• <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 ?

    結合文本信息量和聚類的文本裁剪算法

    2018-03-19 06:28:32鄧珍榮朱益立
    計算機工程與設計 2018年3期
    關鍵詞:特征詞信息量訓練樣本

    謝 攀,鄧珍榮,2,朱益立

    (1.桂林電子科技大學 計算機與信息安全學院,廣西 桂林 541004;2.桂林電子科技大學 廣西可信軟件重點實驗室,廣西 桂林 541004)

    0 引 言

    KNN方法是基于實例的學習,在分類過程中存在著耗時的缺陷[1-4],所以對訓練數(shù)據(jù)集進行優(yōu)化操作以減小計算量就顯得很有意義。針對KNN文本分類的研究,很多學者也提出了自己的想法。周慶平等提出了一種基于聚類改進的KNN文本分類算法[5],對訓練文聚類產(chǎn)生m個簇,利用每個簇的聚類中心構建新的訓練樣本空間與測試文本計算相似度,提高了時間效率,但是并沒考慮文本的重要性程度;茍和平等提出一種基于密度的KNN分類器樣本裁剪算法[6],該算法雖然能提高分類的準確率和時間效率,但是樣本裁剪率過低;劉海峰等提出了一種基于位置的文本分類樣本裁剪及加權方法[7],先通過聚類方法裁剪掉孤立點,再通過對樣本加權,提高了分類的準確率,但時間效率并沒有太大改進;譚學清等提出了一種基于類平均相似度的文本分類算法,在每個類中采用聚類中心作為待訓練文本空間[8],提高了分類的時間效率和分類效果。

    從目前的研究看,常用的解決辦法是通過一定的方式篩選出具有類別代表性的訓練文本,作為新的訓練樣本,或者通過聚類的思想找出每個類別的樣本中心,然后在此基礎上進行相似度計算[9-12]。

    結合上述研究,本文提出一種算法。首先根據(jù)文本中的特征詞及特征詞出現(xiàn)的次數(shù),利用本文提出的計算方法計算每條文本的權重,對每個類別中的文本重要性進行排序;再利用kmeans聚類算法將文本向量空間模型進行聚類,刪除掉每個類別中的噪聲樣本;然后結合已經(jīng)計算的樣本的重要性序列,在每個類別中篩選出等量的文本,構建新的訓練樣本空間。后續(xù)的KNN操作,在新的訓練樣本空間上進行。

    1 相關工作

    1.1 文本預處理

    文本預處理主要包括對文本正則化處理、中文分詞、停用詞操作。對于給定的文本,其中包含了許多特殊字符和無用的數(shù)字信息,需要通過正則化的方法去除掉這樣的內(nèi)容。文本操作的核心是對特征詞的操作,因此必須把給定的文本序列劃分成一個一個獨立的詞。經(jīng)中文分詞后,文本中存在著大量分類貢獻性小的詞,比如“的”、“好”等。這些詞不僅占用內(nèi)存,而且會影響特征詞的選取,需要經(jīng)過停用詞操作。

    1.2 特征提取

    文本分類的首要問題是從高維特征中選擇出具有代表性的特征,特征選擇的好壞直接影響到后續(xù)的分類。高維度會導致許多問題,首先,會使得維度之間獨立性變差,影響算法的分類準確性。其次,包含大量的噪聲特征,存在大量類別區(qū)分度低的特征。最后,嚴重影響計算量及分類效率。信息增益[13]和卡方檢驗是目前認定較好的特征選擇方法。信息增益是基于信息熵和條件熵的評估方法,是一種全局特征選取方法,同時考慮了特征詞出現(xiàn)和特征詞不出現(xiàn)的情況。IG計算公式為

    (1)

    1.3 向量空間模型

    本文選擇向量空間模型(VSM)[14]表示文本。在VSM模型中,每個文本被表示成向量形式d=(w1∶v1,w2∶v2,…,wn∶vn),d表示一個文本向量,wi(i=1,2,…,n)代表特征詞,vi(i=1,2,…,n)為特征詞在文本中的權重,n為文本集中的特征詞個數(shù)。特征詞權重計算公式為TFIDF。公式表述如下

    Wij=tfij*idfj=tfij*log(N/nj)

    (2)

    1.4 KNN分類

    KNN核心思想是:對一個測試樣本,算出該樣本與訓練樣本的相似度,考慮其中相似度最近的K個樣本,根據(jù)多票表決制來判斷待分類樣本屬于哪個類別。相似度計算公式為

    (3)

    2 結合文本信息量和kmeans的文本裁剪

    KNN在文本分類問題上,存在明顯缺點。當訓練樣本量大時,會花費大量時間在相似度計算上;當訓練文本中存在著類別區(qū)分度低或噪聲文本時,也會對分類造成干擾。針對KNN在文本分類上存在的問題,本文結合文本信息量和kmeans聚類對文本進行裁剪。然后在新的訓練文本空間上進行KNN分類。

