• <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 ?

    基于粒子群聚類的KNN微博輿情分類研究

    2017-11-03 08:27:30
    中國刑警學(xué)院學(xué)報 2017年5期
    關(guān)鍵詞:特征詞輿情聚類

    林 偉

    (福建警察學(xué)院偵查系 福建 福州 350007)

    基于粒子群聚類的KNN微博輿情分類研究

    林 偉

    (福建警察學(xué)院偵查系 福建 福州 350007)

    基于數(shù)據(jù)挖掘的微博情感分類是網(wǎng)絡(luò)輿情監(jiān)控的重要方法,其中KNN算法具有簡單有效、無需估計(jì)參數(shù)等優(yōu)點(diǎn),適用于微博輿情分類。微博輿情分類實(shí)質(zhì)上是對微博上的負(fù)面情感及時監(jiān)控,KNN會因在情感分類時處理大量的計(jì)算影響算法效率。因此,采用粒子群聚類算法在情感分類前裁剪微博訓(xùn)練樣本空間,以減少分類時的計(jì)算量。實(shí)驗(yàn)結(jié)果表明,基于粒子群聚類的KNN算法能夠有效提高微博情感分類的性能。

    KNN 微博情感分類 特征選擇 粒子群聚類

    隨著互聯(lián)網(wǎng)和通訊技術(shù)的發(fā)展,人們在網(wǎng)絡(luò)虛擬空間中呈現(xiàn)出的情感傾向、互動交流等往往是現(xiàn)實(shí)社會的延伸,涉及道德、民生、貪腐等民眾關(guān)注的熱點(diǎn)敏感話題信息極易被網(wǎng)絡(luò)催生和激化,將矛盾放大、以點(diǎn)概面、以偏概全形成各類攻擊,具有強(qiáng)大的蠱惑和煽動力,導(dǎo)致矛盾升級進(jìn)而影響社會穩(wěn)定[1]。據(jù)第38次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報告》顯示,截至2016年9月,我國微博用戶月活躍數(shù)3.906億,日活躍數(shù)1.05億,人均月使用次數(shù)52次,微博在追蹤熱點(diǎn)、發(fā)表熱點(diǎn)評論、關(guān)注興趣話題等方面都是用戶的首選平臺[2]。為此,通過數(shù)據(jù)挖掘算法對微博進(jìn)行情感分類及時監(jiān)控網(wǎng)絡(luò)上帶有煽動、攻擊等“負(fù)面”言論,進(jìn)而掌握輿論導(dǎo)向,具有重要的現(xiàn)實(shí)意義[3]。

    在數(shù)據(jù)挖掘領(lǐng)域,常用的分類算法有:K最近鄰(KNN)、貝葉斯、支持向量機(jī)及神經(jīng)網(wǎng)絡(luò)等,其中KNN算法具有簡單有效、無需估計(jì)參數(shù)等優(yōu)點(diǎn),適用于類似微博輿情這樣樣本容量比較大的類域的分類。然而,微博輿情分類實(shí)質(zhì)上是對微博上的“負(fù)面”情感及時監(jiān)控,KNN會因在情感分類時處理大量的計(jì)算影響算法效率。因此,本研究中將采用粒子群聚類算法在情感分類前裁剪微博訓(xùn)練樣本空間,以減少分類時的計(jì)算量。

    1 相關(guān)工作

    1.1 特征選擇

    為降低特征空間維數(shù)及計(jì)算量、防止數(shù)據(jù)過份擬合,應(yīng)從微博訓(xùn)練集的原始特征空間中按照一定的評估函數(shù)篩選出對情感分類貢獻(xiàn)較大的前N個特征子集,即特征選擇。文獻(xiàn)[4]對文本分類領(lǐng)域常見的幾種特征選擇算法進(jìn)行了詳細(xì)比較,指出信息增益(IG)和卡方統(tǒng)計(jì)(CHI)表現(xiàn)最好,因此本研究用信息增益做為特征選擇的評估函數(shù)。

    信息增益是通過計(jì)算某特征詞t出現(xiàn)前后的信息熵來衡量其對分類的貢獻(xiàn),與特征詞的信息量成正比關(guān)系,在數(shù)據(jù)挖掘領(lǐng)域廣泛應(yīng)用,計(jì)算公式如下:

    其中,P(ci)表示ci類在微博訓(xùn)練集中出現(xiàn)的

    _概率;P(t)、P(t)分別表示微博訓(xùn)練集中包含或不包含特征詞t的微博樣本概率;P(ci|t)表示微博訓(xùn)練集

    _中包含特征詞 并且屬于ci類的條件概率;P(ci|t)表示微博訓(xùn)練集中不包含特征詞t并且屬于ci類的條件概率。

    1.2 微博向量表示

    微博的內(nèi)容是方便人類閱讀的自然語言,計(jì)算機(jī)無法理解與計(jì)算,因此要對微博以結(jié)構(gòu)化的特征向量形式存儲以便計(jì)算機(jī)處理,在文本分類領(lǐng)域一般用向量空間模型(VSM)來表示。一條微博(Micro-blog)經(jīng)切詞分詞算法預(yù)處理后,用向量空間模型描述為:m=<w(t1),w(t2),w(t3)...,w(td)> ,其中n為向量空間的維數(shù),w(ti)為特征詞ti在微博向量中的權(quán)重值,一般使用詞頻—逆文檔頻(TF-IDF)來計(jì)算,同時將各項(xiàng)特征詞ti權(quán)值規(guī)范在[0,1]之間,其計(jì)算公式為[5]:

