• <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 ?

    一種結(jié)合項目屬性的混合推薦算法①

    2017-10-13 12:05:48陳庚午王愛玲
    計算機系統(tǒng)應(yīng)用 2017年1期
    關(guān)鍵詞:用戶實驗

    于 波, 陳庚午,2, 王愛玲,2, 林 川,2

    ?

    一種結(jié)合項目屬性的混合推薦算法①

    于 波1, 陳庚午1,2, 王愛玲1,2, 林 川1,2

    1(中國科學(xué)院沈陽計算技術(shù)研究所, 沈陽 110168)2(中國科學(xué)院大學(xué), 北京 100049)

    傳統(tǒng)的協(xié)同過濾推薦算法中僅僅根據(jù)評分矩陣進行推薦, 由于矩陣的稀疏性, 存在推薦質(zhì)量不高的問題. 本文提出了一種結(jié)合項目屬性相似性的混合推薦算法, 該算法通過計算項目之間屬性的相似性, 并且與基于項目的協(xié)同過濾算法中的相似性動態(tài)結(jié)合, 通過加權(quán)因子的變化控制兩種相似性的比重來改善協(xié)同過濾中的稀疏性問題, 并且將綜合預(yù)測評分和基于用戶的協(xié)同過濾預(yù)測評分相結(jié)合來提高推薦質(zhì)量, 最終根據(jù)綜合評分來進行推薦. 通過實驗數(shù)據(jù)實驗證明, 該算法解決了協(xié)同過濾算法的矩陣稀疏性問題.

    協(xié)同過濾; 混合算法; 綜合相似性; 稀疏性; 項目屬性

    目前, 個性化推薦技術(shù)[1]是解決信息過載的主要的有效手段, 它根據(jù)分析用戶的歷史行為信息, 在海量信息中運用推薦算法自動快速的發(fā)現(xiàn)符合用戶個人興趣的服務(wù)和內(nèi)容, 推薦算法作為個性化推薦技術(shù)的核心部分起到了重要作用, 其中協(xié)同過濾算法得到了廣泛地應(yīng)用.

    協(xié)同過濾算法[2-5]的基本原理是通過對用戶歷史行為數(shù)據(jù)的挖掘發(fā)現(xiàn)用戶的偏好, 基于不同的偏好對用戶進行群組劃分并推薦品味相似的商品. 根據(jù)協(xié)同過濾的相關(guān)特征, 協(xié)同過濾算法分成基于用戶的協(xié)同過濾算法和基于項目的協(xié)同過濾算法. 基于用戶的協(xié)同過濾首先計算活動用戶和其他用戶之間的相似度, 并從相似用戶的興趣為目標用戶進行推薦. 基于項目的協(xié)同過濾基于這樣的假設(shè): 能夠引起用戶興趣的項, 必定與之前評分高的項相似.

    本實驗室新媒體廣播項目主要是為沈陽廣播電臺, 煙臺廣播電臺和長春廣播電臺提供新媒體廣播服務(wù), 旨在將電臺廣播與互聯(lián)網(wǎng)結(jié)合, 打造包括后臺服務(wù)、主持人端、導(dǎo)播端和移動端的一體化新媒體廣播服務(wù)平臺. 在移動端和主持人端的交互過程中發(fā)現(xiàn), 服務(wù)平臺于廣播欄目的個性化推薦依然一種有效的推薦措施. 由于欄目的收聽和互動存在很強的時間聚集性,所以由此衍生的評分矩陣具有很強的稀疏性. 而且在協(xié)同過濾推薦算法中, 數(shù)據(jù)稀疏性問題是影響協(xié)同過濾系統(tǒng)推薦質(zhì)量的一個關(guān)鍵原因, 由于評分矩陣的稀疏, 導(dǎo)致用戶相似性度計算的評分向量中共同評分項太少, 使得相似性的度量誤差變大, 最近鄰居搜尋的結(jié)果的準確性也就會變得難以保證, 最終進行評分預(yù)測時就會使最終的預(yù)測值和真實評分值之間產(chǎn)生較大的誤差, 從而影響推薦的準確度. 針對于此問題, 本文提出一種基于內(nèi)容過濾和協(xié)同過濾相結(jié)合的混合模式推薦技術(shù)[6,7], 將基于項目屬性的相似性和協(xié)同過濾中基于項目的相似性結(jié)合, 提出一種新的相似性度量方法, 解決協(xié)同過濾中的矩陣稀疏問題.

    1 相關(guān)工作

    在大部分的推薦系統(tǒng)當中, 用戶對于項目的評分是非常有限的. 比如在視頻推薦的系統(tǒng)中, 視頻的數(shù)目數(shù)以十萬計, 然而用戶參與評價的視頻最多至幾十部, 再次基礎(chǔ)上的評分數(shù)據(jù)相當稀疏, 由此產(chǎn)生的評分向量并不能準確的計算用戶之間的相似性. 由此協(xié)同過濾的推薦質(zhì)量大大下降.

