• <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 ?

    基于多特征融合的跨域情感分類模型研究

    2017-05-27 19:44:03琚春華鄒江波傅小康
    知識管理論壇 2016年6期
    關鍵詞:遷移學習

    琚春華+鄒江波+傅小康

    摘要:[目的/意義]跨領域情感分類仍是亟需重點研究的問題之一。[方法/過程]借助情感無關詞,通過譜聚類算法構建源領域與目標領域的跨域情感特征詞簇,將譜聚類得到的情感詞特征與位置特征、關鍵詞特征、詞性特征融入邏輯回歸分類算法中,實現(xiàn)基于多特征融合的跨領域情感分類算法;并以用戶評論數(shù)據(jù)進行驗證。[結果/結論]研究結果表明,CDFF(Cross Domain pulse Four Factor)算法可有效實現(xiàn)跨域用戶的情感分類,為跨領域情感分類研究提供借鑒。

    關鍵詞:跨域情感分類 多特征融合 譜聚類 遷移學習

    分類號:TP391

    引用格式:琚春華, 鄒江波, 傅小康. 基于多特征融合的跨域情感分類模型研究[J/OL]. 知識管理論壇, 2016, 1(6): 464-470[引用日期]. http://www.kmf.ac.cn/p/1/83/.

    1 引言

    互聯(lián)網(wǎng)用戶的交互行為產(chǎn)生了大量評論數(shù)據(jù),如客戶購買某商品后的評論、微博用戶針對熱點話題的評論等。這些交互數(shù)據(jù)中隱含著用戶對某類事物的情感傾向,它對構建用戶興趣模型、產(chǎn)生推薦結果具有重要實踐意義。情感分類即根據(jù)評論數(shù)據(jù)將用戶情感分為兩類:積極和消極,雖然人們可以很容易從某條評論數(shù)據(jù)中推測出當時評論者的情感,但對于機器來說并非易事,并且一些評論數(shù)據(jù)中并沒有顯性的表達出用戶情感,這更增大了機器學習的難度。

    國內(nèi)外已有許多學者通過半監(jiān)督學習的方法對情感分類問題進行了研究[1-3],有研究者為了更好地利用關鍵句和細節(jié)句之間的差異性和互補性,將抽取的關鍵句分別用于有監(jiān)督和半監(jiān)督的情感分類中[2],但如何準確判斷出評論的關鍵句仍是需要繼續(xù)深入研究的問題。有研究者使用大規(guī)模未標記數(shù)據(jù)和少量情緒詞實現(xiàn)了情感分類[3],雖然降低了人工標記數(shù)據(jù)的成本,但模型不能重復在其他領域中使用,仍需針對特定領域進行情感分類學習。在情感分類研究中也有針對如何計算情感詞的情感度,有學者針對情感詞的情感度確定問題進行研究[4],提出了模糊層次分析法來度量情感詞的情感度。這些方法的分類結果依賴于手工標識的訓練數(shù)據(jù),訓練數(shù)據(jù)好的分類準確率也高,但實際情況卻是每個領域中手工標識形成分類訓練數(shù)據(jù)的代價是很高的,如果對每個領域都進行手工數(shù)據(jù)標識也是不現(xiàn)實的,因此有研究者考慮到情感分類任務的領域相關性[5],通過跨領域學習減少情感分類的數(shù)據(jù)標記,提出一種基于評價對象類別的跨領域學習方法,但評價對象類別粒度較粗,不適合跨多個領域的情感分類[6]。由此可見,在某一個領域情感訓練產(chǎn)生的分類準確的分類器未必能在另一個領域中表現(xiàn)出同樣的準確性。為了解決情感分類算法領域依賴性高、人工數(shù)據(jù)標記成本大等問題,本文對跨域情感分類進行了深入研究,發(fā)現(xiàn)通過譜聚類可縮短不同領域間情感詞的距離,在已有研究的基礎上,本文希望借助情感無關詞來橋接源領域與目標領域,再利用譜聚類算法將不同領域的情感詞聚集到一起,并考慮相關特征進行融合,以此實現(xiàn)跨領域情感分類。

    2 概念定義與問題描述

    本節(jié)對領域、情感詞、跨域情感分類等相關概念做出了相關定義。

    定義1領域:一個領域D代表現(xiàn)實世界中一類實體或概念的集合。

    可理解為超市中不同的產(chǎn)品區(qū)域,有食品、文具、家電等,圖書館中不同學科領域,領域的粒度可抽象或細分,具體需根據(jù)實際情況而定。

    定義2情感詞:給定一個特定的領域,情感詞是那些能夠反映用戶情感傾向的詞語。

    這些情感詞與用戶短語表達出來,通過語句拆分可組成情感詞序列[w1,w2,w3…wn],本研究中沒有考慮情感詞在語句的排序對最終情感分類的影響,但考慮了情感詞在語句中的位置對最終情感分類的影響,每個特定的領域D有屬于本領域的情感詞庫W(wi?W),借鑒bag-of-words的思想,將c(wi,xj)表示為情感詞wi在語句xj中出現(xiàn)的頻率。

    定義3情感分類:給定領域,根據(jù)語句xi整體語義表達劃分情感類別yi(正面yi=1或負面yi=-1)將已標記情感類別的語句組成情感分類中的訓練數(shù)據(jù)(xi,yi),將未被標記情感類別的語句稱為預測數(shù)據(jù)。

    定義4跨域情感分類:給定兩個不同的領域,源領域(Dsrc)和目標領域(Dtar),假定源領域中含已標記數(shù)據(jù)集([xsrci,ysrci],i?1,2…nsrc),目標數(shù)據(jù)集含未標記數(shù)據(jù)集([xtarj],j?1,2…ntar),如果某個分類器能通過在源領域訓練學習準確預測目標領域中未標記的數(shù)據(jù)集,那么將這樣的分類稱為跨域情感分類。

