• <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 ?

    基于屬性偏好自學(xué)習(xí)的推薦方法

    2018-03-26 03:26:48,,,
    關(guān)鍵詞:數(shù)量預(yù)測(cè)算法

    ,,,

    (1.浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,浙江 杭州 310023;2.杭州市富陽(yáng)中學(xué),浙江 杭州 311400)

    隨著社會(huì)發(fā)展進(jìn)步,人類已經(jīng)步入了一個(gè)信息過(guò)載的時(shí)代.針對(duì)這個(gè)情況,推薦系統(tǒng)從海量數(shù)據(jù)中挖掘有用信息向用戶推薦其感興趣的商品.推薦系統(tǒng)的這種特性對(duì)電子商務(wù)網(wǎng)站具有顯著作用[1].推薦所需的用戶信息包括顯式信息和隱式信息.顯式信息包括用戶對(duì)商品的評(píng)分、評(píng)價(jià)和投票信息,此類信息較為準(zhǔn)確、難以收集.隱式信息包括用戶點(diǎn)擊歷史、購(gòu)買歷史及收藏信息,該信息易收集、難以準(zhǔn)確描述用戶偏好(包含多種語(yǔ)義).隨著研究的深入,社交信息被作為一種補(bǔ)充信息來(lái)優(yōu)化推薦結(jié)果.社交網(wǎng)絡(luò)富含多種用戶關(guān)系,比如朋友關(guān)系、關(guān)注關(guān)系、社區(qū)關(guān)系及用戶上下文數(shù)據(jù)(地點(diǎn)、心情等).屬性信息也是一種補(bǔ)充信息,該信息對(duì)挖掘用戶的潛在偏好上具有一定的作用.屬性信息可分為用戶、商品及標(biāo)簽屬性信息.一般來(lái)說(shuō),用戶信息包括用戶年齡、性別、職業(yè)和所在地等.商品信息包括商品的分類、生產(chǎn)日期等.標(biāo)簽是一種特殊屬性,它將用戶和商品都關(guān)聯(lián)起來(lái).

    在實(shí)際應(yīng)用中,推薦系統(tǒng)存在數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題.數(shù)據(jù)稀疏性是指用戶對(duì)商品評(píng)分?jǐn)?shù)量十分稀疏,比如Epinion數(shù)據(jù)集中有效評(píng)分僅占全部評(píng)分的0.05%[2].冷啟動(dòng)問(wèn)題包括用戶冷啟動(dòng)和商品冷啟動(dòng)問(wèn)題.用戶冷啟動(dòng)問(wèn)題是指對(duì)于用戶評(píng)分?jǐn)?shù)量很少或沒(méi)有而導(dǎo)致用戶推薦結(jié)果不準(zhǔn)確或難以推薦的問(wèn)題.商品冷啟動(dòng)問(wèn)題是指對(duì)于那些很少有人購(gòu)買或沒(méi)有人購(gòu)買的商品推薦不準(zhǔn)確或難以進(jìn)行推薦的問(wèn)題.筆者將首先介紹推薦系統(tǒng)的相關(guān)工作,然后介紹偏好自學(xué)習(xí)模型,包括建模方法、模型公式與推薦算法.接下來(lái)介紹實(shí)驗(yàn)的數(shù)據(jù)集、數(shù)據(jù)分布情況、實(shí)驗(yàn)設(shè)置、實(shí)驗(yàn)方案及結(jié)果.最后對(duì)工作進(jìn)行總結(jié)并給出論文后續(xù)工作.

    1 相關(guān)工作

    推薦系統(tǒng)包含基于內(nèi)容的過(guò)濾(Content-based filtering)和協(xié)同過(guò)濾(Collaborative filtering).基于內(nèi)容的過(guò)濾在早期應(yīng)用較廣,現(xiàn)在主要用于新聞的個(gè)性化推薦.目前最為常用和成功的方法是協(xié)同過(guò)濾,其可分為基于鄰域的推薦(Neighbor-based CF)和基于模型的推薦(Model-based CF)[3].其中基于鄰域的推薦方法可分為基于用戶的協(xié)同過(guò)濾(User-user collaborative filtering or userKNN)和基于商品的協(xié)同過(guò)濾(Item-item collaborative filtering or itemKNN).這兩種方法都是在計(jì)算用戶或商品的相似度基礎(chǔ)上,選取相似度高于一定閾值的用戶或商品進(jìn)行推薦.基于模型的方法是從用戶信息中學(xué)習(xí)相應(yīng)的模型參數(shù),然后根據(jù)模型進(jìn)行推薦.該方法包括矩陣分解模型、聚類模型、貝葉斯模型和排序模型等.在相關(guān)論文中,PMF[4]構(gòu)建了一個(gè)用戶及商品概率模型,并通過(guò)梯度遞減方法學(xué)習(xí)模型參數(shù).BasicMF[5]類似于PMF,但其將評(píng)分矩陣分解為潛在用戶特征和潛在商品特征的特征向量,然后使用用戶和商品的潛在因子向量的乘積來(lái)表示預(yù)測(cè)評(píng)分.BaisedMF[6]在BasicMF的基礎(chǔ)上引入了用戶和商品的偏差值來(lái)提升推薦精度.SVD++[6]在BiasedMF的基礎(chǔ)上引入了顯式反饋和隱式反饋來(lái)提升預(yù)測(cè)精度.

    在引入社交網(wǎng)絡(luò)之后,推薦方法的預(yù)測(cè)精度也得到提升.社交網(wǎng)絡(luò)可以分為基于信任機(jī)制和基于朋友機(jī)制的網(wǎng)絡(luò).信任機(jī)制網(wǎng)絡(luò)是單向且不對(duì)稱的,但朋友機(jī)制的網(wǎng)絡(luò)是雙向且對(duì)稱的.目前大部分社交網(wǎng)絡(luò)推薦模型都是在基于矩陣分解模型上的改進(jìn)方法.在相關(guān)論文中,CircleCon[3]在不同社交圈下根據(jù)用戶在圈內(nèi)的評(píng)分?jǐn)?shù)及用戶之間的共同評(píng)分來(lái)計(jì)算用戶之間的信任值.TrustMF[7]指出社交網(wǎng)絡(luò)中的用戶不僅受到其他用戶的影響同時(shí)也影響其他用戶這一前提,將社交信任信息劃分為信任空間和受信空間.MFC[8]引入交叉社區(qū)的概念,用戶特征向量應(yīng)接近與其所在社區(qū)的特征向量或其所在社區(qū)內(nèi)其他用戶的特征向量.