    協(xié)同過濾中矩陣稀疏性問題一直是人們研究的重點, 在眾多解決方法中, 最為簡單的辦法就是為用戶未評分的項目設(shè)定一個固定的缺省值, 一般將缺少的評分設(shè)定為整個評分范圍的中間值, 例如評分范圍為1~5分制時將評分設(shè)定為3分. 這種改進措施在一定程度上可以提高協(xié)同過濾的推薦準確度但是添加的缺省值并不能準確的表示實際評分情況, 所以此方法不能從根本上解決稀疏性帶來的問題. 目前很多學(xué)者也提出了可以有效解決協(xié)同過濾稀疏性的方法, 比較成功的主要有大類: 一種是通過數(shù)學(xué)原理降低矩陣的稀疏性, 通過奇異值分解技術(shù)平滑輸入矩陣, 降低矩陣的維數(shù)從而降低矩陣的稀疏性. 但是分解技術(shù)算法時間復(fù)雜度較高, 并且降低維數(shù)往往會導(dǎo)致評分矩陣中信息的丟失, 在評分極度稀疏的情況下, 效果并不理想. 另一種解決方法是通過融合推薦算法來解決協(xié)同過濾中矩陣稀疏性的問題, 在協(xié)同過濾的計算過程中加入內(nèi)容的預(yù)測等. 本文即選擇了混合算法的策略, 提出了結(jié)合屬性相似性的協(xié)同過濾中的項目相似性的混合推薦算法.

    2 算法相關(guān)理論

    2.1 評分矩陣

    推薦系統(tǒng)包含M個用戶和N個項目, 它們形成了一個 M×N的矩陣列表, 此列表即為用戶-項目評分矩陣, 矩陣中的值R表示用戶對項目的評分, 其中評分的值設(shè)置為0-5之間的整數(shù), 如果R=0則表示用戶沒有對項目評分, 評分值越高表示用戶對項目喜愛程度越高.

    2.2 相似度的計算方法

    協(xié)同過濾算法中, 傳統(tǒng)的3種相似性度量方法分別為余弦相似性, 相關(guān)相似性和修正余弦相似性[8]. 本文采用修正余弦相似性計算方法. 在評分矩陣中, 每一個項目或者用戶都對應(yīng)一個有評分構(gòu)成的評分向量, 所以在基于用戶的協(xié)同過濾算法中, 用戶U---和用戶U的相似性計算公式如下所示:

    表示用戶U---U共同評分集合,表示平均評分.

    和用戶的相似性計算類似, 在基于項目的協(xié)同過濾算法中, 項目VV的相似性計算如下所示:

    3 結(jié)合項目屬性相似的協(xié)同過濾研究

    3.1 內(nèi)容預(yù)測的原理

    基于內(nèi)容的推薦算法來源于信息檢索領(lǐng)域, 其基本原理根據(jù)項目的屬性特征構(gòu)建項目的屬性特征文件, 然后通過項目的特征屬性文件與用戶的興趣愛好進行相似性匹配, 將用戶感興趣的項目推薦給用戶. 內(nèi)容過濾的推薦技術(shù)僅僅考慮項目的屬性特征并不需要考慮到用戶的評價行為, 因此內(nèi)容的預(yù)測不會受到用戶評分稀疏性的影響. 在此基礎(chǔ)上本節(jié)對協(xié)同過濾中加入項目屬性特征相似性進行了研究.

    3.2 項目屬性相似性的計算

    在協(xié)同過濾推薦算法中, 由于相似性是根據(jù)評分矩陣計算, 然而一些項目沒有足夠的評價, 所以由稀疏矩陣產(chǎn)生的評分向量并不能有效的計算項目之間的相似性[9]. 但是一般的協(xié)同過濾推薦系統(tǒng)會有對項目的簡單描述, 比如在廣播節(jié)目有欄目, 話題, 微博等類別屬性, 而欄目又具有生活, 醫(yī)療, 娛樂, 音樂, 交通等屬性. 這些欄目的屬性, 可以看成是有關(guān)項目的關(guān)鍵詞, 這樣, 每個項目Itemi就可以由關(guān)鍵詞來描述, 如下:

    Itemi={A1, A2, …, An}

    則通過分析項目信息就可以得到項目-屬性矩陣; 假設(shè)Item個數(shù)為n, 屬性的個數(shù)是k, 則項目-屬性矩陣如表1所示.

    表1 項目-屬性表

    其中, 1表示項目擁有屬性, 0表示沒有此屬性.

    其中項目CC表示項目V和項目V的屬性向量,表示結(jié)果向量中1的個數(shù).

    3.3 綜合相似性的計算

    協(xié)同過濾的推薦效果一般要優(yōu)于內(nèi)容過濾[9], 因此, 在推薦過程中主要還是依賴協(xié)同過濾, 但是由于在評分矩陣極端稀疏的情況下, 對兩個項目進行評分的用戶集合可能很小. 如果只有一兩個用戶對項目共同評分, 即使算出的相似度較高其可信度也是較低的. 所以, 在基于項目的協(xié)同過濾中, 根據(jù)評分計算項目相似性的同時加入屬性的相似性, 將兩種相似行進行線性組合, 最終得到項目的綜合相似性.

    在協(xié)同過濾算法中, 基于項目的基本原理是根據(jù)所有用戶對項目的偏好, 發(fā)現(xiàn)項目和項目之間的相似度, 即假設(shè)能夠引起使用者興趣的物品, 必定與其之前偏好的物品相似, 通過計算物品間的相關(guān)來做推薦[10]. 其原理如圖1所示.

    如圖所示, 物品a同時被用戶a和用戶b喜歡, 物品c也同時被用戶a和用戶b喜歡, 因此可以認為物品a和物品c具有相似性, 同時用戶c喜歡物品a, 所以可以將與物品a具有相似性的物品c推薦給用戶.

    根據(jù)上述原理, 通過評分矩陣提取出兩個項目的評分向量, 則通過基于項目的相似性計算公式即公式(2)可以得到兩個項目之間的相似性.