    跨域情感分類需要解決領域依賴的問題,即相鄰領域情感詞的表達是相近的,而實際情況中,用戶通常會針對不同的領域發(fā)表與領域相關的評論語,如表1列舉了新浪微博中用戶對電影和社會兩大類別中相關熱點微話題的評論,用戶評語短語顯性或隱性地表達了評論主體的某些情感,由此看出用戶對當前話題的情感傾向,具有情感傾向的情感詞已在表中用黑體標出,如正面情感詞“激動”“激烈”“給力”等,負面情感詞“痛苦”“折磨”等。但每個領域中的情感詞卻存在區(qū)別,如電影領域中的負面情感詞 “俗套”“凌亂”等,社會領域中正面情感詞“合理” 等,其中的“俗套” “凌亂”“合理”屬于領域相關詞,“既然”“畢竟” 屬于領域無關詞。

    除此之外,位置特征、關鍵詞、詞性特征也是情感分類中需要考慮的問題,一般評論語句的最后幾個情感特征最能表達評論者的情感,其次,如果出現(xiàn)如“但是”“畢竟”“我認為”等轉折關鍵詞,評論者的情感表達可能發(fā)生轉變,最后,大多數(shù)能表達用戶情感的都是形容詞或副詞,因此在情感分類時,除情感特征外,也需要考慮上述特征因素對情感分類的影響。

    因此,結合國內(nèi)外相關研究,給出了跨領域的情感分類框架,如圖1所示:

    其中目標領域情感特征詞根據(jù)標識數(shù)據(jù)獲得,但實際情況是該標識數(shù)據(jù)量較少或沒有現(xiàn)成的標識數(shù)據(jù),或需要人工標識部分數(shù)據(jù)。借助情感無關詞,通過譜聚類算法構建了源領域與目標領域的跨域情感特征詞簇,將譜聚類得到的情感詞特征與位置特征、關鍵詞特征、詞性特征等4種因子融入邏輯回歸分類算法中,實現(xiàn)基于多特征融合的跨領域情感分類算法。

    3 跨域情感分類模型

    本文借鑒了林政等基于情感關鍵句抽取的情感分類方法[2],但不是為了抽取關鍵句,而是將文獻中的特征得分用于最終情感分類,考慮了情感特征(即領域情感詞)、位置特征、關鍵詞特征及詞性特征,其中的情感特征通過多領域譜聚類得到,詞性特征剔除與情感分類無關的詞,以此達到跨領域情感分類的目的。因此,考慮上述4個特征的情感分類可用公式(1)表示,此時每一條評論數(shù)據(jù)共4屬性特征,都是通過計算特征的得分進行分類,削弱了特征空間對跨領域分類的影響。p0是偏置項,p1、p2、p3、p4參數(shù),它們可通過訓練數(shù)據(jù)訓練得出。

    通過公式(1)計算的值并不能表達情感分類(正面或負面),因此加入公式(2),達到對跨領域情感分類的目的。

    此時函數(shù)?將f(xi)的值域映射到0和1上,這樣便可達到情感分類的目的。

    3.1 情感特征詞

    通過評論短語的情感特征詞大體可以判斷評論者的情感傾向,通常在情感分類時情感特征詞的權重較大,跨領域分類遇到的關鍵問題就是不同領域中的情感特征空間不同,最終導致源領域訓練的分類器不能很好的應用到目標領域中。因此本文借助領域無關詞作為橋梁[6],通過譜聚類方法實現(xiàn)跨領域的情感詞轉換,得到新的情感詞特征空間,在該空間里通過公式(3)計算評論短語xi的情感特征詞的得分。

    每條評論短語xi需要分詞并剔除停頓詞,其中positive(wij)表示第i條評論語句的第j個詞在譜聚類集中對應情感詞,該詞在聚類中代表正面情感特征傾向;negative(wij)表示第i條評論語句的第j個詞在譜聚類集中對應情感詞,該詞在聚類中代表負面情感特征傾向,n 是該評論短語中剔除停頓詞后的總詞數(shù)。

    3.2 詞性特征

    詞性特征屬于領域無關的特征,雖然每個領域都有其特定的特征空間,但這些特征空間的詞性都是相同的,有文獻指出形容詞和副詞往往最能代表了跨領域評論的情感傾向[7],而名詞則和領域相關,因此考慮目標領域的詞性特征進行情感分類,參照B. Pang等學者的方法[1]首先對評論短語進行 POS 詞性標注;再按照預定義的規(guī)則抽取目標領域評論短語中的形容詞和副詞詞語;最后使用公式(4)計算每條評論短語的詞性比重得分。

    其中wi等于按照預定義規(guī)則抽取的第i條評論短語中形容詞和副詞詞語總數(shù),n等于第i條評論短語中提出評論短語后的總詞數(shù)。該公式表示形容詞和副詞在評論短語中所占的比重,即形容詞和副詞對情感分類的影響程度。

    3.3 位置特征

    一條評論語句中可能包含多個正面情感詞和負面情感詞,但通常最可能表達評論者情感的情感詞出現(xiàn)在評論的開始或結尾,需考慮情感評論中的位置特征對情感分類的影響,因此,位置特征的得分可通過公式(5)計算得出。

    pos(wij)表示第j個詞在第i條評論語句中的位置,可看出位置特征服從一元二次函數(shù),即拋物線圖像,以此達到凸顯句前和句尾詞在情感分類中重要性的目的,但也不能與中間位置差異過大,因此拋物線的開口應該大,防止兩端值對情感分類的影響過大。

