• <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
    国产精品嫩草影院av在线观看| 精品国产露脸久久av麻豆| 国产精品99久久99久久久不卡 | 高清黄色对白视频在线免费看| 亚洲精品久久成人aⅴ小说| 天天躁夜夜躁狠狠躁躁| 亚洲一区中文字幕在线| 国精品久久久久久国模美| 自拍欧美九色日韩亚洲蝌蚪91| 看非洲黑人一级黄片| 最近手机中文字幕大全| 免费黄网站久久成人精品| videossex国产| 精品第一国产精品| 日韩大片免费观看网站| 亚洲美女黄色视频免费看| 电影成人av| 国产男女超爽视频在线观看| 尾随美女入室| 新久久久久国产一级毛片| 韩国高清视频一区二区三区| 丝袜脚勾引网站| 一区二区三区乱码不卡18| 美女xxoo啪啪120秒动态图| 多毛熟女@视频| 国产精品 欧美亚洲| 2018国产大陆天天弄谢| 一级片'在线观看视频| 亚洲av成人精品一二三区| 国产精品无大码| 国产精品成人在线| 午夜日本视频在线| 日韩一卡2卡3卡4卡2021年| 哪个播放器可以免费观看大片| 亚洲av国产av综合av卡| 男的添女的下面高潮视频| 边亲边吃奶的免费视频| 高清黄色对白视频在线免费看| 99国产综合亚洲精品| 99re6热这里在线精品视频| 国产色婷婷99| 天天躁狠狠躁夜夜躁狠狠躁| 十八禁高潮呻吟视频| 久久久a久久爽久久v久久| 十八禁高潮呻吟视频| 久久久久久久亚洲中文字幕| 日韩一区二区三区影片| www日本在线高清视频| 午夜91福利影院| 五月天丁香电影| 亚洲欧美一区二区三区久久| 日韩伦理黄色片| 天天操日日干夜夜撸| 久久这里有精品视频免费| 十八禁高潮呻吟视频| 国产精品蜜桃在线观看| 巨乳人妻的诱惑在线观看| 黄片小视频在线播放| 乱人伦中国视频| 亚洲国产欧美日韩在线播放| 久久久久久久大尺度免费视频| 国产成人欧美| 飞空精品影院首页| 在线免费观看不下载黄p国产| 人人妻人人添人人爽欧美一区卜| 欧美精品av麻豆av| 欧美日韩亚洲国产一区二区在线观看 | 亚洲男人天堂网一区| 欧美bdsm另类| 亚洲精品久久成人aⅴ小说| 久久久久久人人人人人| 秋霞在线观看毛片| 人妻系列 视频| 亚洲欧美中文字幕日韩二区| av电影中文网址| 国产黄频视频在线观看| 人体艺术视频欧美日本| 美女中出高潮动态图| 精品人妻在线不人妻| 国产又色又爽无遮挡免| 国产伦理片在线播放av一区| 少妇的逼水好多| 久久狼人影院| 久久人人97超碰香蕉20202| 日韩制服丝袜自拍偷拍| 九九爱精品视频在线观看| 天天躁夜夜躁狠狠躁躁| 十八禁高潮呻吟视频| 欧美精品高潮呻吟av久久| 日本欧美视频一区| 日韩视频在线欧美| 赤兔流量卡办理| 久久久欧美国产精品| 黄片小视频在线播放| 日本黄色日本黄色录像| 在线天堂中文资源库| 精品国产露脸久久av麻豆| 午夜福利在线免费观看网站| 在线天堂最新版资源| 制服丝袜香蕉在线| 日韩一本色道免费dvd| 街头女战士在线观看网站| 两性夫妻黄色片| 免费在线观看黄色视频的| 亚洲av.av天堂| av免费在线看不卡| 日韩av免费高清视频| 欧美少妇被猛烈插入视频| 久久ye,这里只有精品| 免费观看性生交大片5| 色播在线永久视频| 国产成人a∨麻豆精品| 五月天丁香电影| 亚洲欧美日韩另类电影网站| 在线观看www视频免费| 蜜桃国产av成人99| 熟妇人妻不卡中文字幕| 亚洲精品一区蜜桃| 国产色婷婷99| 深夜精品福利| 欧美+日韩+精品| 