    圖1 協(xié)同過濾原理圖

    為了提高質(zhì)量, 本文將兩種相似性進行線性組合, 引入權(quán)值變量λ, 由于基于評分的相似性與兩個項目的共同評分用戶的數(shù)量有關(guān), 共同評分用戶越多相似性越準確, 所以權(quán)值變量λ的計算公式如下:

    (5)

    如公式所示, λ和兩個項目的共同評分用戶數(shù)目息息相關(guān), 如果兩個項目的共同評分用戶數(shù)目越多, 則基于評分的項目相似性所占的比重越大, 從而使相似度計算更加準確.

    通過分析公式(5)可知, 如果存在冷啟動項目, 即沒有用戶進行評價, 則λ的值為0, 此時可以根據(jù)項目本身的相似性計算得到其相似項目集合來預(yù)測評分. 如果存在評分矩陣極度稀疏的情況, 同樣λ的值會相應(yīng)的減小, 根據(jù)評分計算的相似性比重也較少, 所以可以減少稀疏性對于相似性計算的影響, 由此可知, 綜合相似性的計算可以在一定程度上解決推薦算法中的矩陣稀疏性問題.

    3.4 綜合評分的預(yù)測

    由上述可知, 由綜合相似性得到的評分P僅僅是根據(jù)項目之間的相似性計算而來, 而忽略了用戶之間的相似性對于推薦算法的影響, 因此, 在得到項目之間的相似性的同時, 本文引入?yún)f(xié)同過濾中基于用戶的相似性計算. 在協(xié)同過濾中, 與計算項目相似性類似, 通過評分矩陣可以得到每個用戶的評分向量, 則通過公式(1)可以得到用戶之間的相似性, 由次引入基于用戶的協(xié)同過濾預(yù)測評分, 其計算公式如下:

    (7)

    在得到根據(jù)項目相似性計算的預(yù)測評分P和根據(jù)用戶之間的相似性計算的預(yù)測評分P之后, 通過權(quán)值因子將兩個評分線性組合, 通過實驗來確定的值, 最終得到綜合預(yù)測評分來進行推薦. 其組合公式如下:

    其中為權(quán)重因子,∈[0,1].

    3.5 推薦過程

    為了解決協(xié)同過濾中冷啟動和稀疏性的問題, 本文引入了基于項目本身屬性相似性的計算, 將項目屬性相似和基于項目的協(xié)同過濾相似性線性結(jié)合, 然后將混合預(yù)測評分與基于用戶的協(xié)同過濾評分動態(tài)結(jié)合, 最終的到綜合預(yù)測評分. 其推薦過程如圖2所示.

    推薦過程描述如下:

    Step1: 根據(jù)公式(3)計算項目之間基于屬性的相似度.

    Step2: 根據(jù)公式(2)計算項目之間基于評分的相似度.

    Step3: 根據(jù)公式(5)計算項目之間的綜合相似度:.

    Step4: 根據(jù)公式(6)計算基于項目綜合相似性的預(yù)測評分P.

    Step5: 根據(jù)公式(7)計算基于用戶相似性的預(yù)測評分PU.

    Step6: 根據(jù)公式(8)計算最終綜合預(yù)測評分P.

    Step7: 根據(jù)綜合評分P對項目進行降序排序, 將集合的top—k推薦給用戶.

    4 實驗結(jié)果及分析

    4.1 實驗數(shù)據(jù)

    本文采用本實驗室統(tǒng)計的用戶與欄目交互的實際數(shù)據(jù), 用戶與欄目的互動行為包含收藏, 點贊, 評論, 閱讀, 和收聽五個行為, 根據(jù)用戶的行為為欄目打分, 其中收藏2分, 點贊, 評論分別1分, 閱讀收聽分別0.5分由此可得到用戶和欄目的評分矩陣. 根據(jù)實驗室得到的數(shù)據(jù)經(jīng)過處理可以得到1000個用戶對97個欄目10000條評分記錄, 評分范圍為1~5. 數(shù)值越高表示用戶對欄目的偏愛程度越高, 本文將數(shù)據(jù)集按照80%的訓(xùn)練集和20%的測試集劃分. 同時每部欄目都有其所屬的類別, 本文將欄目分成以下類別: 生活, 醫(yī)療, 音樂, 交通, 新聞, 教育, 談話, 服務(wù), 戲劇, 綜藝. 然后將這10種類別作為欄目的屬性, 用于獲得欄目的屬性相似度.

    4.2 度量標準

    推薦系統(tǒng)常用的度量標準有平均絕對偏差MAE和均方根誤差RMSE. 本文采用平均絕對偏差MAE作為度量標準, MAE用于度量推薦算法的估計評分與真實值之間的差異. MAE值越小, 估計的準確性越高,定義如下:

    其中P-為用戶對項目的預(yù)測評分,r為用戶對項目的真是實際評分,為測試集中記錄評分的個數(shù).

    4.3 實驗結(jié)果

    實驗一: 確定權(quán)重因子.

    取項目和用戶的最近鄰居數(shù)目都為30做實驗, 通過改變權(quán)重因子值觀測MAE的變化. 其中的值以0.1為步長從0.2變化到0.8. 混合推薦算法的平均絕對誤差MAE如圖3所示.

    圖3 實驗一結(jié)果

    從圖3可以看出, 當α的值取值太大或太小推薦效果并不是最好, 當α=0.6時MAE的值最小, 意味著推薦質(zhì)量最好. 因此取α=0.6進行實驗二, 來確定最近鄰居數(shù)并比較兩種算法的優(yōu)劣.

