• <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
    亚洲最大成人手机在线| 色综合色国产| 婷婷亚洲欧美| av中文乱码字幕在线| 亚洲精品成人久久久久久| 黑人高潮一二区| 我要看日韩黄色一级片| 欧美色视频一区免费| 国产中年淑女户外野战色| 色av中文字幕| 美女被艹到高潮喷水动态| 亚洲欧美日韩高清在线视频| 国内精品一区二区在线观看| 欧美又色又爽又黄视频| 亚洲精品成人久久久久久| 18禁黄网站禁片免费观看直播| 色吧在线观看| 免费看美女性在线毛片视频| 国产片特级美女逼逼视频| 女人被狂操c到高潮| 国产在视频线在精品| 真人做人爱边吃奶动态| 在线观看免费视频日本深夜| 国产三级中文精品| 久久婷婷人人爽人人干人人爱| 狂野欧美激情性xxxx在线观看| 性插视频无遮挡在线免费观看| 国产成人91sexporn| 丰满乱子伦码专区| 国产精华一区二区三区| 久久精品国产99精品国产亚洲性色| av黄色大香蕉| 午夜免费男女啪啪视频观看 | av在线亚洲专区| 成人永久免费在线观看视频| 日本熟妇午夜| 一进一出抽搐gif免费好疼| 在线国产一区二区在线| 色哟哟哟哟哟哟| 一a级毛片在线观看| 国产黄a三级三级三级人| 99国产精品一区二区蜜桃av| 99热6这里只有精品| 午夜福利视频1000在线观看| 成人av在线播放网站| 亚洲美女搞黄在线观看 | 国产毛片a区久久久久| 看十八女毛片水多多多| 日韩一本色道免费dvd| 国产精品人妻久久久影院| 国产精品女同一区二区软件| 久久久色成人| 成人美女网站在线观看视频| 黄色一级大片看看| 国产女主播在线喷水免费视频网站 | 一级毛片久久久久久久久女| 我的女老师完整版在线观看| 91在线精品国自产拍蜜月| 亚洲自偷自拍三级| 91久久精品国产一区二区成人| 春色校园在线视频观看| 午夜福利成人在线免费观看| 小蜜桃在线观看免费完整版高清| 99久久久亚洲精品蜜臀av| 欧美日韩精品成人综合77777| 亚洲av美国av| 成年女人永久免费观看视频| 亚洲国产精品成人久久小说 | 久久久久久久久久久丰满| 国产精品永久免费网站| 国产精品一区二区三区四区免费观看 | 成人特级黄色片久久久久久久| 国产av在哪里看| 日本精品一区二区三区蜜桃| 午夜福利在线观看吧| 一进一出抽搐动态| 久久久精品大字幕| 九九在线视频观看精品| 婷婷色综合大香蕉| 国产黄色小视频在线观看| 精品人妻熟女av久视频| 日韩大尺度精品在线看网址| 精品一区二区三区视频在线观看免费| 免费电影在线观看免费观看| 最后的刺客免费高清国语| 久久草成人影院| 波多野结衣巨乳人妻| 高清午夜精品一区二区三区 | av专区在线播放| 人人妻人人澡人人爽人人夜夜 | www日本黄色视频网| 天堂动漫精品| 欧美成人一区二区免费高清观看| 秋霞在线观看毛片| 国产久久久一区二区三区| 午夜精品一区二区三区免费看| 成年女人毛片免费观看观看9| 看片在线看免费视频| 国产精品久久久久久久电影| 我的女老师完整版在线观看| 午夜福利在线观看吧| 精品无人区乱码1区二区| 欧美+日韩+精品| 欧美又色又爽又黄视频| 美女xxoo啪啪120秒动态图| 简卡轻食公司| 成人美女网站在线观看视频| 悠悠久久av| 日韩欧美三级三区| 美女cb高潮喷水在线观看| 一卡2卡三卡四卡精品乱码亚洲| 中国美白少妇内射xxxbb| 99久久久亚洲精品蜜臀av| 亚洲一级一片aⅴ在线观看| 日韩av在线大香蕉| 欧洲精品卡2卡3卡4卡5卡区| 人人妻人人澡人人爽人人夜夜 | 国产午夜福利久久久久久| 黄片wwwwww| 一级毛片久久久久久久久女| 欧美成人免费av一区二区三区| 国产精品不卡视频一区二区| 久久人人精品亚洲av| 色哟哟·www| 亚洲四区av| 天堂影院成人在线观看| 免费av不卡在线播放| 五月伊人婷婷丁香| 一夜夜www| 俄罗斯特黄特色一大片| 久久精品国产99精品国产亚洲性色| 伦精品一区二区三区| 日本免费一区二区三区高清不卡| 九九热线精品视视频播放| 欧美色视频一区免费| 男女那种视频在线观看| 三级国产精品欧美在线观看| 精品久久国产蜜桃| 久久人人爽人人片av| 国内精品一区二区在线观看| 国产精品久久久久久精品电影| 女人十人毛片免费观看3o分钟| 欧美中文日本在线观看视频| 国产精品99久久久久久久久| 一进一出抽搐gif免费好疼| 亚洲熟妇中文字幕五十中出| 亚洲欧美日韩高清专用| 青春草视频在线免费观看| 色综合色国产| 搡女人真爽免费视频火全软件 | 欧美丝袜亚洲另类| 麻豆一二三区av精品| 国内少妇人妻偷人精品xxx网站| 亚洲熟妇中文字幕五十中出| 乱系列少妇在线播放| 亚洲性久久影院| av在线观看视频网站免费| 中国国产av一级| 狂野欧美白嫩少妇大欣赏| 欧美最黄视频在线播放免费| 亚洲av中文av极速乱| 久久久久久国产a免费观看| 在线免费十八禁| 人妻丰满熟妇av一区二区三区| 欧美三级亚洲精品| 九色成人免费人妻av| 桃色一区二区三区在线观看| av在线亚洲专区| 国产午夜精品久久久久久一区二区三区 | 午夜影院日韩av| 一级毛片电影观看 | 99久久精品一区二区三区| 伦理电影大哥的女人| 国产高潮美女av| 久久久久久伊人网av| 一级毛片我不卡| 夜夜夜夜夜久久久久| 中出人妻视频一区二区| 伦理电影大哥的女人| 国产精品无大码| 亚洲无线在线观看| 国产精品一区www在线观看| 欧美一级a爱片免费观看看| 国产午夜福利久久久久久| 黑人高潮一二区| 毛片女人毛片| 亚洲美女搞黄在线观看 | 国产精品,欧美在线| 国产成人a∨麻豆精品| 亚洲av不卡在线观看| 看免费成人av毛片| 午夜影院日韩av| 免费观看人在逋| 国产美女午夜福利| 日韩成人伦理影院| 大型黄色视频在线免费观看| 97在线视频观看| 国产片特级美女逼逼视频| 亚洲人成网站高清观看| 久久欧美精品欧美久久欧美| 国产一区二区亚洲精品在线观看| 干丝袜人妻中文字幕| 国产成人一区二区在线| 久久精品国产自在天天线| 国产成人a∨麻豆精品| 国产激情偷乱视频一区二区| 久久精品国产清高在天天线| 久久草成人影院| 悠悠久久av| 69av精品久久久久久| 国产色婷婷99| 九九久久精品国产亚洲av麻豆| 成人性生交大片免费视频hd| 亚洲最大成人中文| 久久精品影院6| 可以在线观看的亚洲视频| 日日摸夜夜添夜夜添小说| 欧美一区二区精品小视频在线| 日本精品一区二区三区蜜桃| av女优亚洲男人天堂| 国产在线男女| 日产精品乱码卡一卡2卡三| 国产一区二区三区在线臀色熟女| 国产精品一区www在线观看| 波多野结衣巨乳人妻| 亚洲精品一区av在线观看| 乱人视频在线观看| 日本撒尿小便嘘嘘汇集6| 18+在线观看网站| 久久久久久九九精品二区国产| 九九热线精品视视频播放| 一级黄片播放器| 成人永久免费在线观看视频| 欧美bdsm另类| 久久久精品欧美日韩精品| 一本一本综合久久| 亚洲欧美成人精品一区二区| 亚洲精品日韩在线中文字幕 | 一区二区三区高清视频在线| 成年女人永久免费观看视频| 久久99热6这里只有精品| 亚洲欧美日韩东京热| 