人人妻人人澡人人爽人人夜夜| 成人免费观看视频高清| 午夜福利在线观看免费完整高清在| 国产男女超爽视频在线观看| 熟女电影av网| 你懂的网址亚洲精品在线观看| 免费观看av网站的网址| 精品亚洲成a人片在线观看| 久久婷婷青草| 精品亚洲成国产av| 国产精品久久久久久精品古装| 国产日韩欧美亚洲二区| 婷婷色综合www| 国语对白做爰xxxⅹ性视频网站| 女性被躁到高潮视频| 亚洲三区欧美一区| 久久久久久人人人人人| 丁香六月天网| 日韩欧美一区视频在线观看| 黄片小视频在线播放| 秋霞伦理黄片| 国产av国产精品国产| 色94色欧美一区二区| 夫妻性生交免费视频一级片| 午夜福利网站1000一区二区三区| 久久免费观看电影| 日韩一本色道免费dvd| 国产熟女午夜一区二区三区| 汤姆久久久久久久影院中文字幕| 中文字幕人妻熟女乱码| 777米奇影视久久| 亚洲精品久久午夜乱码| 午夜福利影视在线免费观看| 国产 精品1| 超碰97精品在线观看| 纯流量卡能插随身wifi吗| 久久精品亚洲av国产电影网| 国产成人aa在线观看| 97精品久久久久久久久久精品| 国产精品久久久久久精品电影小说| 97精品久久久久久久久久精品| 如何舔出高潮| 伊人久久国产一区二区| 午夜福利乱码中文字幕| 亚洲国产精品999| 国产精品一区二区在线观看99| 国产免费福利视频在线观看| 久久精品亚洲av国产电影网| 少妇的丰满在线观看| 97在线视频观看| 亚洲精品av麻豆狂野| 一本大道久久a久久精品| 婷婷成人精品国产| 波多野结衣av一区二区av| 人妻一区二区av| 免费高清在线观看日韩| 亚洲av日韩在线播放| 亚洲天堂av无毛| 在线观看三级黄色| 国产成人免费无遮挡视频| 韩国av在线不卡| 国产野战对白在线观看| 国产精品二区激情视频| 久久久久久久久久久免费av| 男女下面插进去视频免费观看| 99热国产这里只有精品6| 亚洲一级一片aⅴ在线观看| 久久午夜综合久久蜜桃| 成年人午夜在线观看视频| 国产一级毛片在线| 高清视频免费观看一区二区| 黄片无遮挡物在线观看| 精品一区在线观看国产| 日韩一区二区三区影片| 日韩电影二区| 美女脱内裤让男人舔精品视频| 黄片无遮挡物在线观看| 日本wwww免费看| 国产精品三级大全| 丝袜美足系列| 亚洲三区欧美一区| 国产成人精品一,二区| 亚洲在久久综合| 天天操日日干夜夜撸| 亚洲综合色惰| 日日爽夜夜爽网站| 狂野欧美激情性bbbbbb| 乱人伦中国视频| 伦精品一区二区三区| 91国产中文字幕| 亚洲内射少妇av| videossex国产| 精品99又大又爽又粗少妇毛片| 1024香蕉在线观看| 久久精品国产亚洲av高清一级| 国产精品一国产av| 成人影院久久| 丰满少妇做爰视频| 国产一级毛片在线| 热99久久久久精品小说推荐| 免费日韩欧美在线观看| 国产精品av久久久久免费| 男女边摸边吃奶| 久久久久视频综合| 性色avwww在线观看| 国产精品久久久久久久久免| 久久婷婷青草| 精品国产一区二区三区久久久樱花| 国产精品无大码| av一本久久久久| 亚洲综合精品二区| 超碰97精品在线观看| 男女无遮挡免费网站观看| 夫妻性生交免费视频一级片| 免费高清在线观看视频在线观看| 一边亲一边摸免费视频| 精品国产国语对白av| 老汉色∧v一级毛片| 久久精品aⅴ一区二区三区四区 | 亚洲一级一片aⅴ在线观看| 国产麻豆69| 美女国产视频在线观看| 如日韩欧美国产精品一区二区三区| 只有这里有精品99| 91国产中文字幕| 