• <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Nystr?m方法的偏好特征提取

    2018-10-16 08:29:24楊美姣劉驚雷
    計(jì)算機(jī)應(yīng)用 2018年9期
    關(guān)鍵詞:標(biāo)志點(diǎn)復(fù)雜度精度

    楊美姣,劉驚雷

    (煙臺(tái)大學(xué) 計(jì)算機(jī)與控制工程學(xué)院,山東 煙臺(tái) 264005)

    0 引言

    近幾年,核方法已經(jīng)成功地應(yīng)用于各種現(xiàn)實(shí)世界中,尤其是那些具有高度復(fù)雜性和非線性結(jié)構(gòu)的問(wèn)題中。核方法已經(jīng)被廣泛地應(yīng)用于各種機(jī)器問(wèn)題,如分類、聚類和回歸學(xué)習(xí)中。在基于核的學(xué)習(xí)中,輸入的數(shù)據(jù)點(diǎn)被映射到高維的特征空間中,并將內(nèi)部成對(duì)的數(shù)據(jù)存儲(chǔ)在一個(gè)對(duì)稱的半正定核矩陣中。核矩陣的核心作用是描述樣本數(shù)據(jù)之間的相似性,目前在流形學(xué)習(xí)和降維中被廣泛應(yīng)用[1]。在實(shí)際應(yīng)用中矩陣的規(guī)模往往較大,因此需要降低矩陣的規(guī)模,即對(duì)矩陣進(jìn)行采樣,將高維矩陣映射到一個(gè)低維子空間中,然后對(duì)低維空間中的矩陣進(jìn)行分解,這樣做不僅能減小矩陣的規(guī)模,解決矩陣溢出的問(wèn)題,而且還能提高運(yùn)算的效率。低秩矩陣分解和核學(xué)習(xí)是構(gòu)建高級(jí)學(xué)習(xí)系統(tǒng)的兩種有效的方法[2],這兩種方法都可以降低大規(guī)模矩陣的計(jì)算成本。

    給定一系列n個(gè)點(diǎn), 假設(shè)核矩陣K的大小為n×n。核矩陣K≈LLT,其中矩陣L∈n×k,秩k

    Nystr?m方法的原理是選擇一組“地標(biāo)點(diǎn)”(有標(biāo)志性的點(diǎn)),然后計(jì)算輸入數(shù)據(jù)點(diǎn)和標(biāo)志點(diǎn)的內(nèi)核相似矩陣[5]。Nystr?m方法的衡量標(biāo)準(zhǔn)與標(biāo)志點(diǎn)的選取密切相關(guān),若選取的標(biāo)志點(diǎn)具有普遍代表性,則其相似性越高。原始的Nystr?m方法是從輸入的數(shù)據(jù)點(diǎn)中隨機(jī)地選擇標(biāo)志點(diǎn)[6],隨機(jī)采樣有很多不確定性,使得原始Nystr?m方法的精度并不是很高。本文中將Nystr?m方法與QR方法相結(jié)合,即將Nystr?m方法的內(nèi)部矩陣C進(jìn)行QR分解,將分解后得到矩陣Q和R,利用分解后的矩陣R和Nystr?m方法的內(nèi)部矩陣W+相乘,得到矩陣RW+RT,隨后對(duì)矩陣RW+RT進(jìn)行特征分解,得到矩陣V′、Σ′和V′T3個(gè)矩陣,最后得到最佳的Nystr?m近似。

    本文主要工作如下:

    1)標(biāo)志點(diǎn)的選取影響著對(duì)偏好特征的選擇。為了提高采樣后的Nystr?m方法的精確度,利用自適應(yīng)的采樣方法,即通過(guò)多次遍歷并及時(shí)更新抽樣概率,選取有代表性的標(biāo)志點(diǎn),隨著遍歷次數(shù)的增加,采樣后的誤差會(huì)大大減小。與傳統(tǒng)的隨機(jī)抽樣相比,自適應(yīng)采樣的精度會(huì)明顯提高,同時(shí)也避免了隨機(jī)抽樣中標(biāo)志點(diǎn)選取的偶然性。要保證選取的標(biāo)志點(diǎn)盡可能包含項(xiàng)目的特征,本文設(shè)計(jì)了標(biāo)志點(diǎn)選取的算法,該算法跟傳統(tǒng)的算法相比,精度有了一定的提高。

    2)本文中將標(biāo)準(zhǔn)的Nystr?m方法與QR分解相結(jié)合,解決了標(biāo)準(zhǔn)Nystr?m方法中內(nèi)部矩陣受到秩限制的問(wèn)題。本文中的算法還可以用來(lái)描述當(dāng)標(biāo)志點(diǎn)的數(shù)目超過(guò)目標(biāo)秩k時(shí)的最佳k近似,因此,本文提出的算法可以與任意標(biāo)志點(diǎn)選擇方法相結(jié)合來(lái)尋求最佳k近似。

    3)在真實(shí)的觀眾對(duì)電影評(píng)分的數(shù)據(jù)集上進(jìn)行了測(cè)試,該電影數(shù)據(jù)集中包含480 189個(gè)用戶,17 770部電影,根據(jù)觀眾對(duì)電影的評(píng)分結(jié)果進(jìn)行偏好特征的提取,并與其他算法如奇異值分解(Singular Value Decomposition, SVD)、行列組合(Column Union Row, CUR)、標(biāo)準(zhǔn)的Nystr?m方法、Nystr?m方法和正則奇異化分解(Regularized Singular Value Decomposition, RSVD)的組合(Nystr?m+RSVD)以及基于范例的低秩稀疏矩陣分解(Exemplar-based low rank sparse Matrix Decomposition, EMD)和QR分解的組合(EMD-QR)方法進(jìn)行了比較,并選取了凸數(shù)據(jù)集和非凸數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn),從理論和實(shí)驗(yàn)兩個(gè)方面證明了本文所提出的算法的有效性。

    1 相關(guān)工作

    本章主要介紹了一些相關(guān)的定義和符號(hào),為后面工作中要用到的定義和概念作了相應(yīng)的描述。

    1.1 核矩陣

    假設(shè)矩陣A=[a1,a2,…,an]∈Rm×n是一個(gè)n中包含n個(gè)數(shù)據(jù)點(diǎn)的列矩陣。計(jì)算特征空間中的內(nèi)積用到“核函數(shù)”,它在原始空間上定義為:Bij=b(ai,aj)=〈Φ(ai),Φ(aj)〉,?i,j=1,2,…,n,其中,Φ:a|→Φ(a)是內(nèi)核誘導(dǎo)的特征圖。n個(gè)映射數(shù)據(jù)點(diǎn)的所有成對(duì)內(nèi)積存儲(chǔ)在核矩陣K∈Rn×n中,第(i,j)個(gè)條目是k(i;j)。高斯和多項(xiàng)式核矩陣是對(duì)稱半正定核矩陣的兩個(gè)眾所周知的例子[7]。盡管在數(shù)據(jù)的非線性表示中內(nèi)核很簡(jiǎn)單,但是大規(guī)模數(shù)據(jù)集的內(nèi)核矩陣的計(jì)算和存儲(chǔ)卻很棘手[8]。核矩陣的內(nèi)存為O(n2),內(nèi)存和計(jì)算成本都是以數(shù)據(jù)點(diǎn)數(shù)量的平方為尺度,而且在后續(xù)的學(xué)習(xí)過(guò)程中,核矩陣在計(jì)算上也需要花費(fèi)很大的成本。例如,核主成分分析(Kernel Principal Component Analysis, KPCA)算法需要計(jì)算核矩陣的特征值分解[9],標(biāo)準(zhǔn)的算法需要的時(shí)間復(fù)雜度為O(n3),且需要多次遍歷矩陣K。在其他的基于核的學(xué)習(xí)方法如核嶺回歸中,計(jì)算的時(shí)間復(fù)雜度為O(n3)。對(duì)于規(guī)模較大的矩陣,要充分考慮計(jì)算計(jì)算的時(shí)間復(fù)雜度。