    實驗二: 比較混合算法與協(xié)同過濾的優(yōu)劣.

    由實驗一確定α后, 通過改變最近鄰居數(shù)目來觀察MAE值的變化, 同時與基于用戶的協(xié)同過濾作推薦結(jié)果比較如圖4所示.

    圖4 實驗二結(jié)果

    從圖4可以看出, 當最近鄰居數(shù)目為50的時候推薦效果比較好, 而且通過兩個曲線比較可以看出, 混合算法的MAE相對于協(xié)同過濾算法有明顯的減小, 所以改進的推薦混合推薦算法具有比較好的準確性和比較好的推薦效果.

    實驗三: 稀疏性比較

    在通過實驗一和實驗二確定了α和最近鄰居的數(shù)目后, 此實驗通過改變評分矩陣的稀疏性來比較協(xié)同過濾和混合算法的優(yōu)劣. 由實驗室的數(shù)據(jù)可以計算的當前數(shù)據(jù)集合的稀疏等級為1-10000/(97*1000)=0.89. 為此通過刪除評分數(shù)據(jù)來增加矩陣的稀疏等級, 刪除的策略為優(yōu)先刪除參與評分用戶數(shù)目較少的項目的數(shù)據(jù), 即優(yōu)先刪除冷門欄目, 由此矩陣的評分更加稀疏. 分別選擇稀疏程度在0.89, 0.92, 0.95, 0.98數(shù)據(jù)集合進行試驗結(jié)果如圖5.

    圖5 稀疏性比較

    由實驗結(jié)果可知, 傳統(tǒng)的協(xié)同過濾在矩陣稀疏的情況下推薦質(zhì)量會大大的減少, 而本文提出的混合推薦算法, 雖然隨著矩陣的稀疏增加推薦準確度也有所下降, 但是相對于協(xié)同過濾算法具有明顯的優(yōu)勢. 因此混合推薦算法在降低了矩陣稀疏對于推薦結(jié)果的影響.

    5 結(jié)語

    本文對傳統(tǒng)推薦算法進行了優(yōu)化, 增加權(quán)值因子來組合項目屬性相似性和協(xié)同過濾的相似性, 得到的相似性度量方法使得計算的項目的最近鄰居更加準確. 實驗結(jié)果表明, 本文提出的算法顯著提高了協(xié)同過濾推薦算法的推薦質(zhì)量, 并且可以有效解決評分矩陣稀疏性的問題. 實驗不足之處是在解決用戶冷啟動問題上, 計算精度還有待提高, 需要進一步的深入研究.

    1 冷亞軍,陸青,梁昌勇.協(xié)同過濾推薦技術(shù)綜述.模式識別與人工智能,2014,8:720–734.

    2 楊博,趙鵬飛.推薦算法綜述.山西大學(xué)學(xué)報(自然科學(xué)版),2011,3:337–350.

    3 劉青文.基于協(xié)同過濾的推薦算法研究[博士學(xué)位論文].合肥:中國科學(xué)技術(shù)大學(xué),2013.

    4 孔維梁.協(xié)同過濾推薦系統(tǒng)關(guān)鍵問題研究[博士學(xué)位論文].武漢:華中師范大學(xué),2013.

    5 Peng H. Research of collaborative filtering recommendation algorithm based on network structure. Journal of Networks, 2013: 810.

    6 Gong S. A collaborative filtering recommendation algorithm based on user clustering and item clustering. Journal of Software, 2010, 5(7): 745–752.

    7 張馳,陳剛,王慧敏.基于混合推薦技術(shù)的推薦模型.計算機工程,2010,22:248–250,253.

    8 張旭陽.基于權(quán)重的混合推薦策略研究[碩士學(xué)位論文].昆明:云南大學(xué),2015.

    9 張騰季.個性化混合推薦算法的研究[碩士學(xué)位論文].杭州:浙江大學(xué),2013.

    10 高虎明,趙鳳躍.一種融合協(xié)同過濾和內(nèi)容過濾的混合推薦方法.現(xiàn)代圖書情報技術(shù),2015,6:20–26.

    Hybrid Recommendation Algorithm Combined with the Project Properties

    YU Bo1, CHEN Geng-Wu1,2, WANG Ai-Ling1,2, LIN Chuan1,2

    1(Shenyang Institute of Computing Technology, Chinese Academy of Sciences, Shenyang 110168, China)2( University of Chinese Academy of Sciences, Beijing 100049, China)

    Traditional collaborative filtering recommendation algorithm only bases on matrix. Due to the sparsity of matrix, the quality of recommendation is not high. This paper proposes a hybrid recommendation algorithm whose similarity is combined with the properties of projects. This algorithm improves the data sparseness in collaborative filtering through the change of the weighted factor, controlling the proportion of two kinds of similarity that one is the similarity of attribute between projects and the other is the similarity of item-based collaborative filtering algorithm. And the comprehensive prediction score and user-based collaborative filtering prediction score are combined to improve the quality of recommendation. Finally, the recommendation is given according to the comprehensive scores. Experiments show that the algorithm has better recommendation quality.

    collaborative filtering; hybrid algorithm; comprehensive similarity; sparse matrix; project properties

    2016-04-06;收到修改稿時間:2016-04-27

    [10.15888/j.cnki.csa.005490]