    2.1 文本信息量的引入

    文本的信息量是指一篇文本包含的類別信息,對于一篇文本D的信息量由它所包含的特征詞來衡量,特征詞及特征詞的個數(shù)都將影響文本的信息量。特征詞對于分類的信息量用IG(式(1))計算出,但是同一個特征詞出現(xiàn)在不同類別中所攜帶的類別信息是不同的,引入了χ2來衡量特征詞對類別相關性程度。對各類別中的文本計算信息量,并按照信息量權重的大小進行排序,得出每個類別中文本的重要性序列。

    (1)χ2統(tǒng)計量

    χ2統(tǒng)計方法衡量特征詞與文檔類別c之間的相關程度,特征詞t對于類別c的χ2統(tǒng)計量計算公式為

    (4)

    在多分類中,分別計算特征詞t對于每個類別的χ2(t,ci)值。其中特征與各類別卡方最大值表示為:χmax2(t)=max{χ2(t,ci)}。

    (2)聯(lián)合χ2和IG計算文本信息量

    利用IG計算出特征詞對于訓練文本的全局信息量,χ2計算出特征詞對于各類別的局部信息量。一個特征詞包含的信息量IG表示,對于不同類別中出現(xiàn)的特征詞,用χ2值來加權。則文本信息量可以如下表述:

    設文本訓練集D={d1,d2,…,dn},其中n代表訓練文本的編號。訓練文本的類別為C={c1,c2,…,ck},k代表類別編號。根據(jù)詞袋模型統(tǒng)計每個特征詞在每個類中出現(xiàn)的次數(shù),結合信息增益公式挑選出特征詞集合為T={t1,t2,…,tm},m代表特征詞編號。特征詞的信息增益集合IG={ig1,ig2,…,igm},每個特征詞在一篇文本中出現(xiàn)的次數(shù)N={Nt1,Nt2,…,Ntm},根據(jù)卡方檢驗公式計算某個特征詞的類別傾向性可以表示為:χ2(i,j)={χ2(i,1),χ2(i,2),…,χ2(i,k)}, 則每一條文本文本信息量的公式為

    (5)

    2.2 VSM模型的kmeans聚類

    在文本數(shù)據(jù)中一些文本的類別具有模糊性,一方面一個文本可能本身具有多個類別屬性,比如一個文本可能既包含體育的類別信息,又包含健康的類別信息;另一方面一些文本的書寫不規(guī)范,包含的類別信息不明顯。在TFIDF構建向量空間模型后,這樣的文本常處于各個類別的交叉區(qū)域、或者錯分到其它類別。這樣的類別表現(xiàn)能力差的文本將成為噪聲文本,對分類的準確性造成了負面的影響。

    聚類把相似度高的樣本歸為一簇,簇內(nèi)的相似度高,而簇間相似度低。經(jīng)過聚類后,再在結合樣本的類別標簽,刪除掉簇內(nèi)干擾性樣本,刪減掉一些交叉類別樣本,以獲得表現(xiàn)能力更強的樣本。

    算法:訓練樣本空間kmeans聚類。

    輸入:經(jīng)TFIDF構造的向量空間模型,聚類個數(shù)K。

    輸出:樣本所在的簇及刪減掉噪聲樣本的訓練樣本空間。

    (1)對于訓練樣本集,隨機選擇K個向量作為質(zhì)心,K為樣本的類別個數(shù)。

    (2)計算非質(zhì)心文本與K個質(zhì)心的相似度,并把它們加入相似度最近的質(zhì)心所在的簇中。

    (3)每個文本都已經(jīng)屬于其中的一個簇,然后根據(jù)每個質(zhì)心所包含的文本的集合,重新計算得到新的質(zhì)心。

    (4)如果新計算的質(zhì)心和上次質(zhì)心之間的距離達到一個設置的閾值,算法終止,否則需要繼續(xù)迭代步驟(2)至步驟(4)。

    (5)結合文本原本的類別信息,刪除掉每個簇中干擾性的文本,得到刪減噪聲樣本的訓練樣本空間。

    2.3 結合文本信息量和聚類的樣本裁剪

    算法的主要思想是通過計算文本的信息量,得到每個類別中文本的重要性序列。假設原始訓練樣本空間為W1(d),通過kmeans聚類,刪減掉每個類別中的噪聲文本,得到訓練樣本空間W2(d)。結合訓練樣本的重要性程度,在每個類別中篩選出等量的代表性訓練樣本,得到新的訓練樣本空間W3(d)。

    假設文本訓練集為S,S有K個類別C1,C2,…,Ck,S的總文本數(shù)為n。具體流程如下。

    輸入:訓練文本集合D={d1,d2,…,dn}, 特征詞集合T={t1,t2,…,tm}, 特征詞的詞袋模型。

    (1)根據(jù)式(1)計算特征詞的信息增益值,按信息增益值大小篩選特征詞。

    (2)根據(jù)式(4)計算特征詞對于不同類別的相關性程度。

    (3)結合式(5)計算每個文本所包含的信息量。并對每個類別中的文本按照信息量進行排序。

    (4)根據(jù)kmeans聚類刪除掉每個類別中的噪聲訓練樣本,得到新的訓練樣本集合W2(d)。

    (5)根據(jù)信息量有序訓練樣本集合W1(d)和訓練樣本集合W2(d),在每個類別中選擇出L個訓練樣本,組建成新的訓練樣本空間W3(d),用作后續(xù)的操作。