    其中滿足:

    M表示xi中的總字數(shù),中間位置是函數(shù)的最低點,此處計算的情感詞得分較低,而位于評論開頭和結尾的情感詞得分較高。由于針對短評數(shù)據(jù),句中特征詞數(shù)據(jù)較少,難以判斷情感分類,此時位置特征的影響力削弱,可適當調整c的取值,調整位置特征的得分。

    3.4 關鍵詞特征

    情感分類中,評價短語中的關鍵詞能夠反映出評論這情感傾向的變化,因此需考慮關鍵詞特征對情感傾向性的影響,本文歸納了多領域中的20個常用關鍵詞用于實驗,這些情感詞包括:總之、我認為、然而、畢竟、但是、既然等,這里不再一一列出。關鍵詞特征的計算如公式(6)所示:

    其中:

    3.5 基于多特征融合的跨域情感分類算法

    為了實現(xiàn)跨領域情感分類,本算法除了通過譜聚類算法將情感詞特征空間進行映射以外,還融入了詞性特征、位置特征、關鍵詞特征,在新的特征空間上訓練得到邏輯回歸分類器,具體算法步驟如下:

    算法1:基于多特征融合的跨域情感分類算法

    輸入:源領域訓練數(shù)據(jù),少量目標領域訓練數(shù)據(jù),聚類個數(shù)k;

    輸入:邏輯回歸分類器。

    算法步驟:

    步驟(1) 剔除訓練數(shù)據(jù)集停頓詞;

    步驟(2) 針對源領域訓練數(shù)據(jù)和少量目標領域訓練數(shù)據(jù)采用譜聚類算法得到k個聚類;

    步驟(3) 根據(jù)譜聚類結果通過公式(3)計算訓練數(shù)據(jù)集的情感特征詞的得分;

    步驟(4) 通過公式(4)計算詞性特征得分;

    步驟(5) 通過公式(5)計算訓練數(shù)據(jù)集的位置特征得分;

    步驟(6) 根據(jù)關鍵詞詞典通過公式(6)計算訓練數(shù)據(jù)集的關鍵詞特征得分;

    步驟(7) 對訓練數(shù)據(jù)集進行詞性標注,抽取訓練數(shù)據(jù)集中的副詞和形容詞;

    步驟(8) 將訓練數(shù)據(jù)集進行轉換,以情感詞、位置、關鍵詞、詞性、情感為特征,構建新的訓練數(shù)據(jù)集Dnew;

    步驟(9) 根據(jù)新的訓練數(shù)據(jù)集通過梯度下降法學習得到公式(1)中參數(shù)p0,p1,p2,p3,p4的值;

    步驟(10)將參數(shù)帶入公式(2)輸出邏輯回歸分類器。

    算法2:譜聚類算法[8]:

    輸入:源領域訓練數(shù)據(jù),目標領域訓練數(shù)據(jù),聚類個數(shù)k;

    輸出:k個聚類。算法步驟:

    步驟(1) 根據(jù)領域無關和領域相關詞語構造雙向圖G(VDS∪VDI,E),計算圖雙向圖的帶權領接矩陣WRn×n,如果i≠j,Wij=mij,否則Wij=0;

    步驟(2) 計算對角矩陣D,其中Dii=ΣjWij,構建圖的拉普拉斯矩陣L=D–1/2WD–1/2;

    步驟(3) 計算拉普拉斯矩陣L的前k個最大特征值對應的特征向量并構建成特征矩陣U=[u1, u2…uk]?Rn×k;

    步驟(4) 標準化特征矩陣U,

    步驟(5) 在矩陣U上使用K-means算法,將n個點聚類到k個聚類中;

    步驟(6) 返回k個聚類。

    4 實驗分析與結果

    4.1 實驗設置

    為了驗證模型的有效性,本文采用Java語言,基于weka的邏輯回歸源代碼實現(xiàn)了算法CDFF。針對了數(shù)據(jù)集,采用中國科學院計算技術研究所的分詞軟件接口ICTCLAS(http://ictclas.org)和開源項目IKAnalyzer,加入了搜狗實驗室中的互聯(lián)網(wǎng)詞庫(http://www.sogou.com/labs/resources.html)和本文搜集整理的停頓詞典,實現(xiàn)了對文本進行分詞及詞性附加操;SVM算法使用的是標準工具包light-SVM(http://svmlight.joachims.org)采用線性核函數(shù);通過譜聚類算法實現(xiàn)跨領域情感詞的轉換,由于情感特征的得分依賴于聚簇,因此實驗中會調整聚類參數(shù)k的值來比較跨領域情感分類的效果。

    4.2 實驗結果與分析

    本文用到的數(shù)據(jù)集來自網(wǎng)絡用戶對酒店、電腦(筆記本)與書籍3個領域的短評平衡數(shù)據(jù)(http://www.searchforum.org.cn/tansongbo/corpus-senti.htm),其中每個領域的正負類各2 000篇,共12 000條平衡評論數(shù)據(jù),數(shù)據(jù)集的具體組成如表2所示:

    數(shù)據(jù)集上領域的相關度并不是很大,為了驗證本算法的有效性,采用6個跨領域情感分類任務方案:酒店→電腦,酒店→書籍,電腦→酒店,電腦→書籍,書籍→酒店,書籍→電腦;其中箭頭前表示源領域,箭頭后表示目標領域。采用支持向量機(SVM)、SFA(Spectral Feature Alignment)、SCL(Structural Correspondence Learning)[13]3種算法與本文算法CDFF作對比,針對每個算法的實驗都采用五折交叉驗證,即隨機劃分每一領域數(shù)據(jù)為5份,每次取其中4份進行訓練,一份進行測試,然后把5次分類結果的平均結果作為最終結果。