    1.2 奇異值分解

    對(duì)于任意一個(gè)矩陣A∈m×n,A(j)(j=1,2,…,n)定義為A的第j列向量,相應(yīng)的A(i)(i=1,2,…,m)定義為A的第i行向量??梢詫⒕仃嘇分解為:

    A=UΛV′

    (1)

    1.3 低秩矩陣近似

    1.4 Nystr?m方法

    Nystr?m方法首次被提出是用于解決近似積分特征函數(shù)的問(wèn)題,后來(lái)被用來(lái)處理低階近似的核心矩陣[12]。假設(shè)給定一個(gè)核函數(shù)k(·,·)以及具有底層分布的樣本集p(·),Nystr?m方法旨在解決以下積分:

    (3)

    其中:φi(x)、λi分別是第i個(gè)特征值函數(shù)和關(guān)于p的k(·,·)算子的特征值[13]。假設(shè)輸入一個(gè)對(duì)稱的半正定核矩陣K∈n×n。若矩陣的秩rank(K)=r≤n,即存在一個(gè)L∈n×n,使得K=LTL。Nystr?m方法的對(duì)象是對(duì)稱的半正定矩陣,要使用Nystr?m方法,必須對(duì)原始的矩陣進(jìn)行預(yù)處理,將矩陣轉(zhuǎn)化為對(duì)稱的半正定矩陣。本文中,利用采樣方法采取其中的c?n列來(lái)產(chǎn)生矩陣B的近似矩陣假設(shè)采樣的列數(shù)c已給定,重點(diǎn)是用自適應(yīng)方法選出其中的列。矩陣C表示由這些列組成的大小為n×c的矩陣,矩陣W是一個(gè)大小為c×c的矩陣,由這些相互正交的列與矩陣B相對(duì)應(yīng)的行組成。矩陣B是對(duì)稱半正定矩陣[12],因此,矩陣W也是對(duì)稱半正定矩陣。一般的,矩陣B的行和列可以根據(jù)采樣后的結(jié)果重新排列,可以將矩陣B和C表示為:

    (4)

    (5)

    其中:矩陣W是一個(gè)大小為c×c的矩陣,矩陣B21的大小為(n-c)×c,矩陣B22是一個(gè)大小為(n-c)×(n-c)的矩陣。

    (6)

    Nystr?m方法可以近似為矩陣K的前k個(gè)特征值(Σk)和特征向量(Uk)。

    (7)

    該近似將矩陣K的3個(gè)模塊重新組合,B22是矩陣K中W的Schur補(bǔ)。

    (8)

    矩陣W的SVD的時(shí)間復(fù)雜度是O(kc2),矩陣乘C的時(shí)間復(fù)雜度是O(kcn),因此整個(gè)Nystr?m近似的時(shí)間復(fù)雜度為O(kcn)。式(6)又可以表示為:

    (9)

    其中:

    (10)

    Nystr?m方法構(gòu)造矩陣Lnys的時(shí)間復(fù)雜度是O(pnc+c2k+nck),其中構(gòu)造矩陣C和W的時(shí)間復(fù)雜度是O(pnc)。執(zhí)行矩陣W的部分特征值分解的時(shí)間復(fù)雜度為O(c2k),而矩陣乘法CVk的時(shí)間復(fù)雜度為O(nck)。因此,對(duì)于k

    2 自適應(yīng)Nystr?m方法

    與標(biāo)準(zhǔn)的Nystr?m方法不同,自適應(yīng)的Nystr?m是在標(biāo)準(zhǔn)Nystr?m方法上作的進(jìn)一步改進(jìn),即每次采樣后,都將剩余列的概率按照降序排列,取其概率較大的列,能盡可能地表示原始矩陣,改進(jìn)后的Nystr?m方法能夠與任意標(biāo)志點(diǎn)選取方法相結(jié)合,尋求給定秩數(shù)的最佳近似[14]。

    2.1 自適應(yīng)采樣

    Zhang等[20]提出了一種使用k均值聚類產(chǎn)生質(zhì)心的信息列的算法,該算法已被證明具有良好的精度,這種算法的原理是使用樣本外擴(kuò)展來(lái)生成矩陣B的c個(gè)有代表性的列。經(jīng)過(guò)對(duì)k均值聚類產(chǎn)生質(zhì)心的信息列的算法的改進(jìn),提出了一種具有較強(qiáng)理論基礎(chǔ)(自適應(yīng))的抽樣算法,該方法要求在每次迭代中遍歷矩陣B,這樣可以提高采樣的精度。

    定理1 自適應(yīng)采樣。假設(shè)給定任意一個(gè)矩陣A∈m×n,從其中選取一系列的列向量來(lái)構(gòu)造矩陣S,則每次采樣都遵循以下分布,第i列被選擇的概率可以表示為:

    (11)

    其中:A(i)來(lái)表示矩陣A的第i列。

    根據(jù)定理1可以設(shè)計(jì)一個(gè)高效的采樣算法,但是該算法有一個(gè)特點(diǎn),首先要對(duì)原始矩陣進(jìn)行遍歷,得到其原始分布概率,然后根據(jù)得到的各列的概率進(jìn)行采樣。

    隨著采樣次數(shù)的增加,誤差會(huì)隨著遍歷次數(shù)的增加而減少,因此,多次遍歷對(duì)于稀疏矩陣的近似非常重要。

    定理2 自適應(yīng)采樣的數(shù)學(xué)描述。假設(shè)S=S1∪S2∪…∪St表示對(duì)矩陣A的列進(jìn)行采樣后的結(jié)果,對(duì)于j=1,2,…,t,集合Sj表示的是對(duì)矩陣A的s列進(jìn)行采樣后的結(jié)果。第i列被選擇的概率可以表示為:

    (12)

    其中:E1=A,E1=A-πS1∪S2∪…∪Sj-1(A),其中πS(A)表示的是A在S的生成空間上的投影。

    自適應(yīng)采樣方法對(duì)稀疏矩陣較為重要,當(dāng)采樣的矩陣較為稀疏時(shí),尤其是像觀眾對(duì)電影評(píng)分這樣的大規(guī)模的稀疏數(shù)據(jù),采用這種方法可以降低計(jì)算的復(fù)雜度,提高運(yùn)算效率。

    2.2 自適應(yīng)Nystr?m采樣

    與固定采樣不同,自適應(yīng)采樣在每次選擇完一組樣本后,都會(huì)更新所有樣本的概率[21],最終產(chǎn)生最佳的k秩近似。其基本思想是從列的初始分布開(kāi)始,從矩陣B中選擇s

    2.3 改進(jìn)的通過(guò)QR分解的Nystr?m方法

    對(duì)于一個(gè)大小為n且標(biāo)志點(diǎn)數(shù)目為c的數(shù)據(jù)集而言,矩陣C∈n×c和矩陣W∈c×c被重新構(gòu)造,形成低秩近似矩陣n×n。雖然最終的目標(biāo)是找到一個(gè)秩數(shù)不超過(guò)k的近似值,但是通常要選擇c>k個(gè)有標(biāo)志性的點(diǎn),然后限制所得到的近似秩最大值為k[24],這樣做的好處是可以使得近似的精度較高。例如,近似誤差是通過(guò)c個(gè)有標(biāo)志性的點(diǎn)引起的總的量化誤差函數(shù)。很顯然,標(biāo)志點(diǎn)選取的數(shù)目越多,總的量化誤差就會(huì)越小,這樣就可以提高k秩近似的質(zhì)量。因此,選取一種有效而精確的方法對(duì)矩陣來(lái)講是非常重要的。

    (13)

    其中:第2個(gè)等號(hào)中是將矩陣C∈n×c進(jìn)行了QR分解,即C=QR,其中矩陣Q∈n×c,R∈c×c;而第3個(gè)等式中是對(duì)矩陣RW+RT進(jìn)行特征值分解,即RW+RT=V′Σ′V′T,其中,對(duì)角矩陣Σ′∈c×c包含主對(duì)角線上按照降序分布的c個(gè)特征值,V′∈c×c則是相應(yīng)的特征向量。QV′∈c×c都是正交的,因?yàn)镼和V′都有正交的列:

