• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    結(jié)合多信息的概率矩陣分解模型

    2018-12-10 09:13:16古來黃俊張若凡
    軟件導(dǎo)刊 2018年9期
    關(guān)鍵詞:協(xié)同過濾

    古來 黃俊 張若凡

    摘要:為了改善傳統(tǒng)協(xié)同過濾推薦算法的冷啟動與數(shù)據(jù)稀疏問題,基于概率矩陣分解模型,將用戶屬性、物品關(guān)系與時序行為融合到模型中,通過不斷調(diào)整3種模型所占權(quán)重,得到最小的RMSE值。在Movielens數(shù)據(jù)集上進(jìn)行實驗,并與其它相關(guān)算法的RMSE值進(jìn)行比較。實驗結(jié)果表明,結(jié)合多信息的概率矩陣分解模型的RMSE值低于其它推薦方法,即推薦精度優(yōu)于其它方法。結(jié)合多信息的概率矩陣分解模型,在數(shù)據(jù)稀疏情況下,也能保持較好的推薦性能,推薦精度得到一定程度提升。

    關(guān)鍵詞:協(xié)同過濾;用戶屬性;物品關(guān)系;時序行為;PMF

    DOIDOI:10.11907/rjdk.181146

    中圖分類號:TP301

    文獻(xiàn)標(biāo)識碼:A文章編號文章編號:16727800(2018)009006705

    英文標(biāo)題Probability Matrix Factorization Model Combined with Multiple Information

    --副標(biāo)題

    英文作者GU Lai,HUANG Jun,ZHANG Ruofan,GU Zhixing,XU Ermin

    英文作者單位(School of Telecommunications and Information Engineering,Chongqing University of Posts and Telecommunication,Chongqing 400065,China)

    英文摘要Abstract:In order to improve the cold start and data sparsity of the traditional collaborative filtering recommendation algorithm,user attributes,item relationship and sequential behavior are merged into probabilistic matrix factorization model,and the minimum RMSE value is obtained by constantly adjusting the weight of the three models.Experiments on the Movielens data set are compared with the RMSE values of other related algorithms.The experimental results show that the RMSE value of the probability matrix factorization model with multiple information is lower than other recommended methods,and recommendation accuracy is better than the other methods.The probability matrix factorization model combined with multi information can also maintain better recommendation performance in the case of data sparsity,and the accuracy of recommendation is improved.

    英文關(guān)鍵詞Key Words:collaborative filtering;user attributes;items relationship;sequential behaviors;PMF

    0引言

    如今,每天的生活中充斥著大量信息,用戶在海量信息中作出選擇十分困難,因而推薦系統(tǒng)應(yīng)運(yùn)而生,其能夠主動給用戶推薦滿足其需求的信息[1]。但推薦系統(tǒng)在實際應(yīng)用中,往往面臨著數(shù)據(jù)稀疏和冷啟動問題[3]。協(xié)同過濾[3]是推薦系統(tǒng)中運(yùn)用最廣泛的一種方法,可以分為基于鄰域[4]和基于模型[4]兩類。矩陣分解方法作為解決數(shù)據(jù)稀疏問題的方法之一,受到學(xué)者們的重點關(guān)注。根據(jù)文獻(xiàn)[5],SocialMF在計算用戶隱特征向量時,考慮了用戶社交信任的影響;根據(jù)文獻(xiàn)[6],RSTE既考慮了用戶自身偏好,又考慮了用戶信任朋友的偏好;根據(jù)文獻(xiàn)[7],TimeSVD++將時間因素加入SVD++中。

    以上推薦方法的推薦效果都不錯,但其忽略了物品之間關(guān)系與用戶自身屬性。因此,本文提出一種結(jié)合用戶屬性、物品關(guān)系與時間因素的概率矩陣分解模型。

    1概率矩陣分解模型

    概率矩陣分解(Probability Matrix Factorization,PMF)[8]是隱語義模型的概率化形式,從概率角度預(yù)測用戶對物品的評分。在推薦系統(tǒng)中,給出N個用戶和M個物品。用戶對物品的喜好程度可以用一個N×M的評分矩陣表示:R=[Ri,j]N×M,其中Ri,j表示用戶i對物品j的評分。