    3 改進KNN文本分類算法流程

    經(jīng)過改進后的KNN文本分類的流程如圖1所示。

    圖1 樣本裁剪KNN分類流程

    步驟1 對文本訓練集進行預處理操作、中文分詞、停用詞處理。

    步驟2 構建詞袋模型,采用式(1)計算特征詞的信息增益值,選擇出特征詞集合。

    步驟3 根據(jù)提取的特征詞構建VSM,采用式(2)計算。

    步驟4 利用選取的特征詞及式(5)計算每個文本的信息量,并對每個類別中的文本包含的信息量進行排序,得出文本的重要性序列。

    步驟5 對構建好的訓練文本向量空間模型進行聚類操作,刪除掉文本中的噪聲樣本。結合步驟4得出的重要性序列,在每個類別中篩選等量的樣本。

    步驟6 對測試文本進行步驟1和步驟3的操作。

    步驟7 采用式(3)計算相似度,并選出K個相似度最近的樣本。

    步驟8 選出隸屬度最大的類別C,并將待分類的文本歸到該類別。

    4 實驗及分析

    4.1 實驗環(huán)境及實驗數(shù)據(jù)集

    實驗設計如下:實驗環(huán)境為Ubuntu 16.04 64位操作系統(tǒng)、處理器為Intel E3-1241、內(nèi)存為8G,python2.7編程完成實驗。本文所采用的實驗數(shù)據(jù)集是搜狗實驗室公開新聞語料庫。從中選取了訓練文本21 600篇,包括汽車、教育、財經(jīng)、醫(yī)療、軍事、體育6個類別,每個類別3600篇;選取了測試文本2400篇,每個類別400篇。分類效果的評估指標采用準確率、召回率、和F1值,時間采用秒來計時。

    4.2 實驗度量標準

    準確率是指分類正確的條數(shù)與分類到該類別的條數(shù)的比值,數(shù)學公式表示為

    (6)

    召回率是指分類正確的條數(shù)與樣本中該類別的條數(shù)的比值,數(shù)學公式表示為

    (7)

    F1值綜合考慮準確率和召回率這兩個因素,公式表示為

    (8)

    在針對多分類時,評估分類方法的整體性能可以用宏平均準確率、宏平均查全率、宏平均F1值只來評估。計算公式為

    (9)

    (10)

    (11)

    在多次實驗對比中,當K值取30左右的時候分類效果最佳。

    4.3 實驗對比

    比較不同特征數(shù)詞目下,文本裁剪后的KNN分類、傳統(tǒng)KNN分類及隨機選取等量訓練文本KNN的實驗效果。比較選擇特征詞數(shù)為100、300、800、1000、1500、2000,2500,3000,3500,4000每個類裁剪后文本數(shù)為300時的宏平均準確率、宏平均召回率、宏平均F1值及相似度計算時間T。此時從21 600篇訓練文本中篩選出了1800篇代表性樣本。

    由表1實驗結果看出,通過文中提出的訓練樣本裁剪方法,在不同特征詞數(shù)時都能大幅度的降低相似度計算的時間,時間降低10倍以上,而且各類評估指標并沒有明顯下降。實驗添加了一組隨機挑選等量訓練文本的對比實驗,雖然計算時間減少了,但分類結果會下降很多。實驗在特征詞數(shù)為3500左右時分類效果趨于最佳,隨著特征詞的增多,干擾的特征也會增加,時間復雜性變高,但分類的準確率趨于平穩(wěn)。

    表1 裁剪文檔為300不同特征數(shù)下實驗結果

    從每個類別中分別篩選10、50、100、150、200、300、400、600個訓練樣本,選擇特征詞數(shù)3000,文檔裁剪的實驗結果如圖2和圖3所示。

    圖2 不同裁剪數(shù)下實驗結果

    圖3 不同裁剪度下運行時間

    圖2結果表明,當每個類樣本保留200以上時,文本的分類準確率沒有明顯的下降。由圖3結果表明,當每個類的樣本保留的越多時,耗費的時間成倍增長。結合圖2和圖3的實驗結果表明,當每個類別樣本裁剪到200到300的時候分類的準確率在最高值附近,且計算相似度耗費的時間也可接受。

    通過實驗得出,訓練文本中存在著分類無關樣本或噪聲樣本時,對分類的時間效率和分類的準確性都存在著干擾,通過本文提出的樣本裁剪方法不僅時間效率提高了,而且分類效果并沒有下降,本算法在訓練文本存在大量干擾樣本時會表現(xiàn)出更強的魯棒性。

    5 結束語

    本文對KNN文本分類進行了研究,鑒于KNN效率低的局限性,提出了結合文本信息量和聚類的文本裁剪算法??紤]到文本的信息量越大,則文本的重要性越高,賦予的權重也越大,越有可能被篩選為新的訓練樣本;同時考慮到訓練樣本空間中噪聲文本會干擾文本的選擇,結合聚類刪除掉噪聲的樣本。實驗結果表明,該樣本裁剪算法可篩選出分類性能強的樣本,減少計算開銷,但不可避免地帶來了樣本信息的損失,如何既高效又實效地進行樣本裁剪,是今后可研究的方向。

    [1]Bijalwan V,Kumar V,Kumari P,et al.KNN based machine learning approach for text and document mining[J].International Journal of Database Theory and Application,2014,7(1):61-70.

