• <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 ?

    基于雙維度云模型的協(xié)同過濾推薦算法

    2018-01-29 01:36:48劉美博滿君豐
    關(guān)鍵詞:相似性集群維度

    劉美博,滿君豐,彭 成,劉 鳴

    (湖南工業(yè)大學(xué) 計(jì)算機(jī)與通信學(xué)院 湖南 株洲 412000)

    0 引言

    網(wǎng)絡(luò)的迅速普及和通信方式的多樣化給人們帶來了極大的便利,同時(shí)也造成了信息量的急劇增加。如何從大量信息中篩選出人們需要的信息就需要用到推薦系統(tǒng)。當(dāng)前,推薦系統(tǒng)受到了廣泛關(guān)注,而找到更好的推薦算法并合理應(yīng)用一直是研究熱點(diǎn)。

    現(xiàn)有的推薦算法中,主流應(yīng)用的推薦算法就是協(xié)同過濾推薦算法。傳統(tǒng)的推薦算法在數(shù)據(jù)比較稀疏時(shí),不能很好的進(jìn)行相似度計(jì)算,導(dǎo)致推薦系統(tǒng)質(zhì)量較低。同時(shí)新用戶引進(jìn)時(shí),由于數(shù)據(jù)量比較少,造成不能得到很好的推薦,這就是冷啟動(dòng)問題[1]。

    本文針對上述問題,基于前人的研究成果,提出一種雙維度的協(xié)同過濾推薦算法。該算法是基于Hadoop分布式平臺來實(shí)現(xiàn)的,充分發(fā)揮了Hadoop集群的優(yōu)勢。并且該算法選取用戶和項(xiàng)目兩個(gè)維度的數(shù)據(jù)展開研究,采用基于云模型的相似度計(jì)算方法[2]計(jì)算出用戶相似度和項(xiàng)目相似度,然后通過動(dòng)態(tài)度量方法計(jì)算出權(quán)值,再根據(jù)得到的相似度和權(quán)值求得用戶對項(xiàng)目的評分預(yù)測值。通過實(shí)驗(yàn),我們發(fā)現(xiàn)該算法對于以上問題得到了一定的解決。

    1 國內(nèi)外現(xiàn)狀及分析

    國內(nèi)外學(xué)者針對上面提到的問題進(jìn)行了一定的改進(jìn)。文獻(xiàn)[3]提出了一種將聚類算法與SVD算法相結(jié)合的新方法,通過使用他們的屬性來對用戶進(jìn)行分類。然后用SVD算法分解評級矩陣,并將它們重新聯(lián)合到新的評級矩陣中,以計(jì)算每對用戶之間的相似性。該方法不僅可以改善“冷啟動(dòng)”和“數(shù)據(jù)稀疏”問題,還可以提高系統(tǒng)的效率和可擴(kuò)展性。文獻(xiàn)[4]在[0,1]范圍內(nèi)基于評級矩陣分解為兩個(gè)非負(fù)矩陣的分量,通過這個(gè)分解可以準(zhǔn)確地預(yù)測用戶的評級,找出相似的用戶組。文獻(xiàn)[3-4]都是通過矩陣分解來解決傳統(tǒng)推薦算法的數(shù)據(jù)稀疏問題,但該方法還存在不足,通過矩陣分解降維會(huì)導(dǎo)致數(shù)據(jù)失真,之后計(jì)算出來的相似性誤差較大,導(dǎo)致推薦系統(tǒng)準(zhǔn)確性降低。

    文獻(xiàn)[5]提出了一種基于用戶偏好聚類的新型有效協(xié)同過濾推薦算法,引入了用戶組以區(qū)分具有不同偏好的用戶。通過考慮活動(dòng)用戶的偏好,從相應(yīng)的用戶組獲得最近的鄰居集合。分別考慮本地和全局透視中的用戶偏好,以優(yōu)選地計(jì)算用戶之間的相似性。文獻(xiàn)[6]中主要是通過計(jì)算用戶間對不同類型項(xiàng)目的評分相似度,并通過這多個(gè)相似度更加精確地得出最終的預(yù)測評分。文獻(xiàn)[7]中主要通過計(jì)算用戶間的屬性相似度和互動(dòng)相似度,再結(jié)合動(dòng)態(tài)權(quán)值分配計(jì)算綜合的用戶相似度。文獻(xiàn)[5-7]都是屬于基于用戶這一分支的算法,都采用的是用戶—項(xiàng)目評分矩陣。在推薦精度方面做了很多研究,使得推薦系統(tǒng)精確度得到大大提高,但擴(kuò)展性問題和稀疏性問題還是存在。文獻(xiàn)[8]通過使用多個(gè)相似性度量來計(jì)算項(xiàng)目之間的相似性,然后使用這些相似性值來預(yù)測用戶的評級,并提出了一種基于項(xiàng)目的CF算法的MapReduce優(yōu)化。該文獻(xiàn)很好地解決了擴(kuò)展性問題,同時(shí)在效率方面也有顯著提高,但數(shù)據(jù)稀疏問題還是考慮得不全面。