    考慮到譜聚類中聚簇的個數(shù)會影響情感特征詞的得分,因此在實驗中分別設置簇的個數(shù)為5、10、15來度量其對情感分類的影響。具體如表3所示:

    從表3的跨領域平均準確值中可以看出本算法的實驗結果較SFA算法高,高出情感分類的準確率隨聚簇的個數(shù)增加而增加,但當k=15時,準確率增加的效果已不明顯,但從5個簇到10個簇時,分類準確率提高,由此可見譜聚類個數(shù)會影響跨領域情感分類的結果。

    本算法除考慮情感特征詞外還加入了位置特征、關鍵詞特征、詞性特征,為了驗證加入這些特征的有效性,通過固定聚簇的個數(shù)(k=10),逐次加入這些特征后對比算法準確性,來觀察不同特征對跨領域情感分類的影響,具體如表4所示:

    從表4中可以看出依次分別加入詞性特征、位置特征、關鍵詞特征后跨領域情感分類的準確率均有所提高,但是每個特征的貢獻率不同,從表4中可看出,位置特征和關鍵特征的貢獻率平均大于詞性特征的貢獻率。因此通過上述兩個實驗驗證了基于多特征融合的跨領域分類算法可提高情感分類準確率。

    5 總結與展望

    雖然人們可以很容易的從某條評論數(shù)據(jù)中推測出當時評論者的情感,但對于機器來說并非易事,本文借助情感無關詞搭建源領域與目標領域的橋梁,通過譜聚類算法將不同領域的情感詞聚集到一起,應用譜聚得到的特征集計算目標領域測試數(shù)據(jù)的情感得分,與傳統(tǒng)譜聚類算法不同,本文在跨領域情感分類時還考慮了位置特征、詞性特征、關鍵詞特征對最終情感分類的影響,將譜聚類得到聚類中的特征與位置、詞性、關鍵詞特征融合以此實現(xiàn)跨領域情感分類。通過在用戶評論數(shù)據(jù)上對本算法進行實驗,驗證了本算法在跨域用戶情感分類時的有效性。由于本文選擇的數(shù)據(jù)集較為標準,但微博評論數(shù)據(jù)中存在很大的隨意性,領域相關詞也比較新穎,因此針對微博數(shù)據(jù)特性的跨領域情感分類將是未來研究的重點。

    參考文獻:

    [1] Pang B, Lee L, Vaithyanathan S. Thumbs up? Sentiment classification using machine learning techniques[EB/OL].[2015-10-12].http://www.cs.cornell.edu/home/llee/papers/sentiment.pdf.

    [2] 林政, 譚松波, 程學旗. 基于情感關鍵句抽取的情感分類研究[J]. 計算機研究與發(fā)展, 2012, 9(11): 2376-2382.

    [3] 代大明,王中卿,李壽山,等. 基于情緒詞的非監(jiān)督中文情感分類方法研究[J]. 中文信息學報, 2012, 26(4): 103-108.

    [4] 李綱, 王忠義, 寇廣增. 情感分類中情感詞的情感傾向度的計算方法研究[J]. 情報學報, 2011, 28(3): 292-298.

    [5] 張慧, 李壽山, 李培峰,等. 基于評價對象類別的跨領域情感分類方法研究[J]. 計算機科學, 2013,40(1): 229-233.

    [6] Pan S J, NI X c, Sun J T, et al. Cross-domain sentiment classification via spectral feature alignment[EB/OL].[2015-10-18].https://www.microsoft.com/en-us/research/wp-content/uploads/2010/04/Cross-Domain-Sentiment-Classification-via-Spectral-Feature-Alignment.pdf.

    [7] Rui X, Cheng q Z. A POS-based ensemble model for cross-domain sentiment classification[EB/OL].[2015-10-26].https://www.researchgate.net/publication/228841203_A_POS-based_Ensemble_Model_for_Cross-domain_Sentiment_Classification.

    [8] 張志武. 跨領域遷移學習產(chǎn)品評論情感分析[J]. 現(xiàn)代圖書情報技術, 2013(6): 49-54.

    [9] 馬鳳閘, 吳江寧, 楊光飛. 基于雙重選擇策略的跨領域情感傾向性分析[J]. 情報學報, 2012, 31(11): 1202-1209.

    [10] 張迪. 基于跨領域分類學習的產(chǎn)品評論情感分析[D]. 上海:上海交通大學, 2010.

    [11] Danushka B, David W, John C. Cross-domain sentiment classification using a sentiment sensitive thesaurus[J]. IEEE transactions on knowledge and data engineering, 2013, 25(8): 1719-1731.

    [12] TAN S B,CHENG X Q, GHANEM M M,et al. A novel refinement approach for text categorization[EB/OL].[2015-11-02]. http://dl.acm.org/citation.cfm?id=1099554.1099687.

    [13] Blitzer J, Dredze M, Pereira F. Biographies, bollywood, boom-boxes and blenders: domain adaptation for sentiment classification[EB/OL].[2015-11-11].http://www.cs.jhu.edu/~mdredze/publications/sentiment_acl07.pdf.

    Cross-domain Emotion Classification Model Based on the Multi-feature Fusion

    Ju Chunhua1,2 Zou Jiangbo1,3 Fu Xiaokang2

    1School of Management Science & E-commerce, Zhejiang Gongshang University, Hangzhou 310018

    2Center for Studies of Modern Business, Hangzhou 310000

    3School of Business Administration,, Zhejiang Gongshang University, Hangzhou 310018

    Abstract: [Purpose/significance] The sentiment classification is still one of the cross-cutting issues needed to focused on. [Method/process] With the help of emotion unrelated words, by the spectral clustering algorithm, the authors constructed a cross-domain feature words emotion cluster in the source and target areas of the field. The position of the features and characteristics of emotional words, keyword features, and POS features were integrated into the logic of the regression classification algorithm to achieve a cross-cutting emotion classification algorithm based on the multi-feature fusion. [Result/conclusion] Research results show that CDFF (Cross-domain pulse Four Factors) algorithm is effective when the cross-domain user emotion is classified and its provide reference for same study.