草草在线视频免费看| 最后的刺客免费高清国语| 日本91视频免费播放| 久久亚洲国产成人精品v| 免费人妻精品一区二区三区视频| 好男人视频免费观看在线| 久久久久久久亚洲中文字幕| 22中文网久久字幕| 男女边吃奶边做爰视频| 日韩强制内射视频| 热re99久久国产66热| 午夜91福利影院| 色视频在线一区二区三区| 国产精品女同一区二区软件| 午夜福利视频精品| 久久精品夜色国产| 日日摸夜夜添夜夜添av毛片| 亚洲综合色惰| 亚洲欧美一区二区三区国产| 女性生殖器流出的白浆| 国产成人免费观看mmmm| a 毛片基地| 欧美高清成人免费视频www| 中文欧美无线码| 黄色怎么调成土黄色| 久久精品国产a三级三级三级| 欧美xxⅹ黑人| 国产亚洲午夜精品一区二区久久| 国产精品伦人一区二区| 黄色配什么色好看| 国产一区二区在线观看av| 免费观看的影片在线观看| 一级毛片aaaaaa免费看小| 中文天堂在线官网| 啦啦啦中文免费视频观看日本| 中文字幕免费在线视频6| 国产精品久久久久久久电影| 少妇人妻 视频| 人妻人人澡人人爽人人| 国产成人精品一,二区| 22中文网久久字幕| 色视频在线一区二区三区| 亚洲国产精品国产精品| 在线观看免费日韩欧美大片 | 日韩精品免费视频一区二区三区 | av天堂中文字幕网| 最近最新中文字幕免费大全7| 亚洲精品成人av观看孕妇| 欧美人与善性xxx| 国产成人免费观看mmmm| 韩国av在线不卡| 欧美+日韩+精品| 久久精品国产自在天天线| 丰满少妇做爰视频| 中文资源天堂在线| 日韩不卡一区二区三区视频在线| 色婷婷久久久亚洲欧美| 久久久欧美国产精品| 少妇人妻 视频| 亚洲国产精品成人久久小说| 日韩在线高清观看一区二区三区| 久久精品国产自在天天线| 六月丁香七月| 男人添女人高潮全过程视频| 日本免费在线观看一区| 成人漫画全彩无遮挡| 一级av片app| 久久久久久久久久久免费av| 久久久国产一区二区| 18禁在线无遮挡免费观看视频| 欧美一级a爱片免费观看看| 少妇人妻一区二区三区视频| 少妇裸体淫交视频免费看高清| 国产日韩欧美亚洲二区| 伊人亚洲综合成人网| 久久97久久精品| 亚洲精品456在线播放app| 高清午夜精品一区二区三区| 青青草视频在线视频观看| 国产在线一区二区三区精| 永久免费av网站大全| 日本爱情动作片www.在线观看| 亚洲精品国产av蜜桃| 两个人的视频大全免费| 国产成人精品婷婷| 乱人伦中国视频| 免费播放大片免费观看视频在线观看| 纯流量卡能插随身wifi吗| 国产精品偷伦视频观看了| 黄色视频在线播放观看不卡| 亚洲av欧美aⅴ国产| 日韩欧美精品免费久久| 欧美日韩综合久久久久久| av卡一久久| 日韩,欧美,国产一区二区三区| 亚洲精品国产成人久久av| 男人添女人高潮全过程视频| 一级a做视频免费观看| 成人美女网站在线观看视频| 久久人人爽人人爽人人片va| 成年女人在线观看亚洲视频| 九色成人免费人妻av| 成人综合一区亚洲| 亚州av有码| av在线app专区| 亚洲伊人久久精品综合| 观看免费一级毛片| 各种免费的搞黄视频| 十八禁高潮呻吟视频 | 蜜桃久久精品国产亚洲av| 3wmmmm亚洲av在线观看| 蜜桃久久精品国产亚洲av| 99热国产这里只有精品6| 亚洲av不卡在线观看| 婷婷色综合大香蕉| 高清毛片免费看| 少妇被粗大猛烈的视频| 老熟女久久久| 美女国产视频在线观看| 精品亚洲成a人片在线观看| 久久久久久伊人网av| 又爽又黄a免费视频| 国产中年淑女户外野战色| 欧美精品人与动牲交sv欧美| 