    文獻(xiàn)[9]運(yùn)用了兩維度的數(shù)據(jù),再根據(jù)兩個(gè)維度的評分矩陣進(jìn)行相似度計(jì)算。該算法充分考慮了兩個(gè)維度的數(shù)據(jù),并引入了不確定近鄰因子的概念,很好地解決了數(shù)據(jù)稀疏問題,推薦精度也得到了提高。但該算法對于擴(kuò)展性問題還是沒有很好地解決,處理稀疏數(shù)據(jù)方面也能得到改進(jìn)。而本文在此基礎(chǔ)上,在相似度計(jì)算時(shí)運(yùn)用云模型,然后通過Hadoop平臺來處理大數(shù)據(jù)問題。這使得處理數(shù)據(jù)稀疏的能力得到了進(jìn)一步的提高,同時(shí)對于擴(kuò)展性問題也提出了解決方案。

    2 協(xié)同過濾推薦算法

    協(xié)同過濾推薦算法其基本思想是“物以類聚,人以群分”,依據(jù)相似性而產(chǎn)生推薦[10-11]。

    要想運(yùn)用協(xié)同過濾推薦算法,其數(shù)據(jù)必須是一個(gè)矩陣形式,如表1所示,其中U是用戶,I是項(xiàng)目,Rmn表示用戶集中的用戶m對項(xiàng)目集中的項(xiàng)目n的評分。

    該算法的核心就是尋找最近鄰居,要想找到鄰居必需計(jì)算相似性,常用的度量相似性的方法有以下三種[12]。

    表1 用戶-項(xiàng)目評分

    (1)

    (2)修正的余弦相似性:在余弦相似性基礎(chǔ)上,考慮不同用戶評分尺度不同的問題,把余弦相似性中的向量減去平均評分向量[8]如式(2)所示:

    (2)

    式中,Ri,d為用戶i對項(xiàng)目d的評分;Ri為用戶i對項(xiàng)目的平均評分;Rj為用戶j對項(xiàng)目的平均評分;Iij為用戶i與用戶j都評分過的項(xiàng)目。

    (3)相關(guān)相似性:計(jì)算Pearson相關(guān)系數(shù)來進(jìn)行度量如式(3)所示:

    (3)

    以上三種方法為常用的相似性度量方法,而本文采用的是云模型相似性度量方法。

    (4)云模型相似性:先根據(jù)評分矩陣統(tǒng)計(jì)得出用戶或項(xiàng)目的評分頻度向量Ui=(u1,u2,u3,u4,u5)(1≤i≤m),再通過逆向云算法計(jì)算特征向量如下:

    特征向量Vi=(Exi,Eni,Eei),Vj=(Exj,Enj,Eej)。

    (4)

    通過上述方法計(jì)算出相似用戶后,再根據(jù)公式(5)計(jì)算來產(chǎn)生推薦。

    (5)

    其中NESI表示鄰居集。

    算出預(yù)測評分后,再把評分值進(jìn)行排序,然后再根據(jù)TOP-N算法做出推薦[13]。

    3 雙維度云模型協(xié)同過濾推薦算法

    本文主要選取了基于項(xiàng)目云模型相似度和基于用戶云模型相似度來綜合得出最終預(yù)測評分,下面給出具體推薦示意圖,如圖1所示。

    圖1 推薦示意圖

    3.1 相關(guān)算法的實(shí)現(xiàn)

    算法1 基于項(xiàng)目云模型相似度計(jì)算

    輸入:項(xiàng)目集合I、用戶集合U、評分矩陣RU×I

    輸出:項(xiàng)目間的相似度矩陣SIMI×I

    第1步:遍歷項(xiàng)目集合I對矩陣RU×I中未評分的項(xiàng)目添加為0分;

    第2步:統(tǒng)計(jì)項(xiàng)目的評分頻度向量Iu=(i1,i2,i3,i4,i5),再通過逆向云算法計(jì)算特征向量;

    第3步:參照公式(4)計(jì)算兩項(xiàng)目間相似度sim(ix,iy)。

    算法2 基于用戶云模型相似度計(jì)算

    輸入:項(xiàng)目集合I、用戶集合U、評分矩陣RU×I

    輸出:用戶間的相似度矩陣SIMU×U

    第1步:遍歷用戶集合U對矩陣RU×I中未評分的項(xiàng)目添加為0分;

    第2步:統(tǒng)計(jì)用戶評分頻度向量Ui=(u1,u2,u3,u4,u5),再通過逆向云算法計(jì)算特征向量;

    第3步:根據(jù)公示(4)計(jì)算用戶ux與uy的相似度sim(ux,uy)。

    3.2 推薦過程的MapReduce處理流程

    (1)相似度計(jì)算的MapReduce

    Map階段:接收評分矩陣后,對每個(gè)評分?jǐn)?shù)據(jù)進(jìn)行提取,①基于項(xiàng)目這一維度以項(xiàng)目對(ix,iy)作為key值,項(xiàng)目對應(yīng)的評分對(Sx,Sy)作為value值輸出。②基于用戶這一維度以用戶對(ux,uy)作為key值,用戶對應(yīng)的評分對(Sx,Sy)作為value值輸出

    Reduce階段:接收Map階段的數(shù)據(jù),① 基于項(xiàng)目這一維度根據(jù)算法1計(jì)算項(xiàng)目間的相似度;②基于用戶這一維度根據(jù)算法2計(jì)算用戶間的相似度;③將結(jié)果保存輸出。

    (2)預(yù)測評分的MapReduce

    Map階段:根據(jù)相似度的值,①基于項(xiàng)目這一維度得出每個(gè)項(xiàng)目相似度最高的N個(gè)項(xiàng)目定義為鄰居,以項(xiàng)目為key值,項(xiàng)目鄰居為value值輸出。②基于用戶這一維度得出每個(gè)用戶相似度最高的N個(gè)項(xiàng)目定義為鄰居,以用戶為key值,用戶鄰居為value值輸出。