    其中,tfij為特征詞ti在微博樣本mj中的出現(xiàn)次數(shù),N訓(xùn)練微博總數(shù),dfi是特征詞ti在微博中的文檔頻率。

    1.3 KNN分類算法

    KNN算法是文本分類常用的算法之一,具有簡單有效、魯棒性、無需估計(jì)參數(shù)等優(yōu)點(diǎn),應(yīng)用到微博輿情分類中其基本思想是[6]:計(jì)算待測微博樣本與已知訓(xùn)練微博樣本的情感相似度,找出與待測微博樣本相似度最大的K個最近鄰微博樣本,K個微博樣本中情感傾向較多的類別為該測試微博的情感類別,基本步驟如下:

    (1)始初化K的值,K為最近鄰數(shù)。

    (3)評估待試微博Mj與訓(xùn)練集中所有微博樣本Mi的情感相似度,我們使用歐式距離計(jì)算:

    (4)根據(jù)公式(3)的計(jì)算結(jié)果進(jìn)行排序,選出計(jì)算值最大的K個微博,作為微博Mj情感最近鄰。

    (5)計(jì)算待測試微博樣本與類別C的)情感相似度:

    其中,Mj在類別 中出現(xiàn)(Mj,C)為1,否則為0,微博Mj的情感類別決策為:

    2 KNN算法中微博訓(xùn)練集裁剪

    雖然KNN算法簡單有效,但隨著微博訓(xùn)練集規(guī)模的增加,需要計(jì)算待測試微博樣本與訓(xùn)練集中所有微博樣本的情感相似度來找出K最近鄰,隨著大數(shù)據(jù)浪潮的到來,當(dāng)訓(xùn)練微博樣本集達(dá)到一定級別時,計(jì)算與每個微博情感相似耗時將劇增,KNN算法的效率問題凸顯。特別是在輿情監(jiān)控領(lǐng)域,應(yīng)及時監(jiān)控網(wǎng)絡(luò)上帶有煽動、攻擊等“負(fù)面”言論從而引導(dǎo)輿論導(dǎo)向,因而對情感分類算法的實(shí)時性要求高,下面討論用粒子群算法對微博訓(xùn)練集進(jìn)行裁剪,以提高KNN算法應(yīng)用在微博情感分類中的性能。

    2.1 粒子群算法

    粒子群算法基本思想是[7]:隨機(jī)初始化粒子群,粒子i的位置為:Xi=(x1,x2,...,xn),飛行速度

    為:Vi=(v1,v2,...,vn),Xi和Vi為n維空間。粒子i通過由目標(biāo)函數(shù)決定的適應(yīng)值來不斷迭代找到最優(yōu)解,同時通過跟蹤自己目前的最好位置pbest和粒子群全局最優(yōu)位置gbest來更新自己。找到pbest和gbest后,通過公式(6)和(7)來分別更新自己的速度與位置。

    其中,Vi為粒子的速度,rand()為隨機(jī)數(shù),Xi為粒子的當(dāng)前位置,c1,c2是學(xué)習(xí)因子,ω為慣性因子。

    2.2 聚類算法

    聚類算法的基本思路就是按照一定的度量規(guī)則將數(shù)據(jù)進(jìn)行歸類或分組,使用組(也稱為簇)內(nèi)的數(shù)據(jù)具有較高的相似性,而組間的數(shù)據(jù)具有較大的差異性。應(yīng)用到微博訓(xùn)練樣本中其數(shù)學(xué)描述為:設(shè)有微博訓(xùn)練集M={M1,M2,M3,...,MN},其中Mi是個d維的向量,N為訓(xùn)練集中微博總數(shù)。對于訓(xùn)練集M的聚類,就是通過一定算法劃分為{C1,C2,...,Cc},通過求解訓(xùn)練集中的劃分滿足以下條件:樣本情感相似度用公式(3)計(jì)算[8]。

    為了發(fā)現(xiàn)c個簇的最優(yōu)劃分,聚類問題一般定義成一個性能函數(shù)的最優(yōu)(最?。﹩栴},使得類間總離散度和Jm達(dá)到最小,計(jì)算公式為:

    其中,z1,z2,...,zc分 別為C1,C2,...,Cc的簇 中心。

    ||Mj?zi||為Mj到聚類中心zi的距離,滿足公式(9),Mj則 屬第i類。

    2.3 基于粒子群聚類的微博訓(xùn)練集裁剪

    編碼:本研究中的粒子編碼結(jié)構(gòu)如表1所示,其中z1,z2,...,zc分別是劃分為c類的每類簇中心(為d維向量,因此位置就是c×d維,每個粒子代表的是c個初始聚類中心的組合),vi為粒子飛行的速度,f(x)是自適應(yīng)函數(shù)[7]如表1所示。