久久精品亚洲av国产电影网| 亚洲一区二区三区欧美精品| 国产精品 国内视频| 1024视频免费在线观看| 美女大奶头黄色视频| 成人国语在线视频| 色播在线永久视频| 黄色 视频免费看| 久久久欧美国产精品| 最近最新中文字幕大全免费视频 | 午夜福利视频在线观看免费| 人人妻人人澡人人爽人人夜夜| 欧美日韩精品成人综合77777| 天堂8中文在线网| 秋霞在线观看毛片| 午夜福利乱码中文字幕| 午夜福利网站1000一区二区三区| 中文字幕色久视频| 一级毛片我不卡| 91成人精品电影| 老司机影院毛片| 26uuu在线亚洲综合色| 精品少妇久久久久久888优播| 一区二区三区激情视频| 1024香蕉在线观看| 18在线观看网站| 男女国产视频网站| 777久久人妻少妇嫩草av网站| 一级爰片在线观看| 在线天堂最新版资源| 日本wwww免费看| 日韩欧美精品免费久久| 亚洲图色成人| av有码第一页| 久久99精品国语久久久| 欧美另类一区| 韩国av在线不卡| 熟女av电影| 午夜日本视频在线| 青青草视频在线视频观看| 久久久精品区二区三区| 人妻一区二区av| 汤姆久久久久久久影院中文字幕| 国产人伦9x9x在线观看 | 久久99一区二区三区| 在线观看三级黄色| a级毛片黄视频| 男人添女人高潮全过程视频| 寂寞人妻少妇视频99o| 国产亚洲欧美精品永久| av女优亚洲男人天堂| 久久久a久久爽久久v久久| 国产一区二区三区综合在线观看| 国产精品无大码| 日本爱情动作片www.在线观看| 久久久久国产精品人妻一区二区| 在线观看免费视频网站a站| 日韩人妻精品一区2区三区| 欧美另类一区| 欧美成人午夜精品| 另类亚洲欧美激情| 美女大奶头黄色视频| 欧美另类一区| 性色av一级| 高清视频免费观看一区二区| 国产精品一国产av| 午夜免费鲁丝| 18禁观看日本| 夫妻性生交免费视频一级片| 亚洲美女视频黄频| 亚洲 欧美一区二区三区| 如何舔出高潮| 国产成人精品福利久久| av免费观看日本| 91精品国产国语对白视频| 久久久久久人人人人人| 久久久久国产网址| 搡女人真爽免费视频火全软件| 咕卡用的链子| 天天影视国产精品| 在线看a的网站| 精品一区在线观看国产| 国产精品免费视频内射| 国产成人午夜福利电影在线观看| 欧美亚洲 丝袜 人妻 在线| 天美传媒精品一区二区| 国产成人欧美| 午夜福利视频在线观看免费| 亚洲激情五月婷婷啪啪| av又黄又爽大尺度在线免费看| 国产精品99久久99久久久不卡 | 婷婷色av中文字幕| 亚洲,欧美,日韩| av免费观看日本| 男男h啪啪无遮挡| 97在线人人人人妻| av网站免费在线观看视频| 国产一区二区 视频在线| 丝袜在线中文字幕| 黄色配什么色好看| 精品一区二区免费观看| 美国免费a级毛片| 久久狼人影院| 2022亚洲国产成人精品| 青春草亚洲视频在线观看| 热re99久久精品国产66热6| 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 | 777米奇影视久久| 久久久久网色| 宅男免费午夜| 波多野结衣一区麻豆| 91精品国产国语对白视频| 国产日韩欧美在线精品| 亚洲精品aⅴ在线观看| 成人影院久久| 免费看av在线观看网站| 在线精品无人区一区二区三| 日韩伦理黄色片| videossex国产| 久久精品熟女亚洲av麻豆精品| 这个男人来自地球电影免费观看 | 日本av手机在线免费观看| 纯流量卡能插随身wifi吗| 国产高清不卡午夜福利| 