• <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Word2Vec和LDA主題模型的Web服務(wù)聚類方法

    2018-03-05 00:39:56肖巧翔曹步清張祥平劉建勛李晏新聞
    關(guān)鍵詞:語料庫文檔聚類

    肖巧翔,曹步清, 2,張祥平,劉建勛,李晏新聞

    ?

    基于Word2Vec和LDA主題模型的Web服務(wù)聚類方法

    肖巧翔1,曹步清1, 2,張祥平1,劉建勛1,李晏新聞3

    (1. 湖南科技大學(xué) 計算機(jī)科學(xué)與工程學(xué)院,湖南 湘潭,411201; 2. 北京郵電大學(xué) 網(wǎng)絡(luò)與交換技術(shù)國家重點實驗室,北京,100876; 3. 泉州師范學(xué)院 航海學(xué)院,福建 泉州,362699)

    為高效地發(fā)現(xiàn)滿足用戶需求的Web服務(wù),針對Web服務(wù)的描述文本較短、缺乏足夠有效信息的問題,提出一種基于Word2Vec和LDA主題模型的Web服務(wù)聚類方法。該方法首先將Wikipedia語料庫作為擴(kuò)充源,使用word2vec對Web服務(wù)描述文檔內(nèi)容進(jìn)行擴(kuò)充,再將擴(kuò)充后的描述文檔利用主題模型進(jìn)行特征建模,將短文本主題建模轉(zhuǎn)化為長文本主題建模,更準(zhǔn)確地實現(xiàn)服務(wù)內(nèi)容主題表達(dá),最后根據(jù)文檔的主題分布矩陣尋找相似的服務(wù)并完成聚類,使用從ProgrammableWeb收集的真實數(shù)據(jù)進(jìn)行實驗。研究結(jié)果表明:本文方法與TFIDF-K,LDA,WT-LDA和LDA-K方法相比,分別提高419.74%,20.11%,15.60%和27.80%,利用擴(kuò)充后的Web服務(wù)的描述文檔進(jìn)行聚類的方法能夠有效提高Web服務(wù)聚類的效果。

    Web服務(wù);Word2Vec;LDA主題模型;K-means算法;Web服務(wù)聚類

    近年來,隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,Web服務(wù)技術(shù)作為服務(wù)計算(SOC)和面向服務(wù)架構(gòu)(SOA)的主要實現(xiàn)技術(shù)已經(jīng)得到廣泛應(yīng)用[1]。通常,單個Web服務(wù)所提供的功能并不能滿足用戶多功能的需求。開發(fā)人員更傾向于通過以松散耦合的方式組合現(xiàn)有的基于RESTful的Web服務(wù)來創(chuàng)建多功能的Mashup服務(wù)。由于Mashup服務(wù)具有易編程和開發(fā)周期短等特性,Mashup服務(wù)變得越來越流行[2]。然而,與傳統(tǒng)的Web服務(wù)相比,Mashup服務(wù)缺少規(guī)范的形式化描述模型,如Mashup服務(wù)的描述文本內(nèi)容過少、描述語言不規(guī)范等,這些都增加了Mashup服務(wù)查找與發(fā)現(xiàn)的難 度[3]。如何發(fā)現(xiàn)適合的Mashup服務(wù)是Web服務(wù)發(fā)現(xiàn)所面臨的一個重要問題。Web服務(wù)聚類技術(shù)是用于提高Web服務(wù)發(fā)現(xiàn)精度的一種重要技術(shù)[4],它將Web服務(wù)按照其功能屬性進(jìn)行劃分,使得劃分到相同簇中的Web服務(wù)功能相似度較高,不同簇中的Web服務(wù)功能相似度較低。通過計算Web服務(wù)功能相似度的聚類方法,能夠有效提高Web服務(wù)搜索引擎的查找效率。目前,國內(nèi)外研究者對Web服務(wù)聚類進(jìn)行了大量研究?,F(xiàn)有的關(guān)于Web服務(wù)聚類的研究主要聚焦于Web服務(wù)功能屬性的聚類研究?;诠δ艿腤eb服務(wù)聚類主要依據(jù)的是Web服務(wù)功能的相似性而將它們聚到具有相似功能的類簇中。例如,YU等[5]提出一種基于服務(wù)和操作聯(lián)合聚類的服務(wù)社區(qū)學(xué)習(xí)算法,把具有相似功能的服務(wù)聚類為同構(gòu)服務(wù)社區(qū)。文獻(xiàn)[4,6]從WSDL文檔中抽取關(guān)鍵特征,用于表示1個Web服務(wù);然后,基于這些特征,計算Web服務(wù)之間的相似性,將服務(wù)聚類到功能相似的類簇。也有許多方法引入許多輔助信息來改善主題模型的訓(xùn)練過程[7?9],例如,CHEN 等[7?8]使用WSDL文檔和Tag信息作為輸入信息,分別計算獲得WSDL文檔相似性和Tag相似性,并合成這2種相似性實現(xiàn)服務(wù)聚類。黃媛等[9]也提出一種基于標(biāo)簽推薦的Web服務(wù)聚類方法,該方法結(jié)合了描述文檔和Web服務(wù)標(biāo)簽來進(jìn)行聚類。李征等[10]提出了一種基于概率、融合領(lǐng)域特性的服務(wù)聚類模型。SHI 等[11]提出一種利用詞向量的增強(qiáng)LDA(Latent Dirichlet Allocation)服務(wù)聚類方法。對Web服務(wù)描述文檔中的所有詞進(jìn)行聚類,使這些詞匯聚類信息參與LDA模型的訓(xùn)練過程。這些方法都是通過對Web服務(wù)的描述文檔進(jìn)行建模,抽取出Web服務(wù)的關(guān)鍵特征,再對Web服務(wù)進(jìn)行聚類。但目前大部分主題模型都無法對這類缺乏訓(xùn)練語料庫的短文本進(jìn)行較好建模。由于原始描述文檔包含較少信息并且使用自然語言來描述,這使得主題模型提取的Web服務(wù)隱含主題信息不夠準(zhǔn)確,雖然當(dāng)前有些主題模型在訓(xùn)練過程中引入了輔助信息,如Web服務(wù)的標(biāo)簽信息、詞聚類信息等,但相比傳統(tǒng)的LDA主題模型[12],改進(jìn)現(xiàn)有的主題模型對Web服務(wù)聚類準(zhǔn)確率的提升并不明顯。針對這一問題,本文提出一種基于Word2Vec和LDA主題模型的Web服務(wù)聚類方法。利用Word2Vec對Web服務(wù)的短文本進(jìn)行擴(kuò)充,能夠獲得額外的文本信息,將短文本主題建模轉(zhuǎn)化為長文本主題建模,使得主題模型能夠有效地估計出Web服務(wù)描述文本的隱含主題,提高聚類的精度。再將這些擴(kuò)充后具有額外信息的描述文檔用于LDA主題建模,從而獲得更加準(zhǔn)確的聚類效果。