    [3]Jaderberg M,Simonyan K,Vedaldi A,et al.Reading text in the wild with convolutional neural networks[J].International Journal of Computer Vision,2016,116(1):1-20.

    [4]Al-Salemi B,Ab Aziz M J,Noah S A.LDA-AdaBoost.MH:Accelerated AdaBoost.MH based on latent Dirichlet allocation for text categorization[J].Journal of Information Science,2015,41(1):27-40.

    [5]ZHOU Qingping,TAN Changgeng,WANG Hongjun,et al.Improved KNN text classification algorithm based on clustering[J].Computer Application Research,2016,33(11):3374-3377(in Chinese).[周慶平,譚長庚,王宏君,等.基于聚類改進的KNN文本分類算法[J].計算機應用研究,2016,33(11):3374-3377.]

    [6]GOU Heping,JING Yongxia,FENG Baiming,et al.Sample clipping algorithm based on density KNN classifier[J].Journal of Jiamusi University(Natural Science Edition),2013,31(2):242-244(in Chinese).[茍和平,景永霞,馮百明,等.基于密度的KNN分類器樣本裁剪算法[J].佳木斯大學學報(自然科學版),2013,31(2):242-244.]

    [7]LIU Haifeng,LIU Shousheng,SU Zhan.Sample clipping and weighting method for text categorization based on location[J].Computer Engineering and Applications,2015,51(2):131-135(in Chinese).[劉海峰,劉守生,蘇展.基于位置的文本分類樣本剪裁及加權方法[J].計算機工程與應用,2015,51(2):131-135.]

    [8]TAN Xueqing,ZHOU Tong,LUO Lin.A text classification algorithm based on class average similarity[J].Modern Library and Information Technology,2014,30(9):66-73(in Chinese).[譚學清,周通,羅琳.一種基于類平均相似度的文本分類算法[J].現(xiàn)代圖書情報技術,2014,30(9):66-73.]

    [9]Bijalwan V,Kumar V,Kumari P,et al.KNN based machine learning approach for text and document mining[J].International Journal of Database Theory and Application,2014,7(1):61-70.

    [10]Sharma M,Sarma K K.Dialectal Assamese vowel speech detection using acoustic phonetic features,KNN and RNN[C]//IEEE SPIN,2015:674-678.

    [11]Liu H,Liu S S,Yao Z.An improved KNN text categorization algorithm based on the training samples distribution[J].Journal of The China Society for Scientific and Technical Information,2013,32(1):80-85.

    [12]Dong T,Cheng W,Shang W.The research of kNN text categorization algorithm based on eager learning[C]//International Conference on Industrial Control and Electronics Engineering.IEEE,2012:1120-1123.

    [13]Xu J,Jiang H.An improved information gain feature selection algorithm for SVM text classifier[C]//International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery,2015:273-276.

    [14]Yu C Y,Shan J.Research on the web Chinese keywords extraction algorithm based on the improved TFIDF[J].Applied Mechanics & Materials,2015,727-728:915-919.