    使用PMF分解用戶—物品評分矩陣,得到兩個低維度的潛在特征矩陣,分別代表用戶特征和物品特征。其中,U∈RD×N代表用戶潛在特征,V∈RD×M代表物品潛在特征,D是隱特征維度。

    根據(jù)用戶和物品隱特征矩陣,可以得到用戶i對物品j的評分:

    R^i,j=UiTVj(1)

    假設(shè)已有用戶物品評分?jǐn)?shù)據(jù)的條件概率分布函數(shù)為[9]:

    p(R|U,V,σR2)=∏Ni=1∏Mj=1[N(Ri,j|UiTVj,σR2)]Iij(2)

    其中,N(x|μ,σ2)表示均值為μ、方差為σ2的高斯分布概率密度函數(shù),Iij為指示函數(shù)。

    假設(shè)用戶和物品的隱特征向量服從均值為0的高斯先驗[9]:

    p(U|σU2)=∏Ni=1N(Ui|0,σU2I)(3)

    p(V|σV2)=∏Mj=1N(Vj|0,σV2I)(4)

    根據(jù)貝葉斯推理,隱特征向量U和V的后驗概率如下:

    p(U,V|R,K,σR2,σU2,σV2)∝p(R|U,V,σR2)p(U|σU2)p(V|σV2)=∏Ni=1∏Mj=1[N(Ri,j|UiTVj,σR2)]Iij×∏Ni=1N(Ui|0,σU2I)×∏Mj=1N(Vj|0,σV2I)(5)

    2算法實現(xiàn)

    2.1結(jié)合用戶屬性的PMF

    在PMF基礎(chǔ)上結(jié)合用戶自身屬性,并對不同屬性賦予不同權(quán)值 [10]。用戶的潛在特征受到其相似用戶潛在特征影響:

    U^i=∑t∈QiKi,tUt(6)

    其中,K為歸一化的用戶相似度矩陣,Qi為與用戶i相似的用戶集。本文根據(jù)用戶屬性求解用戶之間的相似度:

    (1)性別。Uig表示用戶i的屬性g,wg表示性別屬性權(quán)值。定義用戶性別取值如下:

    Uig=0,g=“男”1,g=“女” (7)

    當(dāng)兩用戶性別相同,則性別相似度為1,反之為0。因此用戶性別相似度如下:

    Simg(Ui,Uj)=0,[]Uig≠Ujgwg,[]Uig=Ujg(8)

    (2)職位/郵編。職位和郵編屬性的相似度計算與性別類似,則相似度如下:

    Simo(Ui,Uj)=0,[]Uio≠Ujowo,[]Uio=Ujo(9)

    Simz(Ui,Uj)=0,[]Uiz≠Ujzwz,[]Uiz=Ujz(10)

    (3)年齡。用戶年齡屬性的相似度計算如下:

    Sima(Ui,Uj)=wa×(1-Uia-Ujamax(Uia,Uja))(11)

    其中,Uia-Uja表示用戶年齡差,max (Uia,Uja)表示兩用戶中較大的年齡值。

    綜上,用戶相似度如下:

    Si,t=Simg(Ui,Ut)+Simo(Ui,Ut)+Sima(Ui,Ut)+Simz(Ui,Ut)(12)

    各屬性的權(quán)值定義為:wg=0.1,wo=0.4,wa=02,wz=0.3。

    用戶i對用戶j的預(yù)測評分如下:

    R^i,j=∑t∈QiKi,tUtTVj(13)

    對于用戶特征矩陣,服從高斯先驗分布:

    p(U|K,σU2,σK2)∝p(U|σU2)×p(U|K,σK2)=∏Ni=1N(Ui|0,σU2I)×∏Ni=1N(Ui|∑t∈QiKi,tUt,σK2I)(14)

    根據(jù)貝葉斯推理,用戶和物品特征的后驗概率如下:

    p(U,V|R,K,σR2,σU2,σV2)∝p(R|U,V,σR2)p(U|K,σU2,σK2)p(V|σV2)=∏Ni=1∏Mj=1[N(Ri,j|UiTVj,σR2)]Iij×∏Ni=1N(Ui|∑t∈QiKi,tUt,σK2I)×∏Ni=1N(Ui|0,σU2I)×∏Mj=1N(Vj|0,σV2I)(15)