    表1 粒子編碼

    根據(jù)粒子群算法和聚類算法的基本思想,基于粒子群聚類的微博訓(xùn)練集裁剪算法思路:輸入初始微博訓(xùn)練集M,總數(shù)為N,加速常數(shù)c1,c2,慣性權(quán)重ω,需要聚的類數(shù)c。

    (1)微博訓(xùn)練集M在切詞分詞的基礎(chǔ)上,按1.1節(jié)和1.2節(jié)對微博進(jìn)行預(yù)處理工作,將所有樣本用向量空間模型(VSM)表示;

    (2)初始化粒子群和相關(guān)參數(shù)(具體值見實(shí)驗(yàn)),從微博訓(xùn)練集中隨機(jī)選出幾個樣本為原始聚類中心,初始化P個粒子的位置編碼Xi,速度Vi=0;

    (3)同時根據(jù)f(x)計(jì)算粒子的適應(yīng)度,產(chǎn)生pbest和gbest;

    (4)根據(jù)公式(6)和(7)更新所有粒子的速度和位置;

    (5)根據(jù)粒子聚類中心編碼,按最近鄰法則對微博樣本聚類分析及劃分,然后重新計(jì)算聚類中心并更新粒子的適應(yīng)度值;

    (6)更新粒子的個最優(yōu)位置pbest和全局最位置gbest;

    (7)重復(fù)步驟(4)至(6)直到達(dá)到最大迭代次數(shù)。

    通過以上算法輸出以聚類中心的微博樣本調(diào)整后的裁剪訓(xùn)練集,然后采用KNN分類算法對微博進(jìn)行情感分類的處理,具體流程如圖1所示。

    圖1 基于粒子群聚類的KNN微博情感分類流程

    3 實(shí)驗(yàn)分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)

    實(shí)驗(yàn)語料庫來源分別為新浪開放平臺公開的API抓取的中文微博樣本集和我們自己收集的部分私人微博,通過微博樣本的人工標(biāo)注,實(shí)驗(yàn)數(shù)據(jù)的樣本結(jié)構(gòu)如表2所示。

    表2 微博樣本結(jié)構(gòu)

    3.2 評價指標(biāo)

    為了有效評價微博情感分類性能的好壞,我選取F值作為評判算法有效性的指標(biāo) ,其計(jì)算公式為:

    3.3 實(shí)驗(yàn)結(jié)果分析

    本實(shí)驗(yàn)中切詞分詞工具選用中科院NLPIR漢語分詞系統(tǒng)(2013版),開發(fā)平臺為Visual Stdio.net 2015,在Windows環(huán)境下用C++語言實(shí)現(xiàn),實(shí)驗(yàn)結(jié)果采取10次交叉驗(yàn)證方法,結(jié)果取平均值。從正面微博和負(fù)面微博中各取500條作為測試樣本,剩下的作為訓(xùn)練樣本。

    實(shí)驗(yàn)1:統(tǒng)KNN分類。先用中科院NLPIR漢語分詞系統(tǒng)(2013版)對訓(xùn)練微博樣本集分別進(jìn)行去停用詞、切詞分詞等預(yù)處理工作得出微博的原始特征空間。再用信息增益算法計(jì)算排序,選出排名前N個特征子集構(gòu)成特征向量。在此基礎(chǔ)上對測試微博樣本用特征子集構(gòu)成向量空間模型并采用KNN分類算法進(jìn)行情感分類。文獻(xiàn)[9]對比了不同的K值得到的分類情況對比實(shí)驗(yàn),指出K=18分類效果較佳。因此,本研究中取K=18,實(shí)驗(yàn)結(jié)果如圖2所示。

    圖2 KNN輿情分類結(jié)果

    實(shí)驗(yàn)2:基于粒子群聚類的微博訓(xùn)練集裁剪的KNN分類。算法參數(shù)初始化為:最大迭代次數(shù)60次,c1=c2=2,rand()為(0,1)間取隨機(jī)數(shù),慣性權(quán)重 在迭代過程中線性下降。在實(shí)驗(yàn)過程中通過粒子群聚類將訓(xùn)練集數(shù)目從9000裁剪至6135,KNN在分類時的所需的計(jì)算工作量也減少了近1/3。從實(shí)驗(yàn)一可以看出,當(dāng)特征數(shù)為2500時輿情分類的F值達(dá)到峰值。因此我們?nèi)√卣鲾?shù)為2500,將傳統(tǒng)的KNN分類與訓(xùn)練集經(jīng)粒子群聚類裁剪后的KNN分類比對實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表3所示。結(jié)果表明:使用粒子群聚類算法對微博訓(xùn)練集裁剪,減少輿情分類計(jì)算量的同時并不影響微博情感分類效果。