    (QV′)T(QV′)=V′T(QTQ)V′=V′TV′

    (14)

    為了產(chǎn)生標(biāo)志性的點(diǎn),首先要產(chǎn)生一個(gè)信號(hào)矩陣H∈n×n,即兩者出現(xiàn)的概率相同,均為0.5。通過(guò)計(jì)算矩陣HB來(lái)找到其低維框架標(biāo)準(zhǔn)的矩陣的乘法時(shí)間復(fù)雜度為O(n3)。矩陣的乘法可以并行執(zhí)行,這樣都可以顯著加速。然后,對(duì)投影后的低維矩陣進(jìn)行k-means聚類,將數(shù)據(jù)集進(jìn)行分割:

    (15)

    具體的算法如下:

    算法1 基于Nystr?m方法的聚類。

    輸入:用戶-電影的評(píng)分矩陣A∈Rm×n,標(biāo)志點(diǎn)的數(shù)目c;

    1)

    調(diào)用算法2得到相似矩陣B;

    2)

    調(diào)用算法3得到采樣后的矩陣C;

    3)

    調(diào)用算法4得到主要的特征值和特征向量;

    4)

    產(chǎn)生一個(gè)隨機(jī)符號(hào)矩陣H;

    5)

    6)

    利用式(15)計(jì)算原始空間中的樣本均值;

    7)

    Z=[z1,z2,…,zm]∈p×c;

    8)

    返回:C∈Rm×c。

    算法2 求相似矩陣B。

    輸入:用戶-電影的評(píng)分矩陣A;

    1)

    輸入用戶-電影數(shù)據(jù)集A;

    2)

    returnB;

    其中,X=x1,x2,…,xn∈Rn,表示的是觀眾對(duì)電影感興趣的屬性個(gè)數(shù),樣本的協(xié)方差矩陣為M。根據(jù)距離公式,可以將觀眾對(duì)電影的評(píng)分矩陣轉(zhuǎn)化為用戶(電影)與用戶(電影)的相似度矩陣,即對(duì)稱的半正定矩陣。

    算法3 基于自適應(yīng)Nystr?m采樣方法。

    輸入:用戶-用戶的相似度矩陣B,采樣的列數(shù)c,每次遍歷的列數(shù)s;

    輸出:采樣后的矩陣C。

    步驟1 初始化抽樣點(diǎn)的索引的集合B;

    步驟2 對(duì)于i∈[1,2,…,t],repeat:

    1)Pi← ADAPTIVE-SAMPLING(S);

    2)根據(jù)pi選取的索引構(gòu)造Bi;

    3)將得到的B∪Bi重新賦值給B;

    ADAPTIVE-SAMPLING(S);

    ①選出與B中相對(duì)應(yīng)的矩陣的列,構(gòu)造矩陣C;

    ②計(jì)算矩陣C的左奇異向量UC;

    ④每個(gè)j∈[1,2,…,c];

    repeat:1)若j∈S,則pj=0;

    步驟3 更新抽樣點(diǎn)的抽樣概率p/‖p‖2;

    return 概率集合p和采樣后的矩陣C;

    算法4 通過(guò)QR分解的Nystr?m。

    輸入:采樣后的矩陣C,核函數(shù)f,目標(biāo)秩k;

    1)

    對(duì)矩陣C執(zhí)行QR分解:C=QR;

    2)

    計(jì)算特征值分解:RW+RT=V′Σ′V′T;

    3)

    (16)

    特征點(diǎn)Z∈p×c的整個(gè)估計(jì)核矩陣的k個(gè)主要的特征值和特征向量的時(shí)間復(fù)雜度為O(pnc+nc2+nck),其中O(pnc)表示組成矩陣C和W的時(shí)間復(fù)雜度,而QR分解的時(shí)間復(fù)雜度是O(nc2),計(jì)算RW+RT的時(shí)間復(fù)雜度是O(n3),計(jì)算矩陣乘法的時(shí)間復(fù)雜度則是O(nck)。

    3 算法求解實(shí)例

    舉個(gè)簡(jiǎn)單的例子,如核矩陣是一個(gè)3×3的矩陣:

    假設(shè)對(duì)核矩陣進(jìn)行均勻采樣,采樣的列為c=2,假設(shè)采樣的列為第1列和第3列,即:

    在標(biāo)準(zhǔn)的Nystr?m方法中,首先要計(jì)算的是內(nèi)部矩陣W的最佳近似。根據(jù)標(biāo)準(zhǔn)的Nystr?m方法的計(jì)算公式,可以得到:

    可以計(jì)算矩陣C的QR分解,即C=QR

    計(jì)算RW+RT并得到其特征值和特征向量,即RW+RT=V′Σ′V′T:

    對(duì)于相同的秩,Nystr?m與QR分解相結(jié)合得到的最佳近似矩陣的精度較高。

    4 算法的評(píng)價(jià)

    4.1 算法的優(yōu)越性

    本文采用的是改進(jìn)的Nystr?m方法,即對(duì)Nystr?m中的矩陣C進(jìn)行QR分解,得到矩陣Q和R,然后利用得到的R以及Nystr?m方法中的內(nèi)部矩陣W+,得到矩陣RW+RT,并對(duì)其進(jìn)行奇異值分解,利用矩陣V′、Σ′和V′T3個(gè)矩陣,最后根據(jù)式(13)得到最佳的Nystr?m近似。這樣做的好處是:

    1)算法的時(shí)間復(fù)雜度降低。首先將觀眾對(duì)電影的評(píng)分矩陣運(yùn)用馬氏距離轉(zhuǎn)化為觀眾與觀眾或者電影與電影之間的相似度矩陣,然后利用Nystr?m方法的特性,即Nystr?m的對(duì)象是對(duì)稱的半正定矩陣,對(duì)相似度矩陣B進(jìn)行自適應(yīng)采樣,相對(duì)于原始的觀眾對(duì)電影的評(píng)分矩陣來(lái)說(shuō),從規(guī)模上大大地減小了,因此,該方法從計(jì)算效率上來(lái)說(shuō),有了較明顯的改善。

    2)算法的空間復(fù)雜度降低。本文是對(duì)矩陣B進(jìn)行了自適應(yīng)采樣,由于Nystr?m方法的特性,只需要對(duì)其中的列進(jìn)行采樣即可,相對(duì)于CUR中需要同時(shí)采樣數(shù)據(jù)的行和列,本文所提出的算法的計(jì)算復(fù)雜度降低了,同時(shí)也將原始的高維數(shù)據(jù)降低到一個(gè)低維的子空間中,因此,在一定程度上也解決了大規(guī)模矩陣溢出的問(wèn)題。

    3)精度提高。相對(duì)于標(biāo)準(zhǔn)的Nystr?m方法,改進(jìn)后的算法對(duì)矩陣C進(jìn)行了QR分解,利用矩陣R以及矩陣W的偽逆,得到一個(gè)新的矩陣RW+RT,并對(duì)其進(jìn)行SVD,相對(duì)于直接對(duì)觀眾對(duì)電影的評(píng)分矩陣進(jìn)行SVD,采樣后的矩陣更能表示觀眾或電影的特征,因此,經(jīng)過(guò)改進(jìn)的Nystr?m方法的精度有了較大的提高。

    4.2 算法的時(shí)間復(fù)雜度分析

    定理1 算法的時(shí)間復(fù)雜度。算法時(shí)間復(fù)雜度為:O(nc2),其中k為矩陣的秩,c表示的是采樣的列數(shù),n表示原始大矩陣的規(guī)模。

    證明 改進(jìn)后的Nystr?m方法與QR相結(jié)合的時(shí)間消耗主要有幾個(gè)方面:第一個(gè)是自適應(yīng)采樣的時(shí)間復(fù)雜度O(nc2+Mc),其中,M表示相似矩陣B的中非零點(diǎn)的數(shù)目,k為矩陣的秩,c則表示的是采樣的列。另一個(gè)是形成矩陣W和C的時(shí)間復(fù)雜度O(nc2),RW+RT特征值分解的時(shí)間復(fù)雜度為O(c3),QR分解的時(shí)間復(fù)雜度為O(nc2),核矩陣的k個(gè)主要的特征值和特征向量的時(shí)間復(fù)雜度為O(pnc+nc2+nck),最后是計(jì)算矩陣QV′的時(shí)間復(fù)雜度O(nck),但是由于n?c>k,因此,總的時(shí)間復(fù)雜度為O(nc2)。