    2.2結(jié)合物品信息的PMF

    用戶之間存在一定關(guān)系,物品之間也存在著一定聯(lián)系。物品的潛在特征向量受到相似物品影響。

    V^j=∑k∈FjPj,kVk(16)

    其中,F(xiàn)j表示與物品j相似的物品集合,這里利用改進(jìn)的余弦相似度算法[11]。

    Sj,k=∑i∈U(j)∩U(k)(Ri,j-R^i)(Ri,k-R^i)∑i∈U(j)∩U(k)(Ri,j-R^i)2·∑i∈U(j)∩U(k)(Ri,k-R^i)2(17)

    用戶i對用戶j的預(yù)測評分如下:

    R^i,j=∑k∈FjPj,kUiTVk(18)

    物品的特征矩陣服從高斯先驗分布。

    p(V|P,σV2,σP2)∝p(V|σV2)×p(V|P,σP2)=∏Mj=1N(Vj|0,σV2I)×∏Mj=1N(Vj|∑k∈FjPj,kVk,σP2I)(19)

    根據(jù)貝葉斯推理,用戶和物品特征的后驗概率如下:

    p(U,V|R,P,σR2,σU2,σV2)∝p(R|U,V,σR2)p(U|σU2)p(V|P,σV2,σP2)=∏Ni=1∏Mj=1N(Ri,j|UiTVj,σR2)Iij×∏Mj=1N(Vj|∑k∈FjPj,kVk,σP2I)×∏Ni=1N(Ui|0,σU2I)×∏Mj=1N(Vj|0,σV2I)(20)

    2.3結(jié)合時間因素的PMF

    借鑒圖論中有向圖的思想構(gòu)建基于用戶(物品)的消費(fèi)網(wǎng)絡(luò)圖,定義消費(fèi)網(wǎng)絡(luò)圖G={U,E},其中U表示用戶集合,E表示邊的集合,W表示邊的權(quán)重。若在一定時間段內(nèi),用戶i和用戶n先后購買了同一物品,則Ei→n的權(quán)重Wi→n加1。圖2是基于用戶的消費(fèi)網(wǎng)絡(luò)圖,定義用戶之間的影響關(guān)系權(quán)重如下:

    Ti→n=Wi→nf(Ui,Un)(21)

    其中,f(Ui,Un)表示兩用戶購買商品的并集,Ti→n為用戶i對用戶n的影響力。

    基于物品的消費(fèi)網(wǎng)絡(luò)與圖2類似,圖3中邊的權(quán)重表示先后消費(fèi)兩商品的用戶數(shù)量。定義物品之間的影響關(guān)系權(quán)重如下:

    Sj→m=Wj→mf(Vj,Vm)(22)

    將這些信息融合到概率矩陣分解模型中,用戶(物品)特征向量受到相似用戶(物品)影響。

    U^i=∑n∈NiTi→nUn(23)

    V^j=∑m∈NjSj→mVm(24)

    其中,Ni表示與用戶i有影響關(guān)系的用戶集合,Nj表示與物品j有影響關(guān)系的物品集合。

    用戶i對物品j的預(yù)測評分如下:

    R^i,j=∑n∈Ni∑m∈NjTi→nSj→mUnTVm(25)

    用戶和物品的特征矩陣服從高斯分布:

    p(U|T,σU2,σT2)∝p(U|σU2)×p(U|T,σT2)=∏Ni=1N(Ui|0,σU2I)×∏Ni=1N(Ui|∑n∈NiTi→nUn,σT2I)(26)

    p(V|S,σV2,σS2)∝p(V|σV2)×p(V|S,σS2)=∏Mj=1N(Vj|0,σV2I)×∏Mj=1N(Vj|∑m∈NjTj→mVm,σS2I)(27)

    根據(jù)貝葉斯推理,用戶和物品特征的后驗概率如下:

    p(U,V|R,T,S,σR2,σU2,σV2)∝p(R|U,V,σR2)p(U|T,σU2,σT2)p(V|S,σV2,σS2)=∏Ni=1∏Mj=1N(Ri,j|UiTVj,σR2)Iij×∏Ni=1N(Ui|∑n∈NiTi→nUn,σT2I)×∏Mj=1N(Vj|∑m∈NjSj→mVm,σS2I)×∏Nj=1N(Ui|0,σU2I)×∏Mj=1N(Vj|0,σV2I)(28)