    表3 基于粒子群聚類KNN與KNN對比

    時間復(fù)雜度分析:由于在分類之前用粒子群聚類算法對微博訓(xùn)練集進(jìn)行裁剪,會有一定的時間開銷,但考慮微博輿情分類實(shí)質(zhì)上是對微博上帶有惡意、煽動及攻擊性言論及時監(jiān)控,進(jìn)而掌握網(wǎng)絡(luò)輿情動態(tài),更多的是強(qiáng)調(diào)情感分析的實(shí)時性,而且對微博訓(xùn)練集裁剪可以在離線的環(huán)境下完成,因此,對練樣本集裁剪并不會增加分類的時間損耗。

    4 結(jié)語

    基于數(shù)據(jù)挖掘的微博情感分類是網(wǎng)絡(luò)輿情監(jiān)控的重要方法,KNN雖是一種有效的分類算法,但由于會受到訓(xùn)練集規(guī)模的影響導(dǎo)致分類計(jì)算量大。本文介紹基于粒子群聚類的KNN分類中訓(xùn)練集的裁剪算法。實(shí)驗(yàn)結(jié)果表明,通過對微博訓(xùn)練集的裁剪,能夠有效的降低輿情分類時的復(fù)雜度,而且還能適當(dāng)提高分類的準(zhǔn)確率。

    [1]陶鵬.微時代背景下的虛擬社會治理[J].廣東行政學(xué)院學(xué)報,2015(4):46-51.

    [2]CNNIC.中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報告[EB/OL].(2016-10-12)[2016-12-12].http://www.idcps.com/news/20161012/92421.html.

    [3]單月光.基于微博的網(wǎng)絡(luò)輿情關(guān)鍵技術(shù)的研究與實(shí)現(xiàn)[D].成都:電子科技大學(xué),2013:1-5.

    [4]Yiming Yang.A Comparative Study on Feature Selection in Text Categorization[J].The ICML97,Nashville,1997.

    [5]張霞,尹怡欣,于海燕,趙海成.基于模糊粒度計(jì)算的文本聚類研究[J].計(jì)算工程與應(yīng)用,2010(13):53-55.

    [6]于蘋蘋,倪建成,姚彬修,李淋淋,曹博.基于Spark框架的高效KNN中文文本分類算法[J].計(jì)算機(jī)應(yīng)用,2016(12):3292-3297.

    [7]王縱虎.聚類分析優(yōu)化關(guān)鍵技術(shù)研究[D].西安:西安電子科技大學(xué),2012:66-88.

    [8]彭宏,蔣洋,王軍.一種帶混合進(jìn)化機(jī)制的膜聚類算法.軟件學(xué)報[J].2015(5):1001-1012.

    [9]周慶平,譚長庚,王宏君,湛淼湘.基于聚類改進(jìn)的KNN文本分類算法[J].2016(11):3374-3377.

    TP-391

    A

    2095-7939(2017)05-0121-04

    10.14060/j.issn.2095-7939.2017.05.025

    2017-04-16

    2017年福建省高校杰出青年科研人才培育計(jì)劃資助項(xiàng)目;福建省教育廳基金(編號:JAT160561)。

    林偉(1983-),男,福建仙游人,福建警察學(xué)院偵查系講師,主要從事信息化偵查研究。

    (責(zé)任編輯:于 萍)

