• <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 ?

    基于關(guān)鍵信息的問(wèn)題相似度計(jì)算

    2018-07-19 11:59:44樂(lè)
    關(guān)鍵詞:語(yǔ)料向量神經(jīng)網(wǎng)絡(luò)

    齊 樂(lè) 張 宇 劉 挺

    (哈爾濱工業(yè)大學(xué)社會(huì)計(jì)算與信息檢索研究中心 哈爾濱 150001) (lqi@ir.hit.edu.cn)

    社區(qū)問(wèn)答系統(tǒng)(community question answering, CQA)以其靈活的用戶交互特性能夠滿足人們獲取和分享知識(shí)的需求,成為廣受用戶喜愛(ài)的只是知識(shí)共享平臺(tái)[1].與其他社會(huì)媒體相比,CQA提供了一種特有的交互方式.首先,提問(wèn)者將其信息需求以問(wèn)題的方式提交給系統(tǒng),并等待其他用戶給出答案.回答者根據(jù)其個(gè)人興趣、知識(shí)水平,選擇適當(dāng)?shù)奈唇鉀Q問(wèn)題來(lái)回答,以分享自己的知識(shí)[1].

    在社區(qū)問(wèn)答中,問(wèn)題相似度計(jì)算有著很重要的意義.針對(duì)用戶提出新的查詢,我們可以通過(guò)判斷問(wèn)題相似,在歷史紀(jì)錄中檢索與之相似的已解決問(wèn)題,并將這些問(wèn)題的答案推薦給用戶,從而避免用戶的重復(fù)提問(wèn),也方便用戶更快速地獲取問(wèn)題答案[1].

    社區(qū)問(wèn)答中的問(wèn)題通常包括2個(gè)部分:1)問(wèn)題的主題或標(biāo)題;2)問(wèn)題的詳細(xì)描述.這2部分對(duì)于判斷問(wèn)題相似都有很重要的作用.然而,用戶的提問(wèn)長(zhǎng)短不一,而且由于需求和背景不同,問(wèn)題描述中可能包含大量對(duì)判斷問(wèn)題相似無(wú)意義的背景信息.舉個(gè)例子,對(duì)于相似問(wèn)題S和T(來(lái)源于QatarLiving①),如表1所示,兩者句子長(zhǎng)度相差懸殊,而且問(wèn)題T中包含大量背景信息.在小規(guī)模的語(yǔ)料中,由于訓(xùn)練語(yǔ)料不足,若將全部文本作為神經(jīng)網(wǎng)絡(luò)的輸入會(huì)引入大量噪聲,而神經(jīng)網(wǎng)絡(luò)無(wú)法很好地去除這些噪聲,因此會(huì)干擾對(duì)兩者相似程度的判斷.同時(shí),問(wèn)題主題是問(wèn)題全部信息的高度概括,相似問(wèn)題往往擁有相似的主題,主題不同但問(wèn)題相似的概率很低,表1中的示例也證明了這一點(diǎn).因此問(wèn)題主題也是判斷問(wèn)題相似的重要依據(jù).

    Table 1 A Pair of Similar Questions in QatarLiving表1 QatarLiving中的相似問(wèn)題

    針對(duì)上述問(wèn)題,本文將關(guān)鍵詞和問(wèn)題主題視為問(wèn)題的關(guān)鍵信息,利用這些信息輔助神經(jīng)網(wǎng)絡(luò)模型判斷問(wèn)題相似,提出了一種基于關(guān)鍵詞和問(wèn)題主題的相似度計(jì)算模型(convolutional neural network based on keywords and topic, KT-CNN).該模型在文本間相似及相異信息的卷積神經(jīng)網(wǎng)絡(luò)(convolu-tional neural network, CNN)模型[2]基礎(chǔ)上引入了關(guān)鍵詞抽取技術(shù)并融入了問(wèn)題主題間的相似度作為特征.

    1 相關(guān)工作

    在國(guó)內(nèi)外均有大量研究人員進(jìn)行社區(qū)問(wèn)答中計(jì)算問(wèn)題相似度方面的研究.部分研究人員使用基于翻譯模型的方法判斷問(wèn)題相似或檢索相關(guān)問(wèn)題.Jeon等人[3]利用答案間語(yǔ)義的相似程度來(lái)估計(jì)基于翻譯的問(wèn)題檢索模型的概率;Lee等人[4]基于經(jīng)驗(yàn)將非主題詞以及無(wú)關(guān)詞匯去掉,構(gòu)造了一個(gè)緊湊的翻譯模型.除了詞匯級(jí)別的翻譯模型外;Zhou等人[5]提出了一種短語(yǔ)級(jí)別的翻譯模型以提取更多的語(yǔ)境信息.基于翻譯模型的可以在一定程度上解決文本相異但語(yǔ)義相近的問(wèn)題,但其無(wú)法獲取問(wèn)題的結(jié)構(gòu)信息、詞共現(xiàn)信息以及語(yǔ)料中的詞分布信息,而且會(huì)被翻譯模型本身的誤差所限制.

    除了基于翻譯模型的方法外,還有人利用基于主題模型的方法.Duan等人[6]使用基于最小描述長(zhǎng)度(minimum description length, MDL)的樹(shù)模型來(lái)識(shí)別問(wèn)題主題和焦點(diǎn),再通過(guò)問(wèn)題主題和焦點(diǎn)來(lái)搜索相似問(wèn)題;Zhang等人[7]認(rèn)為問(wèn)題和答案包括相同的主題,提出了一個(gè)基于主題的語(yǔ)言模型.該方法不僅對(duì)詞項(xiàng)而且對(duì)主題進(jìn)行了匹配;熊大平等人[8]則提出了基于潛在狄利克雷分布(latent Dirichlet allocation, LDA)的算法,該算法利用問(wèn)句的統(tǒng)計(jì)信息、語(yǔ)義信息和主題信息來(lái)計(jì)算問(wèn)句相似度.這一類方法主要利用問(wèn)題主題的信息,其基本思想是主題相似的問(wèn)題一定相似.其利用主題在語(yǔ)義層次上表示問(wèn)題,但可能忽略文本中的一些細(xì)節(jié)問(wèn)題.