    5 實(shí)驗(yàn)環(huán)境、結(jié)果與分析

    本文采用真實(shí)的觀眾對(duì)電影的評(píng)分?jǐn)?shù)據(jù)集進(jìn)行測(cè)試,并將本文所提出的算法與已有的偏好特征提取算法(SVD、CUR、標(biāo)準(zhǔn)的Nystr?m方法、Nystr?m+RSVD、EMD-QR)進(jìn)行對(duì)比。

    5.1 實(shí)驗(yàn)環(huán)境

    本文中的所有實(shí)驗(yàn)都是在一臺(tái)8 GB DDR3內(nèi)存和主頻為2.8 GHz的Intel Pentium CPU的計(jì)算機(jī)上進(jìn)行的,計(jì)算機(jī)的系統(tǒng)為Windows7 64 b,所有的實(shí)驗(yàn)所用的軟件為Matlab 7.0。由于實(shí)驗(yàn)中可能存在一些不確定因素,因此,每次實(shí)驗(yàn)都做了6次,取其平均值作為最后的結(jié)果。

    5.2 實(shí)驗(yàn)中所用的數(shù)據(jù)集

    該實(shí)驗(yàn)中所采用的數(shù)據(jù)集是由著名的電影公司Netflix提供的數(shù)據(jù)集,該數(shù)據(jù)集中共包括480 189個(gè)用戶,17 770部電影總計(jì)100 480 507條評(píng)分記錄。觀眾對(duì)電影的評(píng)分的有限性,導(dǎo)致數(shù)據(jù)集的稀疏性,且觀眾的類型也相對(duì)較多,對(duì)不同電影的評(píng)分也各不相同,導(dǎo)致該數(shù)據(jù)集的規(guī)模相對(duì)較大,對(duì)該數(shù)據(jù)集進(jìn)行分析,運(yùn)用傳統(tǒng)的特征提取方法效率較低,運(yùn)用本文提出的改進(jìn)的Nystr?m方法,對(duì)其進(jìn)行偏好特征的提取。

    5.3 實(shí)驗(yàn)設(shè)置

    為了說(shuō)明本文提出的改進(jìn)的Nystr?m方法的優(yōu)勢(shì),將其與已有的算法進(jìn)行了比較。

    1)CUR:CUR也是一種提取偏好特征的方法,但是相對(duì)于Nystr?m方法來(lái)說(shuō),需要對(duì)矩陣的行和列采樣得到矩陣C,計(jì)算的復(fù)雜性會(huì)較高。由于Nystr?m方法的特殊性,只需要對(duì)矩陣的行或列采樣即可得到矩陣C,因此,相對(duì)來(lái)說(shuō),計(jì)算的復(fù)雜度也會(huì)相應(yīng)降低,占用的空間相對(duì)較小。

    2)SVD:SVD是一種普遍的矩陣分解技術(shù),對(duì)于特征提取來(lái)說(shuō),SVD是一種有效的方法,它能夠?qū)⒏呔S的數(shù)據(jù)降低到一個(gè)低維的子空間中,從而能降低對(duì)矩陣分析的復(fù)雜性,但是對(duì)于觀眾對(duì)電影評(píng)分這樣的高維稀疏矩陣來(lái)說(shuō),并不推薦SVD。

    3)標(biāo)準(zhǔn)的Nystr?m方法:由于受到內(nèi)部矩陣秩的影響,導(dǎo)致整體的秩會(huì)受到限制。改進(jìn)的Nystr?m方法是在標(biāo)準(zhǔn)的Nystr?m方法上作了修改,在標(biāo)準(zhǔn)的Nystr?m方法上將矩陣的內(nèi)部矩陣進(jìn)行QR分解,利用分解后的矩陣重新構(gòu)造最佳的Nystr?m近似。

    4)Nystr?m+RSVD:RSVD是SVD的一種推廣。在求解稀疏SVD的過(guò)程中需要進(jìn)行多次迭代,因此,算法的時(shí)間復(fù)雜度相對(duì)較高,與Nystr?m相結(jié)合后,雖然能夠降低矩陣分解的復(fù)雜性,但是對(duì)于大規(guī)模的矩陣來(lái)說(shuō),并不推薦此方法。

    5)EMD-QR:EMD算法首先要計(jì)算一個(gè)有代表性的數(shù)據(jù)子空間和一個(gè)近乎最優(yōu)的降序排序近似,然后通過(guò)獲得集群質(zhì)心和指標(biāo)進(jìn)行矩陣分解。EMD-QR在采樣時(shí)需要選擇行和列,因此,對(duì)于大規(guī)模的矩陣來(lái)說(shuō),計(jì)算的時(shí)間復(fù)雜度也會(huì)有所增加。

    5.4 實(shí)驗(yàn)過(guò)程

    本文中首先將用戶對(duì)電影的評(píng)分矩陣轉(zhuǎn)化用戶與用戶的相似度矩陣,用自適應(yīng)采樣方法得到C,然后對(duì)矩陣C進(jìn)行QR分解,得到Q和R兩個(gè)矩陣,然后利用矩陣R和W重新構(gòu)造矩陣,并對(duì)構(gòu)造后的矩陣進(jìn)行SVD分解,得到V′、Σ′和V′T3個(gè)矩陣,然后利用得到的矩陣Q、V′和Σ′重新構(gòu)造最佳的Nystr?m近似。矩陣恢復(fù)的能力越好,則說(shuō)明該方法的精度越好。

    從表1中可以看出,在同等條件下,即電影特征數(shù)量相同的條件下,可以看出與CUR、SVD、Nystr?m+RSVD、Nystr?m+EMD-QR以及標(biāo)準(zhǔn)的Nystr?m方法相比較,本文提出的與QR分解相結(jié)合的Nystr?m方法的近似誤差更小,所用時(shí)間也較小。RSVD算法中,需要進(jìn)行多次迭代,時(shí)間復(fù)雜度會(huì)較高[25]。EMD-QR算法中需要對(duì)行和列進(jìn)行采樣[26]。本文提出的方法是在標(biāo)準(zhǔn)Nystr?m方法的基礎(chǔ)上進(jìn)行的改進(jìn),與標(biāo)準(zhǔn)Nystr?m方法不同的是,該方法是將Nystr?m方法的內(nèi)部矩陣C進(jìn)行QR分解,得到Q和R兩個(gè)矩陣,然后將矩陣R和標(biāo)準(zhǔn)Nystr?m方法中的矩陣W+相結(jié)合,得到重新組合后的矩陣RW+RT,并對(duì)其進(jìn)行分解。因此,與標(biāo)準(zhǔn)的Nystr?m方法相比較,得到最佳近似矩陣,矩陣的規(guī)模相對(duì)較少,用到的時(shí)間就會(huì)相應(yīng)減少,采樣用到的方法是自適應(yīng)采樣方法,因此近似誤差也會(huì)相應(yīng)地減小。與CUR方法相比較,CUR中的采樣方法用到的是統(tǒng)計(jì)影響力的方法,但是需要對(duì)矩陣的行和列同時(shí)進(jìn)行采樣,與Nystr?m方法的只需要對(duì)矩陣的列進(jìn)行采樣而言,用到的時(shí)間也會(huì)相應(yīng)減少。對(duì)于SVD,直接對(duì)原始的觀眾對(duì)電影的評(píng)分矩陣進(jìn)行SVD,由于原始的觀眾對(duì)電影的評(píng)分矩陣較為稀疏,得到的偏好特征的誤差也會(huì)較大,且由于原始矩陣規(guī)模較大,因此,用到的時(shí)間也會(huì)有所增加。Nystr?m+RSVD方法由于受到矩陣規(guī)模的影響,時(shí)間復(fù)雜度會(huì)較大,而Nystr?m+EMD-QR方法需要對(duì)行和列進(jìn)行采集,因此,對(duì)于大規(guī)模的矩陣也不推薦此方法。

