• <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 ?

    基于循環(huán)和卷積神經(jīng)網(wǎng)絡(luò)的文本分類研究

    2018-02-05 09:16:42劉騰飛于雙元張洪濤尹鴻峰
    軟件 2018年1期
    關(guān)鍵詞:卷積向量神經(jīng)網(wǎng)絡(luò)

    劉騰飛,于雙元,張洪濤,尹鴻峰

    (1. 北京交通大學(xué) 計算機(jī)與信息技術(shù)學(xué)院,北京 100044;2. 北京交通大學(xué)海濱學(xué)院 計算機(jī)科學(xué)系,河北 黃驊 061199)

    0 引言

    文本分類問題是自然語言處理領(lǐng)域中的一個經(jīng)典問題,目的是標(biāo)記出文本所屬的類別。文本分類具有廣泛的應(yīng)用,如主題標(biāo)記[1]、情感分類[2,3]等。然而,好的文本表示方法對文本分類等自然語言處理任務(wù)的性能起著決定性作用。傳統(tǒng)的文本表示采用詞袋模型(BOW, Bag of Word)或向量空間模型(VSM, Vector Space Model)。詞袋模型不僅失去了文本的上下文信息,還面臨著高緯度、高稀疏性的問題;向量空間模型是在詞袋模型的基礎(chǔ)上,通過特征項提取(如采用文檔頻率、互信息等作為評價標(biāo)準(zhǔn))進(jìn)行降低維度,通過特征權(quán)重計算(如TF-IDF)來增加稠密性。

    近來,基于神經(jīng)網(wǎng)絡(luò)模型的分布表示越來越受歡迎[4,5]。基于神經(jīng)網(wǎng)絡(luò)模型的分布表示稱為詞向量、詞嵌入或分布表示。神經(jīng)網(wǎng)絡(luò)詞向量表示技術(shù)通過神經(jīng)網(wǎng)絡(luò)技術(shù)對上下文,以及上下文與目標(biāo)詞之間的關(guān)系進(jìn)行建模[6],這種方法可以將文本映射到低維向量空間中,解決了詞袋模型的高緯度、高稀疏性,避免了維數(shù)災(zāi)難,同時還保留了詞語之間的相關(guān)性。用詞向量作為輸入,再用循環(huán)網(wǎng)路[6]或卷積網(wǎng)絡(luò)[7]對文本進(jìn)行分類,有很大的性能提升。

    本文描述了一個結(jié)合了循環(huán)網(wǎng)絡(luò)和卷積網(wǎng)絡(luò)的文本表示和分類網(wǎng)絡(luò)模型。在該模型中,我們同樣使用詞向量作為輸入,用循環(huán)網(wǎng)絡(luò)對文檔進(jìn)行進(jìn)一步的表示,然后采用卷積網(wǎng)絡(luò)對文檔進(jìn)行有效的特征提取,再采用 maxSoft 回歸進(jìn)行分類。循環(huán)網(wǎng)絡(luò)能夠捕捉到文檔中詞序信息,而卷積網(wǎng)絡(luò)能夠很好的提取出有用的特征。我們在六個文本分類任務(wù)中測試本文所描述的網(wǎng)絡(luò)模型,都取得了比先前的方法更出色的性能。

    1 相關(guān)工作

    近年來,隨著硬件性能的提升,深度學(xué)習(xí)在計算機(jī)視覺、自然語言處理等領(lǐng)域中的應(yīng)用越來越廣泛。在自然語言處理領(lǐng)域中,用神經(jīng)網(wǎng)絡(luò)模型做詞嵌入,用循環(huán)網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)做文本分類任務(wù)等都有了很好的發(fā)展。

    1.1 詞向量

    Bengio 等人在[4]中詳細(xì)的介紹了一個用三層神經(jīng)網(wǎng)絡(luò)國建語言模型的方法。[8]提出層級的思想替換 Bengio 方法的隱藏層到輸出層矩陣乘法,在效果和 maxSoft 方法持平的情況下,使得計算量減小。[5]介紹了他們的詞向量計算方法,而他們在2011年發(fā)表在 JMLR上的論文[9]系統(tǒng)的介紹了他們工作。Huang 等在[10]中對[9]的模型進(jìn)行改進(jìn),使用全文信息輔助已有的局部信息,他的另一個創(chuàng)新點(diǎn)是使用多個詞向量來表示多義詞。Mikolov在2013年的[11]提出了 CBOW 和 Skip-gram兩種模型, 在[12]中提出用負(fù)采樣和分級 maxSoft 來提升模型的計算速度。Jeffrey等在 GloVe模型[13]提出用全局“詞-詞”共現(xiàn)矩陣分解得到詞向量的表示方法。

    1.2 循環(huán)網(wǎng)絡(luò)

    相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò),循環(huán)神經(jīng)網(wǎng)絡(luò)允許信息持久化,這使得循環(huán)網(wǎng)絡(luò)在語音識別,語言模型,機(jī)器翻譯等任務(wù)上取得了一定的成功。而循環(huán)網(wǎng)絡(luò)也有有不足:長期依賴問題、梯度消失或梯度爆炸問題。

    LSTM(Long-Short Term Memory)是由Hochreiter等人在1997提出[14],在很多領(lǐng)域都得到了廣泛的應(yīng)用。LSTM 通過刻意的設(shè)計來避免長期依賴問題。LSTM也有一些變體,如Cho等人提出的GRU[15],Yao等人提出的Depth Gated RNN[16]等。