    Keywords: cross-domain sentiment classification multi-feature fusion spectral clustering transfer learning

    猜你喜歡
    遷移學習
    基于遷移學習的交通場景車輛實時檢測算法
    《宋史·曾公亮傳》傳主形象論析
    文學教育(2018年7期)2018-07-17 18:50:52
    基于深度神經(jīng)網(wǎng)絡的人體動作識別研究
    威斯頓相互作用法在社會保險學課程教學中的實踐
    基于卷積神經(jīng)網(wǎng)絡的圖像分類技術
    科技視界(2017年32期)2018-01-24 17:54:40
    遷移學習在專業(yè)課程教學中的實踐研究
    遷移學習研究綜述
    從認知角度探討大學英語網(wǎng)絡教學模式
    奇異值分解與移移學習在電機故障診斷中的應用
    一種基于遷移極速學習機的人體行為識別模型
    欧美日韩福利视频一区二区| 久久久久久人人人人人| 怎么达到女性高潮| 大片电影免费在线观看免费| 人人妻人人澡人人爽人人夜夜| 久久人人97超碰香蕉20202| 亚洲精品成人av观看孕妇| 热re99久久国产66热| 国产成+人综合+亚洲专区| 99久久99久久久精品蜜桃| 校园春色视频在线观看| 亚洲熟女精品中文字幕| 1024视频免费在线观看| 三上悠亚av全集在线观看| 女同久久另类99精品国产91| 中文字幕色久视频| 国产精品亚洲av一区麻豆| 日本wwww免费看| 亚洲一卡2卡3卡4卡5卡精品中文| 人成视频在线观看免费观看| 成人手机av| 久久国产精品大桥未久av| 最近最新中文字幕大全免费视频| 黄色女人牲交| 欧美黑人精品巨大| 亚洲成人免费av在线播放| 久久久精品免费免费高清| 日本精品一区二区三区蜜桃| 丝袜在线中文字幕| 午夜免费成人在线视频| 丝瓜视频免费看黄片| 国产深夜福利视频在线观看| 国产亚洲av高清不卡| 国产高清视频在线播放一区| 亚洲专区国产一区二区| 麻豆成人av在线观看| 精品一区二区三区视频在线观看免费 | 狠狠狠狠99中文字幕| 亚洲成人国产一区在线观看| 一个人免费在线观看的高清视频| 国产精品香港三级国产av潘金莲| 久久精品国产亚洲av香蕉五月 | 国产av又大| 国产精品偷伦视频观看了| 人人妻人人爽人人添夜夜欢视频| 欧美日本中文国产一区发布| 日韩精品免费视频一区二区三区| 少妇被粗大的猛进出69影院| 一区在线观看完整版| 亚洲熟妇熟女久久| 日本黄色日本黄色录像| 国产精品自产拍在线观看55亚洲 | 成年人黄色毛片网站| 很黄的视频免费| 婷婷丁香在线五月| 免费av中文字幕在线| 热re99久久国产66热| 亚洲一区中文字幕在线| 99久久综合精品五月天人人| 国产欧美日韩精品亚洲av| 日韩熟女老妇一区二区性免费视频| 成在线人永久免费视频| 国产午夜精品久久久久久| 美女高潮喷水抽搐中文字幕| 国产不卡一卡二| 成年人免费黄色播放视频| 国产伦人伦偷精品视频| 久久午夜亚洲精品久久| 黑人欧美特级aaaaaa片| 男女下面插进去视频免费观看| 在线看a的网站| 国产三级黄色录像| 狠狠狠狠99中文字幕| 久久中文字幕人妻熟女| 国产精品av久久久久免费| 国产成人影院久久av| 亚洲欧美激情综合另类| 亚洲aⅴ乱码一区二区在线播放 | 香蕉久久夜色| 999精品在线视频| 女性被躁到高潮视频| 9热在线视频观看99| 欧美乱码精品一区二区三区| 亚洲精品成人av观看孕妇| 好男人电影高清在线观看| 久久香蕉精品热| 波多野结衣av一区二区av| 不卡一级毛片| videos熟女内射| 人人妻,人人澡人人爽秒播| 国产精品免费一区二区三区在线 | 久久久久久久午夜电影 | 宅男免费午夜| 欧美日韩亚洲综合一区二区三区_| 午夜免费观看网址| 大香蕉久久网| 亚洲中文av在线| 午夜亚洲福利在线播放| a级毛片在线看网站| 欧美日韩亚洲综合一区二区三区_| 天堂√8在线中文| 亚洲久久久国产精品| 91精品三级在线观看| 高清视频免费观看一区二区| 午夜福利在线免费观看网站| 一级,二级,三级黄色视频| 久久亚洲真实| 大陆偷拍与自拍| 色精品久久人妻99蜜桃| a在线观看视频网站| 18禁裸乳无遮挡动漫免费视频| 很黄的视频免费| 制服诱惑二区| 熟女少妇亚洲综合色aaa.