    消費(fèi)者是否購(gòu)買及評(píng)價(jià)好壞也受到商品的某些屬性的影響[9].并且在獲取難度上,屬性信息獲取相對(duì)于社交數(shù)據(jù)以及評(píng)分?jǐn)?shù)據(jù)上更加容易,并且相較于隱式信息來(lái)說(shuō)其含義更加明確.但上述文獻(xiàn)忽略屬性信息的存在.針對(duì)這個(gè)問(wèn)題,胡新明[10]給出了三種方法(基于商品屬性效用疊加推薦、基于神經(jīng)網(wǎng)絡(luò)屬性推薦及基于屬性的協(xié)同過(guò)濾推薦).基于商品屬性效用疊加推薦使用TF-IDF[11]算法獲得用戶對(duì)每個(gè)商品屬性值的偏好權(quán)重,然后將各個(gè)屬性值的偏好疊加獲得最終的預(yù)測(cè)評(píng)分.這種方法采用的用戶屬性值偏好是固定,而且沒(méi)有考慮到屬性之間的交互情況.基于神經(jīng)網(wǎng)絡(luò)屬性推薦采用神經(jīng)網(wǎng)絡(luò)來(lái)擬合用戶、商品屬性值及評(píng)分值關(guān)系,這種方法計(jì)算復(fù)雜度高.基于屬性的協(xié)同過(guò)濾推薦算法將屬性關(guān)系加入到相似度計(jì)算過(guò)程中,這種方法在計(jì)算屬性的相似度和評(píng)分的相似度之后會(huì)導(dǎo)致整體預(yù)測(cè)效果下降.鄭麟等[12]在商品效用疊加推薦方法的基礎(chǔ),考慮到各屬性之間相互作用關(guān)系,減少盲目交互帶來(lái)的消極影響.該論文從用戶、商品與屬性類型三種方面分別與屬性進(jìn)行交互,使得屬性用戶偏好、商品關(guān)聯(lián)與類型特征相適應(yīng),并使用局部采樣的方法有效挖掘出有用特征.然而,上述的文獻(xiàn)中用戶對(duì)屬性偏好都是固定的,并且沒(méi)有從評(píng)分?jǐn)?shù)據(jù)中挖掘用戶更好的偏好信息.筆者算法在屬性信息和評(píng)分?jǐn)?shù)據(jù)上構(gòu)建模型以自學(xué)習(xí)屬性偏好.該方法相較于屬性效用疊加推薦的固定屬性權(quán)重考慮擁有相同屬性用戶的個(gè)體差異,較之于神經(jīng)網(wǎng)絡(luò)的屬性模型在復(fù)雜度上簡(jiǎn)單,與屬性協(xié)同過(guò)濾模型采用屬性信息和評(píng)分信息計(jì)算相似度后再執(zhí)行協(xié)同過(guò)濾,在運(yùn)行時(shí)間上較快.筆者模型簡(jiǎn)單、訓(xùn)練速度較快,并在評(píng)分?jǐn)?shù)據(jù)稀疏時(shí)能提升預(yù)測(cè)精度.

    2 建?;靖拍?/h2>

    2.1 基本術(shù)語(yǔ)

    在相關(guān)理論中,用戶信息中的評(píng)分?jǐn)?shù)據(jù)是使用評(píng)分矩陣來(lái)描述.評(píng)分矩陣R∈Rn×m由n個(gè)用戶和m個(gè)商品組成,其中元素ruj為用戶u對(duì)商品j的評(píng)分,評(píng)分矩陣一般只有少量實(shí)際用戶評(píng)分.

    屬性信息分為用戶屬性和商品屬性,每個(gè)屬性可能有一個(gè)或多個(gè)屬性值,比如性別的屬性值有男、女.用戶對(duì)商品具有評(píng)分,屬性值對(duì)商品也有相應(yīng)的評(píng)分.該評(píng)分可以通過(guò)所有包含該屬性值的用戶對(duì)商品的平均評(píng)分來(lái)進(jìn)行表示.

    2.2 基本矩陣分解模型

    基本矩陣分解方法BasicMF[5]將用戶和商品的評(píng)分矩陣映射到由一群潛在因子組成的向量空間.用戶和商品可以用該潛在空間中的潛在因子向量進(jìn)行表示.該方法使用用戶潛在因子和商品潛在因子向量的內(nèi)積來(lái)表示用戶對(duì)商品的預(yù)測(cè)評(píng)分.該模型[5]為

    (1)

    式中:K為訓(xùn)練集中rui已知的用戶物品對(duì)(u,i)的集合;pu為用戶u的潛在因子向量;qi為商品i的潛在因子向量;P和Q分別為用戶和商品潛在因子矩陣;‖P‖2,‖Q‖2為Frobenius范式,其計(jì)算式為

    (2)

    λ(‖P‖2+‖Q‖2)部分用于避免過(guò)度擬合.該模型可設(shè)定相應(yīng)的潛在因子數(shù)量后進(jìn)行梯度遞減迭代進(jìn)行訓(xùn)練得到模型參數(shù).

    3 屬性偏好自學(xué)習(xí)

    首先對(duì)預(yù)測(cè)評(píng)分模型進(jìn)行建模,然后給出模型的訓(xùn)練公式和算法流程.

    3.1 預(yù)測(cè)評(píng)分模型

    首先給出模型基本假設(shè)及屬性評(píng)分計(jì)算方法,然后給出在各種屬性信息(單屬性值屬性、多屬性值屬性及標(biāo)簽數(shù)據(jù))下的預(yù)測(cè)評(píng)分公式.

    3.1.1 模型假設(shè)

    假設(shè)每個(gè)用戶對(duì)商品的評(píng)分取決于其各個(gè)屬性,并且每個(gè)用戶可以對(duì)自己的屬性中屬性值表示相應(yīng)的偏好程度(喜愛(ài)或厭惡).用戶對(duì)物品的預(yù)測(cè)評(píng)分可以根據(jù)用戶對(duì)自己屬性下屬性值的偏好程度和屬性值對(duì)商品的平均評(píng)分的乘積得到.

    該假設(shè)將用戶屬性看成一個(gè)個(gè)虛擬信任用戶,然后使用用戶對(duì)屬性的信任程度(偏好)與信任用戶(屬性)對(duì)商品評(píng)分的乘積來(lái)預(yù)測(cè)用戶對(duì)商品的評(píng)分,如圖1所示.

    圖1 用戶預(yù)測(cè)評(píng)分組成Fig.1 Composition of user predict rating

    3.1.2 屬性值評(píng)分

    傳統(tǒng)方法使用平均評(píng)分來(lái)表示屬性值對(duì)物品的真實(shí)評(píng)分.當(dāng)平均評(píng)分的平均數(shù)量過(guò)少或沒(méi)有時(shí),傳統(tǒng)方法就不能很好體現(xiàn)用戶真實(shí)評(píng)分.為此,模型使用加權(quán)平均評(píng)分來(lái)表示屬性值評(píng)分.其定義為

    (3)

    α=nyj/(nyj+w)

    (4)

    β=(1-α)nxj/(nxj+w)

    (5)

    γ=1-α-β

    (6)

    3.1.3 實(shí)例說(shuō)明

    針對(duì)上述模型假設(shè),下面結(jié)合例子進(jìn)行說(shuō)明.

    假設(shè)用戶Mary的性別為女,職業(yè)為軟件工程師,并且Mary的評(píng)分僅與性別和職業(yè)這兩個(gè)屬性有關(guān),而且Mary對(duì)這兩個(gè)屬性的偏好程度分別為0.3,0.7.