    于此同時(shí),基于神經(jīng)網(wǎng)絡(luò)的方法也很流行.dos Santos等人[9]提出了一種將詞袋模型同傳統(tǒng)CNN模型相結(jié)合的神經(jīng)網(wǎng)絡(luò)模型,其效果要優(yōu)于傳統(tǒng)詞頻-逆文檔頻率(term frequency-inverse document frequency, TF-IDF)模型和基于長(zhǎng)文本的CNN模型;Lei等人[10]為了解決關(guān)鍵信息隱藏在大量細(xì)節(jié)中的問(wèn)題,提出了一種循環(huán)卷積網(wǎng)絡(luò)將問(wèn)題映射到語(yǔ)義表示.基于神經(jīng)網(wǎng)絡(luò)的模型從文本中自動(dòng)抽取特征,可以更好地利用文本的語(yǔ)義信息,深層次地考慮文本間的相似性.

    與這些模型相比,我們的模型利用了問(wèn)題的關(guān)鍵詞及主題信息,對(duì)問(wèn)題的細(xì)節(jié)及全局信息進(jìn)行了建模,能更好地表示問(wèn)題.

    2 模型介紹

    我們提出的模型包括關(guān)鍵詞抽取、基于關(guān)鍵詞相似及相異信息的問(wèn)句建模、計(jì)算主題相似度、問(wèn)題相似度計(jì)算4個(gè)模塊.對(duì)于輸入的問(wèn)題S和T,我們進(jìn)行操作:1)進(jìn)行一系列的預(yù)處理操作,再通過(guò)關(guān)鍵詞抽取模塊抽取S和T的關(guān)鍵詞序列KeyS和KeyT;2)利用KeyS和KeyT間相似及相異信息對(duì)問(wèn)題S和T建模得到S和T的特征向量FS和FT;3)對(duì)問(wèn)題S和T的主題TopicS和TopicT計(jì)算相似度Simtopic;4)基于S和T的特征向量FS和FT以及問(wèn)題主題間的相似度Simtopic計(jì)算問(wèn)題S和T的相似度Simq.模型的結(jié)構(gòu)如圖1所示:

    Fig. 1 Model architecture圖1 模型結(jié)構(gòu)

    2.1 關(guān)鍵詞抽取

    我們對(duì)問(wèn)題S和T的主題及描述抽取關(guān)鍵詞KeyS和KeyT.由于問(wèn)題的主題及描述可能包含多個(gè)句子,因此我們對(duì)問(wèn)題的每個(gè)子句都抽取關(guān)鍵詞.我們將其子句的關(guān)鍵詞按照得分進(jìn)行排序,然后再按照子句出現(xiàn)的順序?qū)λ械年P(guān)鍵詞進(jìn)行排序,得到問(wèn)題的關(guān)鍵詞序列.

    對(duì)于每個(gè)子句,我們使用了一種無(wú)監(jiān)督的基于依存排序的關(guān)鍵詞提取算法.該算法由王煦祥[11]提出,我們?cè)谠撍惴ǖ幕A(chǔ)上進(jìn)行了一些改進(jìn).對(duì)于給定的問(wèn)句,該算法利用統(tǒng)計(jì)信息、詞向量信息以及詞語(yǔ)間的依存句法信息,通過(guò)構(gòu)建依存關(guān)系圖來(lái)計(jì)算詞語(yǔ)之間的關(guān)聯(lián)強(qiáng)度,利用TextRank算法[12]迭代計(jì)算出詞語(yǔ)的重要度得分.

    算法流程如圖2所示,主要步驟包括構(gòu)建無(wú)向有全圖、圖排序以及選取關(guān)鍵詞.

    Fig. 2 The flow chart of keywords extraction圖2 關(guān)鍵詞提取流程圖

    首先,我們根據(jù)句子的依存句法分析結(jié)果對(duì)所有非停用詞構(gòu)造無(wú)向圖.依存句法分析的結(jié)果為樹(shù)結(jié)構(gòu),只要去掉根節(jié)點(diǎn)并忽略弧的指向便可以得到無(wú)向的依存關(guān)系圖G=(V,E),V=w1,w2,…,wn,E=e1,e2,…,em,其中wi表示詞語(yǔ),ej表示2個(gè)詞語(yǔ)之間的無(wú)向關(guān)系.

    接著,我們利用詞語(yǔ)之間的引力值以及依存關(guān)聯(lián)度計(jì)算求得邊的權(quán)重.

    詞引力值得概念由Wang等人[13]提出.作者認(rèn)為2個(gè)詞之間的語(yǔ)義相似度無(wú)法準(zhǔn)確衡量詞語(yǔ)的重要程度,只有當(dāng)2個(gè)詞中至少有一個(gè)在文本中出現(xiàn)的頻率很高,才能證明2個(gè)詞很重要.其受到萬(wàn)有引力定律的啟發(fā),將詞頻看作質(zhì)量,將2個(gè)詞的詞向量間的歐氏距離視為距離,根據(jù)萬(wàn)有引力公式來(lái)計(jì)算2個(gè)詞之間的引力.然而在社區(qū)問(wèn)答的環(huán)境中,僅利用詞頻來(lái)衡量文本中某個(gè)詞的重要程度太過(guò)片面,因此我們引入了IDF值,將詞頻替換為TF-IDF值,從而考慮到更全局性的信息.于是我們得到了新的詞引力值公式.文本詞語(yǔ)wi和wj的引力:

    (1)

    其中,tfidf(w)是詞w的TF-IDF值,d是詞wi和wj的詞向量之間的歐氏距離.

    依存關(guān)聯(lián)度的概念由張偉男等人[14]提出.無(wú)向的依存關(guān)系圖保證了問(wèn)句中的任意2個(gè)詞之間都有一條依存路徑,而依存路徑的長(zhǎng)短反映了依存關(guān)系的強(qiáng)弱.因此,該算法根據(jù)依存路徑的長(zhǎng)度,計(jì)算依存關(guān)聯(lián)度:

    (2)

    其中,len(wi,wj)表示詞語(yǔ)wi和wj之間的依存路徑長(zhǎng)度,b是超參數(shù).

    綜上,2個(gè)詞語(yǔ)之間的關(guān)聯(lián)度,即邊的權(quán)重值是2個(gè)詞的引力與依存關(guān)聯(lián)度的乘積:

    weight(wi,wj)=Dep(wi,wj)×fgrav(wi,wj).