    1 預(yù)備知識

    1.1 Word2vec文本擴(kuò)充

    Web服務(wù)的描述文本通常比較短,如在本文中使用的數(shù)據(jù)集,平均每一個Web服務(wù)的描述文檔僅包含24.16個詞。直接利用LDA等主題建模方法難以有效地估計出服務(wù)的隱含主題。因此,需要對Web服務(wù)的描述文本進(jìn)行擴(kuò)充。

    本文利用Word2vec訓(xùn)練出維基百科(Wikipedia)英文語料庫的詞向量模型。本文使用的Wikipedia英文語料庫數(shù)據(jù)量大,共有11GB。因此,采用的是基于負(fù)采樣的CBOW(continuous bag of words)模型。假設(shè)(,C)是從訓(xùn)練數(shù)據(jù)集提取出來的詞及其上下文信息C信息對。那么通過周圍詞來預(yù)測當(dāng)前詞的概率如下:

    CBOW模型訓(xùn)練目標(biāo)的極大似然估計函數(shù),表達(dá)式如下:

    1.2 LDA特征建模

    通過文本擴(kuò)充,將短文本主題建模轉(zhuǎn)化成為長文本主題建模,利用LDA主題模型對服務(wù)內(nèi)容進(jìn)行特征建模,實現(xiàn)Web服務(wù)內(nèi)容的主題表達(dá)。

    LDA主題模型可以將每篇文檔的主題以概率分布的形式給出[14],用來識別大規(guī)模文本中的隱含主題信息,在信息檢索等都有得到了廣泛的應(yīng)用。

    圖1 LDA模型圖

    圖1所示為LDA模型圖。圖1中,單圓環(huán)表示隱含變量,雙圓環(huán)表示可觀察值,矩形表示重復(fù)過程;大矩形表示從Dirichlet分布中為文檔集中的每個文檔反復(fù)抽取主題分布;小矩形表示從主題分布中反復(fù)抽樣產(chǎn)生文檔的詞{1,2,…,w};為主題個數(shù);為文檔總數(shù);N為第個文檔的單詞總數(shù);Z,n為第個文檔中第個詞的主題;w,n為個文檔中的第個詞;和為它們的先驗參數(shù);隱含變量表示第個文檔下的Topic分布;表示第個主題下詞的分布。對于文檔中每個詞,可以通過公式(3)為其抽樣1個主題Z。同時,通過公式(4)選擇該詞W。

    將擴(kuò)充后的Mashup描述文檔作為LDA模型的輸入,采用吉布斯抽樣(Gibbs Sampling)方法,和分別可被推斷出來,從而得到每個描述文檔的文檔主題矩陣和詞主題矩陣。如圖2所示。

    圖2 LDA詞主題與文檔主題矩陣

    2 方法框架與過程

    本文提出的方法總體框架如圖3所示。首先,對收集到的Web服務(wù)數(shù)據(jù)集進(jìn)行預(yù)處理。之后,使用Word2Vec工具對Wikipedia語料庫進(jìn)行訓(xùn)練,生成詞向量模型。在詞向量模型中尋找與Web服務(wù)的描述文檔相似的詞進(jìn)行擴(kuò)充,得到不同擴(kuò)充程度的描述文檔,使原始文本有足夠的詞頻共現(xiàn),使主題模型更加有效地估計服務(wù)的隱含主題。然后,使用文本聚類領(lǐng)域常用的工具LDA模型對擴(kuò)充后的描述文檔進(jìn)行主題建模。接著,對LDA生成的文檔主題分布矩陣使用K-means聚類方法實現(xiàn)服務(wù)聚類。最后,采用準(zhǔn)確率、召回率以及對實驗結(jié)果進(jìn)行評價。

    圖3 方法總體框架

    2.1 方法步驟

    2.1.1 Wikipedia數(shù)據(jù)集以及詞向量訓(xùn)練過程

    Wikipedia是公認(rèn)的互聯(lián)網(wǎng)上最全面、最權(quán)威的網(wǎng)絡(luò)百科全書,有豐富的語料庫。本文采用2017年4月的英文維基百科語料庫,下載地址為:https://dumps.wikimedia.org/enwiki/latest/enwiki-latest-pages-articles.xml.bz2,約為11 GB。其中每個文件大約為1 MB,包含了多個英文文檔。

    本文使用python中的gensim模塊對Wikipedia語料庫進(jìn)行訓(xùn)練,生成了Wikipedia語料庫的詞向量模型,具體參數(shù)設(shè)置如表1所示。

    表1 Word2Vec參數(shù)設(shè)置

    2.1.2 Web服務(wù)數(shù)據(jù)集及預(yù)處理

    本實驗的數(shù)據(jù)集來自于ProgrammableWeb網(wǎng)站,它是一個API資源發(fā)布和檢索的權(quán)威平臺,是世界上API的新聞和信息的主要來源。截至2017?05,該網(wǎng)站上中的Mashup數(shù)量已經(jīng)超過6 300個,Web API的數(shù)量突破17 000個。

    本文使用從ProgrammableWeb爬取的6 347個Mashup服務(wù),包括服務(wù)名稱、描述文本、所使用的Web API以及Tag等信息。在實驗中挑選了數(shù)量最多的前五類Mashup,它們的分布情況如表2所示。

    為了提高文本聚類的精確度,首先對這些Mashup的描述文檔進(jìn)行預(yù)處理。過程如下。

    1) 文本令牌化(tokenize)。將每個單詞按照空格分開,且將單詞和標(biāo)點符號也分開,使得文本中的單詞、字符變成單獨(dú)的單元。

    表2 Top5類的Mashup服務(wù)分布圖

    2) 過濾停用詞(stop words)。去除英文中一些無意義的詞以及標(biāo)點符號,如:“a”,“and”,“or”,“to”和“@”等。

    3) 詞干化處理(stemming)。在英文文本中,同一個單詞會因為人稱、時態(tài)的不同而有不同的表現(xiàn)形式,如“connection”,“connected”和“connecting”,它們實際上都是同一個單詞“connect”。若將這些單詞看作是不同的單詞,那么之后的實驗結(jié)果的準(zhǔn)確度撿回降低。故需要進(jìn)行詞干化處理。