    假設(shè)女性用戶會(huì)對(duì)商品j評(píng)分為3,工程師用戶對(duì)商品j評(píng)分為4,則Mary對(duì)商品j的預(yù)測(cè)評(píng)分為

    0.3×3+0.7×4=3.7.

    3.1.4 單屬性值屬性

    單屬性值屬性包含一個(gè)屬性值,其預(yù)測(cè)評(píng)分較為簡(jiǎn)單.其定義如下:

    假設(shè)用戶屬性數(shù)量為n′,用戶屬性偏好矩陣C∈Rn×n′,其中元素cuy∈[-1,1]表示用戶u對(duì)屬性x下的屬性值y的偏好程度.當(dāng)屬性只有唯一屬性值時(shí),其預(yù)測(cè)評(píng)分表示為

    (7)

    3.1.5 多屬性值屬性

    多屬性值屬性包含多個(gè)屬性值,對(duì)單屬性值的預(yù)測(cè)評(píng)分公式進(jìn)行擴(kuò)展,其預(yù)測(cè)評(píng)分為

    (8)

    3.1.6 標(biāo)簽數(shù)據(jù)

    標(biāo)簽數(shù)據(jù)是一種特殊屬性,與傳統(tǒng)的屬性單向關(guān)聯(lián)不同,標(biāo)簽數(shù)據(jù)是雙向關(guān)聯(lián).標(biāo)簽數(shù)據(jù)是單屬性值的一種特殊情況,其屬性值和屬性是相同.假設(shè)標(biāo)簽數(shù)量為k′,其預(yù)測(cè)評(píng)分為

    (9)

    3.2 訓(xùn)練模型

    根據(jù)上述預(yù)測(cè)評(píng)分模型,本節(jié)提出了用戶屬性自學(xué)習(xí)模型UP和商品屬性自學(xué)習(xí)模型IP模型.

    這里首先定義模型訓(xùn)練所需損失函數(shù)的基本形式,然后對(duì)屬性值評(píng)分進(jìn)行改進(jìn),并在損失函數(shù)中加入相應(yīng)正規(guī)化項(xiàng)以避免過(guò)度擬合,最后給出UP模型定義、算法流程.

    3.2.1 損失函數(shù)

    模型使用最小平方距離定義預(yù)測(cè)評(píng)分和實(shí)際評(píng)分的誤差,并通過(guò)損失函數(shù)來(lái)學(xué)習(xí)用戶屬性偏好矩陣.定義損失函數(shù)為

    (10)

    3.2.2 正規(guī)化處理

    通過(guò)正規(guī)化項(xiàng)來(lái)避免在模型過(guò)度擬合的情況.

    首先,由于模型在訓(xùn)練中只對(duì)有購(gòu)買過(guò)商品的用戶的屬性值偏好進(jìn)行學(xué)習(xí).故當(dāng)用戶購(gòu)買歷史中用戶屬性值所對(duì)應(yīng)的商品數(shù)量過(guò)少時(shí),用戶對(duì)其屬性值偏好程度占總偏好程度應(yīng)該低.故正規(guī)項(xiàng)定義為

    (11)

    式中:λ為正規(guī)化基本常數(shù);nyj為屬性值所對(duì)應(yīng)的商品j的次數(shù);w為特定收縮常數(shù).該式在屬性值所對(duì)應(yīng)的商品數(shù)量少時(shí)壓制用戶對(duì)屬性值的偏好程度cuy上升.

    此外,模型采用的是偏好程度與屬性值評(píng)分的乘積來(lái)表示預(yù)測(cè)評(píng)分.因此模型在訓(xùn)練時(shí)需要保證一個(gè)隱式約束,使得用戶對(duì)其所有屬性下的屬性值偏好的總和應(yīng)在1的左右浮動(dòng),而不是遠(yuǎn)遠(yuǎn)超過(guò)或小于1.故第二個(gè)正規(guī)項(xiàng)為

    (12)

    3.2.3 用戶屬性偏好自學(xué)習(xí)模型(UP)

    結(jié)合前面提出的屬性偏好模型、屬性值評(píng)分和正規(guī)化項(xiàng),UP模型損失函數(shù)可定義為

    (13)

    式中:正規(guī)化項(xiàng)Auy,Bu的定義見(jiàn)式(11,12),梯度遞減模型的偏導(dǎo)為

    (14)

    (15)

    然后分別對(duì)cuy執(zhí)行式(15)并且同時(shí)調(diào)整學(xué)習(xí)因子θ直至收斂.算法的偽代碼描述如下:

    輸入 評(píng)分矩陣R,屬性信息

    輸出 用戶屬性偏好矩陣C

    1) Fori=1 to迭代次數(shù)

    2)L=0

    3) For(用戶u,物品j)∈R

    5) Foryin用戶u的屬性值集合

    8) End

    10)L=err×err

    11) Foryin用戶u的屬性值集合

    12)cux=cux-θ×(?L/?cux)

    13)L=L+∑Auy+∑Bu

    14) End

    15) End

    16)L=L×0.5

    17) 動(dòng)態(tài)調(diào)整θ以達(dá)到收斂

    18) End

    3.2.4 物品屬性偏好自學(xué)習(xí)模型(IP)

    通過(guò)轉(zhuǎn)換角度,可假設(shè)物品購(gòu)買用戶而不是傳統(tǒng)的用戶購(gòu)買物品,就可以得到物品屬性優(yōu)化模型.該模型實(shí)際上是用戶對(duì)物品屬性的偏好程度.其定義如下:

    假設(shè)物品屬性數(shù)量為m′,物品屬性偏好矩陣為D∈Rm×m′,其元素djx為物品j對(duì)其物品屬性x的信任程度.其評(píng)分預(yù)測(cè)為

    (16)

    (17)

    3.2.5 時(shí)間復(fù)雜度

    在時(shí)間復(fù)雜度上,模型復(fù)雜度為O(nmkh),其中:h為模型中屬性值的數(shù)量;k為潛在因子數(shù)量;n為用戶數(shù)量;m為物品數(shù)量.其時(shí)間復(fù)雜度優(yōu)于基于用戶或物品相似度的UserKNN的O(m2n)及ItemKNN的O(n2m),接近與基本矩陣模型的迭代學(xué)習(xí)O(nmk).

    在本算法中,當(dāng)屬性含有非常多的屬性值時(shí),這種情況導(dǎo)致相應(yīng)的屬性偏好矩陣C,D的維數(shù)過(guò)大.而且屬性信息也存在著冷啟動(dòng)問(wèn)題的問(wèn)題.這些問(wèn)題都會(huì)導(dǎo)致推薦精度不高且復(fù)雜度高.為此,篩選其中評(píng)分?jǐn)?shù)量較多的屬性值加入模型中以減少維數(shù).

    4 實(shí) 驗(yàn)

    這里先介紹兩大實(shí)驗(yàn)數(shù)據(jù)集,然后對(duì)數(shù)據(jù)集進(jìn)行稀疏性分析,再給出實(shí)驗(yàn)方案,最后對(duì)筆者算法和其他算法的進(jìn)行實(shí)驗(yàn)比較.