    1.3 卷積網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)的概念最早來自科學(xué)家提出的感受野。20世紀(jì) 80年代科學(xué)家提出的神經(jīng)認(rèn)知機(jī)感念,算是卷積神經(jīng)網(wǎng)絡(luò)的最初的實現(xiàn)。卷積神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺領(lǐng)域的應(yīng)用取得了巨大的成功。2012年 AlexNet獲得了 ILSVRC(ImageNet Large Scale Visual Recognition Challenge)比賽分類項目的冠軍,使得深度學(xué)習(xí)成為了熱門的研究方向。而后的幾年里,VGGNet,GoogleNet,ResNet等卷積網(wǎng)絡(luò)在圖像處理任務(wù)中都取得了巨大的成功。

    1.4 文本分類

    統(tǒng)的文本分類主要工作有:特征表示、特征提取和分類器的選擇[6]。特征表示主要采用詞袋模型,特征提取采用文檔頻率、互信息等。分類器有Logistic回歸,樸素貝葉斯和支持向量機(jī)等。

    近年來,隨著深度學(xué)習(xí)在自然語言處理領(lǐng)域的應(yīng)用,基于深度學(xué)習(xí)的文本分類模型得到發(fā)展,Yook提出的基于卷積網(wǎng)絡(luò)的分類方法[7],Liu等的基于 RNN的文本分類方法[17],Yang等的基于 rnn和attention模型的分類方法[18]和Lai的基于rcnn的文本分類方法[6]等。這些方法在文本分類任務(wù)中都取得了很好的性能。

    2 模型

    本文描述了一個基于循環(huán)和卷積網(wǎng)絡(luò)的文本表示和分類模型,模型結(jié)構(gòu)如圖1所示,輸入Cn×k是n×k的矩陣,其中n是文本的最大長度,也是循環(huán)網(wǎng)絡(luò)的步長,k是詞向量的維度。在做下式(1)變換后,再使用Relu激活函數(shù)得到 h r1(式(2)),為了防止過擬合,在此之后加入dropout得到 h rd1(式(3))。最后,用 h rd1作為循環(huán)網(wǎng)絡(luò)的輸入。

    在式(1)中,inW 是輸入層到循環(huán)層輸入的轉(zhuǎn)換矩陣,維度為×ku,其中u是循環(huán)層的隱藏單元數(shù),inb 是偏置項。

    循環(huán)網(wǎng)絡(luò)做自然語言處理任務(wù),能夠提取到詞與詞之間的關(guān)系。在循環(huán)層,本文使用雙向循環(huán)網(wǎng)絡(luò),把前向循環(huán)輸出和后向循環(huán)的輸出級聯(lián)作為循環(huán)層的輸出。本文使用前向循環(huán)和后向循環(huán)的輸出級聯(lián)作為輸出,而在循環(huán)網(wǎng)絡(luò)內(nèi)部,試驗中分別使用的是RNN、LSTM和GRU和細(xì)胞單元。其中,前向循環(huán)輸出如式(4),后向循環(huán)輸出如式(5),循環(huán)層最終輸出如式(6)。

    在式(4)和式(5)中, Wf和 Wb分別對應(yīng)的是前向循環(huán)和后向循環(huán)的當(dāng)前輸入到輸出的轉(zhuǎn)移矩陣 Wfc和Wbc分別對應(yīng)的是前向循環(huán)和后向循環(huán)的上文或下文到當(dāng)前輸出的轉(zhuǎn)移矩陣,c(i- 1)和 c(i +1)分別對應(yīng)的是前向循環(huán)和后向循環(huán)的上文或下文信息。

    在循環(huán)層之后,使用卷積網(wǎng)絡(luò)提取特征,使用不同大小的卷積核,每種卷積核選擇100個,最后對每個卷積核卷積的結(jié)果再使用最大池化,得到的結(jié)果即視為卷積所得到的特征。對于每一個卷積核,每一步卷積操作如式(7),然后對該卷積核的每一步卷積結(jié)果做縱向級聯(lián),如式(8),再使用Relu激活函數(shù)得到 h r3。

    在式(7)中,cW 是對應(yīng)的卷積核。

    在卷積過后,使用最大池化層提取重要特征。池化層如式(10)。

    同樣的,為防止過擬合,在池化層之后,加入dropout得到3hrpd (式(11))。

    在此之后,是全連接層,如式(12),其中fcW和fcb 分別對應(yīng)的是轉(zhuǎn)移矩陣和偏置項。然后使用Relu激活函數(shù)得到4hr(式(13)),再后是dropout得到4hrd (式(14))。

    輸出層也是一個全連接層,如式(15),其中oW和ob分別對應(yīng)隱藏層到輸出層的轉(zhuǎn)移矩陣和偏置項。

    最后,使用 maxSoft 函數(shù)計算模型輸出的預(yù)測所屬的類別的概率, maxSoft 函數(shù)如式(16),最后的ip即是模型預(yù)測的文本是屬于類別i的概率。

    3 實驗分析

    本節(jié)主要介紹試驗使用的數(shù)據(jù)集、實驗設(shè)置和對實驗結(jié)果進(jìn)行對比分析。

    3.1 數(shù)據(jù)集

    我們使用六個文本分類任務(wù)數(shù)據(jù)集來測試本文描述的模型,這些數(shù)據(jù)集的概要如表1。

    表1 據(jù)集概要Tab.1 A summary of the datasets

    MR①http://www.cs.cornell.edu/people/pabo/movie-review-data/:MR(Movie reviews)是Pang等人標(biāo)注的用于情感分類的電影評論數(shù)據(jù)集[3],每個一句話是一個評論。該數(shù)據(jù)集分為正/負(fù)兩類評論,是二分類任務(wù)數(shù)據(jù)集,共有 10662個評論,正/負(fù)評論各5331個。