    表2中描述的是在不同的數(shù)據(jù)集上不同算法的精度,對(duì)于采取不同比例的樣本,各種方法上的精度各不相同。DCKFCM算法是在KFCM算法的基礎(chǔ)上進(jìn)行的改進(jìn),k-means算法對(duì)于非凸數(shù)據(jù)集很實(shí)用[27],但是對(duì)于非凸的數(shù)據(jù)集,如表2中的數(shù)據(jù)集,就不能采用k-means算法,因此,對(duì)其進(jìn)行了改進(jìn),得到DCKFCM算法。CURE算法雖然對(duì)傳統(tǒng)的方法進(jìn)行了改進(jìn),但是由于這種方法采用的是隨機(jī)抽樣算法,因此,采樣的精度并不會(huì)很高,也會(huì)影響最后的結(jié)果。表2中的數(shù)據(jù)是非凸數(shù)據(jù)集,有些算法對(duì)數(shù)據(jù)有要求,即只針對(duì)凸數(shù)據(jù)集,因此本文中用非凸數(shù)據(jù)集進(jìn)行了比較。綜合表1和表2,本文中提出的算法既適用于凸數(shù)據(jù)集,同樣也適用于非凸數(shù)據(jù)集。

    圖1中描述的是標(biāo)志點(diǎn)數(shù)目對(duì)不同方法的近似誤差的影響,可以看出,標(biāo)志點(diǎn)的數(shù)目越多時(shí),近似誤差也會(huì)隨之減小。由于采樣后矩陣的規(guī)模會(huì)相應(yīng)減小,當(dāng)采樣的數(shù)目較少時(shí),可能會(huì)失去原有矩陣的特性,導(dǎo)致近似誤差較高,因?yàn)橛^眾對(duì)電影評(píng)分的稀疏性,當(dāng)標(biāo)志點(diǎn)的數(shù)目較少時(shí),可能會(huì)出現(xiàn)偶然性,但是對(duì)著標(biāo)志點(diǎn)數(shù)目的增加,采樣后的矩陣與原始矩陣的差距會(huì)進(jìn)一步減小,因此,隨著標(biāo)志點(diǎn)數(shù)目的增加,近似誤差也會(huì)相應(yīng)地減小。影響觀眾對(duì)電影評(píng)分的因素有很多,但是只有前k個(gè)特征對(duì)其影響較大,基本上可以代表用戶的特性,因此,當(dāng)標(biāo)志點(diǎn)的數(shù)目繼續(xù)增加時(shí),對(duì)其近似誤差的影響也很小。

    表1 各種方法的近似誤差和運(yùn)行時(shí)間

    表2 不同算法在不同數(shù)據(jù)集不同比例樣本時(shí)的精度對(duì)比

    圖1 各種算法與通過(guò)QR分解的Nystr?m方法的比較

    圖2表示的是各個(gè)標(biāo)志點(diǎn)中不同方法的時(shí)間比較圖,當(dāng)選取的標(biāo)志點(diǎn)的數(shù)目增加時(shí),所用的時(shí)間也會(huì)增加。在一定范圍內(nèi),隨著標(biāo)志點(diǎn)數(shù)目的增加,精度也會(huì)隨之提高,但是由于采樣方法的不同,獲取相同數(shù)目的標(biāo)志點(diǎn)所用的時(shí)間也不同:CUR中用到的是基于統(tǒng)計(jì)影響力的采樣,需要對(duì)矩陣的行和列同時(shí)進(jìn)行采樣,與Nystr?m只需要對(duì)其中的行和列進(jìn)行采樣相比,時(shí)間自然會(huì)增加;SVD是直接對(duì)原始矩陣進(jìn)行分解,因此,所用的時(shí)間最多;EMD-QR與Nystr?m相結(jié)合,雖然在一定程度上時(shí)間會(huì)相應(yīng)的減少,但是EMD-QR也需要對(duì)行和列進(jìn)行采樣,因此,所用的時(shí)間也比本文提出的方法多。

    圖2 各種算法的時(shí)間比較

    圖3表示的則是各種Nystr?m方法和本文中提出的與QR相結(jié)合的Nystr?m方法,當(dāng)選取的標(biāo)志點(diǎn)的數(shù)目相同時(shí),各方法的精度也會(huì)有所不同,這是因?yàn)椴煌椒ǖ玫降臉?biāo)志點(diǎn)的過(guò)程不同,得到的標(biāo)志點(diǎn)的代表性也會(huì)有所差異,當(dāng)?shù)玫降臉?biāo)志點(diǎn)具有普遍代表性時(shí),精度就會(huì)高。標(biāo)準(zhǔn)Nystr?m雖然提供了一種求解近似的方法,但是由于受到內(nèi)部矩陣的局限性,使其得到的最佳k秩近似不具有普遍性,只能得到與特定標(biāo)志點(diǎn)選取的方法相結(jié)合,但是改進(jìn)后的Nystr?m方法可以與任意標(biāo)志點(diǎn)選取的方法相結(jié)合,本文采用的自適應(yīng)采樣方法,即每次采樣后都要對(duì)概率進(jìn)行重新排布,可以有效地提高采樣的精度,得到的標(biāo)志點(diǎn)普遍性更高,精確度更高。

    從圖4中可以看出,當(dāng)電影的特征數(shù)目相同時(shí),相對(duì)于其他方法,本文提出的通過(guò)QR分解的Nystr?m方法的近似誤差較小,且隨著所提取的電影數(shù)量的增加,近似誤差會(huì)越來(lái)越小。本文的目的就是對(duì)電影的偏好特征進(jìn)行提取,因此,在影響觀眾對(duì)電影評(píng)分的前k個(gè)主要特征中,所提取的電影的特征越多,近似誤差就會(huì)越小。傳統(tǒng)的CUR方法采用的是基于統(tǒng)計(jì)影響力的采樣方法,即每一列所占的比重大小,雖然經(jīng)過(guò)采樣后,矩陣的規(guī)模會(huì)較少,計(jì)算的時(shí)間復(fù)雜度也會(huì)相應(yīng)減小,但是采樣方法的局限性,使得采樣后的矩陣不能保證其原始用戶的特征,即若某列中用戶看過(guò)的電影數(shù)量較少,但每次的評(píng)分卻較高,亦或是觀眾只對(duì)其中的某一類電影感興趣,對(duì)其評(píng)分就會(huì)普遍偏高,以及某列中雖然觀眾看過(guò)的電影的數(shù)量相對(duì)較多,但每次的評(píng)分卻相對(duì)較小,采用統(tǒng)計(jì)影響力的結(jié)果是前者被選擇的概率可能會(huì)大于后者,顯然,這對(duì)于分析電影的特征是不利的,前者觀眾可能關(guān)注的是某一類電影,而后者看的可能是多類型的電影,而這些電影卻不是用戶真正感興趣的。而SVD中,則是直接對(duì)觀眾對(duì)電影的評(píng)分矩陣進(jìn)行分解,得到的雖然是電影的特征,但由于原始矩陣的規(guī)模較大,這種方法也顯然并不是最佳選擇。標(biāo)準(zhǔn)的Nystr?m方法中,由于針對(duì)的是內(nèi)部矩陣W+,要尋求其最佳k秩近似,因此就對(duì)矩陣進(jìn)行了限制。將Nystr?m與RSVD相結(jié)合,雖然采樣后的矩陣規(guī)模減小了,但是由于矩陣的稀疏性以及觀眾對(duì)電影評(píng)分帶有主觀性的特點(diǎn),影響了該方法的使用。EMD-QR方法是針對(duì)低秩矩陣而言的,從中受到啟發(fā),Nystr?m采樣的矩陣即為低秩矩陣,將Nystr?m與QR方法相結(jié)合,不僅能從時(shí)間復(fù)雜度上進(jìn)行改進(jìn),精度也不會(huì)受到損害。