    4.1 實(shí)驗(yàn)數(shù)據(jù)集

    4.1.1 Yelp數(shù)據(jù)集

    Yelp為美國(guó)商戶點(diǎn)評(píng)網(wǎng)站,用戶可以在Yelp上給商戶評(píng)分、評(píng)論等.該數(shù)據(jù)集(Yelp第7輪數(shù)據(jù)集挑戰(zhàn))包含商戶的所在地址、城市和分類,用戶的評(píng)分?jǐn)?shù)量、朋友信息及用戶對(duì)商戶的消費(fèi)評(píng)分、評(píng)論等信息.該數(shù)據(jù)集(表1)包含36萬(wàn)用戶和6萬(wàn)商戶(剔除沒(méi)有評(píng)分的商戶)及152萬(wàn)評(píng)分信息(多次重復(fù)消費(fèi)評(píng)分只選取其第一次評(píng)分).實(shí)驗(yàn)中所采用的屬性信息為商戶的分類(共781種)及城市信息(共372個(gè)).

    表1 實(shí)驗(yàn)數(shù)據(jù)集Table 1 The experiment dataset

    4.1.2 MovieLens-1m數(shù)據(jù)集(M1M)

    MovieLen數(shù)據(jù)集[13-15]為用戶電影評(píng)價(jià)數(shù)據(jù)集,實(shí)驗(yàn)數(shù)據(jù)集(表1)包含了100萬(wàn)的匿名評(píng)分(五分制),其中有3 952部電影及6 040個(gè)用戶.用戶信息包含用戶ID、性別、年齡、職業(yè)和郵政編號(hào),電影屬性包含電影ID、電影名和分類.其中年齡被分成小于18,18~24,25~34,35~44,45~49,50~55,56+這些分段,職業(yè)也有很多類型,電影的分類有動(dòng)畫(huà)片、兒童劇、喜劇、犯罪和紀(jì)錄片等.

    4.2 稀疏性分析

    4.2.1 評(píng)分?jǐn)?shù)據(jù)稀疏性分析

    圖2,3分別繪制出評(píng)分?jǐn)?shù)量為0~50+的用戶和物品評(píng)分?jǐn)?shù)量的分布.出于顯示效果的考慮,圖2,3只給出在0~800+的用戶數(shù)量和商品數(shù)量.其中Yelp中用戶評(píng)分?jǐn)?shù)量大部分(97%)小于20(存在用戶冷啟動(dòng)問(wèn)題),而M1M中用戶評(píng)分?jǐn)?shù)量都大于20(不存在物品冷啟動(dòng)問(wèn)題).另外,Yelp中商品的評(píng)分?jǐn)?shù)量大部分(75.8%)小于20(物品冷啟動(dòng)問(wèn)題),而M1M中商品評(píng)分?jǐn)?shù)量較多,評(píng)分?jǐn)?shù)量小于20的物品數(shù)僅占17.9%.

    圖2 用戶評(píng)分?jǐn)?shù)量稀疏性分析Fig.2 Sparse analysis of user rating number

    圖3 商品評(píng)分?jǐn)?shù)量稀疏性分析Fig.3 Sparse analysis of item ratings number

    4.2.2 屬性評(píng)分稀疏性分析

    圖4,5分別給出了Yelp和M1M中屬性對(duì)(即屬性值和商品或用戶的二元組)評(píng)分?jǐn)?shù)量分布的稀疏性分析.出于顯示效果的考慮,圖4,5只給出在0~800+的屬性對(duì)數(shù)量.在圖4中,Yelp商品屬性中城市屬性對(duì)評(píng)分?jǐn)?shù)量小于10的占總的屬性對(duì)數(shù)量的99.98%,分類信息占99.99%,兩個(gè)屬性評(píng)分分布非常稀疏.出于顯示效果的考慮,圖5將M1M中用戶屬性和商品屬性合并在一起,其中性別、年齡、職業(yè)和地域?yàn)橛脩魧傩裕诸愂巧唐穼傩?在圖5中,M1M中屬性評(píng)分?jǐn)?shù)量小于10的百分比分別為性別21.8%,年齡49.1%,職業(yè)68.7%,地域100%,分類60.0%.性別屬性評(píng)分分布稀疏度低,年齡、職業(yè)和分類稀疏度較高,地域的稀疏度非常高.

    圖4 Yelp屬性對(duì)評(píng)分?jǐn)?shù)量稀疏性分析Fig.4 Sparse analysis of yelp attributes pairs

    圖5 M1M屬性對(duì)評(píng)分?jǐn)?shù)量稀疏性分析Fig.5 Sparse analysis of M1M attributes pairs

    4.3 實(shí)驗(yàn)方案

    實(shí)驗(yàn)使用MAE和RMSE來(lái)評(píng)估預(yù)測(cè)精度.MAE和RMSE分別通過(guò)預(yù)測(cè)評(píng)分和實(shí)際評(píng)分的誤差的絕對(duì)值、平方值來(lái)表示預(yù)測(cè)精度.其計(jì)算式定義為

    (18)

    (19)

    4.4 實(shí)驗(yàn)驗(yàn)證

    首先將數(shù)據(jù)集按4︰1隨機(jī)劃分訓(xùn)練集和測(cè)試集.在訓(xùn)練集上進(jìn)行模型訓(xùn)練,在測(cè)試集上進(jìn)行模型測(cè)試.記錄模型算法的5次運(yùn)行(訓(xùn)練+測(cè)試)得到MAE和RMSE,使用預(yù)測(cè)指標(biāo)平均值來(lái)表示實(shí)驗(yàn)結(jié)果.模型的訓(xùn)練迭代次數(shù)為200次,學(xué)習(xí)系數(shù)θ初始值為0.01,潛在因子數(shù)量都設(shè)為10.

    4.4.1 Yelp數(shù)據(jù)集

    在Yelp數(shù)據(jù)集中,固定參數(shù)λα=0.3,λb=1.0,w=20,分別對(duì)城市、分類及城市+分類執(zhí)行IP模型(表2).分類的屬性值共781個(gè),城市屬性值共371個(gè).在兩者屬性評(píng)分分布稀疏性相差不大(圖4)時(shí),分類的屬性值較多,故其預(yù)測(cè)效果好于城市屬性的效果.當(dāng)結(jié)合兩者屬性時(shí),IP模型取得了更好的RMSE.

    表2 Yelp屬性IP模型結(jié)果Table 2 The RMSE result of yelp attributes

    4.4.2 M1M數(shù)據(jù)集

    在M1M數(shù)據(jù)集中,固定參數(shù)λa=0.05,λb=0.001,w=10,對(duì)用戶屬性執(zhí)行UP模型,對(duì)商品屬性執(zhí)行IP模型(表3).