    Subj②http://www.cs.cornell.edu/people/pabo/movie-review-data/:Sub(Subjectivity)是一個包含 5000個主觀和5000個客觀句子的情感分析數(shù)據(jù)集,最早有Pang 使用[3]。

    SST③https://nlp.stanford.edu/sentiment/:SST(Stanfod Sentiment Treebank)是由Socher 等人標(biāo)注并發(fā)布[19],是MR的擴(kuò)展。該數(shù)據(jù)集一共包括11855條電影評論,被標(biāo)注為五類(非常正面、正面、中立、負(fù)面和非常負(fù)面)。該數(shù)據(jù)集提供已經(jīng)被分割好的訓(xùn)練集(8544)、驗正集(1101)和測試集(2210)。

    SST2:在SST2中,去除SST中的中立評論,并且把非常正面和正面合并為正面,把非常負(fù)面和負(fù)面合并為負(fù)面。

    詩意美是《雨巷》最為突出的特點(diǎn)之一。“藝術(shù)作品的形式美,歸根結(jié)底,也正是這樣一種生命感應(yīng)的產(chǎn)物”。詩歌作為一種充滿藝術(shù)性的作品形式,與其他體裁相比,簡潔而又含蓄,卻能將作者的心緒、感受完美地詮釋;精練的語言,短小的篇幅,卻能引人遐想。

    IMDB④http://ai.stanford.edu/~amaas/data/sentiment/:IMDB數(shù)據(jù)集是一個二分類的情感分析數(shù)據(jù)集,包括50000個樣例,訓(xùn)練集和測試集各25000個樣例,是由Maas等人標(biāo)注發(fā)布[2]。

    TREC⑤http://cogcomp.cs.illinois.edu/Data/QA/QC/:TREC是由Li等人完成標(biāo)注的問題分類任務(wù)數(shù)據(jù)集[20],該數(shù)據(jù)集分為訓(xùn)練集和測試集,其中訓(xùn)練集又隨機(jī)分為1000、2000、3000、4000和5500個樣例的訓(xùn)練集,本文使用的是包含 5500個訓(xùn)練樣例的訓(xùn)練集。

    3.2 實驗設(shè)置

    1. 詞向量:本文所用的詞向量是[12]在有1000億的英文單詞的GoogleNews上訓(xùn)練得到的詞向量。該詞向量是使用CBOW(continuous bag-of-words)模型結(jié)構(gòu)訓(xùn)練得到的,詞向量的維度是 300。對用在上述詞向量中沒有出現(xiàn)的詞,隨機(jī)初始化生成得到300的向量作為該詞對應(yīng)的詞向量。

    2. 權(quán)重初始化:訓(xùn)練中的所有權(quán)重隨機(jī)初始化為標(biāo)準(zhǔn)差為0.1的正態(tài)分布隨機(jī)數(shù)。偏置項初始化為0.1。

    3. 訓(xùn)練參數(shù):在實驗中,我們采用Adam優(yōu)化方法來訓(xùn)練我們的模型,學(xué)習(xí)率設(shè)置為0.001。對于全連接層,使用 2L正則化方法來防止過擬合,系數(shù)設(shè)置為0.0001。Dropout的系數(shù)設(shè)置為0.5。輸入批次為64,循環(huán)層隱藏單元為128,對于卷積層,使用卷積核大小分別為3、4和5的卷積核,每個大小的卷積核為100個。

    4. 模型變體:在我們的試驗中,循環(huán)網(wǎng)絡(luò)使用了不同的細(xì)胞,得到如下四種模型:

    · BRCNN(RNN cell):循環(huán)層的循環(huán)體使用的是基本的RNN循環(huán)細(xì)胞。

    · BRCNN(LSTM cell):循環(huán)層的循環(huán)體使用的是基本的LSTM細(xì)胞。

    3.3 對比方法

    如表2,我們分別和12種先前先進(jìn)的方法進(jìn)行對比:

    · CNN-static、CNN-non-static 和 CNN-multichannel[7]:Kim等采用CNN卷積網(wǎng)絡(luò)對文本分類。其中,CNN-static即在訓(xùn)練過程中輸入詞向量不做改變,CNN-non-static是在訓(xùn)練過程中對詞向量進(jìn)行修改,而CNN- multichannel是采用多通道進(jìn)行卷積。

    · RCNN[6]:Lai等提出的使用雙向循環(huán)網(wǎng)絡(luò)對文本分類。對循環(huán)網(wǎng)絡(luò)的前向輸出、詞向量和循環(huán)網(wǎng)絡(luò)后向輸出進(jìn)行級聯(lián)作為循環(huán)網(wǎng)絡(luò)的輸出,取最大池化后的輸出再使用 Softmax回歸對文本進(jìn)行分類。

    · RNTN[19]: Socher等人提出的基于張量特征函數(shù)和解析樹的遞歸神經(jīng)張量網(wǎng)絡(luò)。

    · DCNN[20]:Kalchbrenner等人使用 k最大池化的動態(tài)卷積網(wǎng)絡(luò)。

    · Paragraph-Vec[21]:Le等人使用段落向量的邏輯回歸分類方法。

    · MNB、NBSVM[1]:Wang使用的方法,其中MNB是多項式樸素貝葉斯分類方法,NBSVM是結(jié)合了樸素貝葉斯和支持向量機(jī)的分類方法。

    · G-Dropout、F-Dropout[1]:Wang 使用的方法,其中 G-Dropout是高斯 Droupou分類方法,F(xiàn)-Dropout是快速Dropout分類方法。