    2.4模型融合

    本文采用線性加權(quán)方式將3個模型合并成一個新模型,用戶和物品特征的后驗概率定義為:

    p(U,V|R,K,P,T,S,σ2,σU2,σV2)=∏Ni=1∏Mj=1[N(Ri,j|αR0+βR1+γR2,σ2)]Iij×∏Ni=1N(Ui|0,σU2I)×∏Mj=1N(Vj|0,σV2I)(29)

    其中,R0、R1和R2分別表示結(jié)合用戶屬性、物品關(guān)系和時間因素的預(yù)測評分。α、β和γ分別表示3個模型所占權(quán)重,且0≤α,β,γ≤1,α+β+γ=1。本文概率模型如圖4所示。

    為便于求解,對后驗概率進(jìn)行對數(shù)處理:

    lnp(U,V|R,K,P,T,S,σ2,σU2,σV2)=-12σ2∑Ni=1∑Mj=1Iij(Ri,j-(αR0+βR1+γR2))2-12σU2∑Ni=1UiTUi-12σV2∑Mj=1VjTVj-12((∑Ni=1∑Mj=1Iij)lnσ2+NDlnσU2+MDlnσV2)+C(30)

    其中,C表示一個獨(dú)立于參數(shù)的常數(shù)。最大化取對數(shù)后的后驗概率等同于最小化帶有正則化項的誤差平方和:

    L(R,K,P,T,S,U,V)=12∑Ni=1∑Mj=1Iij(Ri,j-(αR0+βR1+γR2))2+λU2∑Ni=1‖Ui‖2+λV2∑Mj=1‖Vj‖2(31)

    其中,λU=σ2/σU2,λV=σ2/σV2。

    根據(jù)梯度下降法[15],可得到每個用戶(商品)的特征向量。梯度計算方法如下:

    LUi=α∑p∈Ai∑Mj=1Ipj(α∑t∈QpKp,tUtTVj+β∑k∈FjPj,kUpTVk+γ∑n∈Np∑m∈NjTp→nSj→mUnTVm-Rp,j)Kp,iVj+β∑Mj=1Iij(αR0+βR1+γR2-Ri,j)∑k∈FjPj,kVk+γ∑q∈Bi∑Mj=1Iqj(α∑t∈QqKq,tUtTVj+β∑k∈FjPj,kUqTVk+γ∑n∈Nq∑m∈NjTq→nSj→mUnTVm-Rq,j)∑m∈NjTq→iSj→mVm+λUUi

    (32)

    LVj=α∑Ni=1Iij(αR0+βR1+γR2-Ri,j)∑t∈QiKi,tUtT+β∑Ni=1∑r∈Cj(α∑t∈QiKi,tUtTVr+β∑k∈FrPr,kUiTVk+γ∑n∈Ni∑m∈NrTi→nSr→mUnTVm-Ri,r)Pr,jUiT+γ∑s∈Dj∑Ni=1(α∑t∈QiKi,tUtTVs+β∑k∈FsPs,kUiTVk+γ∑n∈Ni∑m∈NsTi→nSs→mUnTVm-Ri,s)∑n∈NiTi→nSs→jUnT+λVVj(33)

    其中,Ai是用戶i在用戶屬性方面的相似用戶集合,Bi是用戶i在時序行為方面的影響用戶集合,Cj是物品j在物品關(guān)系方面的相似物品集合,Dj是物品j在時序行為方面的影響物品集合。

    3實驗與分析

    3.1實驗數(shù)據(jù)集

    本文采用Movielens網(wǎng)站提供的數(shù)據(jù)文件ml-100k.zip[12]作為實驗數(shù)據(jù)集,數(shù)據(jù)集中包含信息如表1所示。

    3.2實驗度量方法

    本文采用均方根誤差(Root Mean Squared Error,RMSE)作為度量方法:

    RMSE=1N∑i,j(Ri,j-R^i,j)2(34)

    3.3對比實驗分析

    為驗證本文模型效果,實驗選取4種方法與本文算法進(jìn)行對比,主要包括以下方法:①User_based[14]:基于用戶的協(xié)同過濾方法;②Item_based[1]:基于物品的協(xié)同過濾方法;③PMF[8]:利用用戶歷史行為數(shù)據(jù),將用戶評分矩陣分解為兩個低維特征矩陣;④TimeSVD++[13]:在SVD++算法基礎(chǔ)上考慮時間對評分預(yù)測的影響。