    以上處理步驟均采用python中的自然語言處理工具包[15]NLTK(Natural Language Toolkit)進(jìn)行處理。在完成以上3個步驟后,便獲得了處理好的Web服務(wù)描述文檔text。

    2.1.3 詞向量擴(kuò)充處理

    使用Word2vec工具對Wikipedia語料庫進(jìn)行訓(xùn)練,得到Wikipedia語料庫的詞向量模型。接著利用訓(xùn)練好的詞向量模型來進(jìn)行Web服務(wù)描述文檔的擴(kuò)充。具體方法為:在詞向量空間中尋找與原始Web服務(wù)描述文檔中的詞最相近的前個詞進(jìn)行擴(kuò)充,得到不同擴(kuò)充程度的Web服務(wù)描述文檔[16]。例如:原始單詞Earth與Google,經(jīng)過擴(kuò)充之后形成的前10個擴(kuò)充詞分別為{planet,martian,mars,venusian,planets,spaceship,universe planetary,moon,deimos}和{gmail,dropbox,evernote,app,adsense,yahoo,microsoft,flickr,hotmail}。

    2.1.4 LDA主題建模

    2.1.5 Web服務(wù)功能聚類

    K-means聚類算法是Web服務(wù)聚類中使用最為廣泛的算法之一。該算法的步驟如下[17]。

    1) 在個樣本中,任選個樣本作為初始聚類中心=(1,2,…,z)。

    2) 對每個樣本x找到離它最近的聚類中心z,并將其分配到z所標(biāo)明的類c中。

    3) 采取平均的方法計算重新分類后的各類的聚類中心。

    4) 計算

    5) 若值收斂,則返回聚類結(jié)果,并終止本算法,否則轉(zhuǎn)至步驟 2)。

    其中,步驟4)在計算每個Mashup服務(wù)到聚類中心的距離時,采用的是余弦相似度。假設(shè)某個Mashup服務(wù)m和聚類中心z它們的主題向量是(P1,P2,…,P)與(P1,P2,…,P),那么mz之間的余弦距離為

    將文本主題矩陣作為K-means的輸入,最小化所有Mashup與其所關(guān)聯(lián)的聚類中心點之間的距離之和,將得到最終的聚類結(jié)果。圖4所示為Web服務(wù)聚類結(jié)果中的2個簇的示例圖。每一個簇類的主題為該簇類出現(xiàn)次數(shù)最多的1個主題。

    圖4 Web服務(wù)聚類示例

    Fig. 4 Examples of Web service clustering

    3 實驗評估

    3.1 評價標(biāo)準(zhǔn)

    為了評價服務(wù)聚類的性能,采用準(zhǔn)確率、召回率以及綜合評價指標(biāo)進(jìn)行評價[18]。其中,準(zhǔn)確率表示所有被劃分到同一簇的服務(wù)中應(yīng)被劃分到該簇的概率,召回率表示所有被聚類到同一簇中的服務(wù)占所有應(yīng)被聚類到該簇的比例,為準(zhǔn)確率和召回率的調(diào)和平均值,具體計算公式如下:

    3.2 對比方法

    選取以下方法與本文所提出的方法進(jìn)行比較。

    1) TFIDF-K[2]。該方法采用 K-mean 算法對服務(wù)進(jìn)行聚類,基于詞頻和逆文檔頻率進(jìn)行服務(wù)之間相似度的計算。

    2) LDA。該方法基于 LDA 主題模型進(jìn)行劃分,每個服務(wù)屬于主題概率最大的類別。具有相同主題的Web服務(wù)被劃分為1個類。

    3) WT-LDA[7]。該方法在傳統(tǒng)的LDA主題建模過程中添加了Web服務(wù)標(biāo)簽信息,每個服務(wù)屬于主題概率最大的類別,具有相同主題的 Web服務(wù)被聚為1個類。

    4) LDA-K[2]:該方法針對原始的、未擴(kuò)充的服務(wù)文本進(jìn)行聚類。首先,基于LDA模型的主題分布矩陣進(jìn)行Web服務(wù)之間的相似度計算;然后,使用K-means算法對Mashup服務(wù)進(jìn)行聚類。

    5) ELDA-K-i。該方法即為本文提出的方法。首先對Mashup服務(wù)描述文本進(jìn)行擴(kuò)充,使短文本擴(kuò)充成為長文本,再對其進(jìn)行主題建模,得到文檔?主題矩陣。再依據(jù)主題分布進(jìn)行相似度的計算,并使用K-Means聚類算法進(jìn)行聚類。其中,表示擴(kuò)充的詞語數(shù)量。

    6) ELDA-HC。該方法采用相同的文本擴(kuò)充方法、不同的聚類算法實現(xiàn)服務(wù)聚類。首先,對Mashup服務(wù)描述文本進(jìn)行擴(kuò)充,使短文本擴(kuò)充成為長文本。使用層次聚類算法對生成的主題分布矩陣進(jìn)行聚類。

    4 實驗結(jié)果

    4.1 不同擴(kuò)充情況對服務(wù)聚類的影響

    本文設(shè)計了一組實驗,用于考察不同擴(kuò)充情況的Web服務(wù)描述文本對實驗效果的影響。將LDA的預(yù)先設(shè)定的主題數(shù)設(shè)置為20,40,60,80以及100。同時,LDA模型中的先驗參數(shù)和根據(jù)主題數(shù)來設(shè)定,=50/,=0.1。對LDA生成的文檔主題向量使用K-means算法進(jìn)行聚類。實驗結(jié)果如下:4種不同擴(kuò)充情況為分別為無擴(kuò)充、擴(kuò)充詞數(shù)為3、擴(kuò)充詞數(shù)為5、擴(kuò)充詞數(shù)為10。從圖5~7中可以看出:不擴(kuò)充時的聚類效果最差,這是因為原始文本較短,包含的信息較少;在擴(kuò)充詞數(shù)為3時,其準(zhǔn)確率、召回率以及這3個指標(biāo)均要比其余擴(kuò)充情況的高,但隨著擴(kuò)充詞數(shù)的繼續(xù)增加,聚類的效果反而降低。這是因為擴(kuò)充詞并不單單表示原單詞的含義,還會包含其他語義信息。過多的擴(kuò)充詞會使得主題模型無法準(zhǔn)確地推斷出隱含主題,使得擴(kuò)充后的Mashup描述文檔的語義變得模糊,導(dǎo)致LDA模型建模效果降低。