    表3 M1M屬性UP模型RMSE結(jié)果Table 3 The RMSE result of M1M user attributes

    用戶屬性的屬性值數(shù)量分別為性別2個(gè)、年齡7個(gè)、職業(yè)21個(gè)和地域3 403個(gè).性別的屬性值評(píng)分分布相較于其他屬性更加稠密(圖5),但其屬性值數(shù)量少,所以預(yù)測(cè)精度與屬性年齡、職業(yè)相差不大.對(duì)于地域?qū)傩?,其屬性值?shù)量為3 403,數(shù)量最大,但其屬性評(píng)分分布稀疏性非常高(圖5),所以其RMSE最低.當(dāng)結(jié)合所有用戶屬性進(jìn)行訓(xùn)練的預(yù)測(cè)精度為0.917,其預(yù)測(cè)精度偏向與用戶屬性中較優(yōu)預(yù)測(cè)精度,且不受預(yù)測(cè)精度低的地域?qū)傩杂绊?

    4.4.3 算法比較

    表4為BasicMF,ItemKNN,UserKNN與筆者的UP,IP的配置參數(shù)列表.表5為預(yù)測(cè)精度比較結(jié)果.

    在Yelp數(shù)據(jù)集上,BasicMF,ItemKNN,UserKNN的表現(xiàn)低于筆者算法的預(yù)測(cè)精度(表5),這是由于Yelp中評(píng)分?jǐn)?shù)據(jù)較為稀疏.筆者算法利用屬性信息在評(píng)分?jǐn)?shù)據(jù)稀疏下結(jié)合屬性信息對(duì)預(yù)測(cè)精度進(jìn)行了提升.在M1M數(shù)據(jù)集中,評(píng)分?jǐn)?shù)據(jù)稠密,BasicMF,ItemKNN,UserKNN的預(yù)測(cè)精度較高,筆者的預(yù)測(cè)精度較為接近UserKNN的預(yù)測(cè)效果.

    表6為M1M數(shù)據(jù)集下各算法的運(yùn)行一次的訓(xùn)練、測(cè)試時(shí)間(迭代次數(shù)為100)比較.算法運(yùn)行所在的測(cè)試機(jī)的運(yùn)行環(huán)境為Window7 64位,內(nèi)存4 G,CPU為Intel Core i3,jdk8,eclipse 4.5.2.

    筆者的算法在運(yùn)行時(shí)間(訓(xùn)練時(shí)間+測(cè)試時(shí)間,其比較見(jiàn)表4)上優(yōu)于UserKNN,ItemKNN,并接近與BasicMF的運(yùn)行時(shí)間,與算法復(fù)雜度分析相符,如表5所示.

    表4 算法參數(shù)設(shè)定Table 4 Algorithm parameters setting

    表5 算法預(yù)測(cè)精度RMSE比較Table 5 Comparison of algorithm predictive precision

    表6 算法運(yùn)行時(shí)間比較Table 6 Comparison of algorithm running time s

    5 結(jié) 論

    筆者算法結(jié)合UserKNN,ItemKNN,BasicMF優(yōu)點(diǎn),具有可解釋性且模型訓(xùn)練速度較快,并在評(píng)分稀疏時(shí)較UserKNN,ItemKNN,BasicMF預(yù)測(cè)精度高.筆者算法類似于基于內(nèi)容的推薦方法,但筆者算法從屬性信息和評(píng)分?jǐn)?shù)據(jù)中自學(xué)習(xí)屬性偏好,而不需像基于內(nèi)容推薦方法那樣人工調(diào)整偏好.屬性信息的獲取上較之其他信息更加容易.由于屬性優(yōu)化的好壞取決于屬性的屬性值數(shù)量和屬性評(píng)分分布稀疏程度,后續(xù)將研究如何對(duì)相關(guān)屬性進(jìn)行聚類以減輕屬性值評(píng)分的稀疏性情況.

    [1] RICCI F, ROKACH L, SHAPIRA B, et al.Recommend system handbook[M]. New York:Springer US,2011:4-7.

    [2] GUO G, ZHANG J, YORKE-SMITH N. TrustSVD: collaborative filtering with both the explicit and implicit influence of user trust and of item ratings[C]//Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence. Austin Texas: AAAI,2015:123-129.

    [3] YANG X, GUO Y, LIU Y, et al. A survey of collaborative filtering based social recommender systems[J]. Computer communications,2013,41(5):1-10.

    [4] SALAKHUTDINOV R, MNIH A. Probabilistic Matrix Factorization[C]//Advances in Neural Information Processing Systems. Vancouver: NIPS,2007:1257-1264.

    [5] KOREN Y, BELL R, VOLINSKY C. Matrix factorization techniques for recommender systems[J]. Computer,2009(8):30-37.

    [6] KOREN Y. Factorization meets the neighborhood: a multifaceted collaborative filtering model[C]//Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining. Las Vegas: ACM,2008:426-434.

    [7] YANG B, LEI Y, LIU D, et al. Social collaborative filtering by trust[C]//Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence. Washington: AAAI,2013:2747-2753.

    [8] LI H, WU D, TANG W, et al. Overlapping community regularization for rating prediction in social recommender systems[C]//Proceedings of the 9th ACM Conference on Recommender Systems. Vienna:ACM,2015:27-34.

    [9] 陸奇斌,趙平,王高,等.消費(fèi)者滿意度測(cè)量中的光環(huán)效應(yīng)[J].心理學(xué)報(bào),2005,37(4):524-534.

    [10] 胡新明.基于商品屬性的電子商務(wù)推薦系統(tǒng)研究[D].武漢:華中科技大學(xué),2012.

    [11] 劉端陽(yáng),王良芳.基于語(yǔ)義詞典和詞匯鏈的關(guān)鍵詞提取算法[J].浙江工業(yè)大學(xué)學(xué)報(bào),2013,41(5):545-551.

    [12] 鄭麟,朱福喜,姚杏.基于屬性提升與局部采樣的推薦評(píng)分預(yù)測(cè)[J].計(jì)算機(jī)學(xué)報(bào),2016,39(8):1501-1514.

    [13] HARPER F M, KONSTAN J A. The movielens datasets: history and context[C]//The Problem of the Southern Sudan. Oxford: Oxford University Press,1963:1068-1074.

    [14] 孟利民,趙維,應(yīng)頌翔.評(píng)分預(yù)測(cè)問(wèn)題中個(gè)性化推薦模型的研究[J].浙江工業(yè)大學(xué)學(xué)報(bào),2016,44(2):119-123.

    [15] 龍勝春,傅佳琪,堯麗君.改進(jìn)型k-means算法在腸癌病理圖像分割中的應(yīng)用[J].浙江工業(yè)大學(xué)學(xué)報(bào),2014,42(5):581-585.