    · SVM[22]:是 Silva等人提出的基于支持向量機(jī)的分類方法。

    3.4 實驗分析

    本文分別在 4.1所述的六文本分類任務(wù)數(shù)據(jù)集上測試本文提出的文本分類模型,并和先前的先進(jìn)方法進(jìn)行比較分析,如表2。

    1. 對比表2中的實驗結(jié)果,基于RNN cell的模型在六個文本分類任務(wù)中只取得了和先前先進(jìn)的方法相當(dāng)?shù)男阅?,而基于LSTM cell和GRU cell的模型在六個文本分類任務(wù)中都取得了不錯的性能,其中在MR、Subj、SST和TREC任務(wù)中比先前的分類模型取得了更高的精確度,而在SST2和IMDB分類任務(wù)中也取得了和先前的門類模型相當(dāng)?shù)男阅堋?/p>

    2. 對比基于RNN cell、LSTM cell和GRU cell的模型?;?RNN cell的模型的性能低于基于LSTM cell和GRU cell的模型。而基于LSTM cell和GRU cell的模型取得相當(dāng)?shù)男阅?。這可能是由于循環(huán)網(wǎng)絡(luò)的長期依賴等問題影響了RNN的性能,而LSTM模型解決了RNN的長期依賴問題,所以取得了更好的性能,GRU是LSTM的一個變體,所以也能取得和LSTM相當(dāng)?shù)男阅堋?/p>

    表2實驗結(jié)果對比。其中,對比方法的結(jié)果直接取自對應(yīng)的論文中的結(jié)果。

    4 結(jié)論

    本文介紹了基于循環(huán)和卷積網(wǎng)絡(luò)的文本表示和分類模型,通過實驗分析,表明我們的模型能夠很好的完成文本分類任務(wù)。卷積層能夠得到文本的上下文信息,卷積層能夠很好的提取特征,在分類任務(wù)上能夠得到不錯的性能。

    表2 實驗結(jié)果對比Tab.2 Results for the datasets

    然而,在我們的試驗中,我們只是做了簡單的參數(shù)調(diào)整,在未來的工作中,可以參考[23]采用參數(shù)隨機(jī)搜索,或參考[24]使用貝葉斯優(yōu)化方法得到更好的參數(shù)來提高我們的模型的性能。

    同樣的,我們還可以使用GloVe等其他詞向量模型訓(xùn)練的詞向量來測式我們的模型。

    [1] Wang S, Manning C D. Baselines and bigrams: Simple, good sentiment and topic classification[C]//Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics: Short Papers-Volume 2. Association for Computational Linguistics, 2012: 90-94.

    [2] Maas A L, Daly R E, Pham P T, et al. Learning word vectors for sentiment analysis[C]//Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics:Human Language Technologies-Volume 1. Association for Computational Linguistics, 2011: 142-150.

    [3] Pang B, Lee L. Seeing stars: Exploiting class relationships for sentiment categorization with respect to rating scales[C]//Proceedings of the 43rd annual meeting on asso-ciation for computational linguistics. Association for Computational Linguistics, 2005: 115-124.

    [4] Bengio Y, Ducharme R, Vincent P, et al. A neural probabilistic language model[J]. Journal of machine learning research,2003, 3(Feb): 1137-1155.

    [5] Collobert R, Weston J. A unified architecture for natural language processing: Deep neural networks with multitask learning[C]//Proceedings of the 25th international conference on Machine learning. ACM, 2008: 160-167.

    [6] Lai S, Xu L, Liu K, et al. Recurrent Convolutional Neural Networks for Text Classification[C]//AAAI. 2015, 333:2267-2273.

    [7] Kim Y. Convolutional Neural Networks for Sentence Classification[J]. Eprint Arxiv, 2014.

    [8] Mnih A, Hinton G E. A scalable hierarchical distributed language model[C]//Advances in neural information processing systems. 2009: 1081-1088.

    [9] Collobert R, Weston J, Bottou L, et al. Natural language processing (almost) from scratch[J]. Journal of Machine Learning Research, 2011, 12(Aug): 2493-2537.

    [10] Huang E H, Socher R, Manning C D, et al. Improving word representations via global context and multiple word prototypes[C]//Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics: Long Papers-Volume 1. Association for Computational Linguistics, 2012:873-882.

    [11] Mikolov T, Chen K, Corrado G, et al. Efficient estimation of word representations in vector space[J]. arXiv preprint arXiv:1301.3781, 2013a.

    [12] Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality[C]//Advances in neural information processing systems. 2013b: 3111-3119.[13] Pennington J, Socher R, Manning C D. Glove: Global Vectors for Word Representation[C]//EMNLP. 2014, 14: 1532-1543.

    [14] Hochreiter S, Schmidhuber J. Long short-term memory[J].Neural computation, 1997, 9(8): 1735-1780.

    [15] Cho K, Van Merri?nboer B, Gulcehre C, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation[J]. arXiv preprint arXiv: 1406.1078, 2014.

    [16] Yao K, Cohn T, Vylomova K, et al. Depth-Gated Recurrent Neural Networks[J]. arXiv preprint arXiv:1508.03790, 2015.

    [17] Liu P, Qiu X, Huang X. Recurrent neural network for text classification with multi-task learning[J]. arXiv preprint arXiv:1605.05101, 2016.

    [18] Yang Z, Yang D, Dyer C, et al. Hierarchical attention networks for document classification[C]//Proceedings of NAACL-HLT. 2016: 1480-1489.

    [19] Socher R, Perelygin A, Wu J Y, et al. Recursive deep models for semantic compositionality over a sentiment treebank[C]//Proceedings of the conference on empirical methods in natural language processing (EMNLP). 2013, 1631: 1642.

