一区| 成人欧美大片| 一个人免费在线观看电影| 成人高潮视频无遮挡免费网站| 一边摸一边抽搐一进一小说| 男人狂女人下面高潮的视频| 久久99热这里只有精品18| 啦啦啦啦在线视频资源| 国产精品av视频在线免费观看| 国产亚洲av嫩草精品影院| 国产精品久久久久久亚洲av鲁大| 国产精品伦人一区二区| 亚洲成人免费电影在线观看| 国产成人av教育| 午夜福利欧美成人| 久久久久久大精品| 国产精品国产高清国产av| 国产精华一区二区三区| 亚洲av中文字字幕乱码综合| 校园人妻丝袜中文字幕| 亚洲色图av天堂| 一本一本综合久久| 2021天堂中文幕一二区在线观| 久久午夜亚洲精品久久| 亚洲欧美日韩高清在线视频| av在线天堂中文字幕| 婷婷精品国产亚洲av| 能在线免费观看的黄片| 中文字幕高清在线视频| 制服丝袜大香蕉在线| 在线天堂最新版资源| 精品人妻熟女av久视频| 在线观看av片永久免费下载| 99久国产av精品| 亚洲欧美日韩无卡精品| 久久人妻av系列| 夜夜看夜夜爽夜夜摸| x7x7x7水蜜桃| 搡女人真爽免费视频火全软件 | 精品一区二区三区视频在线| 无遮挡黄片免费观看|