    猜你喜歡
    特征詞輿情聚類
    基于改進(jìn)TFIDF算法的郵件分類技術(shù)
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    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
    輿情
    中國民政(2016年16期)2016-09-19 02:16:48
    輿情
    中國民政(2016年10期)2016-06-05 09:04:16
    輿情
    中國民政(2016年24期)2016-02-11 03:34:38
    基于改進(jìn)的遺傳算法的模糊聚類算法
    面向文本分類的特征詞選取方法研究與改進(jìn)
    一種層次初始的聚類個數(shù)自適應(yīng)的聚類方法研究
    自適應(yīng)確定K-means算法的聚類數(shù):以遙感圖像聚類為例
    欧美日韩国产mv在线观看视频| 日韩 亚洲 欧美在线| www.色视频.com| 欧美精品一区二区免费开放| 中文欧美无线码| av.在线天堂| 久久人妻熟女aⅴ| 满18在线观看网站| 最近中文字幕2019免费版| a级片在线免费高清观看视频| 高清视频免费观看一区二区| 蜜桃在线观看..| 九草在线视频观看| 国产伦理片在线播放av一区| 欧美一级a爱片免费观看看| 丝袜喷水一区| 天天影视国产精品| 中文字幕久久专区| 色5月婷婷丁香| 久久久久久久久久成人| 一级毛片黄色毛片免费观看视频| 午夜福利在线观看免费完整高清在| 亚洲精品自拍成人| av福利片在线| 一级毛片电影观看| 大片免费播放器 马上看| 国产黄色视频一区二区在线观看| 亚洲成人一二三区av| 中文字幕免费在线视频6| 高清毛片免费看| 大又大粗又爽又黄少妇毛片口| av视频免费观看在线观看| 日日摸夜夜添夜夜添av毛片| 看免费成人av毛片| 精品国产露脸久久av麻豆| 三级国产精品欧美在线观看| 国产女主播在线喷水免费视频网站| 蜜桃国产av成人99| 亚洲精品av麻豆狂野| 国产片内射在线| 成人18禁高潮啪啪吃奶动态图 | 黑丝袜美女国产一区| 秋霞伦理黄片| av专区在线播放| 久久精品熟女亚洲av麻豆精品| 亚洲美女搞黄在线观看| 美女国产高潮福利片在线看| 黄色毛片三级朝国网站| 欧美国产精品一级二级三级| 青春草亚洲视频在线观看| 又大又黄又爽视频免费| 婷婷色综合大香蕉| 亚洲精品乱码久久久久久按摩| 日韩人妻高清精品专区| 国产午夜精品久久久久久一区二区三区| 日本与韩国留学比较| av免费观看日本| 国产极品粉嫩免费观看在线 | 免费大片黄手机在线观看| 中国美白少妇内射xxxbb| 99久久精品一区二区三区| 日韩一区二区视频免费看| 一级毛片aaaaaa免费看小| 亚洲第一av免费看| 亚洲美女搞黄在线观看| av黄色大香蕉| 亚洲精品美女久久av网站| 欧美+日韩+精品| 岛国毛片在线播放| 免费看光身美女| 性高湖久久久久久久久免费观看| 黄色配什么色好看| 两个人的视频大全免费| 在线天堂最新版资源| 亚洲怡红院男人天堂| 一区二区三区四区激情视频| 亚洲图色成人| 大陆偷拍与自拍| 人人妻人人澡人人看| 高清不卡的av网站| 日本91视频免费播放| .国产精品久久| 国产伦精品一区二区三区视频9| 丰满迷人的少妇在线观看| 韩国av在线不卡| 欧美变态另类bdsm刘玥| 亚洲激情五月婷婷啪啪| 黄色怎么调成土黄色| 妹子高潮喷水视频| 日韩成人伦理影院| 99热国产这里只有精品6| 91在线精品国自产拍蜜月| 欧美精品亚洲一区二区| 日韩成人伦理影院| 一区二区av电影网| 夜夜骑夜夜射夜夜干| 在线观看人妻少妇| 纵有疾风起免费观看全集完整版| 中文字幕最新亚洲高清| 亚洲国产欧美日韩在线播放| 久久久久久久久久人人人人人人| 自拍欧美九色日韩亚洲蝌蚪91| 一本大道久久a久久精品| 新久久久久国产一级毛片| 黑丝袜美女国产一区| 桃花免费在线播放| 午夜激情av网站| 日韩欧美一区视频在线观看| av播播在线观看一区| 亚洲国产精品一区三区| 如何舔出高潮| 国产成人精品在线电影| 精品一区二区免费观看| 国内精品宾馆在线| 亚洲欧美成人精品一区二区| 国产一区二区在线观看日韩| 国产在视频线精品| 亚洲人成网站在线观看播放| 亚洲精品乱码久久久久久按摩| 成人影院久久| 免费黄网站久久成人精品| 日韩熟女老妇一区二区性免费视频| 日本wwww免费看| 黄色毛片三级朝国网站| 一级爰片在线观看| 免费高清在线观看视频在线观看| 啦啦啦视频在线资源免费观看| 免费黄网站久久成人精品| 