    猜你喜歡
    特征詞信息量訓練樣本
    人工智能
    基于信息理論的交通信息量度量
    基于改進TFIDF算法的郵件分類技術
    產(chǎn)品評論文本中特征詞提取及其關聯(lián)模型構建與應用
    寬帶光譜成像系統(tǒng)最優(yōu)訓練樣本選擇方法研究
    融合原始樣本和虛擬樣本的人臉識別算法
    電視技術(2016年9期)2016-10-17 09:13:41
    基于稀疏重構的機載雷達訓練樣本挑選方法
    如何增加地方電視臺時政新聞的信息量
    新聞傳播(2016年11期)2016-07-10 12:04:01
    基于多尺度互信息量的數(shù)字視頻幀篡改檢測
    計算機工程(2015年4期)2015-07-05 08:29:20
    面向文本分類的特征詞選取方法研究與改進
    亚洲av成人精品一二三区| 肉色欧美久久久久久久蜜桃| 国产一区亚洲一区在线观看| 亚洲精品在线美女| 色视频在线一区二区三区| 久久久亚洲精品成人影院| 精品福利永久在线观看| 在线天堂最新版资源| 国产女主播在线喷水免费视频网站| 亚洲熟女精品中文字幕| 搡女人真爽免费视频火全软件| 自拍欧美九色日韩亚洲蝌蚪91| 色视频在线一区二区三区| 一本久久精品| 国产在线免费精品| 成年av动漫网址| 亚洲美女搞黄在线观看| 国产淫语在线视频| 一区二区日韩欧美中文字幕| 深夜精品福利| 欧美97在线视频| 亚洲国产毛片av蜜桃av| 777久久人妻少妇嫩草av网站| 亚洲,一卡二卡三卡| 成人漫画全彩无遮挡| 国产精品人妻久久久影院| 欧美中文综合在线视频| 精品少妇久久久久久888优播| 男人爽女人下面视频在线观看| 人妻系列 视频| 高清欧美精品videossex| 超碰成人久久| 男人爽女人下面视频在线观看| 国产精品99久久99久久久不卡 | 日本vs欧美在线观看视频| 大码成人一级视频| av一本久久久久| 国产免费视频播放在线视频| 9热在线视频观看99| 三上悠亚av全集在线观看| 欧美在线黄色| 日韩在线高清观看一区二区三区| 99国产综合亚洲精品| 这个男人来自地球电影免费观看 | 宅男免费午夜| 天天躁狠狠躁夜夜躁狠狠躁| 在线天堂中文资源库| av在线观看视频网站免费| 在线观看三级黄色| 热re99久久国产66热| 亚洲五月色婷婷综合| 九九爱精品视频在线观看| 另类亚洲欧美激情| 欧美日韩一区二区视频在线观看视频在线| 精品国产乱码久久久久久男人| 亚洲色图 男人天堂 中文字幕| av又黄又爽大尺度在线免费看| av国产精品久久久久影院| 国产精品嫩草影院av在线观看| 午夜激情av网站| 99久国产av精品国产电影| 亚洲欧美日韩另类电影网站| 国产在线一区二区三区精| 人人妻人人爽人人添夜夜欢视频| 午夜福利网站1000一区二区三区| 免费播放大片免费观看视频在线观看| 大片电影免费在线观看免费| 9191精品国产免费久久| 在线观看www视频免费| av在线老鸭窝| 国产在线免费精品| 亚洲av电影在线进入| 国产精品一国产av| 免费久久久久久久精品成人欧美视频| 国产1区2区3区精品| 麻豆精品久久久久久蜜桃| 国产一区有黄有色的免费视频| 久久鲁丝午夜福利片| 国产精品国产三级专区第一集| 婷婷色综合大香蕉| 菩萨蛮人人尽说江南好唐韦庄| 在线观看美女被高潮喷水网站| 免费日韩欧美在线观看| 国产精品一二三区在线看| 美女午夜性视频免费| 亚洲成av片中文字幕在线观看 | 久久久久人妻精品一区果冻| 精品久久久精品久久久| 晚上一个人看的免费电影| 久久精品熟女亚洲av麻豆精品| 国产欧美亚洲国产| 有码 亚洲区| 中文字幕最新亚洲高清| 中文字幕精品免费在线观看视频| 老汉色∧v一级毛片| 久久国产精品男人的天堂亚洲| 久久鲁丝午夜福利片| 成人毛片a级毛片在线播放| 香蕉国产在线看| 国产97色在线日韩免费| 中文字幕最新亚洲高清| 色婷婷久久久亚洲欧美| 丝瓜视频免费看黄片| av在线老鸭窝| 尾随美女入室| 性高湖久久久久久久久免费观看| 亚洲第一区二区三区不卡| 如日韩欧美国产精品一区二区三区| 日韩三级伦理在线观看| 亚洲,一卡二卡三卡| 最近的中文字幕免费完整| 丝瓜视频免费看黄片| 人妻一区二区av| 边亲边吃奶的免费视频| 精品久久久久久电影网| 久久午夜综合久久蜜桃| 亚洲欧美清纯卡通| 狠狠精品人妻久久久久久综合| 欧美老熟妇乱子伦牲交| 欧美xxⅹ黑人| 日韩精品有码人妻一区| 久久青草综合色| 亚洲三区欧美一区| 久久精品aⅴ一区二区三区四区 | 欧美日韩一级在线毛片| 亚洲国产最新在线播放| 少妇的逼水好多| 免费人妻精品一区二区三区视频| 热re99久久国产66热| 午夜影院在线不卡| 超色免费av| av国产精品久久久久影院| 亚洲少妇的诱惑av| 老鸭窝网址在线观看| 久久久久人妻精品一区果冻| av在线app专区| 欧美精品一区二区大全| av在线播放精品| 丁香六月天网| 久久精品亚洲av国产电影网| 午夜日韩欧美国产| 少妇被粗大的猛进出69影院| 日韩精品有码人妻一区| 免费黄色在线免费观看| 亚洲经典国产精华液单| 激情五月婷婷亚洲| 亚洲少妇的诱惑av| 黄片无遮挡物在线观看| 一本大道久久a久久精品| 久久毛片免费看一区二区三区| 亚洲天堂av无毛| 嫩草影院入口| 久久久欧美国产精品| 亚洲熟女精品中文字幕| 人妻人人澡人人爽人人| 亚洲,欧美精品.