    1—LDA-K;2—ELDA-K-3;3—ELDA-K-5;4—ELDA-K-10。

    1—LDA-K;2—ELDA-K-3;3—ELDA-K-5;4—ELDA-K-10。

    1—LDA-K;2—ELDA-K-3;3—ELDA-K-5;4—ELDA-K-10。

    4.2 不同聚類方法的比較

    通過實驗可知:當(dāng)擴(kuò)充詞數(shù)為3時,本文方法具有最好的效果。因此,選擇ELDA-K-3方法與之前提到的其他方法進(jìn)行對比,結(jié)果如表3所示。本文提出的方法所得準(zhǔn)確率、召回率以及都最高。

    表3 不同聚類方法的實驗結(jié)果比較

    從表3可見:本文提出的方法比其他方法有著明顯的優(yōu)勢,與TFIDF-K,LDA,WT-LDA和LDA-K相比,本文方法所得分別提高419.74%,20.11%,15.60%和27.80%。這是因為擴(kuò)充后的描述文檔包含更多的關(guān)于Web服務(wù)的有效信息,而這些信息有助于Web服務(wù)功能信息特征的提取,并且在同樣擴(kuò)充情況下,使用K-means聚類方法獲得的實驗結(jié)果要優(yōu)于層次聚類方法所得結(jié)果。這是因為層次聚類在分類過程中,當(dāng)1個點被分類之后就無法進(jìn)行修正,聚類質(zhì)量會受到影響。而K-means聚類方法在聚類過程中仍可以進(jìn)行聚類結(jié)果的修正。

    5 結(jié)論

    1) Web服務(wù)的數(shù)據(jù)規(guī)模越來越大,將服務(wù)進(jìn)行聚類是一種有效提高服務(wù)發(fā)現(xiàn)的手段。基于服務(wù)描述文本通常比較短,缺乏足夠的有效信息,本文提出了一種基于Word2Vec和LDA主題模型的Web服務(wù)聚類方法。該方法將Web服務(wù)描述文檔進(jìn)行擴(kuò)充,將服務(wù)描述短文本擴(kuò)充成長文本,再對擴(kuò)充后的描述文檔進(jìn)行主題建模,最后計算各個Web服務(wù)的主題分布向量之間的距離,完成聚類。

    2) 在真實的數(shù)據(jù)集上進(jìn)行實驗,并用3種評價指標(biāo)驗證本文方法的有效性,結(jié)果證明利用擴(kuò)充后的Web服務(wù)的描述文檔進(jìn)行聚類能夠有效提高Web服務(wù)聚類的效果。

    [1] IBRAHIM N M, HASSAN M F B. A survey on different interoperability frameworks of SOA systems towards seamless interoperability[C]//Information Technology. Washington D C, USA: IEEE, 2010: 1119?1123.

    [2] CAO B, LIU X, LI B, et al. Mashup service clustering based on an integration of service content and network via exploiting a two-level topic model[C]//IEEE International Conference on Web Services San Francisco, USA. IEEE, 2016: 212?219.

    [3] 黃興, 劉小青, 曹步清, 等. 融合K-Means與Agnes的Mashup服務(wù)聚類方法[J]. 小型微型計算機(jī)系統(tǒng), 2015, 36(11): 2492?2497. HUANG Xing, LIU Xiaoqing, CAO Buqing, et al. MSCA:Mashup service clustering approach integrating K-Means and agnes algorithms[J]. Journal of Chinese Computer Systems, 2015, 36(11): 2492?2497.

    [4] ELGAZZAR K, HASSAN A E, MARTIN P. Clustering WSDL Documents to Bootstrap the Discovery of Web Services[C]// ICWS2010. Florida, USA: IEEE Computer Society, 2010: 147?154.

    [5] YU Q, REGE M. On Service community learning: A Co-clustering approach[C]//IEEE International Conference on Web Services. Washington D C, USA: IEEE Computer Society, 2010: 283?290.

    [6] HASAN M H, JAAFAR J, HASSAN M F. Fuzzy-based clustering of Web services’ quality of service: A review[J]. Journal of Communications, 2014, 9(1): 81?90.

    [7] CHEN L, WANG Y, YU Q. WT-LDA: User tagging augmented LDA for Web service clustering[C]//International Conference on Service-Oriented Computing. Berlin, Heidelberg: Springer, 2013: 162?176.

    [8] CHEN L, HU L, ZHENG Z. WTCluster: Utilizing tags for Web services clustering[M]. Service-Oriented Computing. Berlin Heidelberg: Springer 2011: 204?218.

    [9] 黃媛, 李兵, 何鵬, 等. 基于標(biāo)簽推薦的Mashup服務(wù)聚類[J]. 計算機(jī)科學(xué), 2013, 40(2): 167?171.HUANG Yuan, LI Bing, HE Peng, et al. Mashup services clustering based on tag recommendation[J]. Computer Science, 2013, 40(2): 167?171.

    [10] 李征, 王健, 張能, 等. 一種面向主題的領(lǐng)域服務(wù)聚類方法. 計算機(jī)研究與發(fā)展, 2014, 51(2): 408?419. LI Zheng, WANG Jian, ZHANG Neng, et al. A topic-oriented clustering approach for domain services[J]. Journal of Computer Research and Development, 2014, 51(2): 408?419.

    [11] SHI Min, LIU Jianxun, ZHOU Dong, et al. WE-LDA: A word embeddings augmented LDA model for Web services clustering[C]//IEEE International Conference on Web Services. Honolulu, USA: IEEE Computer Society, 2017: 9?16.

    [12] 褚征, 于炯, 王佳玉, 等. 基于LDA主題模型的移動應(yīng)用相似度構(gòu)建方法[J]. 計算機(jī)應(yīng)用, 2017, 37(4): 1075?1082. CHU Zheng, YU Jong, WANG Jayu, et al. Construction method of mobile application similarity matrix based on latent Dirichlet allocation topic model[J]. Journal of Computer Applications, 2017, 37(4): 1075?1082.

    [13] 黃仁, 張衛(wèi). 基于word2vec的互聯(lián)網(wǎng)商品評論情感傾向研究[J]. 計算機(jī)科學(xué), 2016, 43(S1): 387?389. HUANG Ren, ZHANG Wei. Study on sentiment analyzing of internet commodities review based on Word2vec[J]. Computer Science, 2016, 43(S1): 387?389.