    猜你喜歡
    用戶實驗
    記一次有趣的實驗
    微型實驗里看“燃燒”
    做個怪怪長實驗
    關(guān)注用戶
    商用汽車(2016年11期)2016-12-19 01:20:16
    NO與NO2相互轉(zhuǎn)化實驗的改進
    實踐十號上的19項實驗
    太空探索(2016年5期)2016-07-12 15:17:55
    關(guān)注用戶
    商用汽車(2016年6期)2016-06-29 09:18:54
    關(guān)注用戶
    商用汽車(2016年4期)2016-05-09 01:23:12
    Camera360:拍出5億用戶
    100萬用戶
    a级毛片在线看网站| 国产亚洲精品久久久久久毛片| 一级毛片精品| 精品国内亚洲2022精品成人| 真实男女啪啪啪动态图| 麻豆成人午夜福利视频| 日本一二三区视频观看| 日日干狠狠操夜夜爽| 久久久精品欧美日韩精品| 偷拍熟女少妇极品色| 国产黄色小视频在线观看| 久久中文字幕一级| 黄色视频,在线免费观看| 国产av不卡久久| 亚洲精品国产精品久久久不卡| 久久久久久久久久黄片| 国产成年人精品一区二区| 99在线人妻在线中文字幕| 国产精品日韩av在线免费观看| 国产成人福利小说| 国产精品日韩av在线免费观看| 国产精品女同一区二区软件 | 国产真实乱freesex| 国产美女午夜福利| 精品无人区乱码1区二区| 男人和女人高潮做爰伦理| 一本一本综合久久| 可以在线观看的亚洲视频| 亚洲国产精品久久男人天堂| 天堂av国产一区二区熟女人妻| 国产激情欧美一区二区| www日本在线高清视频| 女同久久另类99精品国产91| 成人特级黄色片久久久久久久| 此物有八面人人有两片| 色在线成人网| 亚洲片人在线观看| 亚洲精品粉嫩美女一区| 久久久成人免费电影| 亚洲精品粉嫩美女一区| 欧美日韩乱码在线| 97超视频在线观看视频| 精品国产乱码久久久久久男人| 亚洲国产欧美一区二区综合| 国产欧美日韩一区二区精品| 婷婷丁香在线五月| 精品久久久久久久久久免费视频| 国产欧美日韩精品一区二区| 日本熟妇午夜| 亚洲在线自拍视频| 欧洲精品卡2卡3卡4卡5卡区| 久久久久性生活片| 麻豆国产av国片精品| 校园春色视频在线观看| 午夜精品一区二区三区免费看| 久久久久免费精品人妻一区二区| 国产99白浆流出| 香蕉av资源在线| 久久香蕉国产精品| 中文字幕人成人乱码亚洲影| 麻豆久久精品国产亚洲av| 亚洲专区字幕在线| 久久久久精品国产欧美久久久| 波多野结衣巨乳人妻| 国产亚洲av高清不卡| 久久久国产欧美日韩av| www.999成人在线观看| 99国产精品一区二区蜜桃av| 免费在线观看成人毛片| 国产精品一区二区免费欧美| 级片在线观看| 在线观看舔阴道视频| 国产精品久久久久久久电影 | 日本与韩国留学比较| 在线永久观看黄色视频| 免费看美女性在线毛片视频| 亚洲成av人片免费观看| 午夜福利成人在线免费观看| 精品久久久久久久久久久久久| 国产欧美日韩精品一区二区| 亚洲国产精品合色在线| 午夜日韩欧美国产| 国产精品野战在线观看| 国产激情欧美一区二区| 亚洲男人的天堂狠狠| 日韩有码中文字幕| 校园春色视频在线观看| 窝窝影院91人妻| 欧美日韩精品网址| 男女午夜视频在线观看| 免费高清视频大片| 色播亚洲综合网| 婷婷亚洲欧美| 日本黄色视频三级网站网址| av中文乱码字幕在线| 国产精品一及| 18禁美女被吸乳视频| 熟女人妻精品中文字幕| 亚洲欧洲精品一区二区精品久久久| 国产亚洲精品综合一区在线观看| 麻豆成人av在线观看| 亚洲精品一区av在线观看| 99久久精品热视频| 欧美日韩乱码在线| 亚洲国产精品成人综合色| 久久久久久久精品吃奶| 最近视频中文字幕2019在线8| 97超视频在线观看视频| 国产伦精品一区二区三区视频9 | 国产淫片久久久久久久久 | 国产一区二区三区视频了| 中文字幕人成人乱码亚洲影| 亚洲av日韩精品久久久久久密| 俺也久久电影网| 午夜福利成人在线免费观看| 搡老熟女国产l中国老女人| 动漫黄色视频在线观看| 国产精品久久久av美女十八| 亚洲av免费在线观看| 老鸭窝网址在线观看| aaaaa片日本免费| 精品久久久久久久久久免费视频| 无遮挡黄片免费观看| 999久久久国产精品视频| 他把我摸到了高潮在线观看| 国产成年人精品一区二区| 婷婷六月久久综合丁香| 免费看美女性在线毛片视频| 久久九九热精品免费| 久久精品91无色码中文字幕| 欧美性猛交╳xxx乱大交人| 老汉色av国产亚洲站长工具| 偷拍熟女少妇极品色| 国产真实乱freesex| 