| 人人妻人人澡人人看| av不卡在线播放| 欧美老熟妇乱子伦牲交| av又黄又爽大尺度在线免费看| 99热全是精品| 久久人妻熟女aⅴ| 国产高清国产精品国产三级| 日日啪夜夜爽| 香蕉国产在线看| 欧美日韩国产mv在线观看视频| 欧美成人午夜免费资源| 亚洲av电影在线进入| 国产黄色免费在线视频| 国产欧美日韩综合在线一区二区| xxxhd国产人妻xxx| 美女视频免费永久观看网站| 欧美变态另类bdsm刘玥| 欧美日本中文国产一区发布| 国产精品成人在线| 可以免费在线观看a视频的电影网站 | 亚洲av在线观看美女高潮| 99国产精品免费福利视频| 一级片免费观看大全| 99香蕉大伊视频| 女人精品久久久久毛片| 青春草亚洲视频在线观看| 最近中文字幕高清免费大全6| 黄网站色视频无遮挡免费观看| 久久这里有精品视频免费| 永久网站在线| 中文字幕人妻熟女乱码| 校园人妻丝袜中文字幕| 另类精品久久| 伦精品一区二区三区| 一区在线观看完整版| 啦啦啦中文免费视频观看日本| 在线亚洲精品国产二区图片欧美| 黄片小视频在线播放| 久久免费观看电影| 制服人妻中文乱码| 少妇熟女欧美另类| 国产精品二区激情视频| 国产男人的电影天堂91| 国产欧美日韩一区二区三区在线| 麻豆av在线久日| 热re99久久国产66热| 一区福利在线观看| 日韩大片免费观看网站| 中文字幕制服av| 满18在线观看网站| 校园人妻丝袜中文字幕| 久久毛片免费看一区二区三区| 亚洲欧洲国产日韩| 在线观看www视频免费| 一级毛片黄色毛片免费观看视频| 最近中文字幕高清免费大全6| 亚洲第一av免费看| 日韩制服骚丝袜av| 亚洲精品在线美女| 久久久久久久久久久久大奶| 婷婷色综合www| 欧美+日韩+精品| 久久久久国产一级毛片高清牌| 日韩中文字幕欧美一区二区 | 午夜免费男女啪啪视频观看| 色吧在线观看| 黄色 视频免费看| av网站在线播放免费| 一区二区三区激情视频| 欧美精品一区二区大全| 亚洲综合精品二区| 在线精品无人区一区二区三| 国产亚洲午夜精品一区二区久久| 九九爱精品视频在线观看| 纵有疾风起免费观看全集完整版| 好男人视频免费观看在线| 国产成人午夜福利电影在线观看| 日韩大片免费观看网站| 日韩制服丝袜自拍偷拍| 黄片无遮挡物在线观看| 亚洲精品第二区| 久久精品人人爽人人爽视色| 9色porny在线观看| 一个人免费看片子| 91aial.com中文字幕在线观看| 99久久综合免费| 青春草国产在线视频| 国产精品女同一区二区软件| 建设人人有责人人尽责人人享有的| 欧美老熟妇乱子伦牲交| 精品国产乱码久久久久久男人| 日韩中文字幕视频在线看片| 777久久人妻少妇嫩草av网站| 不卡视频在线观看欧美| 99香蕉大伊视频| 日本av手机在线免费观看| 中文字幕亚洲精品专区| 久久精品人人爽人人爽视色| 99热网站在线观看| av国产久精品久网站免费入址| 国产亚洲精品第一综合不卡| 永久网站在线| 97在线视频观看| 精品少妇一区二区三区视频日本电影 | 精品久久蜜臀av无| 久久国内精品自在自线图片| 午夜福利一区二区在线看| 国产黄频视频在线观看| 国精品久久久久久国模美| 精品亚洲成a人片在线观看| 久久精品国产亚洲av高清一级| 国产精品 欧美亚洲| 黄网站色视频无遮挡免费观看| 看十八女毛片水多多多| 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 | h视频一区二区三区| 97人妻天天添夜夜摸| 天天影视国产精品| 亚洲av电影在线进入| 七月丁香在线播放| 久久国产亚洲av麻豆专区| 久久久久久免费高清国产稀缺| 亚洲精品美女久久av网站| 国产精品一国产av| 一二三四中文在线观看免费高清| 亚洲伊人色综图| 亚洲一码二码三码区别大吗| 熟女少妇亚洲综合色aaa.