    [14] BLEI D M, NG A Y, JORDAN M I. Latent dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3(3): 993?1022.

    [15] BIRD W W S, KLEIN E. Natural Language Processing with Python, Analyzing Text with the Natural Language Toolkit[J]. Language Resources & Evaluation, 2010, 44(4): 421?424.

    [16] 魏強(qiáng), 金芝, 許焱. 基于概率主題模型的物聯(lián)網(wǎng)服務(wù)發(fā)現(xiàn). 軟件學(xué)報, 2014, 25(8): 1640?1658. WEI Qiang, JIN Zhi, XU Yan. Service discovery for internet of things based on probabilistic topic model[J]. Journal of Software, 2014, 25(8): 1640?1658

    [17] 金建國. 聚類方法綜述[J]. 計算機(jī)科學(xué), 2014, 41(b11): 288?293. JIN Jianguo. Review of clustering method[J]. Computer Science, 2014, 41(b11): 288?293.

    [18] CAO Buqing, LIU Xiaoqing, LIU Jianxun, et al. Domain-aware Mashup service clustering based on LDA topic model from multiple data sources[J]. Information & Software Technology, 2017, 90: 40?54.

    Web services clustering based on Word2Vec and LDA topic model

    XIAO Qiaoxiang1, CAO Buqing1, 2, ZHANG Xiangping1, LIU Jianxun1, LI Yanxinwen3

    (1. Hunan University of Science & Technology, Xiangtan 411201, China; 2. State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China; 3. College of Navigation, Quanzhou Normal University, Quanzhou 362699, China)

    Considering that the description text of Web service is short and lack of enough effective information, a Web service clustering method was proposed based on Word2Vec and LDA topic model in order to find the Web service that meets user’s needs efficiently. Firstly, Wikipedia corpus was used as an extension source, and Word2Vec was used to extend the content of Web service description document, and then the expanded description document was modeled using the topic model. The short text topic modeling was transformed into a long text topic modeling, which achieved the topic of service content expression more accurately. Finally the similar service was found based on the topic distribution matrix of the document and the clustering was completed. Real data from ProgrammableWeb was used to carry out experiments. The results show that F obtained by the method increases by 419.74%, 20.11%, 15.60%, 27.80%, respectively, compared with those using TFIDF-K, LDA, WT-LDA and LDA-K. The use of extended Web service description documents clustering method can effectively improve the effectiveness of Web service clustering.

    Web services; Word2Vec; LDA topic model; K-means algorithm; Web service clustering

    10.11817/j.issn.1672?7207.2018.12.011

    TP301

    A

    1672?7207(2018)12?2979?07

    2018?01?12;

    2018?03?21

    國家自然科學(xué)基金資助項目(61873316, 61872139);湖南省自然科學(xué)基金資助項目(2017JJ2098);網(wǎng)絡(luò)與交換技術(shù)國家重點實驗室(北京郵電大學(xué))開放課題 (SKLNST-2016-2-26)(Projects(61873316, 61872139) supported by the National Natural Science Foundation of China; Project(2017JJ2098) supported by the Natural Science Foundation of Hunan Province; Project(SKLNST-2016-2-26) supported by the Open Foundation of State Key Laboratory of Networking and Switching Technology (Beijing University of Posts and Telecommunications)

    曹步清,博士,副教授,從事服務(wù)計算與云計算等方面的研究;E-mail:buqingcao@gmail.com

    (編輯 陳燦華)