    (3)

    最后,我們使用有權(quán)重TextRank算法進(jìn)行圖排序.在無(wú)向圖G=(V,E)中,V是頂點(diǎn)的集合,E是邊的集合,頂點(diǎn)wi的得分由式(4)計(jì)算得出,其中weight(wi,wj)由式(3)計(jì)算得出,Cwi是與頂點(diǎn)wi有邊連接的頂點(diǎn)集合,η為阻尼系數(shù).我們選取得分最高的t個(gè)詞語(yǔ)作為句子的關(guān)鍵詞:

    (4)

    2.2 基于關(guān)鍵詞間相似及相異特征的CNN模型

    由于文本間相似信息和相異信息對(duì)判斷2段文本是否相似均有重要的作用,因此我們使用了一種基于文本間相似及相異信息的CNN模型[2]對(duì)問(wèn)題的關(guān)鍵詞序列進(jìn)行建模,并在原模型的基礎(chǔ)上進(jìn)行了改進(jìn).

    2.2.1 詞向量表示

    我們使用基于Pennington等人[15]提出的GloVe模型預(yù)訓(xùn)練的詞向量來(lái)表示關(guān)鍵詞.對(duì)于關(guān)鍵詞序列KeyS和KeyT,我們將其表示為矩陣:

    KS=(KS0,KS1,…,KSi,KSi+1,…,KSm)
    (KT=(KT0,KT1,…,KTj,KTj+1,…,KTn)),

    其中,KSi和KTj是關(guān)鍵詞的d維詞向量,m和n是KS和KT中包含的關(guān)鍵詞數(shù)量.

    2.2.2 語(yǔ)義匹配

    為了計(jì)算語(yǔ)義匹配向量,我們先計(jì)算KS和KT的相似矩陣Am×n.原論文使用余弦相似度計(jì)算詞匯間的相似程度,我們將其替換為皮爾森相關(guān)系數(shù),即Am×n中的每個(gè)元素ai,j是KSi和KTj的皮爾森相關(guān)系數(shù),相對(duì)于余弦相似度,皮爾森相關(guān)系數(shù)考慮了對(duì)均值的修正操作,對(duì)向量進(jìn)行了去中心化:

    ai,j=Pearson(KSi,KTj),

    (5)

    (6)

    (7)

    2.2.3 矩陣分解

    (8)

    2.2.4 矩陣合并

    以問(wèn)題S為例,CNN模型包括2個(gè)連續(xù)的層:卷積層和最大池層.我們?cè)诰矸e層設(shè)置了1組過(guò)濾器{filter0,filter1} ,分別應(yīng)用在相似通道和相異通道上來(lái)生成1組特征.每個(gè)過(guò)濾器的規(guī)模是d×h,d是詞向量的維數(shù),h是窗口的大小,其過(guò)程為

    (9)

    通過(guò)卷積層我們得到1組特征co=(co,0,co,1,…,co,l)特征的數(shù)量l取決于過(guò)濾器的規(guī)模以及輸入關(guān)鍵詞序列的長(zhǎng)度.為了解決特征數(shù)量不固定的問(wèn)題,我們對(duì)co進(jìn)行最大池化的操作.我們選取co中最大的值作為輸出,即co,max=maxco.因此,經(jīng)過(guò)池化操作后,每組過(guò)濾器生成1個(gè)特征.最后特征向量的維數(shù)將取決于過(guò)濾器的數(shù)量.

    2.3 問(wèn)題主題間的相似度計(jì)算

    Simtopic=Pearson(TPS,TPT).

    (10)

    2.4 問(wèn)句相似度計(jì)算

    我們依靠基于關(guān)鍵詞間相似及相異特征的CNN模型生成的問(wèn)題S和T的特征向量FS和FT以及問(wèn)題主題間的相似度Simtopic計(jì)算問(wèn)題S和T的相似度.我們使用一個(gè)線性模型將所有的特征加權(quán)相加,其中w0,w1,w2是相應(yīng)的權(quán)重,bsig是偏移項(xiàng),最后我們用sigmoid函數(shù)將計(jì)算結(jié)果限制在[0,1]的區(qū)間內(nèi):

    Simq=sigmoid(w0*FS+w1*FT+
    w2×Simtopic+bsig).

    (11)

    3 實(shí) 驗(yàn)

    為了證明我們提出模型的有效性,我們?cè)赟emEval2017[16]的評(píng)測(cè)語(yǔ)料上進(jìn)行了實(shí)驗(yàn).SemEval2017的任務(wù)3子任務(wù)B[16]的主題是社區(qū)問(wèn)答中問(wèn)題相似度計(jì)算.給定一個(gè)新提出的問(wèn)題和10個(gè)由搜索引擎確定的相關(guān)問(wèn)題,我們要依據(jù)問(wèn)題間的相似度對(duì)相關(guān)問(wèn)題進(jìn)行重排序.該任務(wù)對(duì)相關(guān)問(wèn)題設(shè)置了3個(gè)標(biāo)簽,分別為:PerfectMatch,Relevant,Irrelevant.我們認(rèn)為標(biāo)記為PerfectMatch和Relevant的是正例(不區(qū)分PerfectMatch和Relevant),標(biāo)記為Irrelevant的是負(fù)例.對(duì)每一組問(wèn)題的10個(gè)相關(guān)問(wèn)題,我們使用模型得出的相似度對(duì)其進(jìn)行重排序,并計(jì)算其平均精度,最后計(jì)算所有問(wèn)題的平均精度均值(mean average precision,MAP)值作為系統(tǒng)的評(píng)價(jià)指標(biāo).MAP是反映系統(tǒng)在全部相似問(wèn)題上性能的單值指標(biāo).系統(tǒng)檢索出來(lái)的相似問(wèn)題越靠前,MAP就可能越高.因此我們需要將標(biāo)記為正例的問(wèn)題排在標(biāo)記為負(fù)例問(wèn)題的前面.

    SemEval2017的評(píng)測(cè)語(yǔ)料來(lái)自于QatarLiving,訓(xùn)練集包括270個(gè)問(wèn)題,每個(gè)問(wèn)題包括10個(gè)相關(guān)問(wèn)題,共2 700個(gè)問(wèn)題對(duì).開(kāi)發(fā)集包括50個(gè)問(wèn)題,共500個(gè)問(wèn)題對(duì).測(cè)試集包括80個(gè)問(wèn)題,共800個(gè)問(wèn)題對(duì).表2展示了1組訓(xùn)練數(shù)據(jù)的樣例,每個(gè)問(wèn)題包含問(wèn)題主題和問(wèn)題內(nèi)容.雖然該任務(wù)是一個(gè)排序任務(wù),但我們?nèi)匀话凑辗诸惾蝿?wù)對(duì)我們的模型進(jìn)行訓(xùn)練并得到了很好的結(jié)果.

