• <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
    精品一区二区三区四区五区乱码| 777久久人妻少妇嫩草av网站| 国产亚洲欧美98| 国内少妇人妻偷人精品xxx网站 | 91九色精品人成在线观看| 99国产综合亚洲精品| 精品国产一区二区三区四区第35| 制服人妻中文乱码| 国产精品精品国产色婷婷| 亚洲成人精品中文字幕电影| 色婷婷久久久亚洲欧美| 黄色丝袜av网址大全| 国产精华一区二区三区| 久久久水蜜桃国产精品网| 99re在线观看精品视频| 中文资源天堂在线| 亚洲欧美精品综合久久99| 视频在线观看一区二区三区| 美女高潮喷水抽搐中文字幕| 欧美三级亚洲精品| 国产久久久一区二区三区| www.www免费av| 国产av不卡久久| 亚洲第一av免费看| 精品福利观看| 一级毛片精品| 男女视频在线观看网站免费 | 性欧美人与动物交配| 亚洲国产精品sss在线观看| 一本精品99久久精品77| 人成视频在线观看免费观看| 香蕉av资源在线| 成人av一区二区三区在线看| 日韩大尺度精品在线看网址| 国产成人av教育| 亚洲人成77777在线视频| 亚洲国产精品999在线| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品久久电影中文字幕| 丝袜人妻中文字幕| 国产精品二区激情视频| 91字幕亚洲| 日日夜夜操网爽| www国产在线视频色| 亚洲精品中文字幕一二三四区| 在线视频色国产色| 亚洲国产欧美网| 亚洲国产中文字幕在线视频| 一区二区三区精品91| 亚洲熟妇中文字幕五十中出| 久久久国产欧美日韩av| 熟女电影av网| 亚洲午夜精品一区,二区,三区| 两个人看的免费小视频| 欧美一级毛片孕妇| 一本一本综合久久| 最近最新中文字幕大全免费视频| 他把我摸到了高潮在线观看| 老熟妇仑乱视频hdxx| 在线十欧美十亚洲十日本专区| 欧美最黄视频在线播放免费| 首页视频小说图片口味搜索| 国产av又大| 中国美女看黄片| 极品教师在线免费播放| 国产精品一区二区三区四区久久 | 十八禁网站免费在线| 久久久久亚洲av毛片大全| 亚洲五月色婷婷综合| 看黄色毛片网站| 国产又黄又爽又无遮挡在线| 欧美黄色淫秽网站| 欧美乱妇无乱码| 日韩欧美免费精品| 国产精品一区二区三区四区久久 | 十八禁网站免费在线| 亚洲精品久久成人aⅴ小说| 无限看片的www在线观看| 91老司机精品| 十分钟在线观看高清视频www| 麻豆国产av国片精品| 欧美日韩亚洲综合一区二区三区_| av有码第一页| 国产一区在线观看成人免费| 波多野结衣高清无吗| 制服诱惑二区| 久久久久九九精品影院| 母亲3免费完整高清在线观看| 搡老妇女老女人老熟妇| 99国产综合亚洲精品| 久久久精品欧美日韩精品| www.999成人在线观看| 黄片小视频在线播放| 国产精品,欧美在线| 亚洲欧美日韩无卡精品| 91成人精品电影| av中文乱码字幕在线| 99国产极品粉嫩在线观看| 午夜视频精品福利| 国产午夜福利久久久久久| 成年版毛片免费区| 国产熟女xx| 国产熟女xx| 天天一区二区日本电影三级| 可以在线观看毛片的网站| 精品久久久久久久久久免费视频| 国产av一区在线观看免费| 欧美黄色淫秽网站| 99热6这里只有精品| 午夜老司机福利片| 久久久精品国产亚洲av高清涩受| 中文字幕人妻熟女乱码| 免费在线观看黄色视频的| 麻豆成人午夜福利视频| 一个人观看的视频www高清免费观看 | 动漫黄色视频在线观看| 18禁裸乳无遮挡免费网站照片 | 