    猜你喜歡
    語料庫文檔聚類
    有人一聲不吭向你扔了個文檔
    《語料庫翻譯文體學(xué)》評介
    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
    把課文的優(yōu)美表達(dá)存進(jìn)語料庫
    基于RI碼計算的Word復(fù)制文檔鑒別
    基于改進(jìn)的遺傳算法的模糊聚類算法
    Persistence of the reproductive toxicity of chlorpiryphos-ethyl in male Wistar rat
    基于JAVAEE的維吾爾中介語語料庫開發(fā)與實現(xiàn)
    語言與翻譯(2015年4期)2015-07-18 11:07:45
    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
    熟女少妇亚洲综合色aaa.| 国产精品自产拍在线观看55亚洲| 日韩精品免费视频一区二区三区| 久久精品91蜜桃| 成人国产综合亚洲| 亚洲一区中文字幕在线| √禁漫天堂资源中文www| 精品欧美一区二区三区在线| 国产亚洲av嫩草精品影院| 欧美日韩福利视频一区二区| 精品欧美一区二区三区在线| 久久 成人 亚洲| 久久精品亚洲精品国产色婷小说| 午夜日韩欧美国产| 欧美乱色亚洲激情| 小说图片视频综合网站| 999精品在线视频| 日韩精品青青久久久久久| 少妇人妻一区二区三区视频| 精品国产美女av久久久久小说| 亚洲av成人av| 亚洲熟妇中文字幕五十中出| 成在线人永久免费视频| 免费观看人在逋| 久久久久久久精品吃奶| 欧美黑人巨大hd| 狠狠狠狠99中文字幕| 十八禁人妻一区二区| 亚洲人成电影免费在线| 国产亚洲欧美98| 欧美另类亚洲清纯唯美| 高清在线国产一区| 午夜精品一区二区三区免费看| 真人做人爱边吃奶动态| 黑人操中国人逼视频| 777久久人妻少妇嫩草av网站| 亚洲国产高清在线一区二区三| 亚洲成人久久性| 女人高潮潮喷娇喘18禁视频| 五月伊人婷婷丁香| 国产精品久久久久久精品电影| 亚洲精品美女久久av网站| 国产精品自产拍在线观看55亚洲| 欧美黑人巨大hd| 欧美日韩一级在线毛片| 别揉我奶头~嗯~啊~动态视频| 日韩有码中文字幕| 最新在线观看一区二区三区| 久久久久精品国产欧美久久久| 看免费av毛片| 9191精品国产免费久久| 亚洲专区字幕在线| 777久久人妻少妇嫩草av网站| 日本黄色视频三级网站网址| 此物有八面人人有两片| 亚洲国产精品sss在线观看| 国产真人三级小视频在线观看| 久久精品国产亚洲av香蕉五月| 国产私拍福利视频在线观看| 欧美日韩中文字幕国产精品一区二区三区| 国内毛片毛片毛片毛片毛片| 1024视频免费在线观看| 日韩有码中文字幕| 国产v大片淫在线免费观看| 日本在线视频免费播放| 看免费av毛片| 久久久久免费精品人妻一区二区| 成人永久免费在线观看视频| 国产亚洲av高清不卡| 免费在线观看影片大全网站| 国产精品影院久久| 久久99热这里只有精品18| 视频区欧美日本亚洲| 老鸭窝网址在线观看| 一级作爱视频免费观看| 91麻豆av在线| 怎么达到女性高潮| 亚洲自偷自拍图片 自拍| 熟女电影av网| 精品人妻1区二区| 亚洲av美国av| а√天堂www在线а√下载| 国产成人精品无人区| 日本一区二区免费在线视频| 国产精品久久电影中文字幕| 国产激情欧美一区二区| 欧美日本视频| 成人国语在线视频| 色尼玛亚洲综合影院| 国产精品电影一区二区三区| 欧美不卡视频在线免费观看 | 色综合欧美亚洲国产小说| 一边摸一边抽搐一进一小说| 日韩三级视频一区二区三区| 18禁美女被吸乳视频| 嫁个100分男人电影在线观看| 亚洲男人的天堂狠狠| 欧美最黄视频在线播放免费| 国产黄片美女视频| 身体一侧抽搐| 18禁黄网站禁片免费观看直播| 国产精品一区二区三区四区久久| 国产精品久久久久久人妻精品电影| 国产熟女午夜一区二区三区| 成人亚洲精品av一区二区| 亚洲av中文字字幕乱码综合| 麻豆成人av在线观看| 在线视频色国产色| 九色成人免费人妻av| 最近最新免费中文字幕在线| 国产视频内射| 人妻丰满熟妇av一区二区三区| 成人国产综合亚洲| 国产三级在线视频| 变态另类丝袜制服| 久久久久九九精品影院| 色综合欧美亚洲国产小说| 在线国产一区二区在线| 亚洲电影在线观看av| 日韩 欧美 亚洲 中文字幕| 久久久国产精品麻豆| 制服诱惑二区| 亚洲国产精品久久男人天堂| 一本大道久久a久久精品| 两个人的视频大全免费| av在线播放免费不卡| 久久久精品欧美日韩精品| 欧美日韩一级在线毛片| 成年免费大片在线观看| 少妇裸体淫交视频免费看高清 | 这个男人来自地球电影免费观看| 999精品在线视频| 一边摸一边做爽爽视频免费| 午夜福利高清视频| 村上凉子中文字幕在线| 男女床上黄色一级片免费看| 亚洲av熟女| 97超级碰碰碰精品色视频在线观看| 啦啦啦观看免费观看视频高清| 在线国产一区二区在线| 午夜两性在线视频| 男人舔女人下体高潮全视频| 欧美黑人欧美精品刺激| 亚洲五月天丁香| 欧美3d第一页| 精品高清国产在线一区| 亚洲熟女毛片儿| 日韩 欧美 亚洲 中文字幕| av有码第一页| 中国美女看黄片| 老司机午夜福利在线观看视频| 精品久久久久久久人妻蜜臀av| 国产亚洲av高清不卡| 国产av一区二区精品久久| 精品国产乱码久久久久久男人| 99精品久久久久人妻精品| 色尼玛亚洲综合影院| 成人国产综合亚洲| 午夜福利18| 国产黄a三级三级三级人| 欧美成狂野欧美在线观看| 美女扒开内裤让男人捅视频| 中文字幕av在线有码专区| 熟女电影av网| 精品国产美女av久久久久小说| 国产成人精品无人区| aaaaa片日本免费| 亚洲av中文字字幕乱码综合| 一区二区三区高清视频在线| 久久婷婷人人爽人人干人人爱| 51午夜福利影视在线观看| 女警被强在线播放| xxx96com| 777久久人妻少妇嫩草av网站| 每晚都被弄得嗷嗷叫到高潮| 在线免费观看的www视频| 欧美黑人巨大hd| 91麻豆av在线| 亚洲专区字幕在线| 此物有八面人人有两片| 长腿黑丝高跟| 嫁个100分男人电影在线观看| 亚洲avbb在线观看| 又黄又粗又硬又大视频| 999精品在线视频| 亚洲精品色激情综合| 午夜福利在线观看吧| 欧美极品一区二区三区四区| 欧美乱色亚洲激情| 国产亚洲精品第一综合不卡| 嫩草影院精品99| 国产麻豆成人av免费视频| 免费在线观看日本一区| 小说图片视频综合网站| 日本 av在线| 日本免费a在线| 欧美色欧美亚洲另类二区| 国产亚洲精品综合一区在线观看 | 久久精品影院6| 1024视频免费在线观看| 熟女少妇亚洲综合色aaa.