    Table 2 The Sample of Training Data表2 訓(xùn)練數(shù)據(jù)樣例

    3.1 實(shí)驗(yàn)設(shè)置

    在SemEval的語(yǔ)料中,由于用戶書(shū)寫(xiě)不規(guī)范,語(yǔ)料中包含大量的錯(cuò)誤.在實(shí)驗(yàn)前,我們對(duì)其中一些錯(cuò)誤進(jìn)行了處理.表3列出了一些錯(cuò)誤示例以及我們處理后的結(jié)果.用戶會(huì)將一些單詞中的某些字符重復(fù)書(shū)寫(xiě)多次以表達(dá)感情,但這對(duì)我們處理問(wèn)題造成了很大的干擾,因此我們將包含多余字符的詞匯進(jìn)行還原.而有些用戶習(xí)慣用分號(hào)來(lái)分割句子,這會(huì)導(dǎo)致我們分句錯(cuò)誤,因此我們將分號(hào)替換為句號(hào).而且重復(fù)標(biāo)點(diǎn)可能造成分詞錯(cuò)誤或句法分析錯(cuò)誤,因此我們也將重復(fù)的標(biāo)點(diǎn)去掉.與此同時(shí),我們還將所有的字母全部變?yōu)樾?xiě)以便后續(xù)處理.

    Table 3 Error Example表3 錯(cuò)誤示例

    在CNN模型中,我們?cè)O(shè)置計(jì)算語(yǔ)義匹配向量的窗口w=3,卷積層中過(guò)濾器的尺寸為300×3,卷積層過(guò)濾器的個(gè)數(shù)為500.我們使用對(duì)數(shù)似然函數(shù)作為損失函數(shù),使用SGD算法對(duì)模型進(jìn)行優(yōu)化,同時(shí)設(shè)置學(xué)習(xí)率為0.005.

    在實(shí)驗(yàn)中,我們使用了2種不同的詞向量.在關(guān)鍵詞抽取模塊以及CNN模塊中,我們使用斯坦福大學(xué)GloVe模型[15]預(yù)訓(xùn)練的300維的詞向量.該詞向量沒(méi)有在QatarLiving的語(yǔ)料上進(jìn)行訓(xùn)練,更具有通用性,可以在一定程度上防止過(guò)擬合.而在基于問(wèn)題主題的相似度計(jì)算模塊中,我們使用了在QatarLiving語(yǔ)料上進(jìn)行預(yù)訓(xùn)練的200維詞向量[19].該詞向量更具有領(lǐng)域的特殊性,因此更適合用于直接計(jì)算相似度.

    3.2 結(jié)果及分析

    首先,我們進(jìn)行一組實(shí)驗(yàn)證明關(guān)鍵詞提取和主題間相似度是有意義的.我們先后去掉基于主題信息的特征和關(guān)鍵詞提取模塊進(jìn)行實(shí)驗(yàn),接著我們將這2個(gè)模塊全部去掉進(jìn)行實(shí)驗(yàn).實(shí)驗(yàn)結(jié)果如表4所示:

    Table 4 Model Comparison Experiment表4 模型對(duì)比實(shí)驗(yàn)

    實(shí)驗(yàn)證明,基于關(guān)鍵詞的模型要優(yōu)于基于全部?jī)?nèi)容的模型.我們從3方面分析原因:

    1) 由于不同問(wèn)題包含的詞匯量不同,可能差異很大.這導(dǎo)致將全文作為神經(jīng)網(wǎng)絡(luò)的輸入時(shí),兩者所蘊(yùn)含的信息量相差懸殊,不利于網(wǎng)絡(luò)學(xué)習(xí).而抽取關(guān)鍵詞則將兩者詞匯量上的差距縮小,所蘊(yùn)含的信息量的差距也同時(shí)縮小,這有利于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到有意義的特征.

    2) 由于用戶的背景不同,所提出問(wèn)題的背景信息有很大差別,這些背景信息會(huì)干擾模型判斷問(wèn)題相似.抽取關(guān)鍵詞可以將干擾信息減少,幫助模型判斷問(wèn)題相似.

    3) 理論上,CNN模型可以通過(guò)多輪學(xué)習(xí)自動(dòng)過(guò)濾無(wú)用信息,但要達(dá)到上述目標(biāo)需要大量的語(yǔ)料.而由于語(yǔ)料不足,神經(jīng)網(wǎng)絡(luò)模型無(wú)法很好地從過(guò)長(zhǎng)的問(wèn)題中抽取特征,將全文作為模型的輸入很有可能造成過(guò)擬合,而將關(guān)鍵詞作為模型的輸入則減輕了這一問(wèn)題.

    實(shí)驗(yàn)也證明了問(wèn)題主題相似度的特征可以輔助模型判斷問(wèn)題相似度.我們認(rèn)為,用關(guān)鍵詞序列代替全部文本作為神經(jīng)網(wǎng)絡(luò)的輸入不可避免地會(huì)造成一些信息的流失,關(guān)鍵詞提取本身也會(huì)造成級(jí)聯(lián)錯(cuò)誤.于是我們可以人為添加一些對(duì)判斷問(wèn)題相似度有幫助的特征輔助模型進(jìn)行判斷.而大量的研究表明問(wèn)題主題可以幫助我們判斷問(wèn)題相似,因此我們選擇了問(wèn)題主題相似度作為輔助判斷的依據(jù).