    猜你喜歡
    數(shù)量預(yù)測(cè)算法
    無(wú)可預(yù)測(cè)
    黃河之聲(2022年10期)2022-09-27 13:59:46
    選修2-2期中考試預(yù)測(cè)卷(A卷)
    選修2-2期中考試預(yù)測(cè)卷(B卷)
    基于MapReduce的改進(jìn)Eclat算法
    Travellng thg World Full—time for Rree
    統(tǒng)一數(shù)量再比較
    進(jìn)位加法的兩種算法
    不必預(yù)測(cè)未來(lái),只需把握現(xiàn)在
    一種改進(jìn)的整周模糊度去相關(guān)算法
    頭發(fā)的數(shù)量
    欧美丝袜亚洲另类| eeuss影院久久| 网址你懂的国产日韩在线| 亚洲欧洲日产国产| 久久久久久久久大av| 亚洲av免费在线观看| 欧美三级亚洲精品| 免费黄网站久久成人精品| 亚洲国产精品成人久久小说| 欧美日韩在线观看h| 蜜臀久久99精品久久宅男| 免费播放大片免费观看视频在线观看 | 听说在线观看完整版免费高清| 国产视频首页在线观看| 久久6这里有精品| 成年女人永久免费观看视频| 国产精品国产三级国产av玫瑰| 高清日韩中文字幕在线| 亚洲av成人av| 少妇裸体淫交视频免费看高清| 国产高清有码在线观看视频| 性插视频无遮挡在线免费观看| 精品久久久久久久末码| 国语对白做爰xxxⅹ性视频网站| 免费观看的影片在线观看| 日本欧美国产在线视频| 青春草国产在线视频| 久久久久久久国产电影| 久久久a久久爽久久v久久| 熟女人妻精品中文字幕| 全区人妻精品视频| 联通29元200g的流量卡| 亚洲精华国产精华液的使用体验| 免费人成在线观看视频色| 赤兔流量卡办理| 国产伦在线观看视频一区| 久久久久国产网址| 国产午夜福利久久久久久| ponron亚洲| 国产真实伦视频高清在线观看| 最新中文字幕久久久久| 亚洲一级一片aⅴ在线观看| 亚洲av成人av| 久久久精品94久久精品| 国产亚洲91精品色在线| 亚洲成人久久爱视频| 白带黄色成豆腐渣| 亚洲精品亚洲一区二区| 国产一区二区亚洲精品在线观看| 中文字幕精品亚洲无线码一区| 久久这里有精品视频免费| 国内精品美女久久久久久| 国产精品一及| 插阴视频在线观看视频| 成人综合一区亚洲| 在线观看av片永久免费下载| 丰满乱子伦码专区| 国产单亲对白刺激| 伦理电影大哥的女人| 少妇被粗大猛烈的视频| 久久韩国三级中文字幕| 国产又黄又爽又无遮挡在线| 成人毛片60女人毛片免费| 美女黄网站色视频| 欧美色视频一区免费| 久久久精品大字幕| 男女啪啪激烈高潮av片| 听说在线观看完整版免费高清| 51国产日韩欧美| 免费一级毛片在线播放高清视频| 中文字幕av成人在线电影| 有码 亚洲区| 午夜爱爱视频在线播放| 色5月婷婷丁香| 亚洲欧美精品专区久久| 免费搜索国产男女视频| 国产高清三级在线| 亚洲精品久久久久久婷婷小说 | 久久人人爽人人片av| 97超碰精品成人国产| av在线观看视频网站免费| 淫秽高清视频在线观看| 如何舔出高潮| 色网站视频免费| 七月丁香在线播放| 国产成人aa在线观看| 秋霞伦理黄片| 免费看a级黄色片| 国产精品精品国产色婷婷| 日韩一区二区三区影片| 少妇高潮的动态图| 亚洲自偷自拍三级| 人妻少妇偷人精品九色| 欧美激情国产日韩精品一区| 久久99热这里只有精品18| 日韩欧美精品免费久久| 久久精品国产亚洲av天美| 成年av动漫网址| 久久久久九九精品影院| av天堂中文字幕网| 内射极品少妇av片p| 色5月婷婷丁香| 插逼视频在线观看| 中文字幕av成人在线电影| 寂寞人妻少妇视频99o| 男女啪啪激烈高潮av片| 男人舔女人下体高潮全视频| 亚洲自偷自拍三级| 免费观看性生交大片5| 大香蕉97超碰在线| 欧美3d第一页| 久久久久久久国产电影| 国产淫语在线视频| 99久久九九国产精品国产免费| 日韩欧美 国产精品| 少妇被粗大猛烈的视频| 国产亚洲91精品色在线| 非洲黑人性xxxx精品又粗又长| 国产伦理片在线播放av一区| 免费播放大片免费观看视频在线观看 | 日韩av在线大香蕉| 乱码一卡2卡4卡精品| 日韩欧美在线乱码| 26uuu在线亚洲综合色| 丰满少妇做爰视频| 日韩欧美在线乱码| 国产成人91sexporn| 国内精品宾馆在线| 高清视频免费观看一区二区 | 免费看美女性在线毛片视频| 老司机福利观看| 在线a可以看的网站| 精品午夜福利在线看| 成人性生交大片免费视频hd| 亚洲最大成人中文| 国产av不卡久久| 久久精品国产亚洲网站| av福利片在线观看| 噜噜噜噜噜久久久久久91| 国产精品伦人一区二区| 国内精品美女久久久久久| 久久久精品94久久精品| 国产精品永久免费网站| 日韩av在线免费看完整版不卡| 日韩成人av中文字幕在线观看| 九九爱精品视频在线观看| 在线天堂最新版资源| 久久久久久国产a免费观看| 国产亚洲一区二区精品| 国产探花极品一区二区| 欧美三级亚洲精品| 亚洲综合精品二区| 嫩草影院新地址| 日本一二三区视频观看| 成人二区视频| 99热精品在线国产| 美女脱内裤让男人舔精品视频| 成人三级黄色视频| АⅤ资源中文在线天堂| 亚洲高清免费不卡视频| 美女高潮的动态| 可以在线观看毛片的网站| 看免费成人av毛片| 亚洲真实伦在线观看| 精品午夜福利在线看| 91精品伊人久久大香线蕉| 麻豆av噜噜一区二区三区| 国产又色又爽无遮挡免| 日本免费在线观看一区| 日韩三级伦理在线观看| 18禁在线无遮挡免费观看视频| 国产精品国产三级国产av玫瑰| 夜夜看夜夜爽夜夜摸| 人人妻人人澡人人爽人人夜夜 | 水蜜桃什么品种好| av线在线观看网站| 日本熟妇午夜| 蜜臀久久99精品久久宅男| 精品一区二区免费观看| 国产高清有码在线观看视频| 三级国产精品片| 免费一级毛片在线播放高清视频| 国产成人精品久久久久久| 成人国产麻豆网| 日韩成人av中文字幕在线观看| 久久人人爽人人片av| 免费人成在线观看视频色| 国内精品美女久久久久久| 