亚洲色图av天堂| 男男h啪啪无遮挡| 成人精品一区二区免费| 欧洲精品卡2卡3卡4卡5卡区| 日韩有码中文字幕| 国产亚洲av嫩草精品影院| 18禁裸乳无遮挡免费网站照片 | 在线观看日韩欧美| 大型av网站在线播放| 免费观看人在逋| 91成年电影在线观看| 十八禁网站免费在线| 在线免费观看的www视频| 美女午夜性视频免费| 丁香欧美五月| 国产精品久久久久久亚洲av鲁大| 老汉色∧v一级毛片| 久久国产精品影院| 两性午夜刺激爽爽歪歪视频在线观看 | 国产伦人伦偷精品视频| 露出奶头的视频| videosex国产| 精品久久久久久久毛片微露脸| 最近最新中文字幕大全免费视频| 嫩草影院精品99| 亚洲狠狠婷婷综合久久图片| 欧美激情极品国产一区二区三区| 久久久水蜜桃国产精品网| 亚洲第一青青草原| 亚洲成人国产一区在线观看| 99热只有精品国产| 亚洲,欧美精品.| 日韩欧美三级三区| 国产精品,欧美在线| 99re在线观看精品视频| 久久久久亚洲av毛片大全| 精品电影一区二区在线| 成人av一区二区三区在线看| 侵犯人妻中文字幕一二三四区| 欧美乱色亚洲激情| 欧美最黄视频在线播放免费| 欧美最黄视频在线播放免费| 一级毛片女人18水好多| 人妻丰满熟妇av一区二区三区| 国产激情欧美一区二区| 午夜免费鲁丝| 一边摸一边做爽爽视频免费| av欧美777| 亚洲黑人精品在线| 午夜精品在线福利| 黄频高清免费视频| 日韩欧美三级三区| 深夜精品福利| 亚洲国产欧洲综合997久久, | 亚洲成国产人片在线观看| 国产视频内射| 十分钟在线观看高清视频www| x7x7x7水蜜桃| 国产成人欧美在线观看| 久久草成人影院| 国产精品久久电影中文字幕| 日本在线视频免费播放| 九色国产91popny在线| 看免费av毛片| 一级毛片女人18水好多| 亚洲av片天天在线观看| 热re99久久国产66热| 一级毛片女人18水好多| 国产精品电影一区二区三区| 丁香六月欧美| 啦啦啦韩国在线观看视频| 国产精品 欧美亚洲| 黄色片一级片一级黄色片| 国产亚洲av嫩草精品影院| 精品久久久久久久毛片微露脸| 19禁男女啪啪无遮挡网站| 亚洲无线在线观看| 黑丝袜美女国产一区| 亚洲人成77777在线视频| 亚洲七黄色美女视频| a级毛片在线看网站| 日韩大码丰满熟妇| 1024手机看黄色片| 国产单亲对白刺激| 欧美国产日韩亚洲一区| 日韩大尺度精品在线看网址| 波多野结衣巨乳人妻| 欧美乱色亚洲激情| 色婷婷久久久亚洲欧美| 日本成人三级电影网站| 老汉色∧v一级毛片| 最好的美女福利视频网| 久久精品aⅴ一区二区三区四区| 欧美黄色片欧美黄色片| or卡值多少钱| 男女视频在线观看网站免费 | 国产亚洲欧美在线一区二区| 国产亚洲欧美在线一区二区| 中文字幕另类日韩欧美亚洲嫩草| 夜夜爽天天搞| 操出白浆在线播放| 欧美丝袜亚洲另类 | 在线观看午夜福利视频| 精品久久久久久久末码| 久99久视频精品免费| 成人18禁高潮啪啪吃奶动态图| 又黄又爽又免费观看的视频| 午夜福利一区二区在线看| 侵犯人妻中文字幕一二三四区| 巨乳人妻的诱惑在线观看| 久久亚洲真实| 一本精品99久久精品77| 999久久久精品免费观看国产| 国产成年人精品一区二区| 人人妻人人澡人人看| 欧美性长视频在线观看| 久久精品91蜜桃| 久久中文看片网| 亚洲精华国产精华精| 最好的美女福利视频网| 在线国产一区二区在线| 日本一本二区三区精品| 国产乱人伦免费视频| 久久久久久人人人人人| 亚洲欧美日韩无卡精品| 亚洲第一青青草原| 日本免费a在线| 欧美成人一区二区免费高清观看 | xxx96com| 国产亚洲精品一区二区www| 欧美精品啪啪一区二区三区| 18禁观看日本| 亚洲精品久久成人aⅴ小说| 琪琪午夜伦伦电影理论片6080| av视频在线观看入口| 日韩有码中文字幕| 黄色丝袜av网址大全| 看黄色毛片网站| 婷婷精品国产亚洲av| 亚洲精品在线观看二区| 一进一出好大好爽视频| 久久久精品欧美日韩精品| 国产精品久久视频播放| 亚洲成人久久爱视频| 国产午夜福利久久久久久| 2021天堂中文幕一二区在线观 | 成人国语在线视频| 美女扒开内裤让男人捅视频| 久久久久久久久免费视频了| 又黄又爽又免费观看的视频| 久久精品人妻少妇| 一进一出好大好爽视频| 国产精品av久久久久免费| 国产亚洲av嫩草精品影院| 久久精品国产99精品国产亚洲性色| 免费观看精品视频网站| 久久久久国产精品人妻aⅴ院| 久久久久亚洲av毛片大全| 欧美黄色片欧美黄色片| 久久亚洲真实| 精品无人区乱码1区二区| 最新美女视频免费是黄的| 国产精品乱码一区二三区的特点| 欧美成人午夜精品| 午夜福利18| 久久久久久国产a免费观看| 久久亚洲真实| 成人国语在线视频| 亚洲欧美日韩高清在线视频| 白带黄色成豆腐渣| 97人妻精品一区二区三区麻豆 | 欧美在线一区亚洲| 非洲黑人性xxxx精品又粗又长| 制服人妻中文乱码| 亚洲午夜精品一区,二区,三区| www.自偷自拍.com| 99久久久亚洲精品蜜臀av| 精品国产一区二区三区四区第35| 亚洲av成人不卡在线观看播放网| 国产免费av片在线观看野外av| 欧美激情高清一区二区三区| 国产成人一区二区三区免费视频网站| 91老司机精品| 黄色成人免费大全| 最好的美女福利视频网| 变态另类丝袜制服| a级毛片在线看网站| 夜夜夜夜夜久久久久| 国产精品电影一区二区三区| 又紧又爽又黄一区二区| 亚洲国产精品999在线| 色综合站精品国产| 十八禁人妻一区二区| xxxwww97欧美| 久久 成人 亚洲| 亚洲精品国产区一区二| 亚洲片人在线观看| 99国产综合亚洲精品| 三级毛片av免费| 精品国产乱子伦一区二区三区| 777久久人妻少妇嫩草av网站| 久久久久亚洲av毛片大全| 深夜精品福利| 最近最新免费中文字幕在线| 中文字幕精品亚洲无线码一区 | 超碰成人久久| 97碰自拍视频| 19禁男女啪啪无遮挡网站| 国产精华一区二区三区| 高清在线国产一区| 白带黄色成豆腐渣| 亚洲欧美日韩无卡精品| 成在线人永久免费视频| 午夜精品久久久久久毛片777| 我的亚洲天堂| 少妇 在线观看| 亚洲片人在线观看| 亚洲精品中文字幕一二三四区| 国产国语露脸激情在线看| 国产高清videossex| www日本在线高清视频| 亚洲真实伦在线观看| or卡值多少钱| 在线av久久热| 一本大道久久a久久精品| 女人高潮潮喷娇喘18禁视频| 亚洲精品粉嫩美女一区| 女警被强在线播放| 亚洲精品av麻豆狂野| 久久久久久人人人人人| 视频区欧美日本亚洲| 亚洲一卡2卡3卡4卡5卡精品中文| 我的亚洲天堂| 日韩欧美 国产精品| 十八禁网站免费在线| 真人一进一出gif抽搐免费| 中文在线观看免费www的网站 | 真人做人爱边吃奶动态| 日韩精品青青久久久久久| or卡值多少钱| 国产区一区二久久| 国产精品亚洲美女久久久| 免费看a级黄色片| 午夜亚洲福利在线播放| 精品午夜福利视频在线观看一区| 757午夜福利合集在线观看| 一a级毛片在线观看| 亚洲国产精品成人综合色| 美女扒开内裤让男人捅视频| 国产精品国产高清国产av| 午夜福利欧美成人| 成人午夜高清在线视频 | 每晚都被弄得嗷嗷叫到高潮| 