    我們用實(shí)驗(yàn)證明關(guān)鍵詞提取模塊中,使用TFIDF而非詞頻來(lái)判斷詞的重要程度是更優(yōu)的選擇.實(shí)驗(yàn)表明引入全局信息有助于表示詞的重要程度.結(jié)果如表5所示:

    Table5ComparisonoftheFeatureUsedinComputingtheGravitationalValueofWords

    表5 詞引力值使用特征對(duì)比實(shí)驗(yàn)

    同時(shí),我們的模型中多次計(jì)算向量間的相似度.因此我們?cè)O(shè)計(jì)了一組實(shí)驗(yàn)來(lái)證明在我們的模型中皮爾森相關(guān)系數(shù)要優(yōu)于余弦相似度,皮爾森相似度可以更好地表示向量之間的相關(guān)程度.我們?cè)谡Z(yǔ)義匹配和矩陣分解以及主題相似度計(jì)算模塊中分別嘗試了余弦相似度以及皮爾森相關(guān)系數(shù),實(shí)驗(yàn)結(jié)果如表6所示:

    Table 6 Comparison of Cosine Similarity and Pearson’s Correlation Coefficient表6 余弦相似度與皮爾森相關(guān)系數(shù)對(duì)比實(shí)驗(yàn)

    從表6可知,除了當(dāng)主題相似度計(jì)算模塊使用余弦相似度時(shí),在CNN模型中使用皮爾森相關(guān)系數(shù)的結(jié)果略差于余弦相似度且差距不大外,其他任何情況中皮爾森相關(guān)系數(shù)均優(yōu)于余弦相似度.因此可以認(rèn)為在我們的模型中,皮爾森相關(guān)系數(shù)要優(yōu)于余弦相似度.

    最后,將我們提出的模型同SemEval2017的評(píng)測(cè)結(jié)果進(jìn)行比較,實(shí)驗(yàn)結(jié)果如表7所示:

    Table 7 The Experimental Results in SemEval2017表7 SemEval2017評(píng)測(cè)語(yǔ)料實(shí)驗(yàn)結(jié)果

    表7中名稱均為參加評(píng)測(cè)的隊(duì)伍名稱,我們選擇了評(píng)測(cè)中排名前3的模型進(jìn)行比較.KeLP[20]系統(tǒng)基于SVM(support vector machine),使用具有問(wèn)題間關(guān)系鏈接的句法樹(shù)內(nèi)核以及一些文本間的相似性度量計(jì)算問(wèn)題間相似度.Simbow[21]系統(tǒng)在余弦相似度中融入了關(guān)系度量,其使用多種關(guān)系度量計(jì)算余弦相似度,最后使用邏輯回歸模型計(jì)算問(wèn)題相似度.LearningToQuestion[22]系統(tǒng)用神經(jīng)網(wǎng)絡(luò)模型生成特征再使用SVM或邏輯回歸模型計(jì)算問(wèn)題相似度.從表7中我們可以看出,我們的模型要優(yōu)于評(píng)測(cè)中最好的模型,更遠(yuǎn)遠(yuǎn)優(yōu)于基于IR(information retrieval)的基礎(chǔ)模型.但是,我們的模型仍有一些不足:1)由于關(guān)鍵詞提取技術(shù)的準(zhǔn)確度不夠,我們無(wú)法保證是否有關(guān)鍵信息遺漏;2)以關(guān)鍵詞序列作為神經(jīng)網(wǎng)絡(luò)的輸入破壞了問(wèn)題的結(jié)構(gòu),我們無(wú)法利用問(wèn)題結(jié)構(gòu)上的信息來(lái)判斷問(wèn)題相似性;3)我們使用用戶提供的問(wèn)題主題間的相似度作為輔助判斷的依據(jù),但用戶提供的主題可能太過(guò)簡(jiǎn)略,無(wú)法幫助甚至?xí)璧K我們判斷問(wèn)題相似.

    4 結(jié)論及展望

    我們提出了一種基于關(guān)鍵詞間相似及相異信息的CNN模型去計(jì)算社區(qū)問(wèn)答中問(wèn)題相似度.同時(shí),我們將問(wèn)題主題間的相似度特征融入到模型中,以輔助模型進(jìn)行判斷.我們?cè)赟emEval2017的評(píng)測(cè)語(yǔ)料上進(jìn)行了實(shí)驗(yàn),并超過(guò)了現(xiàn)有的結(jié)果.下一步我們將嘗試更多不同的關(guān)鍵詞抽取算法以及不同的神經(jīng)網(wǎng)絡(luò)模型.同時(shí),我們還會(huì)嘗試在模型中融入主題模型來(lái)替代問(wèn)題主題相似度.