    Reduce階段:接收Map階段的數(shù)據(jù),根據(jù)算法2計(jì)算出兩個(gè)維度目標(biāo)用戶對未評分項(xiàng)目的預(yù)測評分。

    3.3 綜合預(yù)測評分

    接收以上得出的兩個(gè)預(yù)測評分,動(dòng)態(tài)確定兩個(gè)評分的權(quán)值分配,此處引入近鄰群和信任子群:

    S(Ua)={Ux|Sim′(Ua,Ux)>μ,a≠x}

    (6)

    S(Ij)={Ix|Sim′(Ij,Iy)>ν,j≠y}

    (7)

    近鄰群大小|S(Ua)|=m;|S(Ij)|=n。

    S′(Ua)={Ux|Sim′(Ua,Ux)>μ&|IUa∩IUx|>ε,a≠x}

    (8)

    S′(Ij)={Iy|Sim′(Ij,Iy)>ν&|UIj∩UIy|>δ,j≠y}

    (9)

    信任子群大小|S′(Ua)|=m′;|S′(Ij)|=n′;其中μ,v,ε,δ為閾值。

    如果(m′+n′)>0,則

    如果(m+n)>0,則

    其他,a=1-a=0.5

    其中φ為調(diào)和參數(shù)。

    根據(jù)公式(10)計(jì)算目標(biāo)用戶對未評分項(xiàng)目的綜合預(yù)測評分,然后通過對評分排列,將最終的結(jié)果推薦給目標(biāo)用戶。

    Pay=(1-a)*P1ay+a*P2ay

    (10)

    式中,a為評分的權(quán)值;P1ay為基于項(xiàng)目相似度的目標(biāo)用戶對未評分項(xiàng)目的預(yù)測評分;P2ay為基于云模型用戶相似度的目標(biāo)用戶對未評分項(xiàng)目的預(yù)測評分。

    4 實(shí)驗(yàn)及分析

    4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)度量標(biāo)準(zhǔn)

    用7臺普通的PC搭建Hadoop組成集群,命名為master、slave1~slave6。以Grouplens網(wǎng)站下載的數(shù)據(jù)MovieLens 100 K、MovieLens 1 M、MovieLens 10 M為例,如表2所示。

    表2 數(shù)據(jù)集描述

    對數(shù)據(jù)MovieLens 100 K的評分矩陣進(jìn)行隨機(jī)劃分,訓(xùn)練集與測試集比例為4∶1。進(jìn)行5次隨機(jī)劃分,得到5組數(shù)據(jù)dataset1~dataset5。采用平均絕對偏差(MAE)作為推薦的度量標(biāo)準(zhǔn)[14],MAE的大小與推薦質(zhì)量成反比關(guān)系。假設(shè)預(yù)測的評分集為{P1,P2…Pn},對應(yīng)的實(shí)際評分集{r1,r2…rn}。

    (11)

    采用加速比表示處理海量數(shù)據(jù)時(shí)集群節(jié)點(diǎn)數(shù)對性能方面的影響。加速比定義:K=T1/Tn。

    T1表示單節(jié)點(diǎn)運(yùn)行耗費(fèi)的時(shí)長,Tn表示n個(gè)節(jié)點(diǎn)運(yùn)行耗費(fèi)的時(shí)長。

    4.2 集群與單機(jī)實(shí)驗(yàn)及對比

    將節(jié)點(diǎn)數(shù)量分別啟動(dòng)1~7臺TaskTracker節(jié)點(diǎn),構(gòu)成不同規(guī)模的分布式集群,測試該算法在Hadoop平臺下時(shí)效性方面是否顯著提升。實(shí)驗(yàn)主要分析兩個(gè)方面:(1)算法在海量數(shù)據(jù)時(shí)集群的節(jié)點(diǎn)數(shù)對性能的影響;(2)同一數(shù)據(jù)集下,算法在單機(jī)環(huán)境與集群環(huán)境的時(shí)效對比。加速比實(shí)驗(yàn)圖如圖2所示。

    圖2 加速比實(shí)驗(yàn)圖

    從圖2可看出,當(dāng)集群節(jié)點(diǎn)數(shù)從1加到5時(shí),加速比幾乎呈線性增長,節(jié)點(diǎn)5以后增速下降。說明節(jié)點(diǎn)增加確實(shí)能提高推薦算法效率,但是理論上增加一個(gè)節(jié)點(diǎn)提升1倍效率,在實(shí)際上很難達(dá)到。

    單機(jī)與Hadoop集群性能對比如表3所示。從表3可看出:(1)數(shù)據(jù)集的遞增,單機(jī)環(huán)境下CPU和內(nèi)存消耗迅速,無法滿足計(jì)算所需資源導(dǎo)致性能降低;(2)數(shù)據(jù)集較小時(shí),單機(jī)用時(shí)比集群少,效率比集群高,主要由于Hadoop集群創(chuàng)建、啟動(dòng)作業(yè)都要耗時(shí),各節(jié)點(diǎn)通信也需要耗時(shí),實(shí)際計(jì)算用時(shí)占比很?。?3)隨數(shù)據(jù)集增大,集群在時(shí)效方面比單機(jī)有明顯提升,運(yùn)行速度明顯加快,并且數(shù)據(jù)集太大單機(jī)會(huì)出現(xiàn)溢出現(xiàn)象,集群仍然能高效的計(jì)算。

    表3 單機(jī)與Hadoop集群性能對比

    4.3 與其他推薦算法的對比實(shí)驗(yàn)