国产精品九九99| 美女 人体艺术 gogo| 女人爽到高潮嗷嗷叫在线视频| 亚洲国产精品999在线| 欧美性猛交╳xxx乱大交人| а√天堂www在线а√下载| 91成年电影在线观看| 国内揄拍国产精品人妻在线 | 国产真实乱freesex| 国产成人影院久久av| 亚洲avbb在线观看| 国产精品98久久久久久宅男小说| 亚洲熟妇中文字幕五十中出| 亚洲成人久久爱视频| av电影中文网址| 国产一区在线观看成人免费| 午夜福利在线观看吧| 观看免费一级毛片| 男人舔女人的私密视频| 欧美日韩乱码在线| 国内久久婷婷六月综合欲色啪| 午夜两性在线视频| 国产一区二区在线av高清观看| 免费在线观看成人毛片| 免费无遮挡裸体视频| 欧美黑人欧美精品刺激| 老司机午夜十八禁免费视频| 老熟妇乱子伦视频在线观看| 99精品欧美一区二区三区四区| 久99久视频精品免费| 99国产精品一区二区三区| 午夜a级毛片| 最近在线观看免费完整版| 中文字幕精品免费在线观看视频| 久久精品aⅴ一区二区三区四区| 成年人黄色毛片网站| 人人妻人人看人人澡| 丁香欧美五月| 99riav亚洲国产免费| 一级毛片高清免费大全| 丁香欧美五月| tocl精华| 国产成+人综合+亚洲专区| 午夜免费观看网址| 一本久久中文字幕| 国产成人精品久久二区二区免费| 日韩精品免费视频一区二区三区| 高清毛片免费观看视频网站| 午夜日韩欧美国产| 日韩欧美一区视频在线观看| 麻豆国产av国片精品| 国产免费男女视频| 午夜福利一区二区在线看| 亚洲成人久久爱视频| 亚洲自偷自拍图片 自拍| 日韩欧美国产一区二区入口| 大型av网站在线播放| 最新美女视频免费是黄的| 久久久久久人人人人人| 中文字幕另类日韩欧美亚洲嫩草| 日韩欧美在线二视频| 老汉色∧v一级毛片| 久久中文字幕一级| 国产精品永久免费网站| 亚洲电影在线观看av| 亚洲无线在线观看| 国产亚洲欧美精品永久| 每晚都被弄得嗷嗷叫到高潮| 成在线人永久免费视频| 久久久久精品国产欧美久久久| 久久久久久九九精品二区国产 | 免费电影在线观看免费观看| 欧美日韩一级在线毛片| 国产精品乱码一区二三区的特点| 久久精品国产清高在天天线| 99在线视频只有这里精品首页| 久久精品国产综合久久久| 国产精品久久久人人做人人爽| 国产成人一区二区三区免费视频网站| 视频区欧美日本亚洲| 亚洲aⅴ乱码一区二区在线播放 | bbb黄色大片| 欧美不卡视频在线免费观看 | 国产精品久久久久久精品电影 | 成人特级黄色片久久久久久久| 变态另类丝袜制服| 91麻豆av在线| 日韩欧美 国产精品| 成人午夜高清在线视频 | av中文乱码字幕在线| 欧美成人性av电影在线观看| 久久午夜综合久久蜜桃| 欧美+亚洲+日韩+国产| 欧美黑人巨大hd| 精品国产乱子伦一区二区三区| 午夜影院日韩av| 视频在线观看一区二区三区| 久久国产亚洲av麻豆专区| 午夜a级毛片| 热99re8久久精品国产| 老司机在亚洲福利影院| 女生性感内裤真人,穿戴方法视频| 婷婷丁香在线五月| 欧美亚洲日本最大视频资源| 天天添夜夜摸| 国产精品一区二区免费欧美| 国产野战对白在线观看| 久久性视频一级片| 99国产精品一区二区三区| www.999成人在线观看| 成人亚洲精品av一区二区| 麻豆久久精品国产亚洲av| 免费搜索国产男女视频| 亚洲av片天天在线观看| 欧美午夜高清在线| 国产单亲对白刺激| 久久婷婷成人综合色麻豆| 亚洲国产欧美一区二区综合| 99久久99久久久精品蜜桃| 亚洲片人在线观看| 桃色一区二区三区在线观看| 黄网站色视频无遮挡免费观看| а√天堂www在线а√下载| 