| 少妇人妻精品综合一区二区| 国产伦理片在线播放av一区| 看非洲黑人一级黄片| 久久国内精品自在自线图片| 久久婷婷青草| 超色免费av| 亚洲情色 制服丝袜| 999久久久国产精品视频| 国产精品av久久久久免费| 精品久久蜜臀av无| 麻豆乱淫一区二区| 亚洲中文av在线| 99久久中文字幕三级久久日本| 久久久久精品性色| 久久鲁丝午夜福利片| 自拍欧美九色日韩亚洲蝌蚪91| 国产精品一二三区在线看| 国产精品一区二区在线观看99| 十分钟在线观看高清视频www| 母亲3免费完整高清在线观看 | 97在线视频观看| 一级a爱视频在线免费观看| 国产成人午夜福利电影在线观看| 亚洲熟女精品中文字幕| 一区二区三区四区激情视频| 亚洲精品一区蜜桃| 国产女主播在线喷水免费视频网站| 精品第一国产精品| 男女午夜视频在线观看| 日韩人妻精品一区2区三区| 人人澡人人妻人| 久久精品国产a三级三级三级| 国产福利在线免费观看视频| 久久热在线av| 久久精品国产a三级三级三级| 边亲边吃奶的免费视频| 黄色怎么调成土黄色| 亚洲国产毛片av蜜桃av| 久久99精品国语久久久| 欧美日韩国产mv在线观看视频| 少妇被粗大的猛进出69影院| 亚洲美女视频黄频| 777久久人妻少妇嫩草av网站| www.av在线官网国产| 久久久久国产一级毛片高清牌| 97在线人人人人妻| 十分钟在线观看高清视频www| 亚洲伊人色综图| 免费在线观看黄色视频的| 国产成人欧美| 免费在线观看黄色视频的| 如何舔出高潮| 免费播放大片免费观看视频在线观看| 如何舔出高潮| 久久久久精品久久久久真实原创| 久久人人97超碰香蕉20202| 波多野结衣一区麻豆| 青春草国产在线视频| 婷婷色麻豆天堂久久| 九色亚洲精品在线播放| 亚洲av中文av极速乱| 下体分泌物呈黄色| 亚洲精品自拍成人| 少妇熟女欧美另类| 两性夫妻黄色片| 久久精品久久久久久久性| 欧美亚洲 丝袜 人妻 在线| 少妇人妻精品综合一区二区| 免费人妻精品一区二区三区视频| 亚洲成人一二三区av| 青草久久国产| 久久精品久久久久久久性| 国产黄频视频在线观看| 久热久热在线精品观看| 国产欧美日韩综合在线一区二区| 99久久人妻综合| 国产麻豆69| 乱人伦中国视频| 久久久精品国产亚洲av高清涩受| 久久精品国产a三级三级三级| 少妇被粗大猛烈的视频| 丝瓜视频免费看黄片| 国产麻豆69| 伊人久久国产一区二区| 少妇的丰满在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 2018国产大陆天天弄谢| 日韩欧美一区视频在线观看| 久久久精品94久久精品| 人人妻人人爽人人添夜夜欢视频| 天堂8中文在线网| 一级毛片电影观看| 亚洲精品一二三| 国产亚洲最大av| 免费看不卡的av| 在线观看国产h片| 欧美黄色片欧美黄色片| 亚洲,一卡二卡三卡| 久久鲁丝午夜福利片| 中文字幕av电影在线播放| 大香蕉久久网| 国语对白做爰xxxⅹ性视频网站| 人体艺术视频欧美日本| 国产精品久久久久成人av| 免费观看av网站的网址| 亚洲一区中文字幕在线| 高清黄色对白视频在线免费看| 色婷婷久久久亚洲欧美| 日韩av不卡免费在线播放| 久久久久精品性色| 超色免费av| 少妇熟女欧美另类| 观看av在线不卡| 老汉色∧v一级毛片| 最黄视频免费看| 熟妇人妻不卡中文字幕| 18禁裸乳无遮挡动漫免费视频| 免费少妇av软件| 国产精品人妻久久久影院| 久久狼人影院| 搡老乐熟女国产| 91精品三级在线观看| 久久 成人 亚洲| 人人妻人人澡人人爽人人夜夜| 性色avwww在线观看| 狠狠婷婷综合久久久久久88av| 热99国产精品久久久久久7| 永久免费av网站大全| 久久午夜福利片| 叶爱在线成人免费视频播放| 女性被躁到高潮视频| 边亲边吃奶的免费视频| 久久久精品区二区三区| 亚洲欧美成人综合另类久久久| av在线app专区| 亚洲国产欧美在线一区| 日韩在线高清观看一区二区三区| 一区二区三区四区激情视频| 国产熟女欧美一区二区| 亚洲国产色片| 免费高清在线观看视频在线观看| 天天影视国产精品| 精品午夜福利在线看| 日韩一区二区视频免费看| 中国国产av一级| 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 | 伊人久久国产一区二区| 日日撸夜夜添| 日韩制服丝袜自拍偷拍| 视频区图区小说| 中文乱码字字幕精品一区二区三区| 麻豆精品久久久久久蜜桃| 电影成人av| 久久国内精品自在自线图片| 老司机影院毛片| 咕卡用的链子| 久久久久久久久久人人人人人人| av国产久精品久网站免费入址| 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 | 黄片播放在线免费| 伦精品一区二区三区| 天堂8中文在线网| 在线精品无人区一区二区三| 黄色怎么调成土黄色| 老汉色av国产亚洲站长工具| 