    [20] Kalchbrenner N, Grefenstette E, Blunsom P. A convolutional neural network for modelling sentences[J]. arXiv preprint arXiv:1404.2188, 2014.

    [21] Le Q, Mikolov T. Distributed representations of sentences and documents[C]//Proceedings of the 31st International Conference on Machine Learning (ICML-14). 2014: 1188-1196.

    [22] Silva J, Coheur L, Mendes A C, et al. From symbolic to sub-symbolic information in question classification[J]. Artificial Intelligence Review, 2011, 35(2): 137-154.

    [23] Bergstra J, Bengio Y. Random search for hyper-parameter optimization[J]. Journal of Machine Learning Research, 2012,13(Feb): 281-305.

    [24] Snoek J, Larochelle H, Adams R P. Practical bayesian optimization of machine learning algorithms[C]//Advances in neural information processing systems. 2012: 2951-2959.

    猜你喜歡
    卷積向量神經(jīng)網(wǎng)絡(luò)
    向量的分解
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    聚焦“向量與三角”創(chuàng)新題
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    向量垂直在解析幾何中的應(yīng)用
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    日本av免费视频播放| 黑丝袜美女国产一区| 大话2 男鬼变身卡| 成人手机av| 亚洲内射少妇av| 国产一区二区在线观看av| 亚洲欧洲国产日韩| 久久精品国产自在天天线| 超色免费av| 亚洲欧美一区二区三区黑人 | 欧美亚洲日本最大视频资源| 中文字幕亚洲精品专区| 久久人人97超碰香蕉20202| 侵犯人妻中文字幕一二三四区| 黄色视频在线播放观看不卡| 韩国高清视频一区二区三区| 亚洲av在线观看美女高潮| 国产深夜福利视频在线观看| 国产精品麻豆人妻色哟哟久久| 久久久久精品性色| videossex国产| 91在线精品国自产拍蜜月| 亚洲精品av麻豆狂野| 精品少妇内射三级| 大片免费播放器 马上看| 久久国产亚洲av麻豆专区| 久久精品久久精品一区二区三区| 日韩成人av中文字幕在线观看| 久久ye,这里只有精品| 国产亚洲午夜精品一区二区久久| 夫妻午夜视频| 国产精品欧美亚洲77777| 亚洲精品国产色婷婷电影| 精品第一国产精品| 国产成人免费无遮挡视频| 精品一区二区三区视频在线| 亚洲精品国产av蜜桃| 亚洲成av片中文字幕在线观看 | 婷婷色麻豆天堂久久| 中文精品一卡2卡3卡4更新| 欧美人与性动交α欧美软件 | 男女边吃奶边做爰视频| 狂野欧美激情性bbbbbb| 亚洲精品一二三| 亚洲精品乱码久久久久久按摩| 大片电影免费在线观看免费| 国产成人aa在线观看| 美女中出高潮动态图| 香蕉丝袜av| av片东京热男人的天堂| 亚洲四区av| 亚洲国产毛片av蜜桃av| 国产成人精品久久久久久| 一本色道久久久久久精品综合| 亚洲欧美清纯卡通| 国产亚洲精品第一综合不卡 | 欧美 亚洲 国产 日韩一| 狂野欧美激情性bbbbbb| 狠狠精品人妻久久久久久综合| 久久久久久久国产电影| 内地一区二区视频在线| 亚洲国产毛片av蜜桃av| 丝袜喷水一区| 在线观看免费视频网站a站| 日韩一区二区视频免费看| 熟女av电影| 黄色一级大片看看| 精品国产乱码久久久久久小说| 久久这里只有精品19| 亚洲成国产人片在线观看| 有码 亚洲区| 亚洲,一卡二卡三卡| 最近2019中文字幕mv第一页| 亚洲精品第二区| 高清在线视频一区二区三区| 大香蕉久久网| 一本—道久久a久久精品蜜桃钙片| 一本久久精品| 精品人妻在线不人妻| 精品人妻偷拍中文字幕| 七月丁香在线播放| 美女xxoo啪啪120秒动态图| 精品久久蜜臀av无| 七月丁香在线播放| 亚洲av男天堂| 99久久中文字幕三级久久日本| 大片电影免费在线观看免费| 久久午夜综合久久蜜桃| 一区二区三区四区激情视频| 