亚洲精品乱久久久久久| 男插女下体视频免费在线播放| 亚洲人成网站在线播| 欧美人与善性xxx| 最近最新中文字幕免费大全7| 久久久国产成人免费| 高清视频免费观看一区二区 | 亚洲国产精品成人综合色| 中文字幕久久专区| 日韩av在线免费看完整版不卡| 91久久精品国产一区二区成人| 国产日韩欧美在线精品| 午夜a级毛片| 熟女人妻精品中文字幕| 插逼视频在线观看| 少妇裸体淫交视频免费看高清| 精品久久久久久成人av| 边亲边吃奶的免费视频| 日本av手机在线免费观看| 丝袜喷水一区| 3wmmmm亚洲av在线观看| a级毛色黄片| 国产老妇女一区| 狂野欧美激情性xxxx在线观看| 免费黄网站久久成人精品| 日韩一本色道免费dvd| 91久久精品国产一区二区成人| 国产精品野战在线观看| 少妇丰满av| 国产精品美女特级片免费视频播放器| 国产熟女欧美一区二区| 日日摸夜夜添夜夜爱| 美女被艹到高潮喷水动态| 久久精品久久久久久噜噜老黄 | 精品久久久久久久久亚洲| 国产精华一区二区三区| 精品酒店卫生间| 成年女人永久免费观看视频| 久久久久久久亚洲中文字幕| 久久婷婷人人爽人人干人人爱| 免费黄色在线免费观看| 身体一侧抽搐| 国产在视频线精品| 亚洲国产精品合色在线| 深爱激情五月婷婷| 国产精品野战在线观看| 五月玫瑰六月丁香| 日本三级黄在线观看| 亚洲精品久久久久久婷婷小说 | 岛国毛片在线播放| 亚洲av电影在线观看一区二区三区 | 亚洲欧美日韩卡通动漫| 日韩欧美在线乱码| 色哟哟·www| 欧美高清性xxxxhd video| 天天躁夜夜躁狠狠久久av| videossex国产| 尾随美女入室| 国产精品日韩av在线免费观看| 九九爱精品视频在线观看| 汤姆久久久久久久影院中文字幕 | 午夜激情福利司机影院| 国产高潮美女av| 亚洲婷婷狠狠爱综合网| 人妻制服诱惑在线中文字幕| 欧美性感艳星| 看黄色毛片网站| 色吧在线观看| 在线播放国产精品三级| 精品人妻视频免费看| 国产精品熟女久久久久浪| 国产精品一区二区三区四区免费观看| 乱人视频在线观看| av专区在线播放| 我的女老师完整版在线观看| 色尼玛亚洲综合影院| 日本五十路高清| 禁无遮挡网站| 三级男女做爰猛烈吃奶摸视频| 欧美性猛交╳xxx乱大交人| 午夜精品一区二区三区免费看| 男人舔女人下体高潮全视频| 亚洲精品456在线播放app| 亚洲精品aⅴ在线观看| 天天躁日日操中文字幕| 国内精品一区二区在线观看| 亚洲av一区综合| 啦啦啦韩国在线观看视频| 搡女人真爽免费视频火全软件| 欧美丝袜亚洲另类| 国产一级毛片七仙女欲春2| 91久久精品国产一区二区成人| 国产激情偷乱视频一区二区| 99在线人妻在线中文字幕| 国产在视频线在精品| 亚洲精品成人久久久久久| 国产麻豆成人av免费视频| 精品国产一区二区三区久久久樱花 | 成人无遮挡网站| 成人美女网站在线观看视频| 我要搜黄色片| 51国产日韩欧美| 看片在线看免费视频| 国产乱人视频| 中文精品一卡2卡3卡4更新| 欧美色视频一区免费| kizo精华| 日产精品乱码卡一卡2卡三| 激情 狠狠 欧美| 91精品国产九色| 国产又色又爽无遮挡免| 97人妻精品一区二区三区麻豆| 亚洲精品影视一区二区三区av| 国产久久久一区二区三区| 日本-黄色视频高清免费观看| 国产伦精品一区二区三区视频9| 久久6这里有精品| 又黄又爽又刺激的免费视频.| 两个人的视频大全免费| 乱人视频在线观看| 精品人妻熟女av久视频| 精品国产一区二区三区久久久樱花 | 久久99蜜桃精品久久| 久99久视频精品免费| 日本-黄色视频高清免费观看| 少妇猛男粗大的猛烈进出视频 | 秋霞伦理黄片| 国产亚洲午夜精品一区二区久久 | 国产在线一区二区三区精 | 国产亚洲一区二区精品| 欧美日本亚洲视频在线播放| 国产中年淑女户外野战色| 午夜福利网站1000一区二区三区| 一区二区三区乱码不卡18| 久久久久久久久久久免费av| 国产免费视频播放在线视频 | 色噜噜av男人的天堂激情| 欧美3d第一页| 日韩一本色道免费dvd| 69人妻影院| 国产成年人精品一区二区| 国产精品一及| 两个人视频免费观看高清| 日本三级黄在线观看| 国产精品久久久久久久电影| av又黄又爽大尺度在线免费看 | 婷婷色av中文字幕| 日本熟妇午夜| 我的女老师完整版在线观看| 国产黄色视频一区二区在线观看 | 一区二区三区四区激情视频| 国产色婷婷99| 国产真实伦视频高清在线观看| 综合色丁香网| 深爱激情五月婷婷| 国内精品宾馆在线| 久久久久久久久中文| 午夜福利在线在线| 18禁在线播放成人免费| 国产91av在线免费观看| 黄色一级大片看看| 丰满人妻一区二区三区视频av| 国产人妻一区二区三区在| 国产成人一区二区在线| 国产高清视频在线观看网站| 国产真实乱freesex| 亚洲经典国产精华液单| 国产精品三级大全| 少妇人妻精品综合一区二区| 欧美激情久久久久久爽电影| 国产精品人妻久久久影院| 欧美另类亚洲清纯唯美| 国产高潮美女av| 丰满乱子伦码专区| 别揉我奶头 嗯啊视频| 国产成人精品久久久久久| 国产黄片视频在线免费观看| 又黄又爽又刺激的免费视频.| 91aial.com中文字幕在线观看| 国产精品久久视频播放| 一卡2卡三卡四卡精品乱码亚洲| 美女被艹到高潮喷水动态| 国产免费一级a男人的天堂| 亚洲自偷自拍三级| 日本欧美国产在线视频| 老师上课跳d突然被开到最大视频| 亚洲经典国产精华液单| 亚洲怡红院男人天堂| 成人漫画全彩无遮挡| 午夜激情欧美在线| 国产精品人妻久久久久久| 国产三级中文精品| 一个人观看的视频www高清免费观看| 国产精品麻豆人妻色哟哟久久 | av在线蜜桃| 欧美性猛交╳xxx乱大交人| 亚洲人成网站在线播| 国内精品美女久久久久久| 18禁在线播放成人免费| 欧美成人午夜免费资源| 亚洲激情五月婷婷啪啪| 免费搜索国产男女视频| 可以在线观看毛片的网站| 国产一区二区在线观看日韩| 熟女人妻精品中文字幕| 在线播放无遮挡| 国产精品人妻久久久影院| 男人狂女人下面高潮的视频| 网址你懂的国产日韩在线| 乱人视频在线观看| 亚洲丝袜综合中文字幕| 