| aaaaa片日本免费| 精品久久久久久电影网| 精品第一国产精品| 最近最新中文字幕大全电影3 | 在线看a的网站| 日韩欧美免费精品| 国产精品av久久久久免费| 99riav亚洲国产免费| 亚洲国产欧美一区二区综合| 丝袜人妻中文字幕| 少妇被粗大的猛进出69影院| 90打野战视频偷拍视频| 母亲3免费完整高清在线观看| 黑丝袜美女国产一区| 欧美精品一区二区免费开放| 日韩一卡2卡3卡4卡2021年| 女人被狂操c到高潮| 69精品国产乱码久久久| 免费久久久久久久精品成人欧美视频| 一级毛片精品| 亚洲欧美激情在线| 国产又色又爽无遮挡免费看| 亚洲成人免费av在线播放| 91精品三级在线观看| 久久香蕉国产精品| 99国产综合亚洲精品| 精品视频人人做人人爽| 国内毛片毛片毛片毛片毛片| 欧美日韩成人在线一区二区| 女性生殖器流出的白浆| 国产精品久久视频播放| 69av精品久久久久久| 别揉我奶头~嗯~啊~动态视频| 日本五十路高清| 高清视频免费观看一区二区| 俄罗斯特黄特色一大片| 大香蕉久久成人网| 99久久综合精品五月天人人| 精品久久久久久久久久免费视频 | 国产精品久久视频播放| 精品久久久久久电影网| 亚洲在线自拍视频| 免费日韩欧美在线观看| 少妇猛男粗大的猛烈进出视频| 国产精品久久电影中文字幕 | 欧美精品亚洲一区二区| 国产精华一区二区三区| 大码成人一级视频| 日本wwww免费看| 国产单亲对白刺激| 免费在线观看日本一区| 岛国在线观看网站| 精品少妇一区二区三区视频日本电影| 日本黄色视频三级网站网址 | 中文字幕另类日韩欧美亚洲嫩草| x7x7x7水蜜桃| 成人18禁高潮啪啪吃奶动态图| 国产成人影院久久av| 久久久久国产一级毛片高清牌| 一区二区三区国产精品乱码| 国产1区2区3区精品| 亚洲熟女毛片儿| 久久精品成人免费网站| 成人特级黄色片久久久久久久| 在线永久观看黄色视频| av网站免费在线观看视频| 18禁裸乳无遮挡动漫免费视频| 一本综合久久免费| 国产精品久久久av美女十八| 欧美日韩中文字幕国产精品一区二区三区 | 美女高潮到喷水免费观看| 日本欧美视频一区| 在线免费观看的www视频| 午夜福利,免费看| 欧美激情 高清一区二区三区| 狠狠婷婷综合久久久久久88av| 亚洲av欧美aⅴ国产| 少妇的丰满在线观看| 黑人猛操日本美女一级片| 欧美人与性动交α欧美精品济南到| 精品无人区乱码1区二区| 欧美精品av麻豆av| 我的亚洲天堂| 亚洲三区欧美一区| 一进一出抽搐gif免费好疼 | 久久精品国产清高在天天线| 久久久久久人人人人人| 精品乱码久久久久久99久播| 在线观看一区二区三区激情| 91av网站免费观看| 欧美激情高清一区二区三区| 欧美日韩一级在线毛片| 久久人人爽av亚洲精品天堂| 国产精品电影一区二区三区 | 久久久久国内视频| 国产成人影院久久av| 久久午夜综合久久蜜桃| 免费一级毛片在线播放高清视频 | 久久99一区二区三区| 欧美日韩视频精品一区| 久久精品亚洲av国产电影网| xxx96com| 在线播放国产精品三级| 欧美日韩精品网址| 久久久久久人人人人人| av有码第一页| 国产亚洲欧美在线一区二区| 免费在线观看黄色视频的| 亚洲人成电影免费在线| 色综合婷婷激情| 一边摸一边做爽爽视频免费| 一进一出好大好爽视频| 亚洲五月天丁香| 人成视频在线观看免费观看| 亚洲人成伊人成综合网2020| 欧洲精品卡2卡3卡4卡5卡区| 精品福利观看| 侵犯人妻中文字幕一二三四区| 欧美黑人精品巨大| 1024视频免费在线观看| 视频区图区小说| 亚洲av片天天在线观看| 女人爽到高潮嗷嗷叫在线视频| 色播在线永久视频| 日韩欧美国产一区二区入口| 少妇被粗大的猛进出69影院| av网站免费在线观看视频| 国产精品久久电影中文字幕 | 亚洲片人在线观看| 国产精品久久视频播放| 欧美日韩视频精品一区| 免费av中文字幕在线| 亚洲欧美激情在线| av天堂在线播放| 欧美黄色片欧美黄色片| 国产欧美日韩一区二区精品| 亚洲综合色网址| 久久国产精品人妻蜜桃| 少妇 在线观看| 极品少妇高潮喷水抽搐| 久久久水蜜桃国产精品网| 啦啦啦 在线观看视频| 久99久视频精品免费| 国产成人av激情在线播放| 多毛熟女@视频| 精品福利观看| 亚洲少妇的诱惑av| 精品国产乱码久久久久久男人| 国产xxxxx性猛交| 国产一区二区三区在线臀色熟女 | 这个男人来自地球电影免费观看| 搡老乐熟女国产| 在线av久久热| 欧美日韩瑟瑟在线播放| 久久精品国产亚洲av香蕉五月 | 99香蕉大伊视频| 亚洲欧洲精品一区二区精品久久久| 多毛熟女@视频| 三上悠亚av全集在线观看| 丁香欧美五月| 久久精品成人免费网站| 国产精品美女特级片免费视频播放器 | 国产精品永久免费网站| 97人妻天天添夜夜摸| 巨乳人妻的诱惑在线观看| 一夜夜www| 成人三级做爰电影| 欧美 亚洲 国产 日韩一| av视频免费观看在线观看| 岛国毛片在线播放| 亚洲一区高清亚洲精品| 