    圖3 各種Nystr?m方法的精度的比較

    圖4 不同電影特征下的近似誤差

    6 結(jié)語(yǔ)

    本文中描述了基于Nystr?m方法的偏好特征的提取,與傳統(tǒng)的Nystr?m方法不同,本文在標(biāo)準(zhǔn)的Nystr?m方法上作了進(jìn)一步的改進(jìn),不再受內(nèi)部矩陣的限制,使得Nystr?m方法能與任意標(biāo)志點(diǎn)選擇方法相結(jié)合來(lái)尋求最佳k近似。這一點(diǎn)對(duì)于規(guī)模較大的稀疏矩陣來(lái)說(shuō)尤為重要,選取一定的標(biāo)志點(diǎn)能夠減小矩陣的規(guī)模,本文中采用的是自適應(yīng)的Nystr?m方法,在算法3中描述了該方法,與傳統(tǒng)的采樣方法相比較,該方法的精度要高于傳統(tǒng)的方法。算法4中進(jìn)一步說(shuō)明了經(jīng)過(guò)QR分解的Nystr?m近似,進(jìn)一步得到其特征的特征向量。用Nystr?m近似后能盡可能保留近似前的矩陣的特性,因此對(duì)于精度和效率都有一定的改進(jìn)。

    未來(lái)工作包括:1)根據(jù)得到的用戶和電影的特征,對(duì)用戶感興趣的電影進(jìn)行推薦。2)本文中主要是對(duì)電影數(shù)據(jù)集進(jìn)行的測(cè)試,在未來(lái)的工作中會(huì)對(duì)更多的不同的數(shù)據(jù)集進(jìn)行測(cè)試,進(jìn)一步驗(yàn)證特征提取的有效性。