午夜精品在线福利| 一边摸一边抽搐一进一小说| 一个人观看的视频www高清免费观看 | 白带黄色成豆腐渣| 国产成人系列免费观看| 亚洲国产精品sss在线观看| 成人国产一区最新在线观看| 国产三级在线视频| 亚洲熟妇中文字幕五十中出| 国产真人三级小视频在线观看| 国产精品影院久久| 悠悠久久av| 999久久久国产精品视频| 波多野结衣高清无吗| 免费高清视频大片| 男插女下体视频免费在线播放| 成熟少妇高潮喷水视频| 国产伦在线观看视频一区| 精品电影一区二区在线| 日韩欧美三级三区| 国模一区二区三区四区视频 | av天堂在线播放| 麻豆国产97在线/欧美| 桃红色精品国产亚洲av| 日本在线视频免费播放| 欧美精品啪啪一区二区三区| 2021天堂中文幕一二区在线观| 久久精品国产清高在天天线| 九九热线精品视视频播放| 别揉我奶头~嗯~啊~动态视频| 一本精品99久久精品77| 亚洲专区国产一区二区| 色噜噜av男人的天堂激情| 亚洲av熟女| 色综合欧美亚洲国产小说| 国产亚洲精品av在线| 成年女人看的毛片在线观看| 久久这里只有精品中国| 国内毛片毛片毛片毛片毛片| 最近在线观看免费完整版| 少妇的丰满在线观看| 淫妇啪啪啪对白视频| 亚洲专区国产一区二区| av在线蜜桃| 久久久久久人人人人人| 久久久久久九九精品二区国产| ponron亚洲| 91字幕亚洲| 欧美+亚洲+日韩+国产| 亚洲中文av在线| 国产伦精品一区二区三区视频9 | 久99久视频精品免费| 黄片大片在线免费观看| 精品一区二区三区视频在线 | 国产97色在线日韩免费| 狂野欧美白嫩少妇大欣赏| 午夜激情福利司机影院| 很黄的视频免费| 看免费av毛片| 国产一区二区三区视频了| 国产成年人精品一区二区| 国产亚洲精品久久久com| 久久久久久久久免费视频了| 动漫黄色视频在线观看| 亚洲精品色激情综合| 欧美xxxx黑人xx丫x性爽| 欧美极品一区二区三区四区| 日本熟妇午夜| 99re在线观看精品视频| 亚洲av熟女| www.精华液| 成年版毛片免费区| 久久久成人免费电影| 最近最新免费中文字幕在线| 亚洲欧洲精品一区二区精品久久久| 在线观看66精品国产| 国产蜜桃级精品一区二区三区| 欧美xxxx黑人xx丫x性爽| 伦理电影免费视频| 日韩中文字幕欧美一区二区| 美女黄网站色视频| 久久午夜亚洲精品久久| 成人一区二区视频在线观看| 欧美又色又爽又黄视频| 国产精品精品国产色婷婷| av片东京热男人的天堂| 亚洲av片天天在线观看| 亚洲av五月六月丁香网| 国产高清激情床上av| 最近最新免费中文字幕在线| 一本久久中文字幕| 亚洲成人久久爱视频| 欧美中文日本在线观看视频| 久久伊人香网站| 亚洲av成人精品一区久久| 成人国产综合亚洲| 男女下面进入的视频免费午夜| 久久中文看片网| 亚洲无线在线观看| 欧美日韩乱码在线| 中亚洲国语对白在线视频| 美女cb高潮喷水在线观看 | 日韩人妻高清精品专区| 午夜福利18| 美女黄网站色视频| 久久中文字幕人妻熟女| 69av精品久久久久久| 91麻豆av在线| 欧美不卡视频在线免费观看| 久久99热这里只有精品18| 美女cb高潮喷水在线观看 | 久久久久久久久久黄片| 午夜精品久久久久久毛片777| 欧美最黄视频在线播放免费| 伊人久久大香线蕉亚洲五| 精品久久久久久久毛片微露脸| 国产单亲对白刺激| 国语自产精品视频在线第100页| 久久精品夜夜夜夜夜久久蜜豆| 国产高清有码在线观看视频| 婷婷丁香在线五月| 又黄又爽又免费观看的视频| 一a级毛片在线观看| cao死你这个sao货| 日本三级黄在线观看| 久久国产精品影院| 国产91精品成人一区二区三区| 中国美女看黄片| 久久伊人香网站| 色综合亚洲欧美另类图片| 制服丝袜大香蕉在线| 日本黄色片子视频| 国产精品乱码一区二三区的特点| www日本黄色视频网| 欧美在线一区亚洲| 男女那种视频在线观看| 国产精品综合久久久久久久免费| 亚洲av成人av| 操出白浆在线播放| 欧美一级a爱片免费观看看| 精品不卡国产一区二区三区| 1024香蕉在线观看| 一本久久中文字幕| 国产成人av激情在线播放| 精品一区二区三区视频在线观看免费| 国产精品一区二区三区四区久久| 精品欧美国产一区二区三| 国产伦精品一区二区三区四那| 日韩人妻高清精品专区| 亚洲性夜色夜夜综合| 国产精品亚洲av一区麻豆| 免费看光身美女| 九九久久精品国产亚洲av麻豆 | 伦理电影免费视频| 亚洲一区二区三区色噜噜| 国产午夜精品久久久久久| 亚洲人与动物交配视频| 国产亚洲精品av在线| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲精品中文字幕一二三四区| 