人人澡人人妻人| 18禁观看日本| 人人妻人人澡人人爽人人夜夜| 在线观看午夜福利视频| 中文字幕色久视频| 欧美性长视频在线观看| 好看av亚洲va欧美ⅴa在| 午夜免费观看网址| av超薄肉色丝袜交足视频| 极品人妻少妇av视频| 精品久久久精品久久久| 久久亚洲精品不卡| 露出奶头的视频| 亚洲熟女精品中文字幕| 精品高清国产在线一区| 在线观看免费视频日本深夜| 在线永久观看黄色视频| bbb黄色大片| 又黄又爽又免费观看的视频| 一区二区日韩欧美中文字幕| 中文欧美无线码| 精品午夜福利视频在线观看一区| 亚洲午夜精品一区,二区,三区| 国产精品免费一区二区三区在线 | 人人妻人人澡人人看| 欧美日韩国产mv在线观看视频| 国产99白浆流出| 91精品三级在线观看| 亚洲中文av在线| 777米奇影视久久| 久久ye,这里只有精品| 超碰97精品在线观看| 妹子高潮喷水视频| 日韩三级视频一区二区三区| 十分钟在线观看高清视频www| 欧美国产精品va在线观看不卡| 免费少妇av软件| 久久天躁狠狠躁夜夜2o2o| 日日夜夜操网爽| 欧美日韩av久久| 女人久久www免费人成看片| 精品熟女少妇八av免费久了| 亚洲午夜理论影院| 99re在线观看精品视频| 丝袜人妻中文字幕| xxxhd国产人妻xxx| 免费日韩欧美在线观看| 大型黄色视频在线免费观看| 国产精品一区二区在线观看99| 欧美中文综合在线视频| 欧美日韩精品网址| 久久香蕉国产精品| 99热网站在线观看| 国产1区2区3区精品| 免费黄频网站在线观看国产| tocl精华| 高潮久久久久久久久久久不卡| tube8黄色片| 亚洲精品自拍成人| 精品高清国产在线一区| 韩国精品一区二区三区| 亚洲av成人av| 久久久国产成人精品二区 | 黄色怎么调成土黄色| 免费看a级黄色片| 午夜福利在线观看吧| 亚洲国产欧美网| 久久国产精品男人的天堂亚洲| 久久久久久久精品吃奶| 久99久视频精品免费| 精品福利观看| 99re6热这里在线精品视频| 国产色视频综合| 午夜久久久在线观看| 黄片播放在线免费| 在线观看一区二区三区激情| 久久久久久久国产电影| 一级片免费观看大全| 99精品久久久久人妻精品| 老熟妇乱子伦视频在线观看| 国产男靠女视频免费网站| 最近最新免费中文字幕在线| 成人影院久久| 亚洲精品中文字幕在线视频| av超薄肉色丝袜交足视频| 亚洲人成伊人成综合网2020| 精品少妇一区二区三区视频日本电影| 啦啦啦 在线观看视频| 亚洲精品乱久久久久久| 免费在线观看影片大全网站| 露出奶头的视频| x7x7x7水蜜桃| 亚洲专区字幕在线| 国产又色又爽无遮挡免费看| 国产xxxxx性猛交| 夜夜爽天天搞| 免费久久久久久久精品成人欧美视频| 国产在视频线精品| 男女床上黄色一级片免费看| 老司机福利观看| 女人爽到高潮嗷嗷叫在线视频| 他把我摸到了高潮在线观看| 欧美乱色亚洲激情| 国产一区二区三区视频了| 久久精品国产清高在天天线| 亚洲精品乱久久久久久| 飞空精品影院首页| 日韩欧美免费精品| 免费在线观看黄色视频的| 国产精品亚洲一级av第二区| 午夜福利乱码中文字幕| 高清黄色对白视频在线免费看| 看免费av毛片| 亚洲第一av免费看| 亚洲五月婷婷丁香| www.熟女人妻精品国产| 亚洲美女黄片视频| 制服诱惑二区| 久久香蕉激情| 97人妻天天添夜夜摸| 大陆偷拍与自拍| 精品一区二区三区四区五区乱码| 麻豆成人av在线观看| 少妇裸体淫交视频免费看高清 | 欧美激情 高清一区二区三区| 在线av久久热| 亚洲精品国产区一区二| 欧美 亚洲 国产 日韩一| 美女高潮到喷水免费观看| 正在播放国产对白刺激| 午夜免费成人在线视频| 日韩免费av在线播放| 亚洲av熟女| 午夜免费鲁丝| 少妇被粗大的猛进出69影院| 亚洲免费av在线视频| 飞空精品影院首页| 一个人免费在线观看的高清视频| 欧美午夜高清在线| 亚洲成a人片在线一区二区| 国产亚洲精品久久久久久毛片 | 狠狠狠狠99中文字幕| 少妇猛男粗大的猛烈进出视频| 一进一出好大好爽视频| 十分钟在线观看高清视频www| 伊人久久大香线蕉亚洲五| 欧美老熟妇乱子伦牲交| 国产又色又爽无遮挡免费看| 久久这里只有精品19| 看免费av毛片| 亚洲男人天堂网一区| 女人久久www免费人成看片| 亚洲情色 制服丝袜| 最新美女视频免费是黄的| 国产一区有黄有色的免费视频| 免费观看a级毛片全部| 亚洲欧美激情在线| 最近最新中文字幕大全免费视频| 黄色a级毛片大全视频| 国产亚洲精品第一综合不卡| 母亲3免费完整高清在线观看| 人人妻人人添人人爽欧美一区卜| 精品人妻在线不人妻| 老司机福利观看| 人人妻人人添人人爽欧美一区卜| 