国产男女超爽视频在线观看| 一级a做视频免费观看| 狂野欧美激情性bbbbbb| 在线精品无人区一区二区三| 日韩制服骚丝袜av| 亚洲国产精品成人久久小说| 99国产精品免费福利视频| 男人操女人黄网站| 精品久久久精品久久久| 日韩欧美一区视频在线观看| 蜜臀久久99精品久久宅男| 国产成人av激情在线播放 | 寂寞人妻少妇视频99o| 国产成人精品婷婷| 亚洲欧美一区二区三区国产| 少妇高潮的动态图| 国产成人精品婷婷| 91精品国产九色| 伦理电影大哥的女人| 日本wwww免费看| 国产精品久久久久成人av| 日韩视频在线欧美| 成人黄色视频免费在线看| 久久国产亚洲av麻豆专区| 欧美xxⅹ黑人| 亚洲av福利一区| 少妇 在线观看| 色5月婷婷丁香| 国产极品粉嫩免费观看在线 | 99国产精品免费福利视频| 又大又黄又爽视频免费| 国产在视频线精品| 国产伦理片在线播放av一区| 亚洲天堂av无毛| 在线观看免费高清a一片| 中文字幕人妻熟人妻熟丝袜美| 亚洲第一区二区三区不卡| 一级a做视频免费观看| 丰满饥渴人妻一区二区三| 黄色配什么色好看| 十分钟在线观看高清视频www| 日韩亚洲欧美综合| 久久久久久久久久成人| 一级毛片 在线播放| 在现免费观看毛片| 99re6热这里在线精品视频| 亚洲天堂av无毛| 成人无遮挡网站| 黄色欧美视频在线观看| 黄片无遮挡物在线观看| 日韩免费高清中文字幕av| 国产淫语在线视频| 成人国产麻豆网| 欧美 亚洲 国产 日韩一| 免费人成在线观看视频色| 国产精品国产三级专区第一集| 亚洲情色 制服丝袜| 香蕉精品网在线| 免费av不卡在线播放| 777米奇影视久久| 亚洲人与动物交配视频| .国产精品久久| 亚洲一级一片aⅴ在线观看| 男男h啪啪无遮挡| 超碰97精品在线观看| 中文字幕制服av| 国产精品人妻久久久久久| 国产高清不卡午夜福利| 欧美精品一区二区免费开放| 人人妻人人添人人爽欧美一区卜| 久久精品夜色国产| 乱人伦中国视频| 亚洲无线观看免费| 国产熟女欧美一区二区| 美女主播在线视频| 久久久精品94久久精品| 热99国产精品久久久久久7| 亚洲国产欧美日韩在线播放| 一区二区日韩欧美中文字幕 | 国产高清三级在线| 亚洲国产日韩一区二区| a级毛片在线看网站| 在线观看三级黄色| 99九九在线精品视频| 极品少妇高潮喷水抽搐| 精品酒店卫生间| av福利片在线| 亚洲精品av麻豆狂野| 亚洲精品乱久久久久久| 啦啦啦视频在线资源免费观看| 国产爽快片一区二区三区| 老司机影院毛片| 国产精品.久久久| freevideosex欧美| 国产精品久久久久久精品古装| 不卡视频在线观看欧美| 如日韩欧美国产精品一区二区三区 | 国内精品宾馆在线| 99热这里只有是精品在线观看| 久久这里有精品视频免费| 亚洲经典国产精华液单| 欧美日韩在线观看h| 国产成人精品婷婷| 丰满少妇做爰视频| 亚洲国产成人一精品久久久| 97超碰精品成人国产| 人妻夜夜爽99麻豆av| 亚洲av.av天堂| 久久国产亚洲av麻豆专区| 韩国高清视频一区二区三区| 午夜免费观看性视频| 亚洲av日韩在线播放| 七月丁香在线播放| 黄色毛片三级朝国网站| 亚洲不卡免费看| 夜夜看夜夜爽夜夜摸| 一本色道久久久久久精品综合| 国语对白做爰xxxⅹ性视频网站| 国产免费又黄又爽又色| 国产无遮挡羞羞视频在线观看| 国产精品女同一区二区软件| 亚洲av不卡在线观看| 国产一区二区三区综合在线观看 | 亚洲精品aⅴ在线观看| 国产国拍精品亚洲av在线观看| 高清不卡的av网站| 精品亚洲成国产av| 精品酒店卫生间| 欧美bdsm另类| 人成视频在线观看免费观看| 男女高潮啪啪啪动态图| 天堂俺去俺来也www色官网| 精品人妻熟女毛片av久久网站| 欧美人与性动交α欧美精品济南到 | 超碰97精品在线观看| 在线播放无遮挡| 大香蕉久久成人网| 午夜福利视频精品| 蜜桃久久精品国产亚洲av| 天天影视国产精品| 精品国产一区二区三区久久久樱花| 久久久久久久久大av| 亚洲av日韩在线播放| 成人黄色视频免费在线看| 久久99热这里只频精品6学生| 国产精品久久久久久久久免| 蜜桃在线观看..