    表2顯示了不同推薦方法在不同訓(xùn)練集和隱特征維度下的RMSE值對比結(jié)果。

    通過對表中數(shù)據(jù)的分析與對比,可得出以下實驗結(jié)論:①隨著訓(xùn)練數(shù)據(jù)集增大,推薦準(zhǔn)確率也隨之提升。由表2可以看出,80%的訓(xùn)練集和90%的訓(xùn)練集相比,當(dāng)維度為5(10)時,本文算法的RMSE降低了1.31%(1.34%);②隱特征向量維度增大,可以提高推薦準(zhǔn)確率。RMSE的值隨著維度增大而減少,但計算復(fù)雜度也隨之增加;③在所有最理想情況下,與其它方法相比,本文算法的推薦精度得到一定程度提高。

    4結(jié)語

    本文將用戶屬性、物品信息和時間因素融合到概率矩陣分解模型中,提升了推薦的準(zhǔn)確性和多樣性,還一定程度上緩解了冷啟動和數(shù)據(jù)稀疏問題。后續(xù)研究如何將文本內(nèi)容數(shù)據(jù)信息融合到矩陣分解模型中,以進(jìn)一步提高算法推薦性能。

    參考文獻(xiàn)參考文獻(xiàn):

    [1]SARWAR B,KARYPIS G,KONSTAN J,et al.Item-based collaborative filtering recommendation algorithms[C].International Conference on World Wide Web.ACM,2001:285295.

    [2]王升升,趙海燕,陳慶奎,等.基于社交標(biāo)簽和社交信任的概率矩陣分解推薦算法[J].小型微型計算機(jī)系統(tǒng),2016,37(5):921926.

    [3]SARWAT M,MOKBEL M F.Collaborative filtering[M].New York:Springer ,2017.

    [4]ZHANG H,LIU W,LIU W,et al.Discrete collaborative filtering[C].International ACM SIGIR Conference on Research and Development in Information Retrieval.ACM,2016:325334.

    [5]WANG D,MA J,LIAN T,et al.Recommendation based on weighted social trusts and item relationships[C].ACM Symposium on Applied Computing.ACM,2014:254259.

    [6]MAH,KINGI ,LYUMR,et al.Learning to recommend with social trust ensemble[C].International ACM Sigir Conference on Research & Development in Information Retrieval,2009:203210.

    [7]RODRIGUES C M,RATHI S,PATIL G.An efficient system using item & userbased CF techniques to improve recommendation[C].International Conference on Next Generation Computing Technologies.IEEE,2017:569574.

    [8]MI C,PENG P,XIAO L,et al.Recommendation algorithm based on user trust and interest with probability matrix factorization[C].International Conference on Advanced Cloud & Big Data.IEEE Computer Society,2017:355361.

    [9]SALAKHUTDINOV R,MNIH A.Bayesian probabilistic matrix factorization using Markov chain Monte Carlo[C].International Conference on Machine Learning,2008:880887.

    [10]鄭志蘊(yùn),賈春園,王振飛,等.基于微博的用戶相似度計算研究[J].計算機(jī)科學(xué),2017,44(2):262266.

    [11]董祥和,齊莉麗,董榮和.優(yōu)化的協(xié)作過濾推薦算法[J].計算機(jī)工程與應(yīng)用,2009,45(8):229232.

    [12]MI C,PENG P,XIAO L,et al.Recommendation algorithm based on user trust and interest with probability matrix factorization[C].International Conference on Advanced Cloud & Big Data.IEEE Computer Society,2017:355361.

    [13]KOREN Y.Collaborative filtering with temporal dynamics[J].Communications of the ACM,2009,53(4):447456.

    [14]項亮.推薦系統(tǒng)實踐[M].北京:人民郵電出版社,2012.

    [15]潘彬.結(jié)合時間序列的協(xié)同主題回歸推薦算法研究[D].呼和浩特:內(nèi)蒙古大學(xué),2017.