    猜你喜歡
    語(yǔ)料向量神經(jīng)網(wǎng)絡(luò)
    向量的分解
    聚焦“向量與三角”創(chuàng)新題
    神經(jīng)網(wǎng)絡(luò)抑制無(wú)線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    基于語(yǔ)料調(diào)查的“連……都(也)……”出現(xiàn)的語(yǔ)義背景分析
    向量垂直在解析幾何中的應(yīng)用
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    華語(yǔ)電影作為真實(shí)語(yǔ)料在翻譯教學(xué)中的應(yīng)用
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機(jī)回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    看免费成人av毛片| 99热这里只有精品一区| 日韩av在线大香蕉| 丰满人妻一区二区三区视频av| 五月伊人婷婷丁香| 2021天堂中文幕一二区在线观| 级片在线观看| 成年女人毛片免费观看观看9| 久久久久九九精品影院| av国产免费在线观看| 99热精品在线国产| 日本三级黄在线观看| 51国产日韩欧美| 国产精品嫩草影院av在线观看| 成人无遮挡网站| 国产精品嫩草影院av在线观看| 蜜桃亚洲精品一区二区三区| 国产综合懂色| 国产色婷婷99| 免费看av在线观看网站| 久久久久九九精品影院| 久久午夜福利片| 亚洲无线在线观看| 色综合亚洲欧美另类图片| 国产真实伦视频高清在线观看| 寂寞人妻少妇视频99o| .国产精品久久| 三级男女做爰猛烈吃奶摸视频| 日韩在线高清观看一区二区三区| 男女那种视频在线观看| 亚洲av不卡在线观看| 插阴视频在线观看视频| 91久久精品国产一区二区三区| 日本 av在线| www.色视频.com| 亚洲自拍偷在线| 99视频精品全部免费 在线| 夜夜看夜夜爽夜夜摸| 精品一区二区三区人妻视频| 亚洲美女黄片视频| 五月伊人婷婷丁香| 亚洲精品国产成人久久av| 麻豆成人午夜福利视频| 中文资源天堂在线| 18禁黄网站禁片免费观看直播| 成人漫画全彩无遮挡| 午夜激情福利司机影院| 免费看光身美女| 国产精品无大码| 女生性感内裤真人,穿戴方法视频| 国产精品精品国产色婷婷| 最近视频中文字幕2019在线8| 亚洲18禁久久av| 精品人妻偷拍中文字幕| 国产极品精品免费视频能看的| av福利片在线观看| 成人永久免费在线观看视频| 午夜日韩欧美国产| 99久久精品一区二区三区| 国产在线精品亚洲第一网站| 国产在视频线在精品| 日韩欧美精品免费久久| 欧美精品国产亚洲| 最新中文字幕久久久久| 亚洲美女视频黄频| 热99在线观看视频| 亚洲美女视频黄频| 黄片wwwwww| 九九久久精品国产亚洲av麻豆| 亚洲18禁久久av| 午夜亚洲福利在线播放| 18禁裸乳无遮挡免费网站照片| 国产日本99.免费观看| 亚洲人成网站在线观看播放| 精品久久久久久久久亚洲| 狠狠狠狠99中文字幕| 国产v大片淫在线免费观看| 久久久久国产网址| 99久久精品热视频| 老司机影院成人| 啦啦啦观看免费观看视频高清| 成人av一区二区三区在线看| 听说在线观看完整版免费高清| 99热全是精品| 国产精品一区二区三区四区免费观看 | 精品久久久久久成人av| 熟女电影av网| 男女边吃奶边做爰视频| 久久久国产成人精品二区| 久久久久久久久久成人| 国产伦精品一区二区三区视频9| av卡一久久| 亚洲图色成人| 夜夜看夜夜爽夜夜摸| 五月玫瑰六月丁香| 夜夜夜夜夜久久久久| 国产伦一二天堂av在线观看| 久久99热这里只有精品18| 97热精品久久久久久| 中文在线观看免费www的网站| 亚洲人成网站在线播放欧美日韩| 91久久精品国产一区二区三区| 国产视频内射| 久久鲁丝午夜福利片| 一a级毛片在线观看| 97热精品久久久久久| 亚洲在线观看片| 91久久精品电影网| 校园人妻丝袜中文字幕| 国产成人a区在线观看| 麻豆久久精品国产亚洲av| АⅤ资源中文在线天堂| 99热全是精品| 欧美日韩综合久久久久久| 日韩欧美三级三区| 天堂√8在线中文| 久久6这里有精品| 久久久国产成人精品二区| 国产在线精品亚洲第一网站| 国产色爽女视频免费观看| 99久国产av精品| 韩国av在线不卡| 欧美成人免费av一区二区三区| 色视频www国产| 亚洲欧美日韩高清专用| 三级毛片av免费| 亚洲人成网站在线播| 色尼玛亚洲综合影院| 丝袜喷水一区| 搞女人的毛片| 国内少妇人妻偷人精品xxx网站| 日韩欧美三级三区| 国产真实乱freesex| 日日摸夜夜添夜夜添av毛片| 亚洲欧美成人综合另类久久久 | 九色成人免费人妻av| 国产麻豆成人av免费视频| 熟妇人妻久久中文字幕3abv| 久久中文看片网| 国产片特级美女逼逼视频| 黄色欧美视频在线观看| av福利片在线观看| 午夜影院日韩av| eeuss影院久久| 有码 亚洲区| 一区二区三区免费毛片| 亚洲人与动物交配视频| 尤物成人国产欧美一区二区三区| 天天一区二区日本电影三级| 国产免费一级a男人的天堂| 国产精品久久久久久精品电影| 69人妻影院| 舔av片在线| 一区二区三区免费毛片| 俺也久久电影网| 高清毛片免费观看视频网站| 禁无遮挡网站| 精品人妻熟女av久视频| 非洲黑人性xxxx精品又粗又长| 欧美3d第一页| 日韩av在线大香蕉| 久久国内精品自在自线图片| 日本撒尿小便嘘嘘汇集6| 免费黄网站久久成人精品| 最近最新中文字幕大全电影3| 日日摸夜夜添夜夜添小说| 亚洲不卡免费看| 51国产日韩欧美| 国产精品久久久久久久久免| 一本精品99久久精品77| 在线国产一区二区在线| 国产白丝娇喘喷水9色精品| 日本黄色视频三级网站网址| 久久精品久久久久久噜噜老黄 | 国产伦在线观看视频一区| 22中文网久久字幕| 久久天躁狠狠躁夜夜2o2o| 免费观看精品视频网站| 午夜福利在线在线| 久久精品综合一区二区三区| 一区二区三区免费毛片| 亚洲精品国产av成人精品 | 不卡视频在线观看欧美| 三级经典国产精品| 九九在线视频观看精品| 日本免费一区二区三区高清不卡| 99久久精品热视频| 国产精品av视频在线免费观看| 舔av片在线| 秋霞在线观看毛片| 日韩一区二区视频免费看| 人妻久久中文字幕网| 欧美一区二区亚洲| 97热精品久久久久久| 99热这里只有是精品在线观看| 亚洲美女搞黄在线观看 | 日韩人妻高清精品专区| 美女免费视频网站| 国内揄拍国产精品人妻在线| 国产精品免费一区二区三区在线| 亚洲aⅴ乱码一区二区在线播放| 午夜爱爱视频在线播放| 观看免费一级毛片| 国产高清不卡午夜福利| 一区福利在线观看| 18禁裸乳无遮挡免费网站照片| 麻豆一二三区av精品| 国产一区二区在线观看日韩| 久久久色成人| 亚洲国产精品合色在线| 成人国产麻豆网| 卡戴珊不雅视频在线播放| 最近的中文字幕免费完整| 精品久久久久久久久久久久久| 国产精品野战在线观看| 国产成人一区二区在线| 亚洲av二区三区四区| 国产免费一级a男人的天堂| 国产av在哪里看| 久久亚洲精品不卡| av福利片在线观看| 亚洲色图av天堂| 亚洲欧美日韩无卡精品| 日韩强制内射视频| 国产精品一区www在线观看| 大又大粗又爽又黄少妇毛片口| 亚洲av五月六月丁香网| 久久久久国产精品人妻aⅴ院| 亚洲国产精品合色在线| 午夜福利在线在线| 久久中文看片网| 国产黄色小视频在线观看| 别揉我奶头~嗯~啊~动态视频| 国产精品久久电影中文字幕| 真人做人爱边吃奶动态| 看十八女毛片水多多多| 日韩精品青青久久久久久| 成年女人永久免费观看视频| av在线播放精品| 国产精品一区www在线观看| 精品99又大又爽又粗少妇毛片| 日日摸夜夜添夜夜添小说| 日本黄大片高清| 日韩人妻高清精品专区| 长腿黑丝高跟| 俺也久久电影网| 天堂影院成人在线观看| 看片在线看免费视频| 91在线观看av| 久久精品91蜜桃| 午夜a级毛片| 国产一区二区三区在线臀色熟女| 禁无遮挡网站| av黄色大香蕉| 久久亚洲国产成人精品v| 亚洲成人久久性| 美女黄网站色视频| 精品久久久久久久末码| 亚洲欧美精品综合久久99| 成人精品一区二区免费| 色综合色国产| 国产精品无大码| 亚洲最大成人av| 欧美色视频一区免费| 欧美色视频一区免费| 国产片特级美女逼逼视频| 欧美高清性xxxxhd video| 久久久久国产网址| 看非洲黑人一级黄片| 国国产精品蜜臀av免费| 国产精品嫩草影院av在线观看| 婷婷亚洲欧美| 69人妻影院| 日韩大尺度精品在线看网址| 日韩三级伦理在线观看| 亚洲第一电影网av| 日韩欧美精品v在线| 亚洲最大成人手机在线| 真人做人爱边吃奶动态| 欧美又色又爽又黄视频| 久久人人爽人人爽人人片va| 亚洲精品久久国产高清桃花| 久久精品国产鲁丝片午夜精品| 免费看光身美女| 日韩av不卡免费在线播放| 久久精品综合一区二区三区| 欧美xxxx性猛交bbbb| 91狼人影院| 男人舔女人下体高潮全视频| 综合色丁香网| 成人性生交大片免费视频hd| 在线播放国产精品三级| 欧美日韩一区二区视频在线观看视频在线 | 中文字幕av在线有码专区| 国产高清视频在线播放一区| 一级毛片久久久久久久久女| 老司机福利观看| 国产白丝娇喘喷水9色精品| 美女大奶头视频| 成人特级av手机在线观看| 热99re8久久精品国产| 国产亚洲精品综合一区在线观看| 五月伊人婷婷丁香| av视频在线观看入口| 日本黄色片子视频| 赤兔流量卡办理| 精品一区二区三区视频在线观看免费| 亚洲欧美成人综合另类久久久 | 亚洲中文日韩欧美视频| 欧美一区二区精品小视频在线| 久久中文看片网| 免费人成视频x8x8入口观看| 国产精品久久电影中文字幕| av天堂中文字幕网| 草草在线视频免费看| 一本一本综合久久| 亚洲无线观看免费| 男人舔奶头视频| 日韩成人av中文字幕在线观看 | 国产精品福利在线免费观看| 中国美女看黄片| 黄色配什么色好看| 18禁在线播放成人免费| 亚洲性久久影院| 欧美性猛交黑人性爽| 国产精品电影一区二区三区| 国产精品国产三级国产av玫瑰| 直男gayav资源| 男人舔女人下体高潮全视频| 欧美高清性xxxxhd video| 美女大奶头视频| 欧美丝袜亚洲另类| 成人高潮视频无遮挡免费网站| 波多野结衣高清作品| 毛片女人毛片| 日韩一区二区视频免费看| 国产精品综合久久久久久久免费| 国产精品,欧美在线| 国产精华一区二区三区| 色5月婷婷丁香| 你懂的网址亚洲精品在线观看 | 国产私拍福利视频在线观看| 久久6这里有精品| 中文在线观看免费www的网站| 日本黄色视频三级网站网址| 久久人人爽人人爽人人片va| 最近的中文字幕免费完整| 久久久久久久久中文| 久久欧美精品欧美久久欧美| 99国产精品一区二区蜜桃av| 久久久久久久久久成人| 69人妻影院| 日韩国内少妇激情av| 18禁在线播放成人免费| 一个人看视频在线观看www免费| 偷拍熟女少妇极品色| 亚洲中文日韩欧美视频| av在线天堂中文字幕| 国内精品久久久久精免费| 深夜精品福利| 一级毛片aaaaaa免费看小| 天堂√8在线中文| 国产精品一区二区免费欧美| 久久精品影院6| 亚洲在线自拍视频| 免费高清视频大片| 美女被艹到高潮喷水动态| 精品久久久久久久久av| 成年av动漫网址| 久久久久久九九精品二区国产| 丰满乱子伦码专区| 少妇熟女欧美另类| 国产精品不卡视频一区二区| 欧美日韩在线观看h| 日本爱情动作片www.在线观看 | 亚洲欧美精品自产自拍| 成人漫画全彩无遮挡| 亚洲国产精品国产精品| 99久久久亚洲精品蜜臀av| 床上黄色一级片| 能在线免费观看的黄片| 中国美白少妇内射xxxbb| 3wmmmm亚洲av在线观看| 久久天躁狠狠躁夜夜2o2o| 啦啦啦观看免费观看视频高清| 中文字幕av成人在线电影| 久久久精品欧美日韩精品| 午夜久久久久精精品| av.