    下面主要對基于雙維度云模型的協(xié)同過濾推薦算法(DCCF)、基于用戶的協(xié)同過濾推薦算法(UBCF)、基于項(xiàng)目的協(xié)同過濾推薦算法(IBCF)和不確定近鄰的協(xié)調(diào)過濾推薦算法(UNCF)[10]四種算法進(jìn)行實(shí)驗(yàn)比較,得到各個(gè)階段的數(shù)據(jù)。選取數(shù)據(jù)MovieLens 100 K的評分矩陣,分別用100、500、900個(gè)用戶進(jìn)行實(shí)驗(yàn)。

    圖3、圖4和圖5為不同用戶數(shù)時(shí)的MAE值,對比可見,DCCF算法取得了最低的MAE值,明顯提高了推薦準(zhǔn)確度,通過云模型數(shù)據(jù)稀疏問題也得到了合理解決。且用戶數(shù)越多,該方法的優(yōu)勢越明顯,推薦質(zhì)量越高;同時(shí)鄰居集越大,從而使推薦質(zhì)量增加。

    圖3 各種協(xié)同過濾推薦算法與DCCF算法的比較(100個(gè)用戶)

    圖4 各種協(xié)同過濾推薦算法與DCCF算法的比較(400個(gè)用戶)

    圖5 各種協(xié)同過濾推薦算法與DCCF算法的比較(900個(gè)用戶)

    5 結(jié)論

    針對越來越龐大的網(wǎng)絡(luò)資源和以往推薦算法存在的不足,本文提出了一種基于雙維度云模型的協(xié)同過濾推薦算法(DCCF)。該算法充分利用了Hadoop集群的優(yōu)勢,有效結(jié)合了云模型,并且通過動(dòng)態(tài)確定權(quán)重,使得目標(biāo)用戶對目標(biāo)項(xiàng)目的預(yù)測評分更加精確。實(shí)驗(yàn)數(shù)據(jù)表明,該算法能適應(yīng)大數(shù)據(jù)環(huán)境,并由于利用了云模型和兩個(gè)維度數(shù)據(jù),數(shù)據(jù)稀疏性問題得到了合理的解決,推薦質(zhì)量也上升了一個(gè)檔次。而隨著時(shí)間的變化,人們的興趣也會(huì)發(fā)生改變,如何來衡量變化對推薦質(zhì)量的影響,是下階段的研究重點(diǎn)。

    [1] BOBADILLA J,ORTEGA F, HERNANDO A,et al. A collaborative filtering approach to mitigate the new user cold start problem[J]. Knowledge-Based Systems,2012,26:225-238.

    [2] 張光衛(wèi),李德毅,李鵬,等.基于云模型的協(xié)同過濾推薦算法[J]. 軟件學(xué)報(bào),2007,18(10):2403-2411.

    [3] BA Q,LI X,BAI Z. Clustering collaborative filtering recommendation system based on SVD algorithm[C]// IEEE International Conference on Software Engineering and Service Science. IEEE,2013:963-967.

    [4] HEMANDO A, BOBADILLA J, ORTEGA F.A non negative matrix factorization for collaborative filtering recommender systems based on a Bayesian probabilistic model[J]. Knowledge-Based Systems, 2016, 97(C): 188-202.

    [5] ZHANG J,LIN Y,LIN M,et al. An effective collaborative filtering algorithm based on user preference clustering[J]. Applied Intelligence,2016,45(2):230-240.

    [6] 范波,程久軍. 用戶間多相似度協(xié)調(diào)過濾推薦算法[J]. 計(jì)算機(jī)科學(xué),2012,39(1):23-26.

    [7] 榮輝桂,火生旭,胡春華,等. 基于用戶相似度的協(xié)同過濾推薦算法[J]. 通信學(xué)報(bào),2014,35(2):16-24.

    [8] Li Chenyang, He Kejing. CBMR: an optimized MapReduce for item-based collaborative filtering recommendation algorithm with empirical analysis[J]. Concurrency and Computation: Practice and Experience,2017.

    [9] 黃創(chuàng)光,印鑒,汪靜, 等.不確定近鄰的協(xié)調(diào)過濾推薦算法[J].計(jì)算機(jī)學(xué)報(bào),2010,33(8):1369-1377.

    [10] YAZDANFAR N, THOMO A. Link Recommender: collaborative-filtering for recommending URLs to twitter users[J].Procedia Computer Science,2013,19:412-419.

    [11] PARK Y, PARK S,JUNG W, et al. Reversed CF: a fast collaborative filtering algorithm using a k -nearest neighbor graph[J]. Expert Systems with Applications,2015,42(8):4022-4028.

    [12] 文俊浩,舒珊. 一種改進(jìn)相似性度量的協(xié)同過濾推薦算法[J]. 計(jì)算機(jī)科學(xué),2014, 41(5):68-71.

    [13] KUMAR N P,FAN Z.Hybrid user-Item based collaborative filtering[J].Procedia Computer Science,2015, 60(1):1453-1461.

    [14] DAS J, AMAN A K, GUPTA P, et al. Scalable hierarchical collaborative filtering using BSP trees[C]// International Conference on Computational Advancement in Communication Circuits and Systems, 2015:269-278.