丰满少妇做爰视频| 国产黄色视频一区二区在线观看| 少妇人妻精品综合一区二区| 久久99热6这里只有精品| 熟妇人妻不卡中文字幕| 午夜视频国产福利| 满18在线观看网站| 草草在线视频免费看| 热re99久久国产66热| 97在线人人人人妻| 日韩av不卡免费在线播放| 男女高潮啪啪啪动态图| 国产爽快片一区二区三区| 国产白丝娇喘喷水9色精品| 精品一区二区三区四区五区乱码 | 日韩视频在线欧美| 欧美日韩视频精品一区| 婷婷色综合www| 天天影视国产精品| 只有这里有精品99| 少妇猛男粗大的猛烈进出视频| 乱人伦中国视频| 在线天堂最新版资源| 国产精品人妻久久久影院| 久久久久网色| 免费看光身美女| 国产国语露脸激情在线看| 午夜91福利影院| tube8黄色片| 欧美精品人与动牲交sv欧美| 久久热在线av| 亚洲av在线观看美女高潮| 中文字幕另类日韩欧美亚洲嫩草| 国产亚洲午夜精品一区二区久久| 欧美 日韩 精品 国产| 国产一区二区激情短视频 | 亚洲综合精品二区| 久久精品aⅴ一区二区三区四区 | 日韩中文字幕视频在线看片| 国产精品国产三级国产专区5o| 国产在线一区二区三区精| 高清在线视频一区二区三区| 欧美成人午夜精品| 国产精品久久久久久精品古装| 丝袜喷水一区| 国产高清不卡午夜福利| 亚洲av欧美aⅴ国产| 18禁观看日本| 99热这里只有是精品在线观看| 麻豆精品久久久久久蜜桃| 亚洲成人手机| 2018国产大陆天天弄谢| av又黄又爽大尺度在线免费看| 国产精品免费大片| 成人18禁高潮啪啪吃奶动态图| 91精品伊人久久大香线蕉| 欧美国产精品va在线观看不卡| 丝瓜视频免费看黄片| 久久精品aⅴ一区二区三区四区 | 亚洲人与动物交配视频| 97在线人人人人妻| 久久久久精品人妻al黑| 交换朋友夫妻互换小说| 亚洲一级一片aⅴ在线观看| 美女福利国产在线| 999精品在线视频| 亚洲成人一二三区av| 老女人水多毛片| 日本91视频免费播放| 欧美 亚洲 国产 日韩一| 精品少妇久久久久久888优播| 日本猛色少妇xxxxx猛交久久| 国产视频首页在线观看| 熟女人妻精品中文字幕| 欧美 日韩 精品 国产| 国产色爽女视频免费观看| 国产精品.久久久| a级片在线免费高清观看视频| 亚洲精品久久成人aⅴ小说| 亚洲人成网站在线观看播放| 久久精品熟女亚洲av麻豆精品| 99久久综合免费| 老司机影院成人| 欧美成人午夜免费资源| 五月开心婷婷网| 少妇的丰满在线观看| 欧美日本中文国产一区发布| 国产av一区二区精品久久| 欧美精品人与动牲交sv欧美| 国产视频首页在线观看| a级毛片黄视频| 国产爽快片一区二区三区| 国产精品麻豆人妻色哟哟久久| 秋霞伦理黄片| av黄色大香蕉| 久久久久久人妻| 亚洲中文av在线| 午夜av观看不卡| av天堂久久9| 在线观看www视频免费| 人妻一区二区av| 国产精品国产三级专区第一集| 又粗又硬又长又爽又黄的视频| 咕卡用的链子| 精品亚洲乱码少妇综合久久| h视频一区二区三区| 成人亚洲欧美一区二区av| 欧美精品一区二区免费开放| 高清av免费在线| 国产1区2区3区精品| 亚洲国产最新在线播放| 女人被躁到高潮嗷嗷叫费观| 天天影视国产精品| 18+在线观看网站| 亚洲精品一二三| 黄色一级大片看看| 中文字幕人妻丝袜制服| 少妇 在线观看| 男女边吃奶边做爰视频| 久久国产亚洲av麻豆专区| 99久国产av精品国产电影| 少妇人妻精品综合一区二区| av在线播放精品| 久久精品国产综合久久久 | 麻豆精品久久久久久蜜桃| 亚洲四区av| 国产亚洲一区二区精品| 欧美成人午夜免费资源| 亚洲欧洲日产国产| 国内精品宾馆在线| 麻豆乱淫一区二区| 免费黄频网站在线观看国产| 国产色爽女视频免费观看| 久久亚洲国产成人精品v| 亚洲av中文av极速乱| 狂野欧美激情性xxxx在线观看| 亚洲人与动物交配视频| 久久久欧美国产精品| 久久99精品国语久久久| 久久影院123| 亚洲精品456在线播放app| 不卡视频在线观看欧美| 欧美日韩精品成人综合77777| 国精品久久久久久国模美| 久久久久久人人人人人| 久久久久国产网址| 亚洲av成人精品一二三区| 国产免费一区二区三区四区乱码| 国产亚洲精品第一综合不卡 | 最后的刺客免费高清国语| 少妇精品久久久久久久| 午夜福利在线观看免费完整高清在| 五月伊人婷婷丁香| 日韩一本色道免费dvd| 亚洲欧美成人综合另类久久久| 一区二区三区四区激情视频| 国产一级毛片在线| 亚洲国产日韩一区二区| 最新中文字幕久久久久| 国产成人a∨麻豆精品| 涩涩av久久男人的天堂| 高清黄色对白视频在线免费看| 国国产精品蜜臀av免费| 精品99又大又爽又粗少妇毛片| 国产免费福利视频在线观看| 丰满迷人的少妇在线观看| 亚洲美女搞黄在线观看| 在线天堂最新版资源| 777米奇影视久久| 99热6这里只有精品| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 久久亚洲国产成人精品v| 观看av在线不卡| 王馨瑶露胸无遮挡在线观看| 