精品99又大又爽又粗少妇毛片 | 国产欧美日韩一区二区三| 国产亚洲av嫩草精品影院| 日日夜夜操网爽| 午夜免费成人在线视频| 国产黄色小视频在线观看| 法律面前人人平等表现在哪些方面| 麻豆成人av在线观看| 88av欧美| 欧美日韩福利视频一区二区| 欧美高清成人免费视频www| 村上凉子中文字幕在线| 国产伦人伦偷精品视频| 成年女人毛片免费观看观看9| 国产乱人伦免费视频| 美女黄网站色视频| 别揉我奶头~嗯~啊~动态视频| 中文字幕av在线有码专区| 村上凉子中文字幕在线| 久久久久久久精品吃奶| 中文在线观看免费www的网站| 1000部很黄的大片| 天天添夜夜摸| 欧美一级毛片孕妇| 国产精品一区二区精品视频观看| 美女黄网站色视频| av女优亚洲男人天堂 | 国产精品日韩av在线免费观看| 99久久精品国产亚洲精品| 亚洲最大成人中文| 热99在线观看视频| 亚洲欧美日韩高清专用| 中文字幕高清在线视频| 日本与韩国留学比较| 色播亚洲综合网| 真实男女啪啪啪动态图| 日韩人妻高清精品专区| 51午夜福利影视在线观看| 亚洲第一电影网av| 我的老师免费观看完整版| 淫秽高清视频在线观看| 免费看日本二区| 99视频精品全部免费 在线 | 91老司机精品| 日韩人妻高清精品专区| 叶爱在线成人免费视频播放| 亚洲第一欧美日韩一区二区三区| 免费无遮挡裸体视频| 在线免费观看的www视频| 在线观看免费午夜福利视频| 国产午夜精品论理片| 久久精品国产亚洲av香蕉五月| 真人一进一出gif抽搐免费| 91九色精品人成在线观看| 一a级毛片在线观看| 十八禁人妻一区二区| 国产精品野战在线观看| 精品久久久久久,| 性色avwww在线观看| 国产激情偷乱视频一区二区| 美女免费视频网站| 一边摸一边抽搐一进一小说| 日日摸夜夜添夜夜添小说| 波多野结衣高清无吗| cao死你这个sao货| 一级毛片女人18水好多| av天堂在线播放| 日本 欧美在线| 成人欧美大片| 中文字幕人成人乱码亚洲影| 毛片女人毛片| 久久精品国产综合久久久| 日本 av在线| av女优亚洲男人天堂 | 制服丝袜大香蕉在线| 亚洲国产精品久久男人天堂| 一进一出抽搐gif免费好疼| 成人午夜高清在线视频| 欧美最黄视频在线播放免费| 搡老岳熟女国产| 青草久久国产| 黑人操中国人逼视频| 久久精品国产亚洲av香蕉五月| 别揉我奶头~嗯~啊~动态视频| 在线十欧美十亚洲十日本专区| 免费电影在线观看免费观看| 非洲黑人性xxxx精品又粗又长| 亚洲精品一卡2卡三卡4卡5卡| 国产一区二区激情短视频| 特大巨黑吊av在线直播| 国产一级毛片七仙女欲春2| 香蕉丝袜av| 国产精品一区二区免费欧美| 亚洲成人精品中文字幕电影| 性色avwww在线观看| 好看av亚洲va欧美ⅴa在| 国产私拍福利视频在线观看| 非洲黑人性xxxx精品又粗又长| 国产精品99久久99久久久不卡| 国产黄a三级三级三级人| 久久草成人影院| 日韩欧美 国产精品| 亚洲av熟女| 小蜜桃在线观看免费完整版高清| 亚洲美女视频黄频| 国产麻豆成人av免费视频| 国产黄片美女视频| 久久精品综合一区二区三区| 蜜桃久久精品国产亚洲av| 99国产极品粉嫩在线观看| 男插女下体视频免费在线播放| 国产一区二区在线观看日韩 | 色吧在线观看| 美女高潮的动态| 一个人看的www免费观看视频| 视频区欧美日本亚洲| 丰满人妻熟妇乱又伦精品不卡| 2021天堂中文幕一二区在线观| 欧美乱妇无乱码| 亚洲av五月六月丁香网| 成在线人永久免费视频| 日本一本二区三区精品| 丁香欧美五月| 国产精品美女特级片免费视频播放器 | 亚洲自拍偷在线| 精品一区二区三区视频在线 | 精品国产亚洲在线| 欧美成人性av电影在线观看| 可以在线观看毛片的网站| 一区福利在线观看| 欧美3d第一页| 国产爱豆传媒在线观看| 久久久久九九精品影院| 国产免费男女视频| 欧美性猛交╳xxx乱大交人| 真人做人爱边吃奶动态| 免费高清视频大片| 久久久久精品国产欧美久久久| 国产三级在线视频| 久久久色成人| 国产精品99久久99久久久不卡| 一个人免费在线观看的高清视频| 伦理电影免费视频| 麻豆久久精品国产亚洲av| 最近最新中文字幕大全免费视频| 日日摸夜夜添夜夜添小说| 久久国产乱子伦精品免费另类| 90打野战视频偷拍视频| 久久精品国产清高在天天线| 欧美色欧美亚洲另类二区| 波多野结衣巨乳人妻| 亚洲国产精品999在线| 国产精品久久视频播放| 脱女人内裤的视频| 国产三级在线视频| 国产精品久久视频播放| 757午夜福利合集在线观看| 中文字幕熟女人妻在线| 日日摸夜夜添夜夜添小说| 