精品少妇久久久久久888优播| 99re6热这里在线精品视频| 丰满迷人的少妇在线观看| 国产又色又爽无遮挡免| 成人影院久久| a级片在线免费高清观看视频| 色哟哟·www| 久久国产精品男人的天堂亚洲| 亚洲精品国产一区二区精华液| 欧美在线黄色| 午夜激情久久久久久久| 美女午夜性视频免费| av片东京热男人的天堂| 日韩制服丝袜自拍偷拍| 亚洲色图 男人天堂 中文字幕| 性色av一级| 中文欧美无线码| 麻豆精品久久久久久蜜桃| 免费人妻精品一区二区三区视频| 一级a爱视频在线免费观看| 男的添女的下面高潮视频| 国产精品嫩草影院av在线观看| 成人免费观看视频高清| 久久 成人 亚洲| 欧美日本中文国产一区发布| 我的亚洲天堂| 免费在线观看完整版高清| 91久久精品国产一区二区三区| 日韩欧美一区视频在线观看| 丰满乱子伦码专区| 国产精品国产av在线观看| 国产男女内射视频| 在线观看免费视频网站a站| 中文字幕色久视频| 一个人免费看片子| 十分钟在线观看高清视频www| 日日啪夜夜爽| 国产一区二区在线观看av| 黑人巨大精品欧美一区二区蜜桃| 26uuu在线亚洲综合色| 女的被弄到高潮叫床怎么办| 午夜av观看不卡| 热re99久久精品国产66热6| 欧美日韩成人在线一区二区| 麻豆乱淫一区二区| 国产极品天堂在线| 亚洲精品第二区| 国产黄色免费在线视频| 亚洲精品第二区| freevideosex欧美| 国产乱来视频区| 国产精品成人在线| av不卡在线播放| 亚洲一码二码三码区别大吗| 在线 av 中文字幕| 天堂中文最新版在线下载| 超碰成人久久| 国产成人精品久久二区二区91 | 在线观看国产h片| 久久亚洲国产成人精品v| 欧美精品av麻豆av| 少妇的逼水好多| 国产精品一区二区在线不卡| 黄片小视频在线播放| 我的亚洲天堂| 黄色一级大片看看| 日日摸夜夜添夜夜爱| 久久久久久久久久久免费av| 精品少妇内射三级| 精品国产一区二区三区久久久樱花| av电影中文网址| 免费观看在线日韩| 久久国内精品自在自线图片| 国产福利在线免费观看视频| 亚洲欧美精品综合一区二区三区 | 国产av国产精品国产| 国产在线免费精品| 精品少妇内射三级| 美女脱内裤让男人舔精品视频| 王馨瑶露胸无遮挡在线观看| 欧美日韩综合久久久久久| 亚洲欧美一区二区三区久久| 欧美激情高清一区二区三区 | 97人妻天天添夜夜摸| 丝袜人妻中文字幕| 性色av一级| 少妇被粗大猛烈的视频| 中文字幕制服av| 国产成人91sexporn| tube8黄色片| 欧美中文综合在线视频| 精品亚洲乱码少妇综合久久| 99久久中文字幕三级久久日本| 免费少妇av软件| 男女高潮啪啪啪动态图| 久久av网站| 亚洲精品av麻豆狂野| 久久国产精品大桥未久av| 一本久久精品| 欧美xxⅹ黑人| 97人妻天天添夜夜摸| 久久久亚洲精品成人影院| 久久精品夜色国产| 日本av免费视频播放| 老熟女久久久| 可以免费在线观看a视频的电影网站 | 性高湖久久久久久久久免费观看| 好男人视频免费观看在线| 亚洲精品aⅴ在线观看| 国产无遮挡羞羞视频在线观看| 免费高清在线观看视频在线观看| 亚洲精品中文字幕在线视频| 欧美日韩视频精品一区| 精品亚洲乱码少妇综合久久| 啦啦啦在线观看免费高清www| 国产精品久久久av美女十八| 大片电影免费在线观看免费| a级片在线免费高清观看视频| 91精品国产国语对白视频| 成人亚洲欧美一区二区av| 亚洲综合精品二区| 国产成人精品无人区| 亚洲欧美精品综合一区二区三区 | 欧美精品av麻豆av| 欧美人与善性xxx| 卡戴珊不雅视频在线播放| 人人妻人人澡人人爽人人夜夜| 亚洲欧美清纯卡通| 边亲边吃奶的免费视频| 在线观看www视频免费| 亚洲欧洲国产日韩| 午夜福利视频在线观看免费| 又粗又硬又长又爽又黄的视频| 在线观看一区二区三区激情| 爱豆传媒免费全集在线观看| 午夜福利视频在线观看免费| 色吧在线观看| 波多野结衣av一区二区av| 99久久中文字幕三级久久日本| 丁香六月天网| 十分钟在线观看高清视频www| 久久精品国产a三级三级三级| 日韩精品有码人妻一区| 国产乱人偷精品视频| 一边亲一边摸免费视频| 伦精品一区二区三区| 婷婷色综合www| 久久99精品国语久久久| 韩国精品一区二区三区| 可以免费在线观看a视频的电影网站 | 国产精品熟女久久久久浪| 亚洲精品久久久久久婷婷小说| 香蕉精品网在线| 久久久久久伊人网av| 考比视频在线观看| 日日爽夜夜爽网站| 国产有黄有色有爽视频| 日本欧美国产在线视频| 亚洲一码二码三码区别大吗| 美女国产高潮福利片在线看| a级毛片在线看网站| 麻豆精品久久久久久蜜桃| 中文欧美无线码| 18禁动态无遮挡网站| 国产一区二区在线观看av|