    猜你喜歡
    相似性集群維度
    一類上三角算子矩陣的相似性與酉相似性
    淺析當(dāng)代中西方繪畫的相似性
    淺論詩中“史”識的四個(gè)維度
    中華詩詞(2019年7期)2019-11-25 01:43:00
    海上小型無人機(jī)集群的反制裝備需求與應(yīng)對之策研究
    一種無人機(jī)集群發(fā)射回收裝置的控制系統(tǒng)設(shè)計(jì)
    電子制作(2018年11期)2018-08-04 03:25:40
    Python與Spark集群在收費(fèi)數(shù)據(jù)分析中的應(yīng)用
    勤快又呆萌的集群機(jī)器人
    低滲透黏土中氯離子彌散作用離心模擬相似性
    光的維度
    燈與照明(2016年4期)2016-06-05 09:01:45
    “五個(gè)維度”解有機(jī)化學(xué)推斷題
    国产无遮挡羞羞视频在线观看| 国产精品久久久久成人av| 一区福利在线观看| 国产精品亚洲av一区麻豆 | 亚洲欧美一区二区三区黑人| h视频一区二区三区| 国产片特级美女逼逼视频| 免费久久久久久久精品成人欧美视频| 亚洲欧美精品自产自拍| 日韩精品免费视频一区二区三区| 免费在线观看视频国产中文字幕亚洲 | 国产精品欧美亚洲77777| 亚洲欧美一区二区三区黑人| 国产淫语在线视频| 欧美精品亚洲一区二区| 国产一区亚洲一区在线观看| a级毛片在线看网站| 秋霞伦理黄片| 日本欧美国产在线视频| 亚洲美女视频黄频| 大香蕉久久网| 久久精品久久久久久久性| 国产精品一区二区精品视频观看| 亚洲成人手机| 在线看a的网站| 精品人妻一区二区三区麻豆| 中文字幕精品免费在线观看视频| 成年女人毛片免费观看观看9 | 热re99久久精品国产66热6| 成年女人毛片免费观看观看9 | 另类亚洲欧美激情| 亚洲五月色婷婷综合| 国产亚洲最大av| 一区在线观看完整版| 亚洲,欧美精品.| 亚洲熟女毛片儿| 人人妻人人添人人爽欧美一区卜| 操出白浆在线播放| 日韩熟女老妇一区二区性免费视频| 啦啦啦啦在线视频资源| 久久久久久久久免费视频了| 日韩大片免费观看网站| 最近最新中文字幕大全免费视频 | 欧美成人精品欧美一级黄| 色视频在线一区二区三区| 日韩一卡2卡3卡4卡2021年| 大话2 男鬼变身卡| 亚洲国产精品999| 亚洲国产精品一区三区| 国产精品一区二区在线不卡| 啦啦啦视频在线资源免费观看| 精品卡一卡二卡四卡免费| 国产精品熟女久久久久浪| 99久国产av精品国产电影| 黄色视频在线播放观看不卡| 性色av一级| 亚洲成人免费av在线播放| 久久精品aⅴ一区二区三区四区| 男人舔女人的私密视频| 国产爽快片一区二区三区| 丁香六月天网| 日日啪夜夜爽| 丝袜在线中文字幕| 久久久久久久国产电影| 下体分泌物呈黄色| 欧美成人精品欧美一级黄| 黄网站色视频无遮挡免费观看| 亚洲欧美日韩另类电影网站| 国产精品免费视频内射| 热99国产精品久久久久久7| 婷婷色综合www| 青春草亚洲视频在线观看| 成人亚洲欧美一区二区av| 中文字幕av电影在线播放| 满18在线观看网站| 在线看a的网站| 久久久久精品人妻al黑| 久久精品人人爽人人爽视色| 国产精品.久久久| 精品少妇黑人巨大在线播放| 亚洲av在线观看美女高潮| 国产色婷婷99| 久久国产亚洲av麻豆专区| 男的添女的下面高潮视频| 国产成人一区二区在线| 精品国产一区二区三区四区第35| 亚洲精品第二区| 国产精品 欧美亚洲| 欧美日韩一级在线毛片| 天堂中文最新版在线下载| 18禁国产床啪视频网站| 亚洲精品一区蜜桃| 五月天丁香电影| 天美传媒精品一区二区| 国产一区亚洲一区在线观看| 如日韩欧美国产精品一区二区三区| 精品国产露脸久久av麻豆| 亚洲欧美成人精品一区二区| 亚洲少妇的诱惑av| 在线观看一区二区三区激情| 亚洲国产成人一精品久久久| 99久国产av精品国产电影| 99久国产av精品国产电影| 国产精品一国产av| av.