在线天堂| 91久久精品国产一区二区三区| 99久国产av精品| 中文亚洲av片在线观看爽| 我要看日韩黄色一级片| 直男gayav资源| 久久国产乱子免费精品| 国产中年淑女户外野战色| 一区二区三区高清视频在线| 春色校园在线视频观看| 亚洲色图av天堂| 天美传媒精品一区二区| 中文资源天堂在线| 国产一区亚洲一区在线观看| 久久人妻av系列| 少妇人妻一区二区三区视频| 亚洲成人久久爱视频| 亚洲经典国产精华液单| 男女之事视频高清在线观看| 久久久久精品国产欧美久久久| 国产 一区精品| 最近的中文字幕免费完整| 精品一区二区三区视频在线观看免费| 亚洲aⅴ乱码一区二区在线播放| 日日摸夜夜添夜夜添av毛片| 99久久中文字幕三级久久日本| 成年av动漫网址| 成人毛片a级毛片在线播放| 日韩高清综合在线| av专区在线播放| 国产高清激情床上av| 国产v大片淫在线免费观看| 久久精品人妻少妇| 国产亚洲av嫩草精品影院| 亚洲成人av在线免费| 欧美成人a在线观看| 久久鲁丝午夜福利片| 国产一区二区激情短视频| 亚洲av电影不卡..在线观看| 国产三级在线视频| 久久午夜亚洲精品久久| 国产亚洲精品av在线| 高清日韩中文字幕在线| 色视频www国产| 国内精品美女久久久久久| а√天堂www在线а√下载| 日韩欧美国产在线观看| 美女免费视频网站| 男女视频在线观看网站免费| 免费一级毛片在线播放高清视频| 人人妻人人澡欧美一区二区| 国产成人aa在线观看| 22中文网久久字幕| 免费av毛片视频| 校园春色视频在线观看| 国产午夜精品久久久久久一区二区三区 | 亚洲最大成人av| 国内精品久久久久精免费| 亚洲一级一片aⅴ在线观看| 日本在线视频免费播放| 3wmmmm亚洲av在线观看| 干丝袜人妻中文字幕| 蜜臀久久99精品久久宅男| 成人av在线播放网站| 欧美最新免费一区二区三区| 俄罗斯特黄特色一大片| 久久久a久久爽久久v久久| 深夜a级毛片| 日韩欧美精品免费久久| 欧美高清成人免费视频www| 久久这里只有精品中国| 熟女人妻精品中文字幕| 又黄又爽又免费观看的视频| 床上黄色一级片| 国产精品永久免费网站| 精品人妻偷拍中文字幕| 欧美成人a在线观看| 亚洲,欧美,日韩| 波多野结衣高清作品| 日本三级黄在线观看| 午夜福利18| 日韩 亚洲 欧美在线| 在线天堂最新版资源| 99国产极品粉嫩在线观看| or卡值多少钱| 国内久久婷婷六月综合欲色啪| 不卡一级毛片| 两个人视频免费观看高清| 一级毛片aaaaaa免费看小| 色噜噜av男人的天堂激情| 午夜爱爱视频在线播放| 欧美最新免费一区二区三区| 久久精品综合一区二区三区| 人妻丰满熟妇av一区二区三区| 亚洲美女视频黄频| 欧美3d第一页| 人人妻人人澡欧美一区二区| 免费黄网站久久成人精品| 色吧在线观看| 久久久欧美国产精品| 亚洲av一区综合| 精品不卡国产一区二区三区| 在现免费观看毛片| 蜜臀久久99精品久久宅男| 老司机福利观看| 国产精品人妻久久久影院| 97超碰精品成人国产| 亚洲七黄色美女视频| 久久婷婷人人爽人人干人人爱| 99热这里只有是精品在线观看| 亚洲美女视频黄频| 国产伦精品一区二区三区四那| 69人妻影院| 国产一级毛片七仙女欲春2| 久久99热6这里只有精品| 精品一区二区免费观看| av专区在线播放| av在线播放精品| 国产毛片a区久久久久| 免费大片18禁| 最近最新中文字幕大全电影3| 精品久久久久久久久久免费视频| 黄色一级大片看看| 1024手机看黄色片| 精品久久久久久久久久久久久| 看十八女毛片水多多多| 黄色视频,在线免费观看| 国语自产精品视频在线第100页| av卡一久久| 亚洲第一区二区三区不卡| 亚洲欧美日韩高清专用| 久久欧美精品欧美久久欧美| 免费看av在线观看网站| 国内揄拍国产精品人妻在线| av在线老鸭窝| 国产一区二区亚洲精品在线观看| 亚洲,欧美,日韩| 国产精品久久视频播放| 欧美一区二区精品小视频在线| 成年女人毛片免费观看观看9| 91麻豆精品激情在线观看国产| 国产伦精品一区二区三区四那| 黄色视频,在线免费观看| 人人妻人人澡人人爽人人夜夜 | 最近最新中文字幕大全电影3| 欧美区成人在线视频| 亚洲国产欧美人成| 精品久久久久久久久久久久久| 美女大奶头视频| 国产精品美女特级片免费视频播放器| 免费av不卡在线播放| 嫩草影院新地址| av在线亚洲专区| 亚洲国产欧美人成| 啦啦啦韩国在线观看视频| 日日撸夜夜添| 高清毛片免费看| 婷婷色综合大香蕉| 欧美色欧美亚洲另类二区| 久久久久久九九精品二区国产| 国产亚洲精品久久久com| 精品不卡国产一区二区三区| 中文字幕精品亚洲无线码一区| 国内揄拍国产精品人妻在线| 免费一级毛片在线播放高清视频| 亚洲七黄色美女视频| 国产成人精品久久久久久| 久久精品国产99精品国产亚洲性色| 美女黄网站色视频| 国产午夜精品论理片| 亚洲精品国产av成人精品 | 国产91av在线免费观看| 哪里可以看免费的av片| 看免费成人av毛片| 精品一区二区三区视频在线| 看非洲黑人一级黄片| 成人欧美大片| 男女视频在线观看网站免费| 中文字幕av成人在线电影| 99热这里只有精品一区| 国产一区二区亚洲精品在线观看| 伦理电影大哥的女人| 人妻少妇偷人精品九色| 99久久精品热视频| 亚洲欧美成人精品一区二区| 一级毛片我不卡| 男人舔奶头视频| 老师上课跳d突然被开到最大视频| 乱人视频在线观看| 亚洲中文字幕一区二区三区有码在线看| 又爽又黄无遮挡网站| 亚洲av成人av| 色综合色国产| 韩国av在线不卡| 99久久中文字幕三级久久日本| 国产精品99久久久久久久久| 最近在线观看免费完整版| 国产一区二区在线观看日韩| 少妇的逼水好多| 久久久久国内视频| 亚洲自拍偷在线| 大又大粗又爽又黄少妇毛片口| 免费搜索国产男女视频| 欧美又色又爽又黄视频| av在线老鸭窝| 丝袜美腿在线中文| 蜜臀久久99精品久久宅男| 真实男女啪啪啪动态图| 亚洲欧美日韩卡通动漫| 久久欧美精品欧美久久欧美| 国产精品一区二区免费欧美| 国产高清有码在线观看视频| 日韩精品青青久久久久久| 中文在线观看免费www的网站| 日韩成人av中文字幕在线观看 | 特大巨黑吊av在线直播| 亚洲国产欧美人成| 国产不卡一卡二| 赤兔流量卡办理| 国产成人影院久久av| 国产 一区精品| 成人欧美大片| 高清毛片免费观看视频网站| 国产 一区精品| 亚洲人成网站在线观看播放| 日韩av在线大香蕉| 久久久久久九九精品二区国产|