最近2019中文字幕mv第一页| 婷婷色麻豆天堂久久| 99热全是精品| 国产黄频视频在线观看| 晚上一个人看的免费电影| 国产一区二区三区av在线| 久久99热6这里只有精品| 久久99精品国语久久久| 国产精品国产三级国产专区5o| 欧美亚洲 丝袜 人妻 在线| 午夜激情福利司机影院| av播播在线观看一区| 亚洲成人一二三区av| 日本与韩国留学比较| 三级国产精品片| 日日啪夜夜撸| 美女视频免费永久观看网站| 少妇人妻 视频| 久久精品国产a三级三级三级| 精品久久久久久电影网| 精品亚洲成国产av| 久久人人爽人人爽人人片va| 在线观看免费视频网站a站| 久久久国产一区二区| 一级毛片aaaaaa免费看小| 国产精品欧美亚洲77777| 久久久欧美国产精品| 成人18禁高潮啪啪吃奶动态图 | 人体艺术视频欧美日本| 最近手机中文字幕大全| 亚洲国产精品一区二区三区在线| 久久久久精品性色| av在线观看视频网站免费| 另类精品久久| 人人妻人人澡人人看| 十八禁高潮呻吟视频 | 中国美白少妇内射xxxbb| 天堂8中文在线网| 欧美人与善性xxx| 亚洲欧美日韩卡通动漫| av福利片在线观看| 国语对白做爰xxxⅹ性视频网站| 99视频精品全部免费 在线| 午夜福利影视在线免费观看| 中文天堂在线官网| 色视频www国产| 中文欧美无线码| 亚洲国产成人一精品久久久| 我的女老师完整版在线观看| 一级毛片aaaaaa免费看小| 亚洲精品国产色婷婷电影| 久久av网站| 国产av国产精品国产| av有码第一页| 国产亚洲精品久久久com| 国产成人精品久久久久久| 国产淫片久久久久久久久| 高清黄色对白视频在线免费看 | 少妇人妻一区二区三区视频| 超碰97精品在线观看| 国产欧美日韩综合在线一区二区 | 成人黄色视频免费在线看| 另类精品久久| 极品人妻少妇av视频| 新久久久久国产一级毛片| 中文精品一卡2卡3卡4更新| 成人午夜精彩视频在线观看| 精品少妇久久久久久888优播| 色94色欧美一区二区| 精品久久久精品久久久| 两个人的视频大全免费| 日韩一区二区三区影片| 美女主播在线视频| 又爽又黄a免费视频| 国产成人精品婷婷| 国产精品人妻久久久久久| 嫩草影院新地址| 国产精品.久久久| 精品少妇内射三级| 国产成人精品无人区| 免费在线观看成人毛片| 看非洲黑人一级黄片| 国产在线一区二区三区精| 最近的中文字幕免费完整| 国产毛片在线视频| 久久6这里有精品| 夫妻性生交免费视频一级片| 久久久久精品性色| 国产精品成人在线| 蜜桃久久精品国产亚洲av| 国产成人免费观看mmmm| 少妇精品久久久久久久| 色哟哟·www| 在线精品无人区一区二区三| 亚洲高清免费不卡视频| 国产男女超爽视频在线观看| 国产成人aa在线观看| 国产黄频视频在线观看| 亚洲不卡免费看| 欧美精品国产亚洲| 国产成人午夜福利电影在线观看| 久久国产亚洲av麻豆专区| 波野结衣二区三区在线| 国产片特级美女逼逼视频| 只有这里有精品99| 伊人久久国产一区二区| 欧美国产精品一级二级三级 | 免费观看性生交大片5| av福利片在线观看| 久久久久精品性色| 国产熟女午夜一区二区三区 | 九九在线视频观看精品| 熟女人妻精品中文字幕| 亚洲精品日韩av片在线观看| 久久精品国产a三级三级三级| 久久人人爽人人爽人人片va| 国产伦理片在线播放av一区| 丰满少妇做爰视频| 国产黄色免费在线视频| 亚洲人成网站在线播| 97超视频在线观看视频| av视频免费观看在线观看| av在线播放精品| 久久久久久久久久人人人人人人| 51国产日韩欧美| 