在线天堂| av有码第一页| 80岁老熟妇乱子伦牲交| 亚洲美女搞黄在线观看| 麻豆乱淫一区二区| 日韩免费高清中文字幕av| 久久精品久久精品一区二区三区| 各种免费的搞黄视频| 亚洲一区二区三区欧美精品| 久久女婷五月综合色啪小说| 久久天堂一区二区三区四区| 久久精品国产a三级三级三级| 最近2019中文字幕mv第一页| av在线播放精品| 自拍欧美九色日韩亚洲蝌蚪91| 91国产中文字幕| 天天操日日干夜夜撸| 亚洲成色77777| 久久久国产精品麻豆| 亚洲成av片中文字幕在线观看| 午夜福利一区二区在线看| 男女午夜视频在线观看| 欧美成人精品欧美一级黄| 超碰成人久久| 久久99热这里只频精品6学生| 久久久精品94久久精品| 少妇人妻久久综合中文| 又大又爽又粗| 久久99一区二区三区| 伊人亚洲综合成人网| 国产一区二区激情短视频 | h视频一区二区三区| 亚洲精品一区蜜桃| 久久人人爽人人片av| 午夜日韩欧美国产| 欧美久久黑人一区二区| av又黄又爽大尺度在线免费看| 成人黄色视频免费在线看| 天堂中文最新版在线下载| 国产在线免费精品| 黄片小视频在线播放| 91成人精品电影| 亚洲精品久久午夜乱码| 最近2019中文字幕mv第一页| 老司机亚洲免费影院| 中文字幕精品免费在线观看视频| 在线观看免费日韩欧美大片| 精品酒店卫生间| 巨乳人妻的诱惑在线观看| 老熟女久久久| 免费看av在线观看网站| 9热在线视频观看99| www日本在线高清视频| 婷婷色综合www| 国产成人a∨麻豆精品| 成人18禁高潮啪啪吃奶动态图| 国产男女内射视频| 国产成人欧美在线观看 | 精品少妇内射三级| av天堂久久9| √禁漫天堂资源中文www| 国产一区亚洲一区在线观看| 色婷婷av一区二区三区视频| 婷婷色麻豆天堂久久| 亚洲国产欧美一区二区综合| 国产精品av久久久久免费| 99国产精品免费福利视频| 国产不卡av网站在线观看| 精品一品国产午夜福利视频| 蜜桃在线观看..| 80岁老熟妇乱子伦牲交| 欧美变态另类bdsm刘玥| 久久狼人影院| 精品一区二区三卡| avwww免费| 日韩欧美一区视频在线观看| 午夜福利乱码中文字幕| 久久亚洲国产成人精品v| 黄色一级大片看看| 久久久精品免费免费高清| 欧美精品高潮呻吟av久久| 十八禁高潮呻吟视频| 天天影视国产精品| 成年动漫av网址| 久久久国产欧美日韩av| 极品少妇高潮喷水抽搐| 十八禁高潮呻吟视频| 极品少妇高潮喷水抽搐| 精品亚洲乱码少妇综合久久| 老熟女久久久| 亚洲av在线观看美女高潮| 中文字幕制服av| 黄色 视频免费看| 国产成人欧美| 韩国高清视频一区二区三区| 丰满饥渴人妻一区二区三| 国产精品免费视频内射| 欧美日韩av久久| 日本爱情动作片www.在线观看| 在线观看三级黄色| 一级片'在线观看视频| av网站在线播放免费| 久久久精品94久久精品| 丰满乱子伦码专区| 黑人欧美特级aaaaaa片| 久久综合国产亚洲精品| 国产日韩一区二区三区精品不卡| 国产精品一区二区在线不卡| 中国国产av一级| 中国国产av一级| 青青草视频在线视频观看| 最近中文字幕高清免费大全6| 日日摸夜夜添夜夜爱| 国产视频首页在线观看| 欧美少妇被猛烈插入视频| 午夜激情久久久久久久| 亚洲综合色网址| 亚洲国产欧美日韩在线播放| 一级a爱视频在线免费观看| a 毛片基地| 精品国产超薄肉色丝袜足j| 亚洲精品国产av蜜桃| 极品少妇高潮喷水抽搐| 国产日韩欧美在线精品| 国产午夜精品一二区理论片| a级片在线免费高清观看视频| 久久亚洲国产成人精品v| 免费观看人在逋| 美女大奶头黄色视频| 婷婷色麻豆天堂久久| 日本色播在线视频| 国产成人免费观看mmmm| 精品久久蜜臀av无| 国产片内射在线| 色视频在线一区二区三区| 丝袜美足系列| 99久久99久久久精品蜜桃| 国产男女内射视频| 久久精品熟女亚洲av麻豆精品| 午夜精品国产一区二区电影| 国产在线一区二区三区精| 日韩电影二区| 人妻一区二区av| 色94色欧美一区二区| 亚洲精品aⅴ在线观看| 欧美日韩视频精品一区| 亚洲伊人久久精品综合| 夫妻午夜视频| 丁香六月欧美| 欧美日韩精品网址| 精品国产超薄肉色丝袜足j| 嫩草影视91久久| 一区福利在线观看| 男女床上黄色一级片免费看| 夫妻性生交免费视频一级片| 母亲3免费完整高清在线观看| 久久性视频一级片| 精品久久蜜臀av无| 青春草亚洲视频在线观看| 久久国产亚洲av麻豆专区| 亚洲四区av| 蜜桃国产av成人99| 国产色婷婷99| 欧美日本中文国产一区发布| 天堂中文最新版在线下载| 成人黄色视频免费在线看| 一本—道久久a久久精品蜜桃钙片| 丰满迷人的少妇在线观看| 婷婷色综合www| 亚洲精品中文字幕在线视频| 日本欧美视频一区| 国产在线视频一区二区| 欧美精品人与动牲交sv欧美| 久久久久精品久久久久真实原创| 亚洲综合色网址| 热re99久久国产66热| 国产亚洲av高清不卡| 十八禁高潮呻吟视频| av.