亚洲国产欧洲综合997久久,| 级片在线观看| 久久精品夜夜夜夜夜久久蜜豆| 久久久国产成人精品二区| 久久久久亚洲av毛片大全| 久久久国产成人免费| 国产亚洲精品久久久久久毛片| 国产成人精品无人区| 欧美乱色亚洲激情| 嫩草影院精品99| 99国产精品99久久久久| 国产主播在线观看一区二区| 国产成人aa在线观看| 动漫黄色视频在线观看| 久久久久久大精品| 亚洲男人的天堂狠狠| 1000部很黄的大片| 69av精品久久久久久| 不卡av一区二区三区| 国产精品自产拍在线观看55亚洲| 麻豆一二三区av精品| 男女床上黄色一级片免费看| 国产又黄又爽又无遮挡在线| 久久婷婷人人爽人人干人人爱| 欧美日韩亚洲国产一区二区在线观看| 免费看a级黄色片| 国产成人aa在线观看| 两个人的视频大全免费| 久久九九热精品免费| 日本黄色视频三级网站网址| 日韩高清综合在线| 国产乱人伦免费视频| 亚洲国产精品成人综合色| 成人高潮视频无遮挡免费网站| 午夜亚洲福利在线播放| 亚洲无线观看免费| 国产精品精品国产色婷婷| 中文资源天堂在线| 噜噜噜噜噜久久久久久91| 成人精品一区二区免费| 床上黄色一级片| 看免费av毛片| 哪里可以看免费的av片| 国产精品一区二区免费欧美| 亚洲激情在线av| 99久久成人亚洲精品观看| 久久亚洲精品不卡| 91麻豆av在线| 欧美在线黄色| 成年免费大片在线观看| av在线蜜桃| 精品一区二区三区视频在线 | 国产一区二区三区视频了| 日本 欧美在线| h日本视频在线播放| 国产成人精品无人区| 久久精品国产综合久久久| 国产精品九九99| 成人精品一区二区免费| 成人特级av手机在线观看| 脱女人内裤的视频| 中文字幕人妻丝袜一区二区| 国产aⅴ精品一区二区三区波| 日韩 欧美 亚洲 中文字幕| 免费看日本二区| 村上凉子中文字幕在线| 很黄的视频免费| 久久欧美精品欧美久久欧美| 欧美黄色淫秽网站| 国产精品香港三级国产av潘金莲| 精品久久久久久久久久久久久| 丰满人妻一区二区三区视频av | 成人三级做爰电影| 一a级毛片在线观看| 亚洲男人的天堂狠狠| 久久亚洲精品不卡| 成人18禁在线播放| 国产欧美日韩一区二区三| 久久午夜综合久久蜜桃| 欧美黄色片欧美黄色片| 久久久精品大字幕| 老汉色av国产亚洲站长工具| 中文字幕av在线有码专区| 国产精品精品国产色婷婷| 亚洲最大成人中文| 少妇裸体淫交视频免费看高清| 免费无遮挡裸体视频| 这个男人来自地球电影免费观看| 欧美三级亚洲精品| 操出白浆在线播放| 精品人妻1区二区| 日本黄色片子视频| 国产高清激情床上av| 久久国产精品人妻蜜桃| 一二三四社区在线视频社区8| 欧美一级a爱片免费观看看| 亚洲国产欧美人成| 亚洲中文日韩欧美视频| 天天添夜夜摸| 欧美乱色亚洲激情| cao死你这个sao货| 一级黄色大片毛片| 制服人妻中文乱码| 岛国视频午夜一区免费看| 欧美最黄视频在线播放免费| 欧美日韩中文字幕国产精品一区二区三区| 少妇的逼水好多| 嫩草影院精品99| 亚洲最大成人中文| 欧美成人一区二区免费高清观看 | а√天堂www在线а√下载| 国产精品99久久99久久久不卡| 美女cb高潮喷水在线观看 | 成人性生交大片免费视频hd| 神马国产精品三级电影在线观看| 久久久久国产一级毛片高清牌| 男人舔女人下体高潮全视频| 精品久久久久久久久久久久久| 波多野结衣高清作品| 一级毛片高清免费大全| 国产精品自产拍在线观看55亚洲| 亚洲最大成人中文| a在线观看视频网站| ponron亚洲| 老司机福利观看| 亚洲精品国产精品久久久不卡| 亚洲专区国产一区二区| 成年免费大片在线观看| 亚洲av成人av| 国产精品99久久99久久久不卡| 在线看三级毛片| 日本精品一区二区三区蜜桃| 激情在线观看视频在线高清| x7x7x7水蜜桃| 国产成年人精品一区二区| 亚洲国产精品合色在线| 中文字幕精品亚洲无线码一区| 黄片小视频在线播放| www日本在线高清视频| 狂野欧美白嫩少妇大欣赏| 丰满人妻一区二区三区视频av | 成年女人看的毛片在线观看| 午夜福利成人在线免费观看| a级毛片a级免费在线| 成人特级黄色片久久久久久久| 婷婷丁香在线五月| 90打野战视频偷拍视频| 亚洲精品在线美女| 欧美中文综合在线视频| 国产精品av久久久久免费| 亚洲成人久久性| 国内久久婷婷六月综合欲色啪| 少妇裸体淫交视频免费看高清| 久久久久久九九精品二区国产| 亚洲男人的天堂狠狠| 极品教师在线免费播放| 每晚都被弄得嗷嗷叫到高潮| www.熟女人妻精品国产| 18禁美女被吸乳视频| 日韩欧美国产一区二区入口| 一本精品99久久精品77| 69av精品久久久久久|