丝袜喷水一区| 日韩av在线免费看完整版不卡| 黑人欧美特级aaaaaa片| 晚上一个人看的免费电影| 国产男女超爽视频在线观看| 在线观看三级黄色| 亚洲精品第二区| 国产欧美亚洲国产| 久久精品国产自在天天线| 少妇 在线观看| 日本-黄色视频高清免费观看| 黄色毛片三级朝国网站| 亚洲国产日韩一区二区| 人人妻人人添人人爽欧美一区卜| 一区二区日韩欧美中文字幕 | 国产精品久久久久久精品古装| 欧美精品一区二区大全| 免费日韩欧美在线观看| 香蕉丝袜av| 91精品国产国语对白视频| 国产精品不卡视频一区二区| 欧美精品av麻豆av| 在线观看免费视频网站a站| 一级毛片 在线播放| 黄色 视频免费看| 国产黄色免费在线视频| 狂野欧美激情性bbbbbb| 中文天堂在线官网| 男人爽女人下面视频在线观看| 成人亚洲欧美一区二区av| av国产精品久久久久影院| 少妇的逼水好多| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲图色成人| 亚洲成人av在线免费| 伦理电影免费视频| 国产淫语在线视频| 精品午夜福利在线看| 亚洲伊人色综图| 国产 一区精品| 亚洲五月色婷婷综合| 纵有疾风起免费观看全集完整版| 亚洲精品日本国产第一区| 国产精品一区二区在线观看99| 观看美女的网站| 少妇的逼水好多| 久久久国产一区二区| 国产在线一区二区三区精| 欧美日韩精品成人综合77777| 青春草国产在线视频| 交换朋友夫妻互换小说| 人妻少妇偷人精品九色| 国产女主播在线喷水免费视频网站| 日韩免费高清中文字幕av| 成人免费观看视频高清| 啦啦啦中文免费视频观看日本| 免费在线观看完整版高清| 男女高潮啪啪啪动态图| 久久久欧美国产精品| 国产男女内射视频| 午夜免费观看性视频| 亚洲综合色网址| av在线app专区| 日韩不卡一区二区三区视频在线| 亚洲美女搞黄在线观看| 欧美人与性动交α欧美精品济南到 | 一区在线观看完整版| 亚洲精品成人av观看孕妇| 纵有疾风起免费观看全集完整版| 国产精品久久久久久精品电影小说| 亚洲第一区二区三区不卡| 最后的刺客免费高清国语| 亚洲经典国产精华液单| 国产精品久久久久久av不卡| 黄色一级大片看看| 国产成人a∨麻豆精品| 看免费成人av毛片| 午夜福利视频精品| 色94色欧美一区二区| 国产成人av激情在线播放| a级片在线免费高清观看视频| 男女边吃奶边做爰视频| 热99久久久久精品小说推荐| 国产日韩一区二区三区精品不卡| 另类亚洲欧美激情| 成人18禁高潮啪啪吃奶动态图| 少妇被粗大的猛进出69影院 | 老女人水多毛片| 色婷婷av一区二区三区视频| 久久久国产欧美日韩av| 精品久久蜜臀av无| 久久国产精品男人的天堂亚洲 | 免费看不卡的av| 国产激情久久老熟女| 久久国产精品男人的天堂亚洲 | 人人妻人人爽人人添夜夜欢视频| 国产片内射在线| 午夜视频国产福利| 国产精品一区二区在线不卡| 欧美+日韩+精品| 欧美日韩视频高清一区二区三区二| 国产又色又爽无遮挡免| 在线观看国产h片| 日韩在线高清观看一区二区三区| 亚洲av电影在线观看一区二区三区| 国产不卡av网站在线观看| 中文精品一卡2卡3卡4更新| 久久国产精品男人的天堂亚洲 | 久久人妻熟女aⅴ| 一区二区三区乱码不卡18| 90打野战视频偷拍视频| 久久午夜综合久久蜜桃| 久久国产精品男人的天堂亚洲 | 国产伦理片在线播放av一区| 亚洲情色 制服丝袜| 国产伦理片在线播放av一区| 亚洲综合色网址| 久久久久久人人人人人| 草草在线视频免费看| 国产精品久久久久久精品古装| 亚洲第一区二区三区不卡| 亚洲婷婷狠狠爱综合网| av.在线天堂| 国内精品宾馆在线| 精品人妻偷拍中文字幕| 99热这里只有是精品在线观看| 国产精品偷伦视频观看了| 人妻系列 视频| 国产精品国产三级专区第一集| 亚洲精品成人av观看孕妇| 丝袜人妻中文字幕| 亚洲精品456在线播放app| 美女主播在线视频| 99热这里只有是精品在线观看| 最近最新中文字幕大全免费视频 | 精品午夜福利在线看| 咕卡用的链子| 女的被弄到高潮叫床怎么办| 国产av码专区亚洲av| 一区二区av电影网| 亚洲欧美日韩另类电影网站| 波野结衣二区三区在线| 久久久久久伊人网av| 久久97久久精品| 一级黄片播放器| 十八禁网站网址无遮挡| 国产一区二区在线观看av| 亚洲综合精品二区| 99re6热这里在线精品视频| 色吧在线观看| 飞空精品影院首页| 精品福利永久在线观看| 好男人视频免费观看在线| 亚洲国产精品999| av又黄又爽大尺度在线免费看| 狠狠精品人妻久久久久久综合| 2022亚洲国产成人精品| 热99国产精品久久久久久7| 女人久久www免费人成看片| 狂野欧美激情性xxxx在线观看| 日本91视频免费播放| 日韩伦理黄色片| 九色亚洲精品在线播放| 日本免费在线观看一区| 在线观看免费高清a一片| 97超碰精品成人国产| 少妇人妻久久综合中文| 精品少妇久久久久久888优播| 亚洲图色成人| 免费高清在线观看日韩| 国产成人精品婷婷| 女人被躁到高潮嗷嗷叫费观| 