在线天堂| 两性夫妻黄色片| 亚洲国产欧美在线一区| 日韩成人av中文字幕在线观看| 夜夜骑夜夜射夜夜干| 国产精品久久久久久精品古装| 天天影视国产精品| videosex国产| 久久精品亚洲av国产电影网| 中文精品一卡2卡3卡4更新| 高清不卡的av网站| 最近2019中文字幕mv第一页| 91成人精品电影| 黄片小视频在线播放| 久久久久精品人妻al黑| 久久免费观看电影| av片东京热男人的天堂| 精品一区二区三区av网在线观看 | 亚洲天堂av无毛| 亚洲综合色网址| 中文字幕高清在线视频| 一边摸一边做爽爽视频免费| 伊人久久国产一区二区| 亚洲欧美成人精品一区二区| 美女脱内裤让男人舔精品视频| 国产极品天堂在线| 国产精品亚洲av一区麻豆 | 日韩电影二区| 久久久国产精品麻豆| 欧美亚洲 丝袜 人妻 在线| 成人三级做爰电影| 亚洲国产最新在线播放| 日韩中文字幕欧美一区二区 | 婷婷成人精品国产| 在线观看一区二区三区激情| a级片在线免费高清观看视频| 欧美日韩一区二区视频在线观看视频在线| 亚洲精品,欧美精品| 亚洲国产欧美在线一区| 精品国产国语对白av| 亚洲国产欧美日韩在线播放| 考比视频在线观看| 七月丁香在线播放| 天美传媒精品一区二区| 最近手机中文字幕大全| 欧美国产精品va在线观看不卡| 女的被弄到高潮叫床怎么办| 啦啦啦 在线观看视频| 亚洲人成电影观看| 日韩中文字幕视频在线看片| 国产成人a∨麻豆精品| 秋霞在线观看毛片| 十八禁高潮呻吟视频| 国产在线免费精品| 成人手机av| 一边亲一边摸免费视频| 亚洲欧美清纯卡通| 亚洲专区中文字幕在线 | 亚洲成国产人片在线观看| 少妇猛男粗大的猛烈进出视频| a级毛片黄视频| 免费黄频网站在线观看国产| 看十八女毛片水多多多| 波多野结衣一区麻豆| 中文字幕最新亚洲高清| av女优亚洲男人天堂| 日韩制服丝袜自拍偷拍| 国产成人午夜福利电影在线观看| 亚洲欧美一区二区三区黑人| 日韩不卡一区二区三区视频在线| 观看美女的网站| 亚洲欧美一区二区三区国产| 建设人人有责人人尽责人人享有的| 女的被弄到高潮叫床怎么办| 一个人免费看片子| 日本欧美视频一区| 亚洲成人av在线免费| 日本一区二区免费在线视频| 久久久久久久精品精品| 久久久久精品性色| 亚洲少妇的诱惑av| 性高湖久久久久久久久免费观看| 波多野结衣一区麻豆| 最近中文字幕高清免费大全6| 国产成人欧美| 十八禁网站网址无遮挡| 91国产中文字幕| 免费av中文字幕在线| a级毛片黄视频| 自线自在国产av| 大话2 男鬼变身卡| 欧美国产精品一级二级三级| 曰老女人黄片| av国产精品久久久久影院| 激情视频va一区二区三区| 免费观看人在逋| 国产一区二区 视频在线| 欧美成人精品欧美一级黄| 1024视频免费在线观看| 国产精品熟女久久久久浪| 日韩,欧美,国产一区二区三区| 一区在线观看完整版| 女性被躁到高潮视频| 性高湖久久久久久久久免费观看| 亚洲av电影在线观看一区二区三区| 精品亚洲成a人片在线观看| 欧美日韩视频精品一区| 亚洲欧美精品综合一区二区三区| 亚洲成人av在线免费| 黑人欧美特级aaaaaa片| 日韩精品免费视频一区二区三区| 国产成人91sexporn| 亚洲精品中文字幕在线视频| 制服丝袜香蕉在线| 精品第一国产精品| 久久久久久人妻| 在线看a的网站| 国产日韩一区二区三区精品不卡| 热re99久久精品国产66热6| 亚洲av日韩在线播放| 亚洲精品国产色婷婷电影| 国产精品蜜桃在线观看| 欧美日韩一区二区视频在线观看视频在线| 亚洲情色 制服丝袜| 在线观看一区二区三区激情| 日本午夜av视频| 天天躁日日躁夜夜躁夜夜| 熟女av电影| 亚洲国产av影院在线观看| 亚洲国产欧美一区二区综合| 爱豆传媒免费全集在线观看| av不卡在线播放| 国产日韩欧美视频二区| 亚洲久久久国产精品| 欧美日韩视频精品一区| 国产成人免费无遮挡视频| 丝袜在线中文字幕| 黄色一级大片看看| 女人精品久久久久毛片| 亚洲欧美中文字幕日韩二区| 在线精品无人区一区二区三| 亚洲欧洲日产国产| 精品亚洲成国产av| 在线观看免费日韩欧美大片| 日本爱情动作片www.在线观看| 亚洲精品日本国产第一区| 亚洲图色成人| 亚洲,欧美,日韩| 亚洲欧美成人综合另类久久久| 毛片一级片免费看久久久久| 久久久国产欧美日韩av| 男女免费视频国产| 亚洲欧洲精品一区二区精品久久久 | 亚洲人成77777在线视频| 中文字幕色久视频| 久热爱精品视频在线9| 成年人免费黄色播放视频| 99香蕉大伊视频| 热re99久久国产66热| 久久久国产欧美日韩av| 男女免费视频国产| 久久热在线av| 国产成人欧美| 国产有黄有色有爽视频| 各种免费的搞黄视频| 丝袜脚勾引网站| 国产成人一区二区在线| 精品一区二区免费观看| 在线 av 中文字幕| 天天影视国产精品| 亚洲精品,欧美精品| www.