亚洲成国产人片在线观看| 久久久久国产精品人妻一区二区| 看免费成人av毛片| 一本—道久久a久久精品蜜桃钙片| 色婷婷久久久亚洲欧美| 久久久欧美国产精品| 亚洲欧洲国产日韩| 春色校园在线视频观看| 久热这里只有精品99| 国产一区二区三区av在线| 大片免费播放器 马上看| 欧美97在线视频| 亚洲一区二区三区欧美精品| 中文字幕av电影在线播放| 欧美在线黄色| 欧美人与性动交α欧美精品济南到 | 男人操女人黄网站| 亚洲欧美一区二区三区久久| 国产亚洲av片在线观看秒播厂| 永久网站在线| 黑人欧美特级aaaaaa片| 91成人精品电影| 久久久亚洲精品成人影院| 亚洲,一卡二卡三卡| 久久国产精品男人的天堂亚洲| 国产精品成人在线| 国语对白做爰xxxⅹ性视频网站| 免费看不卡的av| 国产国语露脸激情在线看| 超碰成人久久| 久久毛片免费看一区二区三区| 五月伊人婷婷丁香| 亚洲一区中文字幕在线| 欧美日本中文国产一区发布| 精品午夜福利在线看| 黄网站色视频无遮挡免费观看| 欧美人与善性xxx| 日韩中文字幕视频在线看片| 在线免费观看不下载黄p国产| 色94色欧美一区二区| 久久久精品94久久精品| 999久久久国产精品视频| 最近最新中文字幕大全免费视频 | 亚洲一区中文字幕在线| 久久精品国产鲁丝片午夜精品| 欧美精品一区二区大全| 我的亚洲天堂| 日日啪夜夜爽| 中文天堂在线官网| 啦啦啦中文免费视频观看日本| 欧美97在线视频| 99香蕉大伊视频| 一区二区三区乱码不卡18| 蜜桃在线观看..| 最新中文字幕久久久久| 丝袜脚勾引网站| 久久久国产精品麻豆| www.熟女人妻精品国产| 新久久久久国产一级毛片| a级毛片在线看网站| 亚洲精品久久成人aⅴ小说| 亚洲美女黄色视频免费看| 日本欧美国产在线视频| 在线天堂中文资源库| 夫妻午夜视频| 欧美成人午夜免费资源| 亚洲第一区二区三区不卡| 亚洲精品久久午夜乱码| 男女无遮挡免费网站观看| 亚洲av成人精品一二三区| 国产黄色视频一区二区在线观看| 大香蕉久久网| 伦理电影免费视频| 午夜精品国产一区二区电影| 伊人亚洲综合成人网| 亚洲国产欧美网| 亚洲视频免费观看视频| 精品午夜福利在线看| 久久精品国产鲁丝片午夜精品| 制服诱惑二区| 下体分泌物呈黄色| 亚洲成人av在线免费| 久久综合国产亚洲精品| 99久久人妻综合| 国产一区二区三区av在线| 一级毛片 在线播放| 欧美精品亚洲一区二区| 免费女性裸体啪啪无遮挡网站| 中文字幕av电影在线播放| 国产成人午夜福利电影在线观看| 女人精品久久久久毛片| 香蕉精品网在线| 日韩av不卡免费在线播放| 性色avwww在线观看| 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 | 国产黄频视频在线观看| 老司机亚洲免费影院| 国产熟女欧美一区二区| 国产av国产精品国产| 久久久欧美国产精品| 大片电影免费在线观看免费| 亚洲精品一区蜜桃| 亚洲美女黄色视频免费看| 9热在线视频观看99| 99国产综合亚洲精品| 午夜福利视频精品| 免费看不卡的av| 亚洲综合色网址| 波多野结衣av一区二区av| 精品酒店卫生间| 中文字幕最新亚洲高清| 国产亚洲av片在线观看秒播厂| 国产 一区精品| 一二三四在线观看免费中文在| 免费观看av网站的网址| 色播在线永久视频| 亚洲,欧美,日韩| 丰满乱子伦码专区| 久久精品人人爽人人爽视色| 亚洲国产成人一精品久久久| av在线观看视频网站免费| 超碰成人久久| 