    猜你喜歡
    標(biāo)志點(diǎn)復(fù)雜度精度
    多尺度信息融合的船舶外板檢測(cè)三維標(biāo)志點(diǎn)識(shí)別方法
    一種低復(fù)雜度的慣性/GNSS矢量深組合方法
    標(biāo)志點(diǎn)定向系統(tǒng)幾何精度因子的計(jì)算方法
    一種圓形編碼標(biāo)志點(diǎn)的設(shè)計(jì)及解碼算法研究
    基于DSPIC33F微處理器的采集精度的提高
    電子制作(2018年11期)2018-08-04 03:25:38
    求圖上廣探樹(shù)的時(shí)間復(fù)雜度
    GPS/GLONASS/BDS組合PPP精度分析
    某雷達(dá)導(dǎo)51 頭中心控制軟件圈復(fù)雜度分析與改進(jìn)
    出口技術(shù)復(fù)雜度研究回顧與評(píng)述
    改進(jìn)的Goldschmidt雙精度浮點(diǎn)除法器
    一级a爱视频在线免费观看| 狠狠狠狠99中文字幕| 亚洲成人国产一区在线观看| avwww免费| 亚洲精品第二区| 亚洲一区中文字幕在线| 国产精品一区二区精品视频观看| 少妇精品久久久久久久| 人人妻人人爽人人添夜夜欢视频| 一级片免费观看大全| 操美女的视频在线观看| 国产99久久九九免费精品| 久久精品亚洲熟妇少妇任你| 97在线人人人人妻| 国产一区二区三区在线臀色熟女 | 久久久久久久久久久久大奶| 99久久精品国产亚洲精品| 亚洲欧洲精品一区二区精品久久久| 99久久综合免费| 久久国产精品影院| 国产一区有黄有色的免费视频| 午夜福利,免费看| 国产伦人伦偷精品视频| 99香蕉大伊视频| 国产激情久久老熟女| 国产av国产精品国产| 下体分泌物呈黄色| 黄色 视频免费看| 欧美97在线视频| 国产精品九九99| 亚洲国产欧美一区二区综合| 国产97色在线日韩免费| 窝窝影院91人妻| 男女下面插进去视频免费观看| a在线观看视频网站| 亚洲精品乱久久久久久| 亚洲国产精品一区三区| 亚洲国产精品成人久久小说| 亚洲精品国产av蜜桃| 国产欧美日韩一区二区三 | 久久久精品国产亚洲av高清涩受| 免费在线观看日本一区| 精品国产超薄肉色丝袜足j| 丁香六月天网| 90打野战视频偷拍视频| 中文欧美无线码| 一级片'在线观看视频| 久久国产亚洲av麻豆专区| 亚洲熟女毛片儿| 久热这里只有精品99| 国产伦人伦偷精品视频| 午夜激情久久久久久久| 丝袜脚勾引网站| 无遮挡黄片免费观看| 国产免费现黄频在线看| 老司机午夜十八禁免费视频| 一区二区三区乱码不卡18| 成年av动漫网址| 久久久水蜜桃国产精品网| 超色免费av| 男女国产视频网站| 黄网站色视频无遮挡免费观看| 另类亚洲欧美激情| 久久女婷五月综合色啪小说| 制服诱惑二区| 我的亚洲天堂| 亚洲精品在线美女| 嫩草影视91久久| 国产免费av片在线观看野外av| 欧美黑人欧美精品刺激| 国产精品久久久久久人妻精品电影 | 交换朋友夫妻互换小说| 国产男女内射视频| 亚洲中文字幕日韩| 国产野战对白在线观看| 女性生殖器流出的白浆| 黄色片一级片一级黄色片| 看免费av毛片| 欧美+亚洲+日韩+国产| 国产欧美亚洲国产| 精品一区二区三区四区五区乱码| 女人爽到高潮嗷嗷叫在线视频| 日韩制服丝袜自拍偷拍| 人人妻人人澡人人爽人人夜夜| 欧美日韩一级在线毛片| 亚洲色图综合在线观看| 亚洲精品国产区一区二| 视频区欧美日本亚洲| av福利片在线| 亚洲欧美清纯卡通| 精品亚洲乱码少妇综合久久| 日韩视频一区二区在线观看| 少妇的丰满在线观看| 一本综合久久免费| 涩涩av久久男人的天堂| 狠狠狠狠99中文字幕| 欧美一级毛片孕妇| 亚洲精品第二区| 国产一卡二卡三卡精品| 欧美日韩成人在线一区二区| 久久99热这里只频精品6学生| 妹子高潮喷水视频| 亚洲av日韩精品久久久久久密| 亚洲人成电影免费在线| av在线播放精品| 欧美 日韩 精品 国产| 99精品欧美一区二区三区四区| 欧美日韩亚洲综合一区二区三区_| 久久久久久久久久久久大奶| 色精品久久人妻99蜜桃| 超色免费av| 一进一出抽搐动态| 一进一出抽搐动态| 亚洲精品乱久久久久久| 正在播放国产对白刺激| 欧美日韩国产mv在线观看视频| 色老头精品视频在线观看| 国产精品一二三区在线看| www.自偷自拍.com| 亚洲国产毛片av蜜桃av| 一区二区日韩欧美中文字幕| www.av在线官网国产| 亚洲一码二码三码区别大吗| 99香蕉大伊视频| 久久国产亚洲av麻豆专区| 亚洲伊人色综图| 黄色视频,在线免费观看| 亚洲精品乱久久久久久| 亚洲成人免费电影在线观看| 国产免费现黄频在线看| 亚洲精品国产一区二区精华液| 亚洲午夜精品一区,二区,三区| 成年动漫av网址| 亚洲精品日韩在线中文字幕| 日本av手机在线免费观看| 飞空精品影院首页| 亚洲欧美一区二区三区黑人| 久久午夜综合久久蜜桃| 韩国精品一区二区三区| 国产成人精品无人区| 欧美中文综合在线视频| 丝袜在线中文字幕| 亚洲七黄色美女视频| 亚洲avbb在线观看| 丝袜在线中文字幕| 国产精品自产拍在线观看55亚洲 | 亚洲精品久久久久久婷婷小说| 久久人人爽av亚洲精品天堂| 亚洲少妇的诱惑av| 亚洲av欧美aⅴ国产| av一本久久久久| 国产精品一二三区在线看| 欧美激情极品国产一区二区三区| 老司机午夜福利在线观看视频 | 超碰97精品在线观看| 日韩熟女老妇一区二区性免费视频| 又大又爽又粗| 青春草亚洲视频在线观看| 婷婷色av中文字幕| 香蕉丝袜av| 一级片'在线观看视频| 久久国产精品影院| 黑丝袜美女国产一区| 亚洲av男天堂| 丝袜脚勾引网站| 成年av动漫网址| 欧美变态另类bdsm刘玥| 满18在线观看网站| 久久久久国产一级毛片高清牌| 黑人欧美特级aaaaaa片| 欧美日韩精品网址| 国产精品香港三级国产av潘金莲| 久久人妻福利社区极品人妻图片| av福利片在线| 久久综合国产亚洲精品| 国产精品一二三区在线看| 亚洲国产毛片av蜜桃av| 91av网站免费观看| 国产成人影院久久av| 久久免费观看电影| 久久精品亚洲av国产电影网| 中文字幕人妻丝袜制服| 老汉色av国产亚洲站长工具| 精品人妻在线不人妻| tube8黄色片| 日本欧美视频一区| 午夜两性在线视频| 丝袜喷水一区| 日韩熟女老妇一区二区性免费视频| 日本一区二区免费在线视频| 水蜜桃什么品种好| 精品国产一区二区三区久久久樱花| 国产成人啪精品午夜网站| 天堂俺去俺来也www色官网| 午夜福利免费观看在线| 伦理电影免费视频| 三上悠亚av全集在线观看| 亚洲欧美一区二区三区黑人| 久久人人爽av亚洲精品天堂| 久久精品熟女亚洲av麻豆精品| 大香蕉久久成人网| 不卡av一区二区三区| 1024香蕉在线观看| 国产成人欧美在线观看 | 搡老熟女国产l中国老女人| 在线观看免费视频网站a站| 欧美成狂野欧美在线观看| 人妻人人澡人人爽人人| 在线天堂中文资源库| 18禁裸乳无遮挡动漫免费视频| 亚洲熟女毛片儿| 久久国产精品大桥未久av| √禁漫天堂资源中文www| 欧美亚洲日本最大视频资源| 女人久久www免费人成看片| 国产熟女午夜一区二区三区| 一本一本久久a久久精品综合妖精| 久久精品人人爽人人爽视色| 制服诱惑二区| 欧美大码av| 日韩免费高清中文字幕av| 国产欧美日韩一区二区三区在线| 精品国产一区二区三区四区第35| 国产在线免费精品| 波多野结衣一区麻豆| 亚洲精品国产色婷婷电影| 丝袜脚勾引网站| 青春草视频在线免费观看| 久久人妻福利社区极品人妻图片| 操美女的视频在线观看| 99国产精品99久久久久| 精品国产超薄肉色丝袜足j| 欧美午夜高清在线| av超薄肉色丝袜交足视频| 一本—道久久a久久精品蜜桃钙片| 亚洲欧美日韩高清在线视频 | 色老头精品视频在线观看| 国产精品香港三级国产av潘金莲| 久久久久久久久久久久大奶| 少妇人妻久久综合中文| 青草久久国产| 窝窝影院91人妻| 日本五十路高清| 国产免费av片在线观看野外av| 纵有疾风起免费观看全集完整版| 成人国产av品久久久| 国产欧美日韩一区二区精品| 欧美精品av麻豆av| 在线 av 中文字幕| 亚洲欧美色中文字幕在线| 国产av精品麻豆| 99热网站在线观看| 91九色精品人成在线观看| 嫩草影视91久久| 精品久久久久久久毛片微露脸 | 高潮久久久久久久久久久不卡| 国产精品一区二区精品视频观看| 国产精品麻豆人妻色哟哟久久| 国产精品九九99| 色婷婷av一区二区三区视频| 建设人人有责人人尽责人人享有的| 天天添夜夜摸| 国产高清国产精品国产三级| 在线观看免费视频网站a站| 精品久久久久久电影网| 老司机靠b影院| 69av精品久久久久久 | 亚洲 国产 在线| 中亚洲国语对白在线视频| 色播在线永久视频| 99re6热这里在线精品视频| 免费久久久久久久精品成人欧美视频| 少妇精品久久久久久久| 操美女的视频在线观看| 国产精品久久久久久精品古装| 久久精品国产亚洲av高清一级| 免费一级毛片在线播放高清视频 | 亚洲精品自拍成人| 亚洲va日本ⅴa欧美va伊人久久 | 人妻人人澡人人爽人人| 精品国产一区二区三区四区第35| 十分钟在线观看高清视频www| 国产一级毛片在线| 超色免费av| 女性被躁到高潮视频| 国产三级黄色录像| 脱女人内裤的视频| 久久久欧美国产精品| 国产区一区二久久| 动漫黄色视频在线观看| 