| 国产av麻豆久久久久久久| 色哟哟哟哟哟哟| 欧美黑人欧美精品刺激| 在线观看午夜福利视频| 亚洲国产中文字幕在线视频| 亚洲第一电影网av| 99国产精品一区二区蜜桃av| 午夜激情福利司机影院| 天天添夜夜摸| 国产精品精品国产色婷婷| 欧美色欧美亚洲另类二区| 看黄色毛片网站| 日韩精品青青久久久久久| 久久精品综合一区二区三区| 欧美日韩福利视频一区二区| 亚洲人成网站高清观看| 国产视频一区二区在线看| 丰满的人妻完整版| 免费搜索国产男女视频| 日韩欧美在线二视频| 国产午夜精品论理片| 男女午夜视频在线观看| 欧美日韩亚洲综合一区二区三区_| 免费在线观看成人毛片| 看片在线看免费视频| 老熟妇仑乱视频hdxx| 五月玫瑰六月丁香| 1024手机看黄色片| 国产又黄又爽又无遮挡在线| 国产乱人伦免费视频| 国产av一区二区精品久久| 在线观看午夜福利视频| 国产人伦9x9x在线观看| 亚洲成人免费电影在线观看| 亚洲国产欧洲综合997久久,| 成人手机av| 99热这里只有是精品50| 动漫黄色视频在线观看| 中文字幕人妻丝袜一区二区| 后天国语完整版免费观看| 精品国产乱子伦一区二区三区| 午夜视频精品福利| 国产一区二区三区在线臀色熟女| 国产日本99.免费观看| 国产伦一二天堂av在线观看| 亚洲欧美日韩无卡精品| 久久人妻福利社区极品人妻图片| 亚洲成a人片在线一区二区| 日韩欧美在线乱码| 国产一区二区三区视频了| 亚洲中文av在线| 欧美色视频一区免费| 一级毛片精品| 好男人电影高清在线观看| 琪琪午夜伦伦电影理论片6080| 亚洲欧美日韩高清专用| 国产99久久九九免费精品| 一本综合久久免费| 久久人人精品亚洲av| 国产精品爽爽va在线观看网站| 给我免费播放毛片高清在线观看| 国产激情久久老熟女| 老熟妇乱子伦视频在线观看| 日韩精品免费视频一区二区三区| 夜夜爽天天搞| 国产成人啪精品午夜网站| 国产精品1区2区在线观看.| 国产私拍福利视频在线观看| 亚洲五月婷婷丁香| 久久久久久久久免费视频了| 精品国产超薄肉色丝袜足j| 国产91精品成人一区二区三区| 亚洲成av人片免费观看| 亚洲 欧美一区二区三区| 999久久久国产精品视频| 亚洲狠狠婷婷综合久久图片| 久久这里只有精品19| 亚洲一区二区三区不卡视频| 欧美在线黄色| 这个男人来自地球电影免费观看| 正在播放国产对白刺激| 小说图片视频综合网站| 免费电影在线观看免费观看| 久久九九热精品免费| 淫妇啪啪啪对白视频| 日韩欧美 国产精品| 久久久久久国产a免费观看| 最新在线观看一区二区三区| 国产成+人综合+亚洲专区| 欧美在线黄色| 欧美成人一区二区免费高清观看 | 久久久久九九精品影院| 欧美一级a爱片免费观看看 | 久久午夜亚洲精品久久| 国产av麻豆久久久久久久| 亚洲真实伦在线观看| 一夜夜www| √禁漫天堂资源中文www| 国产精品亚洲一级av第二区| 香蕉av资源在线| 国产熟女午夜一区二区三区| 可以在线观看毛片的网站| 亚洲 国产 在线| 日韩欧美免费精品| 国产精品亚洲av一区麻豆| 亚洲最大成人中文| 日韩 欧美 亚洲 中文字幕| 最近最新免费中文字幕在线| 欧美大码av| 国产高清视频在线播放一区| 天天添夜夜摸| 校园春色视频在线观看| 麻豆成人av在线观看| 欧美黄色片欧美黄色片| 一级作爱视频免费观看| 国产午夜精品论理片| 国产蜜桃级精品一区二区三区| 91国产中文字幕| 国产av麻豆久久久久久久| 久久久国产欧美日韩av| 精品免费久久久久久久清纯| 国产精品永久免费网站| 亚洲精品中文字幕在线视频| 亚洲av成人av| x7x7x7水蜜桃| 国产精品野战在线观看| 村上凉子中文字幕在线| 国产高清有码在线观看视频 | 麻豆成人av在线观看| 亚洲熟妇中文字幕五十中出| 老司机午夜十八禁免费视频| 亚洲一区二区三区不卡视频| 五月伊人婷婷丁香| 制服诱惑二区| 搞女人的毛片| 亚洲,欧美精品.| 国产97色在线日韩免费| 免费在线观看视频国产中文字幕亚洲| 国产免费av片在线观看野外av| 长腿黑丝高跟| 国产黄a三级三级三级人| 美女 人体艺术 gogo| 国产成人一区二区三区免费视频网站| 可以免费在线观看a视频的电影网站| 亚洲午夜精品一区,二区,三区| 亚洲激情在线av| 国产麻豆成人av免费视频| 亚洲欧美日韩东京热| 88av欧美| 欧美中文日本在线观看视频| 精品不卡国产一区二区三区| АⅤ资源中文在线天堂| 久久草成人影院| 亚洲国产高清在线一区二区三| av有码第一页| 特大巨黑吊av在线直播| 一边摸一边做爽爽视频免费| 久久久国产精品麻豆| 欧美中文综合在线视频| 精品电影一区二区在线| 制服丝袜大香蕉在线| 成人18禁高潮啪啪吃奶动态图| 12—13女人毛片做爰片一| 亚洲av成人av| 国产v大片淫在线免费观看| 一边摸一边做爽爽视频免费| 久久久久久大精品| 美女扒开内裤让男人捅视频| 夜夜看夜夜爽夜夜摸| 国产精品精品国产色婷婷| 日本在线视频免费播放| 一区二区三区高清视频在线| 午夜亚洲福利在线播放| 久久久久久久久免费视频了| av中文乱码字幕在线| 高清毛片免费观看视频网站| 精品高清国产在线一区| 国产真人三级小视频在线观看| 后天国语完整版免费观看| 特级一级黄色大片| 香蕉av资源在线| av片东京热男人的天堂| 国产精品免费视频内射| 亚洲av日韩精品久久久久久密| 免费看日本二区| 欧美日韩黄片免| 精品免费久久久久久久清纯| 国产在线精品亚洲第一网站| 亚洲成人精品中文字幕电影| 国产精华一区二区三区| 无限看片的www在线观看| 麻豆国产97在线/欧美 | 欧洲精品卡2卡3卡4卡5卡区| 亚洲精品在线美女| 国产亚洲精品久久久久5区| 两个人看的免费小视频| 亚洲av成人不卡在线观看播放网| 色播亚洲综合网| 欧美高清成人免费视频www| 