熟女人妻精品国产| 日韩一区二区三区影片| 久久久国产欧美日韩av| 男女无遮挡免费网站观看| 亚洲精品日韩在线中文字幕| 国产福利在线免费观看视频| 亚洲av国产av综合av卡| 国产精品偷伦视频观看了| 免费高清在线观看日韩| 1024视频免费在线观看| 卡戴珊不雅视频在线播放| 欧美精品高潮呻吟av久久| 日韩大码丰满熟妇| 亚洲国产欧美网| 精品一品国产午夜福利视频| 免费观看a级毛片全部| av电影中文网址| 1024香蕉在线观看| 最黄视频免费看| www日本在线高清视频| 国产在线视频一区二区| 成人国语在线视频| 国产精品国产三级国产专区5o| 精品国产一区二区三区久久久樱花| av一本久久久久| 久久精品国产a三级三级三级| 久久久久久久久久久久大奶| 久久精品久久精品一区二区三区| 天天影视国产精品| 国产精品一国产av| 欧美 亚洲 国产 日韩一| 深夜精品福利| 亚洲av福利一区| 国产一级毛片在线| 国产福利在线免费观看视频| 精品第一国产精品| 久久久国产欧美日韩av| 91aial.com中文字幕在线观看| 99久国产av精品国产电影| 亚洲国产精品999| 日日撸夜夜添| 免费黄色在线免费观看| 亚洲成色77777| 欧美国产精品一级二级三级| 自线自在国产av| 亚洲激情五月婷婷啪啪| 王馨瑶露胸无遮挡在线观看| 国产av一区二区精品久久| 久久久久精品久久久久真实原创| 国产 精品1| 免费在线观看完整版高清| 成人国产av品久久久| 欧美人与性动交α欧美精品济南到| 国产精品久久久久成人av| 中文字幕人妻丝袜一区二区 | 亚洲精品在线美女| 免费女性裸体啪啪无遮挡网站| 精品第一国产精品| 在线观看人妻少妇| 免费观看a级毛片全部| 美国免费a级毛片| 欧美黑人欧美精品刺激| 2018国产大陆天天弄谢| 纯流量卡能插随身wifi吗| 日韩人妻精品一区2区三区| 男男h啪啪无遮挡| av视频免费观看在线观看| 日日撸夜夜添| 如何舔出高潮| 亚洲第一区二区三区不卡| 久久精品久久精品一区二区三区| 精品视频人人做人人爽| 99热网站在线观看| 熟妇人妻不卡中文字幕| 欧美日韩视频精品一区| 色婷婷久久久亚洲欧美| 国产熟女欧美一区二区| 精品久久久精品久久久| 亚洲成人av在线免费| 黄色毛片三级朝国网站| 欧美人与善性xxx| 人人妻人人添人人爽欧美一区卜| 免费在线观看完整版高清| 中文精品一卡2卡3卡4更新| 国产爽快片一区二区三区| 日韩av不卡免费在线播放| 午夜福利影视在线免费观看| 久久鲁丝午夜福利片| 丰满乱子伦码专区| 国产精品麻豆人妻色哟哟久久| 欧美人与性动交α欧美精品济南到| a 毛片基地| 欧美日韩亚洲综合一区二区三区_| 欧美日韩视频高清一区二区三区二| 午夜福利乱码中文字幕| 99久久精品国产亚洲精品| 韩国av在线不卡| 天天操日日干夜夜撸| 最近手机中文字幕大全| 成人亚洲精品一区在线观看| 久久精品久久精品一区二区三区| 免费看不卡的av| www.精华液| 国产成人系列免费观看| 桃花免费在线播放| 男人舔女人的私密视频| 亚洲天堂av无毛| 亚洲精品在线美女| 亚洲精品视频女| 男人爽女人下面视频在线观看| 国产av码专区亚洲av| 精品卡一卡二卡四卡免费| 黄色一级大片看看| 久久久久久久精品精品| 亚洲精华国产精华液的使用体验| svipshipincom国产片| 一区福利在线观看| 中文精品一卡2卡3卡4更新| 亚洲国产毛片av蜜桃av| 免费不卡黄色视频| 伊人久久大香线蕉亚洲五| 一区在线观看完整版| 亚洲熟女毛片儿| 午夜日本视频在线| 亚洲欧美一区二区三区国产| 欧美在线一区亚洲| 亚洲欧美清纯卡通| 精品国产一区二区三区久久久樱花| av卡一久久| 亚洲人成77777在线视频| 午夜福利视频精品| 国产精品二区激情视频| 中文字幕最新亚洲高清| 国产av一区二区精品久久| 国产精品三级大全| 欧美黑人精品巨大| 日本猛色少妇xxxxx猛交久久| 一级爰片在线观看| 亚洲一级一片aⅴ在线观看| 涩涩av久久男人的天堂| 桃花免费在线播放| tube8黄色片| 18禁裸乳无遮挡动漫免费视频| 久久久国产欧美日韩av| 亚洲免费av在线视频| 国产亚洲av片在线观看秒播厂| 国产成人欧美在线观看 | 精品人妻一区二区三区麻豆| 爱豆传媒免费全集在线观看| 欧美97在线视频| 国产日韩一区二区三区精品不卡| 亚洲,欧美,日韩| 大片免费播放器 马上看| 免费女性裸体啪啪无遮挡网站| 免费日韩欧美在线观看| 亚洲欧美精品自产自拍| av不卡在线播放| 满18在线观看网站| 丝袜脚勾引网站| 国产精品 国内视频| 久久人人爽人人片av| 香蕉国产在线看|