色精品久久人妻99蜜桃| 欧美日韩av久久| 丝袜美腿诱惑在线| 久久精品国产综合久久久| www.999成人在线观看| 狂野欧美激情性xxxx| 欧美亚洲日本最大视频资源| 国产精品成人在线| a级毛片黄视频| 天天添夜夜摸| 9191精品国产免费久久| 午夜福利免费观看在线| 午夜福利视频精品| 十八禁网站网址无遮挡| 两个人看的免费小视频| 日韩欧美一区视频在线观看| 婷婷丁香在线五月| 国产亚洲av片在线观看秒播厂| 一区在线观看完整版| 亚洲欧美日韩另类电影网站| 交换朋友夫妻互换小说| 夜夜骑夜夜射夜夜干| www.av在线官网国产| 9色porny在线观看| 人妻一区二区av| 免费久久久久久久精品成人欧美视频| 青春草视频在线免费观看| 国产97色在线日韩免费| 国产野战对白在线观看| 国产区一区二久久| 久久人人97超碰香蕉20202| 最近最新免费中文字幕在线| 国产精品99久久99久久久不卡| 亚洲欧美精品自产自拍| 夜夜骑夜夜射夜夜干| 久久女婷五月综合色啪小说| 大片免费播放器 马上看| 久久久水蜜桃国产精品网| 黑人欧美特级aaaaaa片| 高清视频免费观看一区二区| 青春草亚洲视频在线观看| 欧美黑人精品巨大| 免费久久久久久久精品成人欧美视频| 天天影视国产精品| 狂野欧美激情性xxxx| 亚洲伊人色综图| 99热国产这里只有精品6| 天堂俺去俺来也www色官网| 男女边摸边吃奶| 亚洲国产精品成人久久小说| av网站免费在线观看视频| 不卡av一区二区三区| 亚洲九九香蕉| 夜夜骑夜夜射夜夜干| 成在线人永久免费视频| 精品高清国产在线一区| 成人亚洲精品一区在线观看| 王馨瑶露胸无遮挡在线观看| 久久国产精品大桥未久av| 男男h啪啪无遮挡| 老汉色av国产亚洲站长工具| av在线播放精品| 99国产精品免费福利视频| 91大片在线观看| 国产欧美日韩一区二区三 | 91成人精品电影| 一进一出抽搐动态| 18禁观看日本| 三级毛片av免费| 999久久久国产精品视频| 欧美人与性动交α欧美精品济南到| 啦啦啦啦在线视频资源| 中文欧美无线码| 韩国高清视频一区二区三区| 国产黄频视频在线观看| 999久久久精品免费观看国产| 超色免费av| 麻豆乱淫一区二区| 成人手机av| 亚洲欧美激情在线| 国产av又大| 性色av一级| 国产精品成人在线| 欧美 日韩 精品 国产| 制服诱惑二区| 亚洲专区中文字幕在线| 日本vs欧美在线观看视频| 亚洲伊人色综图| 精品一区二区三区四区五区乱码| 亚洲精品一区蜜桃| 夜夜夜夜夜久久久久| 精品亚洲成a人片在线观看| 日本vs欧美在线观看视频| 97在线人人人人妻| av又黄又爽大尺度在线免费看| 国产一区有黄有色的免费视频| 亚洲成国产人片在线观看| av在线app专区| 极品人妻少妇av视频| 日韩欧美国产一区二区入口| 日韩一卡2卡3卡4卡2021年| 精品亚洲乱码少妇综合久久| 少妇的丰满在线观看| 天天影视国产精品| 夫妻午夜视频| 1024香蕉在线观看| 一级毛片女人18水好多| 啦啦啦 在线观看视频| 久久国产亚洲av麻豆专区| 色94色欧美一区二区| netflix在线观看网站| 久久女婷五月综合色啪小说| 欧美人与性动交α欧美软件| 久久久久久久久久久久大奶| 亚洲成人免费电影在线观看| 午夜精品久久久久久毛片777| 老熟妇仑乱视频hdxx| 三级毛片av免费| 97在线人人人人妻| av网站在线播放免费| 日韩欧美一区视频在线观看| 亚洲情色 制服丝袜| 日本精品一区二区三区蜜桃| 99国产精品99久久久久| 国产亚洲精品久久久久5区| 中文字幕精品免费在线观看视频| 亚洲av欧美aⅴ国产| 97精品久久久久久久久久精品| 亚洲精品久久久久久婷婷小说| 性色av一级| 99精品久久久久人妻精品| 亚洲精品国产av蜜桃| 精品久久久久久电影网| 精品一区二区三卡| 中国国产av一级| 亚洲精品美女久久久久99蜜臀| 一级毛片女人18水好多| 大陆偷拍与自拍| 国产在视频线精品| 国产精品 国内视频| 午夜两性在线视频| 精品国产乱码久久久久久小说| 91字幕亚洲| 久久久久久亚洲精品国产蜜桃av| 日韩视频在线欧美| 国产高清videossex| 亚洲,欧美精品.| 人人妻人人添人人爽欧美一区卜| 女人久久www免费人成看片| 在线观看舔阴道视频| 免费观看人在逋| 岛国在线观看网站| 久久久久国内视频| 国产一级毛片在线| 免费不卡黄色视频| 在线观看人妻少妇| 欧美日韩一级在线毛片| 亚洲三区欧美一区| 色94色欧美一区二区| √禁漫天堂资源中文www| 美女高潮喷水抽搐中文字幕| 黄色 视频免费看| 亚洲av欧美aⅴ国产| 亚洲自偷自拍图片 自拍| 成人亚洲精品一区在线观看| 精品一区二区三区av网在线观看 | 交换朋友夫妻互换小说| 99久久99久久久精品蜜桃| 欧美日本中文国产一区发布| 2018国产大陆天天弄谢| 亚洲 国产 在线| 中文字幕人妻熟女乱码| 国产亚洲一区二区精品| 美女脱内裤让男人舔精品视频| 成人影院久久| 午夜影院在线不卡| bbb黄色大片| 亚洲精品国产区一区二| 母亲3免费完整高清在线观看| 欧美性长视频在线观看| 视频区欧美日本亚洲| 搡老乐熟女国产| 搡老岳熟女国产| 亚洲国产av影院在线观看| 99热全是精品| 欧美精品一区二区大全| 丝袜美足系列| www.999成人在线观看| 欧美少妇被猛烈插入视频| 男人添女人高潮全过程视频| 日韩一卡2卡3卡4卡2021年| 久久久久久久国产电影| 国产精品偷伦视频观看了| 狂野欧美激情性bbbbbb| 亚洲欧美精品自产自拍| 女人爽到高潮嗷嗷叫在线视频| 久久精品人人爽人人爽视色| 精品国内亚洲2022精品成人 | 国产成人免费观看mmmm| 亚洲av成人不卡在线观看播放网 | 另类精品久久| 亚洲五月婷婷丁香| 亚洲va日本ⅴa欧美va伊人久久 | 国产真人三级小视频在线观看| 中文欧美无线码| 成人av一区二区三区在线看 | 中文字幕制服av| 日本一区二区免费在线视频| 亚洲伊人色综图| 成人国语在线视频| 久久久国产欧美日韩av| 91麻豆av在线| 精品一品国产午夜福利视频| 丰满人妻熟妇乱又伦精品不卡| av欧美777| 国产人伦9x9x在线观看| 久久亚洲国产成人精品v| 搡老乐熟女国产| 99国产精品免费福利视频| 亚洲色图综合在线观看| 国产一区二区三区在线臀色熟女 | 国产真人三级小视频在线观看| 久久久国产一区二区| 精品人妻在线不人妻| 亚洲精品国产一区二区精华液| 日韩 欧美 亚洲 中文字幕| 国产精品免费大片| 国产av一区二区精品久久| 欧美久久黑人一区二区| 亚洲,欧美精品.| av天堂久久9| 在线永久观看黄色视频| 人妻久久中文字幕网| 午夜福利视频在线观看免费| 亚洲国产av新网站| 午夜免费成人在线视频| 免费不卡黄色视频| 91成人精品电影| 各种免费的搞黄视频| 国产精品久久久av美女十八| 久久久久国产一级毛片高清牌| 男人添女人高潮全过程视频| 亚洲国产中文字幕在线视频| 一区福利在线观看| 亚洲欧洲日产国产| 他把我摸到了高潮在线观看 | xxxhd国产人妻xxx| 久久久水蜜桃国产精品网| 亚洲精品av麻豆狂野| 大香蕉久久网| 亚洲国产欧美网| 国产有黄有色有爽视频| 两性午夜刺激爽爽歪歪视频在线观看 | 日日爽夜夜爽网站| 王馨瑶露胸无遮挡在线观看| 女人久久www免费人成看片| 黄色a级毛片大全视频| 国产在线视频一区二区| 国产成人啪精品午夜网站| 国产欧美日韩一区二区三区在线| 亚洲一卡2卡3卡4卡5卡精品中文| 老司机靠b影院| 国产欧美日韩一区二区精品| 天堂俺去俺来也www色官网| 国产一区二区三区av在线| 另类精品久久| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲专区中文字幕在线| 亚洲伊人久久精品综合| 精品亚洲成a人片在线观看| 欧美一级毛片孕妇| 久热这里只有精品99| 欧美国产精品一级二级三级| 精品人妻在线不人妻| 丰满迷人的少妇在线观看| 精品人妻熟女毛片av久久网站| 脱女人内裤的视频| 成人亚洲精品一区在线观看| 午夜福利影视在线免费观看| 大型av网站在线播放| 97人妻天天添夜夜摸| 日韩大码丰满熟妇| 少妇粗大呻吟视频| 国产极品粉嫩免费观看在线| 亚洲精品一区蜜桃| 欧美一级毛片孕妇| 国产精品国产av在线观看| 久久综合国产亚洲精品| 成人免费观看视频高清| 国产成+人综合+亚洲专区| 精品福利永久在线观看| 国产精品久久久久久精品古装| 国产区一区二久久| 国产欧美日韩一区二区三 | 97人妻天天添夜夜摸| 日韩制服骚丝袜av| 亚洲男人天堂网一区| 亚洲自偷自拍图片 自拍| 99香蕉大伊视频| 日韩欧美一区二区三区在线观看 | 少妇的丰满在线观看| 日本黄色日本黄色录像| 国产精品99久久99久久久不卡| 免费不卡黄色视频| 国产欧美日韩精品亚洲av| 国产精品99久久99久久久不卡| av片东京热男人的天堂| 欧美黄色片欧美黄色片| a级毛片黄视频| 老司机午夜十八禁免费视频| 99精品欧美一区二区三区四区| 亚洲午夜精品一区,二区,三区| 日韩制服骚丝袜av| 99re6热这里在线精品视频| 欧美日韩精品网址| 亚洲免费av在线视频| 日韩三级视频一区二区三区| 又紧又爽又黄一区二区| 日韩中文字幕视频在线看片| 欧美日韩中文字幕国产精品一区二区三区 | 天堂8中文在线网| 欧美在线一区亚洲| 午夜免费成人在线视频| 亚洲精品久久午夜乱码| 1024视频免费在线观看|