少妇被粗大的猛进出69影院| xxxwww97欧美| 夜夜看夜夜爽夜夜摸| 国产高清有码在线观看视频 | 少妇粗大呻吟视频| 一个人免费在线观看电影 | 精品久久久久久久人妻蜜臀av| 国产av一区二区精品久久| 桃色一区二区三区在线观看| 婷婷精品国产亚洲av| 精品久久久久久久毛片微露脸| 九色国产91popny在线| 久久久国产欧美日韩av| 成年人黄色毛片网站| 老熟妇乱子伦视频在线观看| 久久久久久国产a免费观看| 99热这里只有精品一区 | 又黄又爽又免费观看的视频| 十八禁网站免费在线| 午夜福利成人在线免费观看| 亚洲专区中文字幕在线| 嫁个100分男人电影在线观看| 国产亚洲精品av在线| 国产精品,欧美在线| 亚洲第一欧美日韩一区二区三区| 一区二区三区高清视频在线| 夜夜爽天天搞| 国产精品亚洲美女久久久| 久久精品综合一区二区三区| 国内久久婷婷六月综合欲色啪| 婷婷精品国产亚洲av在线| 国产成人影院久久av| 亚洲午夜精品一区,二区,三区| 免费看美女性在线毛片视频| 亚洲精品av麻豆狂野| 1024香蕉在线观看| 美女扒开内裤让男人捅视频| 久久欧美精品欧美久久欧美| 国产精品综合久久久久久久免费| 欧美午夜高清在线| 精品熟女少妇八av免费久了| 熟妇人妻久久中文字幕3abv| 老汉色av国产亚洲站长工具| 在线播放国产精品三级| 色在线成人网| 美女 人体艺术 gogo| 两个人的视频大全免费| 18禁裸乳无遮挡免费网站照片| 日韩精品中文字幕看吧| 淫秽高清视频在线观看| 免费观看精品视频网站| 日韩欧美一区二区三区在线观看| 少妇的丰满在线观看| 亚洲乱码一区二区免费版| 国产成人aa在线观看| 日本黄色视频三级网站网址| 99国产精品一区二区蜜桃av| 欧美 亚洲 国产 日韩一| 久久精品综合一区二区三区| 91老司机精品| 草草在线视频免费看| 精品午夜福利视频在线观看一区| 亚洲真实伦在线观看| 久9热在线精品视频| 国产乱人伦免费视频| av视频在线观看入口| 精品久久久久久久人妻蜜臀av| 久久中文看片网| 亚洲免费av在线视频| 日韩免费av在线播放| 亚洲精品国产精品久久久不卡| 老鸭窝网址在线观看| 亚洲中文日韩欧美视频| 亚洲,欧美精品.| 一本久久中文字幕| 久久草成人影院| 精品人妻1区二区| 狂野欧美白嫩少妇大欣赏| 老熟妇乱子伦视频在线观看| 一夜夜www| 国产精品乱码一区二三区的特点| 嫩草影院精品99| 国产激情欧美一区二区| 国产私拍福利视频在线观看| 欧美成人免费av一区二区三区| 午夜影院日韩av| 国产麻豆成人av免费视频| 12—13女人毛片做爰片一| 久9热在线精品视频| 日本黄色视频三级网站网址| 一边摸一边抽搐一进一小说| 欧美精品亚洲一区二区| 国产成人精品久久二区二区91| 国产伦在线观看视频一区| 露出奶头的视频| 日日爽夜夜爽网站| 欧美黑人欧美精品刺激| 夜夜躁狠狠躁天天躁| 少妇被粗大的猛进出69影院| 蜜桃久久精品国产亚洲av| 在线观看一区二区三区| 欧美日韩亚洲国产一区二区在线观看| 成人三级黄色视频| 99在线视频只有这里精品首页| 亚洲中文字幕日韩| 久久久久国内视频| 无限看片的www在线观看| 91av网站免费观看| 国产伦在线观看视频一区| 欧美日韩中文字幕国产精品一区二区三区| 99精品在免费线老司机午夜| 长腿黑丝高跟| 免费在线观看日本一区| 99在线人妻在线中文字幕| 日日爽夜夜爽网站| 色综合站精品国产| 精品久久久久久久人妻蜜臀av| 久久精品综合一区二区三区| 久久久久久久久中文| 亚洲性夜色夜夜综合| 国产熟女xx| 听说在线观看完整版免费高清| 国产精品永久免费网站| 少妇被粗大的猛进出69影院| 中文字幕最新亚洲高清| 国产av一区二区精品久久| 日本在线视频免费播放| 久久99热这里只有精品18| 丰满人妻熟妇乱又伦精品不卡| 久久精品国产清高在天天线| 亚洲欧洲精品一区二区精品久久久| 香蕉av资源在线| 久久人妻av系列| 五月玫瑰六月丁香| 成人一区二区视频在线观看| 亚洲精品美女久久久久99蜜臀| 欧美最黄视频在线播放免费| 女生性感内裤真人,穿戴方法视频| 黄色毛片三级朝国网站| 亚洲五月天丁香| 日韩精品中文字幕看吧| 国产精品 国内视频| 白带黄色成豆腐渣| 这个男人来自地球电影免费观看| 久久精品91蜜桃| 1024手机看黄色片| 日韩免费av在线播放| 国产日本99.免费观看| 国产野战对白在线观看| 老司机福利观看| 国产主播在线观看一区二区| 高清在线国产一区| 黄片小视频在线播放| 亚洲人成网站高清观看| 黄色视频不卡| 午夜日韩欧美国产| 91av网站免费观看| 亚洲一区中文字幕在线| 欧美成人性av电影在线观看| 国产精品一区二区精品视频观看| 免费看十八禁软件| 亚洲 欧美 日韩 在线 免费| 亚洲欧美日韩高清专用| 成人国产一区最新在线观看| 国产成人av教育| 国产三级在线视频| 人妻久久中文字幕网| 欧美午夜高清在线| 精品一区二区三区av网在线观看| 国产欧美日韩精品亚洲av| 波多野结衣巨乳人妻| 亚洲中文av在线| 亚洲午夜理论影院| 亚洲av第一区精品v没综合| 老司机在亚洲福利影院| 久久精品成人免费网站| 欧美日韩黄片免| 欧美色视频一区免费| 91字幕亚洲| 久久精品国产99精品国产亚洲性色| 国产一区在线观看成人免费| 欧美国产日韩亚洲一区| 他把我摸到了高潮在线观看| 啦啦啦观看免费观看视频高清| 99在线人妻在线中文字幕| 国产亚洲精品综合一区在线观看 | 在线播放国产精品三级| 十八禁网站免费在线| 亚洲中文日韩欧美视频| 少妇裸体淫交视频免费看高清 | 久久精品夜夜夜夜夜久久蜜豆 | 悠悠久久av| 国内精品久久久久久久电影| 无遮挡黄片免费观看| 久久午夜亚洲精品久久| 神马国产精品三级电影在线观看 | 美女免费视频网站| 正在播放国产对白刺激| 久久久水蜜桃国产精品网| 搡老熟女国产l中国老女人| 亚洲国产精品成人综合色| 亚洲成人免费电影在线观看| 日韩有码中文字幕| 国产男靠女视频免费网站| 色av中文字幕| 美女黄网站色视频| 精品高清国产在线一区| 国产高清有码在线观看视频 | 亚洲熟妇中文字幕五十中出| 色综合婷婷激情| 久久久久久久精品吃奶| 国产精品久久久久久久电影 | 国产免费av片在线观看野外av| 一级毛片女人18水好多| 亚洲九九香蕉|