少妇被粗大的猛进出69影院| 国产亚洲欧美精品永久| 日韩欧美三级三区| 国产主播在线观看一区二区| 久久精品国产99精品国产亚洲性色 | 新久久久久国产一级毛片| 国产精品 国内视频| 亚洲精品av麻豆狂野| 欧美黑人欧美精品刺激| 多毛熟女@视频| 欧美在线黄色| 欧美黄色淫秽网站| ponron亚洲| 中国美女看黄片| 在线十欧美十亚洲十日本专区| 99国产精品免费福利视频| 国产日韩一区二区三区精品不卡| 久久精品熟女亚洲av麻豆精品| 首页视频小说图片口味搜索| av中文乱码字幕在线| 国产精品美女特级片免费视频播放器 | 91成人精品电影| 国产欧美日韩综合在线一区二区| 国产精品久久久久久精品古装| 一区二区三区精品91| 欧美不卡视频在线免费观看 | 一区福利在线观看| 国产精品秋霞免费鲁丝片| 亚洲全国av大片| 久99久视频精品免费| 女人被躁到高潮嗷嗷叫费观| 国产精品偷伦视频观看了| 日本黄色视频三级网站网址 | 女同久久另类99精品国产91| 一级片免费观看大全| 欧美日韩av久久| 男女下面插进去视频免费观看| 欧美人与性动交α欧美软件| 亚洲中文av在线| 看片在线看免费视频| 成年人免费黄色播放视频| 人人澡人人妻人| 欧美黑人欧美精品刺激| 久久人人爽av亚洲精品天堂| 国产不卡av网站在线观看| 国产精品欧美亚洲77777| 亚洲少妇的诱惑av| 两人在一起打扑克的视频| 女人高潮潮喷娇喘18禁视频| 国产极品粉嫩免费观看在线| 999久久久国产精品视频| tocl精华| 欧美 日韩 精品 国产| 国产欧美日韩一区二区精品| 飞空精品影院首页| 99热国产这里只有精品6| 三上悠亚av全集在线观看| 国产极品粉嫩免费观看在线| 嫩草影视91久久| 很黄的视频免费| 欧美+亚洲+日韩+国产| 韩国精品一区二区三区| 亚洲人成电影免费在线| 丰满饥渴人妻一区二区三| 欧美日韩成人在线一区二区| 在线观看www视频免费| 欧美色视频一区免费| 亚洲精品中文字幕在线视频| 99香蕉大伊视频| 纯流量卡能插随身wifi吗| 中文欧美无线码| 欧美 日韩 精品 国产| 在线观看免费日韩欧美大片| 欧美国产精品va在线观看不卡| 在线免费观看的www视频| 夫妻午夜视频| 另类亚洲欧美激情| 久久热在线av| 欧美激情 高清一区二区三区| 国产成人av激情在线播放| 久久久水蜜桃国产精品网| 黄色毛片三级朝国网站| 日韩视频一区二区在线观看| 亚洲av片天天在线观看| 成人亚洲精品一区在线观看| 91在线观看av| 90打野战视频偷拍视频| 看黄色毛片网站| 国产av精品麻豆| 在线十欧美十亚洲十日本专区| 亚洲一码二码三码区别大吗| 亚洲色图av天堂| 18在线观看网站| 国产成人欧美| 国产成人av教育| 午夜免费成人在线视频| 可以免费在线观看a视频的电影网站| 日本欧美视频一区| svipshipincom国产片| 精品视频人人做人人爽| 国产精品一区二区在线不卡| 天堂动漫精品| 亚洲精品av麻豆狂野| 老司机影院毛片| 欧美乱色亚洲激情| 狠狠狠狠99中文字幕| 一级a爱视频在线免费观看| 亚洲人成电影观看| 久久婷婷成人综合色麻豆| 久久天躁狠狠躁夜夜2o2o| 日日摸夜夜添夜夜添小说| 天天添夜夜摸| 国产精品电影一区二区三区 | 免费观看精品视频网站| 午夜福利免费观看在线| 高清欧美精品videossex| 一级片免费观看大全| 精品国产超薄肉色丝袜足j| 免费在线观看黄色视频的| 午夜福利视频在线观看免费| 婷婷丁香在线五月| 国产主播在线观看一区二区| 91老司机精品| 亚洲av电影在线进入| 一本大道久久a久久精品| 国产精品久久久久久人妻精品电影| 久久香蕉精品热| 黄色片一级片一级黄色片| 亚洲精品在线观看二区| 777米奇影视久久| 欧美激情 高清一区二区三区| 国产成人免费无遮挡视频| 午夜亚洲福利在线播放| 又紧又爽又黄一区二区| 欧美乱妇无乱码| av中文乱码字幕在线| 欧美黄色淫秽网站| 少妇被粗大的猛进出69影院| 精品国内亚洲2022精品成人 | av网站在线播放免费| 成年动漫av网址| 淫妇啪啪啪对白视频| 老司机影院毛片| 亚洲色图av天堂| 麻豆国产av国片精品| 亚洲成人免费av在线播放| 国产精品 欧美亚洲| 国产一卡二卡三卡精品| 国产1区2区3区精品| 亚洲国产精品一区二区三区在线| 亚洲熟女毛片儿| 亚洲人成伊人成综合网2020| 国产又色又爽无遮挡免费看| 夜夜躁狠狠躁天天躁| 香蕉丝袜av| 久久香蕉精品热| 三级毛片av免费| 精品一品国产午夜福利视频| 国产成人av激情在线播放| 俄罗斯特黄特色一大片| 又紧又爽又黄一区二区| 人人妻人人澡人人看| 国产淫语在线视频| 91老司机精品| 黄频高清免费视频|