| 日本与韩国留学比较| 激情五月婷婷亚洲| 最近的中文字幕免费完整| 久久久欧美国产精品| 久久99一区二区三区| 伦理电影免费视频| 三上悠亚av全集在线观看| 精品国产露脸久久av麻豆| 大片电影免费在线观看免费| 久久久久国产精品人妻一区二区| 国产不卡av网站在线观看| 18在线观看网站| 国产av国产精品国产| 高清毛片免费看| 国产有黄有色有爽视频| 午夜激情久久久久久久| 久久人人爽人人片av| 精品人妻熟女毛片av久久网站| 99热国产这里只有精品6| 国产免费一区二区三区四区乱码| 高清毛片免费看| 国产成人精品在线电影| 亚洲av成人精品一二三区| 一二三四中文在线观看免费高清| 亚洲人成网站在线播| 亚洲中文av在线| 日韩伦理黄色片| 一本久久精品| 在线观看一区二区三区激情| 黑丝袜美女国产一区| 日本vs欧美在线观看视频| 能在线免费看毛片的网站| 狠狠精品人妻久久久久久综合| 国产毛片在线视频| 亚洲精品日韩在线中文字幕| 日韩av免费高清视频| 日本欧美国产在线视频| videos熟女内射| 一级毛片黄色毛片免费观看视频| 亚洲av男天堂| 精品少妇内射三级| 精品亚洲乱码少妇综合久久| 久久鲁丝午夜福利片| 日本与韩国留学比较| 国产精品女同一区二区软件| 成人二区视频| 午夜福利,免费看| 国产精品国产三级专区第一集| 91久久精品国产一区二区三区| 久久精品夜色国产| 国产精品人妻久久久久久| 日韩制服骚丝袜av| 国产精品国产三级国产专区5o| 人妻 亚洲 视频| 午夜福利网站1000一区二区三区| 有码 亚洲区| 日韩 亚洲 欧美在线| 国产午夜精品一二区理论片| 欧美日韩成人在线一区二区| 一二三四中文在线观看免费高清| 秋霞伦理黄片| 69精品国产乱码久久久| 精品国产国语对白av| 久久精品国产亚洲网站| 亚洲国产日韩一区二区| 日本wwww免费看| 老司机亚洲免费影院| 18禁观看日本| 国产免费现黄频在线看| 九九久久精品国产亚洲av麻豆| 五月天丁香电影| 欧美激情国产日韩精品一区| 亚洲精品乱久久久久久| 国产亚洲一区二区精品| 欧美最新免费一区二区三区| 又粗又硬又长又爽又黄的视频| 免费日韩欧美在线观看| 欧美激情极品国产一区二区三区 | 久久久久久久久大av| 色婷婷久久久亚洲欧美| 一个人看视频在线观看www免费| 少妇丰满av| 亚洲国产最新在线播放| 99re6热这里在线精品视频| 男女免费视频国产| 久久青草综合色| 日日啪夜夜爽| 视频在线观看一区二区三区| 一区在线观看完整版| 午夜91福利影院| 男女无遮挡免费网站观看| 国产一区二区三区av在线| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲国产欧美日韩在线播放| 大话2 男鬼变身卡| 欧美日韩视频高清一区二区三区二| 蜜桃久久精品国产亚洲av| 亚洲精品一二三| 午夜激情久久久久久久| 国内精品宾馆在线| 国产午夜精品一二区理论片| 亚洲熟女精品中文字幕| 热99国产精品久久久久久7| 久久这里有精品视频免费| 欧美亚洲 丝袜 人妻 在线| 91精品伊人久久大香线蕉| 丝瓜视频免费看黄片| 国产精品国产三级专区第一集| 亚洲,一卡二卡三卡| 欧美成人午夜免费资源| 亚洲欧美一区二区三区黑人 | 18+在线观看网站| a级毛片在线看网站| 一本久久精品| 久热这里只有精品99| 永久免费av网站大全| 成人国产av品久久久| 97超碰精品成人国产| 菩萨蛮人人尽说江南好唐韦庄| av不卡在线播放| 久久这里有精品视频免费| 观看av在线不卡| 精品少妇内射三级| 亚洲第一av免费看| 欧美日韩在线观看h| 国产精品嫩草影院av在线观看| 久久精品久久久久久噜噜老黄| 在线观看美女被高潮喷水网站| av在线app专区| 超色免费av| 国内精品宾馆在线| 亚洲精品一二三| 少妇人妻 视频| 啦啦啦啦在线视频资源| 美女大奶头黄色视频| 男男h啪啪无遮挡| 少妇被粗大的猛进出69影院 | 亚洲三级黄色毛片| 日韩av在线免费看完整版不卡| 日日爽夜夜爽网站| 亚洲图色成人| 久久久亚洲精品成人影院| 亚洲色图综合在线观看| 少妇熟女欧美另类| 国产精品99久久久久久久久| 久久久久精品久久久久真实原创| 午夜激情福利司机影院| 亚洲不卡免费看| 日韩,欧美,国产一区二区三区| 精品久久久久久久久亚洲| 日韩中文字幕视频在线看片| 国产精品一二三区在线看| 欧美日本中文国产一区发布| 日日撸夜夜添| 国产日韩欧美视频二区| 久久女婷五月综合色啪小说| 午夜激情久久久久久久| 欧美3d第一页| 欧美三级亚洲精品| 一二三四中文在线观看免费高清| 18+在线观看网站| 亚洲国产av影院在线观看| 久久精品国产亚洲网站| videosex国产| 桃花免费在线播放| 三级国产精品片| 欧美最新免费一区二区三区| 精品一区在线观看国产| 高清毛片免费看| 大话2 男鬼变身卡| 少妇猛男粗大的猛烈进出视频| 两个人免费观看高清视频| 99久久中文字幕三级久久日本| 波野结衣二区三区在线| 日本黄大片高清| 国产片内射在线| 亚洲少妇的诱惑av| 欧美日韩在线观看h| 夜夜骑夜夜射夜夜干| 