精品高清国产在线一区| 久热这里只有精品99| 三级毛片av免费| 老司机在亚洲福利影院| 午夜福利免费观看在线| 国内久久婷婷六月综合欲色啪| 好男人电影高清在线观看| a在线观看视频网站| 久久精品亚洲精品国产色婷小说| 黄色视频不卡| 日韩欧美国产在线观看| 中文字幕人成人乱码亚洲影| 91字幕亚洲| 免费在线观看黄色视频的| 国产精品综合久久久久久久免费| 日韩有码中文字幕| 一级毛片女人18水好多| 亚洲熟妇中文字幕五十中出| 午夜久久久在线观看| 久久人人精品亚洲av| 久99久视频精品免费| 在线观看免费视频日本深夜| 久久精品国产亚洲av高清一级| 真人做人爱边吃奶动态| 在线永久观看黄色视频| 女人被狂操c到高潮| 一区二区三区高清视频在线| 中亚洲国语对白在线视频| 国产精品亚洲美女久久久| 欧美日韩中文字幕国产精品一区二区三区| 色尼玛亚洲综合影院| 18禁黄网站禁片免费观看直播| 国产成人av教育| 亚洲一区二区三区色噜噜| 一边摸一边抽搐一进一小说| 欧美乱色亚洲激情| 国产三级黄色录像| 两个人看的免费小视频| 久久精品夜夜夜夜夜久久蜜豆 | 亚洲国产毛片av蜜桃av| 可以在线观看的亚洲视频| 一边摸一边做爽爽视频免费| 人成视频在线观看免费观看| 又黄又粗又硬又大视频| 亚洲人成77777在线视频| 可以在线观看毛片的网站| 日本 av在线| 成人三级做爰电影| 亚洲欧美日韩无卡精品| 亚洲成a人片在线一区二区| 国产高清视频在线播放一区| 两性夫妻黄色片| 在线观看免费视频日本深夜| 久久久久国内视频| 国产精品乱码一区二三区的特点| 亚洲狠狠婷婷综合久久图片| 国产激情欧美一区二区| 99精品欧美一区二区三区四区| 一卡2卡三卡四卡精品乱码亚洲| 丝袜在线中文字幕| 黄片大片在线免费观看| 国产精品99久久99久久久不卡| 51午夜福利影视在线观看| 香蕉久久夜色| 亚洲性夜色夜夜综合| 亚洲中文日韩欧美视频| 亚洲精品粉嫩美女一区| 国产精品一区二区免费欧美| 久久精品国产亚洲av香蕉五月| 一卡2卡三卡四卡精品乱码亚洲| 人人妻人人澡欧美一区二区| 精品无人区乱码1区二区| 国内少妇人妻偷人精品xxx网站 | 国产精品98久久久久久宅男小说| 日日干狠狠操夜夜爽| 国产熟女xx| 国产精品爽爽va在线观看网站 | 不卡一级毛片| 后天国语完整版免费观看| 国产一级毛片七仙女欲春2 | 不卡av一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| 香蕉久久夜色| 手机成人av网站| 两个人视频免费观看高清| 欧美国产精品va在线观看不卡| 亚洲九九香蕉| 一本大道久久a久久精品| 制服丝袜大香蕉在线| 亚洲av片天天在线观看| 亚洲无线在线观看| 男男h啪啪无遮挡| 亚洲第一青青草原| 男女那种视频在线观看| 久久中文看片网| 人人澡人人妻人| 国产欧美日韩一区二区三| 欧美大码av| 1024香蕉在线观看| 啦啦啦观看免费观看视频高清| 亚洲精品美女久久av网站| 久久 成人 亚洲| 国产精品九九99| 亚洲 欧美一区二区三区| 国产成年人精品一区二区| 91大片在线观看| 88av欧美| 国产激情欧美一区二区| 国产一区二区激情短视频| 精品国产国语对白av| 日韩欧美免费精品| 岛国在线观看网站| 国产成人精品无人区| 国产精品免费视频内射| 狠狠狠狠99中文字幕| 手机成人av网站| 69av精品久久久久久| 亚洲欧美精品综合一区二区三区| 99riav亚洲国产免费| 国产成人欧美| 午夜激情福利司机影院| 国产野战对白在线观看|