深夜a级毛片| 精品亚洲成国产av| 成人漫画全彩无遮挡| 看十八女毛片水多多多| 黄色视频在线播放观看不卡| 日本午夜av视频| 新久久久久国产一级毛片| 国产精品三级大全| 国产一区二区三区综合在线观看 | 久久99热这里只频精品6学生| 黑丝袜美女国产一区| 狂野欧美激情性bbbbbb| 一区在线观看完整版| 中文在线观看免费www的网站| 国产亚洲午夜精品一区二区久久| av有码第一页| 国产淫片久久久久久久久| 日本色播在线视频| 国产亚洲av片在线观看秒播厂| 亚洲精品国产色婷婷电影| 精品酒店卫生间| 麻豆成人午夜福利视频| 一区在线观看完整版| 午夜影院在线不卡| 人人澡人人妻人| 黑丝袜美女国产一区| 亚洲欧美一区二区三区国产| 精品国产乱码久久久久久小说| 欧美97在线视频| 少妇裸体淫交视频免费看高清| 国产精品久久久久久久电影| 三级国产精品片| 我的女老师完整版在线观看| 亚洲欧美成人精品一区二区| 国语对白做爰xxxⅹ性视频网站| 91午夜精品亚洲一区二区三区| 内地一区二区视频在线| 亚洲欧洲日产国产| 亚洲av二区三区四区| 久久久久网色| 国产熟女午夜一区二区三区 | 国产成人精品久久久久久| 久久99热6这里只有精品| 草草在线视频免费看| 伊人久久国产一区二区| 国产极品粉嫩免费观看在线 | 18禁裸乳无遮挡动漫免费视频| 久久国产精品男人的天堂亚洲 | 欧美变态另类bdsm刘玥| 在线观看三级黄色| 欧美97在线视频| 成人国产麻豆网| 亚洲不卡免费看| 极品人妻少妇av视频| 久久99热6这里只有精品| 免费高清在线观看视频在线观看| 国产69精品久久久久777片| 少妇的逼好多水| 日韩欧美一区视频在线观看 | 丝袜喷水一区| 国产精品人妻久久久影院| 自线自在国产av| 亚洲美女黄色视频免费看| 亚洲欧美一区二区三区国产| 永久网站在线| 亚洲婷婷狠狠爱综合网| 久久99一区二区三区| 国产欧美日韩一区二区三区在线 | 精品一区二区三区视频在线| 欧美日韩精品成人综合77777| 国产一区有黄有色的免费视频| 偷拍熟女少妇极品色| 久久女婷五月综合色啪小说| 日韩一区二区三区影片| 亚洲美女视频黄频| 国产av一区二区精品久久| 啦啦啦视频在线资源免费观看| 日韩人妻高清精品专区| 久久精品国产a三级三级三级| 中国国产av一级| 国产精品久久久久久久电影| 久热久热在线精品观看| 777米奇影视久久| 看免费成人av毛片| 免费观看性生交大片5| 看免费成人av毛片| 大话2 男鬼变身卡| 高清欧美精品videossex| 我的老师免费观看完整版| 美女内射精品一级片tv| 高清午夜精品一区二区三区| 亚洲精品日本国产第一区| 三级国产精品欧美在线观看| 99久国产av精品国产电影| 国产女主播在线喷水免费视频网站| 日韩 亚洲 欧美在线| 中文欧美无线码| 国产精品久久久久久久久免| 精华霜和精华液先用哪个| 久久久久久人妻| a级毛片免费高清观看在线播放| 看十八女毛片水多多多| 99热6这里只有精品| 女人精品久久久久毛片| 亚洲无线观看免费| 人妻人人澡人人爽人人| 美女大奶头黄色视频| 18+在线观看网站| 亚洲精品色激情综合| 丁香六月天网| 18禁裸乳无遮挡动漫免费视频| 免费黄频网站在线观看国产| 七月丁香在线播放| 精品亚洲乱码少妇综合久久| 26uuu在线亚洲综合色| 亚洲av在线观看美女高潮| 日韩伦理黄色片| 久久久久久久大尺度免费视频| 最黄视频免费看| 亚洲不卡免费看| 国产成人91sexporn| av黄色大香蕉| 七月丁香在线播放| 少妇精品久久久久久久|