国产成人精品在线电影| 成人漫画全彩无遮挡| 午夜福利一区二区在线看| 一级片'在线观看视频| av在线app专区| 99热国产这里只有精品6| 久久精品久久久久久久性| 亚洲精品日韩在线中文字幕| 97人妻天天添夜夜摸| 亚洲av日韩在线播放| 99久久精品国产国产毛片| 久久久久久久久久久免费av| av在线播放精品| 老汉色av国产亚洲站长工具| 在线观看国产h片| 午夜免费男女啪啪视频观看| 国产成人精品婷婷| 久久久a久久爽久久v久久| 美女国产视频在线观看| 亚洲伊人色综图| 搡女人真爽免费视频火全软件| 久久久久久久大尺度免费视频| 国产精品无大码| 亚洲国产欧美日韩在线播放| 国产精品偷伦视频观看了| 在线免费观看不下载黄p国产| 纵有疾风起免费观看全集完整版| 欧美国产精品va在线观看不卡| 丝袜美腿诱惑在线| 热re99久久国产66热| 久久久国产精品麻豆| 日韩成人av中文字幕在线观看| 热99久久久久精品小说推荐| www.精华液| 国产成人精品一,二区| 国产一区二区在线观看av| 韩国高清视频一区二区三区| 亚洲熟女精品中文字幕| 精品国产超薄肉色丝袜足j| 只有这里有精品99| 日韩中文字幕欧美一区二区 | 亚洲av福利一区| 国产野战对白在线观看| 亚洲国产av影院在线观看| 老熟女久久久| 一区二区av电影网| 999久久久国产精品视频| av免费观看日本| 亚洲国产欧美日韩在线播放| 少妇被粗大猛烈的视频| 18禁观看日本| 久久这里只有精品19| 乱人伦中国视频| 亚洲图色成人| 亚洲伊人久久精品综合| 国产欧美日韩一区二区三区在线| 国产精品一国产av| 国产成人欧美| 日韩一卡2卡3卡4卡2021年| 又黄又粗又硬又大视频| 999久久久国产精品视频| 日韩人妻精品一区2区三区| 人人妻人人添人人爽欧美一区卜| 久久精品人人爽人人爽视色| 夜夜骑夜夜射夜夜干| 色网站视频免费| 嫩草影院入口| 免费高清在线观看日韩| 在线 av 中文字幕| 国产黄色免费在线视频| 女的被弄到高潮叫床怎么办| 精品久久久久久电影网| 亚洲三级黄色毛片| 国产成人精品婷婷| 热99久久久久精品小说推荐| 观看美女的网站| 五月开心婷婷网| 国产在视频线精品| 精品福利永久在线观看| 亚洲三区欧美一区| 久久精品久久久久久噜噜老黄| 99久久人妻综合| 欧美日韩亚洲国产一区二区在线观看 | 久久久久精品久久久久真实原创| 欧美日韩亚洲高清精品| 久久久久精品久久久久真实原创| 国产黄频视频在线观看| 国产精品国产三级国产专区5o| 亚洲精品久久久久久婷婷小说| 久久久精品区二区三区| 最黄视频免费看| 高清在线视频一区二区三区| 免费不卡的大黄色大毛片视频在线观看| 一级爰片在线观看| 多毛熟女@视频| 欧美老熟妇乱子伦牲交| 观看美女的网站| 精品酒店卫生间| 毛片一级片免费看久久久久| 99国产综合亚洲精品| 免费日韩欧美在线观看| 永久免费av网站大全| 少妇 在线观看| 国产精品无大码| 成年av动漫网址| 一本色道久久久久久精品综合| 久久国产精品男人的天堂亚洲| 伦理电影免费视频| 国产探花极品一区二区| 日日摸夜夜添夜夜爱| 中文字幕另类日韩欧美亚洲嫩草| 老司机亚洲免费影院| 男女啪啪激烈高潮av片| 亚洲国产欧美日韩在线播放| 日韩制服骚丝袜av| 国产又爽黄色视频| 久久ye,这里只有精品| 久久精品国产亚洲av涩爱| 91精品伊人久久大香线蕉| av.在线天堂| 777久久人妻少妇嫩草av网站| 亚洲av国产av综合av卡| 老汉色∧v一级毛片|