日本-黄色视频高清免费观看| 国精品久久久久久国模美| 久久久欧美国产精品| 欧美日韩精品成人综合77777| 国产 一区精品| 在线观看国产h片| 在线观看一区二区三区激情| 亚洲av.av天堂| 久久久久久人妻| 看非洲黑人一级黄片| 老司机影院成人| 亚洲经典国产精华液单| 国产精品人妻久久久影院| 最新的欧美精品一区二区| 啦啦啦啦在线视频资源| 另类亚洲欧美激情| 菩萨蛮人人尽说江南好唐韦庄| 妹子高潮喷水视频| 亚洲精品乱码久久久久久按摩| 美女国产高潮福利片在线看| 国产免费现黄频在线看| 中国国产av一级| 久久国产精品男人的天堂亚洲 | 黄片播放在线免费| 夜夜爽夜夜爽视频| 精品久久蜜臀av无| 亚洲av在线观看美女高潮| 日本wwww免费看| 日韩免费高清中文字幕av| 不卡视频在线观看欧美| 久久人人爽av亚洲精品天堂| 两个人免费观看高清视频| 少妇人妻久久综合中文| 久久久久久久国产电影| 成人黄色视频免费在线看| 老司机亚洲免费影院| 大陆偷拍与自拍| 看免费av毛片| 蜜桃在线观看..| 亚洲av.av天堂| 亚洲精品av麻豆狂野| 国产又色又爽无遮挡免| 日韩三级伦理在线观看| 老熟女久久久| 久久久久精品久久久久真实原创| 在线观看www视频免费| 免费高清在线观看视频在线观看| 狂野欧美激情性bbbbbb| 天天操日日干夜夜撸| 99久国产av精品国产电影| 99视频精品全部免费 在线| 亚洲婷婷狠狠爱综合网| 久久精品人人爽人人爽视色| 亚洲精品av麻豆狂野| 看免费成人av毛片| av在线播放精品| 久久久久精品人妻al黑| 午夜免费鲁丝| 亚洲,欧美,日韩| 制服人妻中文乱码| 蜜桃在线观看..| av天堂久久9| 97超碰精品成人国产| 成人影院久久| 日韩在线高清观看一区二区三区| 国产片内射在线| a级片在线免费高清观看视频| 国产亚洲最大av| 中国美白少妇内射xxxbb| 两个人看的免费小视频| 国产成人一区二区在线| 天堂8中文在线网| 欧美激情国产日韩精品一区| 一级a做视频免费观看| 久热这里只有精品99| 亚洲精品国产色婷婷电影| 日韩成人伦理影院| 天堂8中文在线网| 国产精品不卡视频一区二区| 国产高清国产精品国产三级| 国产午夜精品一二区理论片| 国产片内射在线| 亚洲欧美成人精品一区二区| 成人18禁高潮啪啪吃奶动态图| 久久亚洲国产成人精品v| 美女xxoo啪啪120秒动态图| 国产成人一区二区在线| 亚洲精品久久午夜乱码| 国产欧美亚洲国产| 亚洲成人手机| 日本免费在线观看一区| 精品一区二区三区视频在线| 天天躁夜夜躁狠狠久久av| 久久精品夜色国产| 这个男人来自地球电影免费观看 | 色吧在线观看| 天堂俺去俺来也www色官网| freevideosex欧美| 建设人人有责人人尽责人人享有的| 婷婷色麻豆天堂久久| 国产69精品久久久久777片| 香蕉丝袜av| 精品少妇久久久久久888优播| 捣出白浆h1v1| 精品卡一卡二卡四卡免费| 中文字幕人妻丝袜制服| 99久久精品国产国产毛片| 国产成人精品无人区| 亚洲av免费高清在线观看| 一级毛片黄色毛片免费观看视频| 高清不卡的av网站| 秋霞伦理黄片| 亚洲av福利一区| 在线观看一区二区三区激情| 高清av免费在线| 国产精品国产三级国产专区5o| 2022亚洲国产成人精品| 久久久久久久大尺度免费视频| 一级毛片 在线播放| 国产精品麻豆人妻色哟哟久久| 精品久久蜜臀av无| 亚洲丝袜综合中文字幕| 成人漫画全彩无遮挡| 亚洲在久久综合| 热re99久久国产66热| 永久网站在线| 亚洲四区av| 91午夜精品亚洲一区二区三区| 亚洲精品第二区| 久久99蜜桃精品久久| 18禁动态无遮挡网站| 亚洲一级一片aⅴ在线观看| 赤兔流量卡办理| 啦啦啦中文免费视频观看日本| 中文字幕另类日韩欧美亚洲嫩草| 国产 精品1| 国产精品偷伦视频观看了| 成年人午夜在线观看视频| 久久女婷五月综合色啪小说| 国产亚洲精品久久久com| 亚洲精品日韩在线中文字幕| 女人被躁到高潮嗷嗷叫费观| 亚洲伊人久久精品综合| 国产亚洲精品第一综合不卡 | 久热这里只有精品99| 黄片播放在线免费| 久久鲁丝午夜福利片| 亚洲高清免费不卡视频| 在线天堂最新版资源| 亚洲国产精品成人久久小说| 日韩人妻精品一区2区三区| 99热这里只有是精品在线观看| 欧美bdsm另类| av在线老鸭窝| 精品久久国产蜜桃| 免费在线观看完整版高清| 久久韩国三级中文字幕| 国产有黄有色有爽视频| 国产 精品1| 哪个播放器可以免费观看大片| 久久人人97超碰香蕉20202| 成人国产av品久久久| av网站免费在线观看视频| 韩国高清视频一区二区三区| 国产极品粉嫩免费观看在线| 国产色婷婷99| 多毛熟女@视频| 国产成人一区二区在线| av卡一久久| 日韩一本色道免费dvd| 香蕉精品网在线| 色婷婷av一区二区三区视频| 国产av一区二区精品久久| 亚洲,一卡二卡三卡| 久久99一区二区三区| 欧美丝袜亚洲另类| 日韩不卡一区二区三区视频在线| 精品视频人人做人人爽| 久久久久久久精品精品| 人体艺术视频欧美日本|