亚洲18禁久久av| 精品人妻一区二区三区麻豆| 免费看a级黄色片| 我要看日韩黄色一级片| 国产综合懂色| av免费观看日本| 亚洲国产精品成人久久小说| 一级黄色大片毛片| 久久久精品94久久精品| 精品无人区乱码1区二区| 国产白丝娇喘喷水9色精品| 97超视频在线观看视频| 亚洲欧美日韩卡通动漫| 国产欧美日韩精品一区二区| 亚洲怡红院男人天堂| 美女高潮的动态| 一区二区三区高清视频在线| 亚洲精品影视一区二区三区av| 久久久久久久久久成人| 亚洲熟妇中文字幕五十中出| 亚洲图色成人| 国产三级在线视频| 男人和女人高潮做爰伦理| 亚洲国产精品合色在线| 七月丁香在线播放| 色视频www国产| 亚洲成色77777| 精品免费久久久久久久清纯| 欧美变态另类bdsm刘玥| 国产成人精品婷婷| 精品99又大又爽又粗少妇毛片| 国产三级在线视频| 日韩 亚洲 欧美在线| 国产免费福利视频在线观看| 一本久久精品| av天堂中文字幕网| 最近视频中文字幕2019在线8| 99久久人妻综合| 国产三级中文精品| 男人的好看免费观看在线视频| av福利片在线观看| 少妇猛男粗大的猛烈进出视频 | 超碰av人人做人人爽久久| 成年av动漫网址| 国产乱人视频| 亚洲av免费高清在线观看| 欧美最新免费一区二区三区| 国产精品女同一区二区软件| 免费人成在线观看视频色| 久久婷婷人人爽人人干人人爱| 国产亚洲一区二区精品| 国内少妇人妻偷人精品xxx网站| 一级毛片久久久久久久久女| 最近最新中文字幕大全电影3| 欧美97在线视频| 亚洲av成人精品一二三区| 欧美丝袜亚洲另类| 人妻制服诱惑在线中文字幕| 精品久久久久久电影网 | 色5月婷婷丁香| 最近最新中文字幕免费大全7| 午夜久久久久精精品| 91aial.com中文字幕在线观看| 久久久久久大精品| 韩国高清视频一区二区三区| 欧美区成人在线视频| av视频在线观看入口| 在线播放无遮挡| 久久久精品94久久精品| 99热精品在线国产| 国产精品人妻久久久影院| 老师上课跳d突然被开到最大视频| 国内揄拍国产精品人妻在线| 欧美3d第一页| 2021天堂中文幕一二区在线观| 成人性生交大片免费视频hd| 大话2 男鬼变身卡| 久久久国产成人免费| 在线天堂最新版资源| 18禁在线播放成人免费| 午夜视频国产福利| 国产一区二区在线av高清观看| 国产高清三级在线| 日韩欧美三级三区| 国产一区有黄有色的免费视频 | 久久久午夜欧美精品| 99热6这里只有精品| 亚洲精品自拍成人| 99热6这里只有精品| 午夜福利在线在线| 国产视频内射| 91aial.com中文字幕在线观看| 婷婷色av中文字幕| 少妇人妻一区二区三区视频| 久久久国产成人精品二区| 亚洲欧美日韩无卡精品| 欧美3d第一页| av免费观看日本| 欧美丝袜亚洲另类| 亚洲激情五月婷婷啪啪| 最近2019中文字幕mv第一页| 亚洲精品aⅴ在线观看| 毛片女人毛片| av天堂中文字幕网| 久久久久久国产a免费观看| 成年av动漫网址| 国产精品福利在线免费观看| 人妻少妇偷人精品九色| 国产极品精品免费视频能看的| 日日摸夜夜添夜夜爱| 亚洲国产日韩欧美精品在线观看| 久久久久久国产a免费观看| 亚洲丝袜综合中文字幕| 精品久久国产蜜桃| 看片在线看免费视频| 国产成人福利小说| 夜夜爽夜夜爽视频| 日日撸夜夜添| 尤物成人国产欧美一区二区三区| 国产成人91sexporn| 蜜桃亚洲精品一区二区三区| av播播在线观看一区| 免费在线观看成人毛片| 精品一区二区三区人妻视频| 精品欧美国产一区二区三| 白带黄色成豆腐渣| 日韩欧美精品免费久久| 一级黄色大片毛片| 亚洲精品国产av成人精品| 国产成人精品久久久久久| 99久久无色码亚洲精品果冻| 99久久九九国产精品国产免费| 亚洲高清免费不卡视频| 免费av不卡在线播放| 亚洲欧美日韩卡通动漫| 三级经典国产精品| 久久久久九九精品影院| ponron亚洲| 三级毛片av免费| 男女啪啪激烈高潮av片| 国产乱来视频区| 美女大奶头视频| 久久精品国产鲁丝片午夜精品| 亚洲国产欧美在线一区| 免费人成在线观看视频色| 久久精品综合一区二区三区| 亚洲欧美成人精品一区二区| 久久久精品欧美日韩精品| 免费一级毛片在线播放高清视频| 国产亚洲91精品色在线| 成人美女网站在线观看视频| 国产高清视频在线观看网站| 人人妻人人看人人澡| 欧美zozozo另类| 美女脱内裤让男人舔精品视频| 欧美成人a在线观看| 人人妻人人澡人人爽人人夜夜 | 久久人人爽人人爽人人片va| 一级毛片aaaaaa免费看小| 国产亚洲最大av| 国产成人午夜福利电影在线观看| or卡值多少钱| 在线播放无遮挡| 美女xxoo啪啪120秒动态图| 女人久久www免费人成看片 | 国产成人freesex在线| 亚洲欧美日韩卡通动漫| 波野结衣二区三区在线| 亚洲最大成人手机在线| 男女啪啪激烈高潮av片| 韩国高清视频一区二区三区| 亚洲av中文av极速乱| 国产视频内射| 免费播放大片免费观看视频在线观看 | 久久精品国产亚洲网站| 久久精品人妻少妇| 成年免费大片在线观看| av国产免费在线观看| 国产精品久久电影中文字幕| 99久久精品热视频| av黄色大香蕉| 国产成年人精品一区二区| 国产色婷婷99| 亚洲av一区综合| 成年版毛片免费区| 99久久无色码亚洲精品果冻| 在线观看66精品国产| 国内精品宾馆在线| 亚洲成色77777| 日韩高清综合在线| 国产午夜福利久久久久久| 国产精品一二三区在线看| 日韩欧美精品v在线| 亚洲欧美精品综合久久99| 最新中文字幕久久久久| 级片在线观看| 国产一区亚洲一区在线观看| 久久精品熟女亚洲av麻豆精品 | 少妇丰满av| 亚洲人成网站在线播| 亚洲国产精品专区欧美| 国产一区有黄有色的免费视频 | 亚洲精品自拍成人| 国产精品蜜桃在线观看| 七月丁香在线播放| 国产午夜精品一二区理论片| 超碰av人人做人人爽久久| 欧美激情久久久久久爽电影| 一本久久精品| ponron亚洲| 中文字幕制服av| 一边亲一边摸免费视频| 国产成人一区二区在线| 国产成人a∨麻豆精品| 麻豆久久精品国产亚洲av| 女人被狂操c到高潮|