国产一区二区三区综合在线观看 | 黑人高潮一二区| 久久久久久久大尺度免费视频| 性高湖久久久久久久久免费观看| 中国三级夫妇交换| 自线自在国产av| 久久久亚洲精品成人影院| 午夜老司机福利剧场| 熟女av电影| 2018国产大陆天天弄谢| 亚洲国产精品国产精品| 欧美日韩视频精品一区| 久久久久网色| 色94色欧美一区二区| 免费大片18禁| 久热这里只有精品99| 又粗又硬又长又爽又黄的视频| 欧美日韩亚洲高清精品| 亚洲精品乱码久久久久久按摩| 99久国产av精品国产电影| 久久久久久久久久人人人人人人| 美女内射精品一级片tv| 欧美激情国产日韩精品一区| 男女高潮啪啪啪动态图| 国产亚洲av片在线观看秒播厂| 亚洲av国产av综合av卡| 国产精品久久久久成人av| 亚洲久久久国产精品| 午夜久久久在线观看| 久久久精品区二区三区| 满18在线观看网站| 国产精品熟女久久久久浪| 一级毛片黄色毛片免费观看视频| 亚洲国产最新在线播放| 高清视频免费观看一区二区| 2018国产大陆天天弄谢| 乱码一卡2卡4卡精品| 中文欧美无线码| 在线 av 中文字幕| 性高湖久久久久久久久免费观看| 青青草视频在线视频观看| 久久亚洲国产成人精品v| 啦啦啦在线观看免费高清www| 久久久久久久久久久丰满| 18在线观看网站| 国产 精品1| 国产高清不卡午夜福利| 色视频在线一区二区三区| 国产精品国产av在线观看| xxx大片免费视频| 成人二区视频| 欧美日韩成人在线一区二区| 一边摸一边做爽爽视频免费| 日韩av不卡免费在线播放| 亚洲国产色片| 99视频精品全部免费 在线| 美女xxoo啪啪120秒动态图| 亚洲人成网站在线观看播放| 男女边吃奶边做爰视频| tube8黄色片| 亚洲国产av新网站| 内地一区二区视频在线| 国产一区二区在线观看日韩| 性色av一级| 男女啪啪激烈高潮av片| 一本一本综合久久| 国产av精品麻豆| 人人澡人人妻人| 少妇被粗大的猛进出69影院 | 18在线观看网站| 久久人人爽人人片av| a级毛片在线看网站| 男人爽女人下面视频在线观看| 最近中文字幕2019免费版| 黄色毛片三级朝国网站| 久久精品熟女亚洲av麻豆精品| 97超视频在线观看视频| 18禁观看日本| 五月伊人婷婷丁香| 国产精品熟女久久久久浪| 亚洲情色 制服丝袜| 日本91视频免费播放| 亚洲精品aⅴ在线观看| 国国产精品蜜臀av免费| 亚洲美女搞黄在线观看| 天天躁夜夜躁狠狠久久av| 人人妻人人添人人爽欧美一区卜| 午夜精品国产一区二区电影| 在线看a的网站| 啦啦啦视频在线资源免费观看| 一级毛片aaaaaa免费看小| 69精品国产乱码久久久| 免费日韩欧美在线观看| 伦精品一区二区三区| 色婷婷av一区二区三区视频| 在线观看www视频免费| 欧美日韩一区二区视频在线观看视频在线| 精品国产乱码久久久久久小说| 亚洲精品成人av观看孕妇| 成人免费观看视频高清| 欧美少妇被猛烈插入视频| 十八禁高潮呻吟视频| 最新的欧美精品一区二区| 一级毛片我不卡| 制服丝袜香蕉在线| 亚洲欧美一区二区三区国产| 久久久亚洲精品成人影院| 99热全是精品| 国产精品 国内视频| 亚洲精品成人av观看孕妇| 亚洲精品,欧美精品| 亚洲成人一二三区av| 日韩中字成人| 97在线人人人人妻| 亚洲综合色惰| 大又大粗又爽又黄少妇毛片口| 欧美少妇被猛烈插入视频| 久久亚洲国产成人精品v| 青春草亚洲视频在线观看| 成年女人在线观看亚洲视频| 国产亚洲午夜精品一区二区久久| 国产av一区二区精品久久| 国产片内射在线| 国产在线视频一区二区| 午夜免费鲁丝| 国产一区二区三区综合在线观看 | 有码 亚洲区| 国产不卡av网站在线观看| 视频中文字幕在线观看| 成年人免费黄色播放视频| 国产精品久久久久久av不卡| 国产男女超爽视频在线观看| 日韩欧美精品免费久久| 熟女电影av网| 中文乱码字字幕精品一区二区三区| 伊人亚洲综合成人网| 麻豆乱淫一区二区| 国产 一区精品| 亚洲人成网站在线播| 亚洲综合色网址| 人妻 亚洲 视频| 中文字幕最新亚洲高清| 日日摸夜夜添夜夜添av毛片| 国产精品女同一区二区软件| 国产成人精品福利久久| 大片免费播放器 马上看| 在线天堂最新版资源| av女优亚洲男人天堂| freevideosex欧美| 蜜桃久久精品国产亚洲av| 久久久久久伊人网av| 亚洲国产毛片av蜜桃av| 激情五月婷婷亚洲| 一个人看视频在线观看www免费| 啦啦啦视频在线资源免费观看| 99视频精品全部免费 在线| 在线 av 中文字幕| 久久99精品国语久久久| 女的被弄到高潮叫床怎么办| 亚洲欧美成人综合另类久久久| 国产色爽女视频免费观看|