    責(zé)任編輯(責(zé)任編輯:黃?。?/p>

    猜你喜歡
    協(xié)同過濾
    基于用戶評分和項目類偏好的協(xié)同過濾推薦算法
    基于用戶相似度加權(quán)的Slope One算法
    軟件(2016年4期)2017-01-20 09:44:28
    圖書推薦算法綜述
    改進(jìn)的協(xié)同過濾推薦算法
    基于鏈?zhǔn)酱鎯Y(jié)構(gòu)的協(xié)同過濾推薦算法設(shè)計與實現(xiàn)
    基于相似傳播和情景聚類的網(wǎng)絡(luò)協(xié)同過濾推薦算法研究
    基于協(xié)同過濾算法的個性化圖書推薦系統(tǒng)研究
    混合推薦算法在電影推薦中的研究與評述
    關(guān)于協(xié)同過濾推薦算法的研究文獻(xiàn)綜述
    商(2016年29期)2016-10-29 15:22:08
    基于混合信任模型的協(xié)同過濾推薦算法
    国产欧美日韩一区二区精品| 欧美黑人欧美精品刺激| 一区福利在线观看| 亚洲精华国产精华精| 少妇的丰满在线观看| 九色国产91popny在线| 中文字幕精品免费在线观看视频| 亚洲专区中文字幕在线| 国产精品爽爽va在线观看网站 | 国产欧美日韩精品亚洲av| 亚洲七黄色美女视频| 成人手机av| 亚洲av电影不卡..在线观看| 九色亚洲精品在线播放| 国产91精品成人一区二区三区| 51午夜福利影视在线观看| 欧美成狂野欧美在线观看| 久久久久精品国产欧美久久久| 亚洲av五月六月丁香网| 男女做爰动态图高潮gif福利片 | 欧美国产精品va在线观看不卡| 老司机靠b影院| 国产私拍福利视频在线观看| 午夜精品在线福利| 窝窝影院91人妻| 色哟哟哟哟哟哟| 国产精品免费一区二区三区在线| 波多野结衣一区麻豆| xxx96com| 亚洲专区国产一区二区| 一区福利在线观看| 久久亚洲真实| 久久热在线av| 免费在线观看影片大全网站| 淫秽高清视频在线观看| 成年女人毛片免费观看观看9| 一本综合久久免费| 丁香欧美五月| 亚洲精品久久国产高清桃花| av天堂久久9| 黄色成人免费大全| 欧美激情 高清一区二区三区| av网站免费在线观看视频| 久久久久国产一级毛片高清牌| 无限看片的www在线观看| av中文乱码字幕在线| 精品久久久久久久毛片微露脸| 国产成人av教育| 国产1区2区3区精品| 女人被躁到高潮嗷嗷叫费观| 免费高清视频大片| 非洲黑人性xxxx精品又粗又长| 日日摸夜夜添夜夜添小说| 女人被躁到高潮嗷嗷叫费观| 国产成人精品在线电影| 国产97色在线日韩免费| 久久久久国产精品人妻aⅴ院| 亚洲第一av免费看| 69av精品久久久久久| 精品久久久久久成人av| 一区二区三区激情视频| 国产亚洲欧美在线一区二区| 久久久国产成人精品二区| 欧美乱色亚洲激情| 国产成人系列免费观看| av视频在线观看入口| 成熟少妇高潮喷水视频| 一级a爱视频在线免费观看| 两个人免费观看高清视频| 电影成人av| 日本三级黄在线观看| 亚洲专区国产一区二区| 啦啦啦 在线观看视频| 欧美日韩福利视频一区二区| 香蕉久久夜色| 在线观看免费视频网站a站| 亚洲国产欧美一区二区综合| 亚洲天堂国产精品一区在线| 亚洲全国av大片| 淫秽高清视频在线观看| 亚洲avbb在线观看| 亚洲 欧美 日韩 在线 免费| 成人亚洲精品一区在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 成人国产综合亚洲| 深夜精品福利| 久热爱精品视频在线9| 国产精品一区二区精品视频观看| 日韩欧美三级三区| 18禁黄网站禁片午夜丰满| 看片在线看免费视频| 婷婷精品国产亚洲av在线| 亚洲九九香蕉| 咕卡用的链子| 亚洲一区二区三区色噜噜| 国产一区二区三区综合在线观看| 欧美日韩福利视频一区二区| 国产免费男女视频| 婷婷六月久久综合丁香| 国产av又大| 正在播放国产对白刺激| 一边摸一边抽搐一进一出视频| 无限看片的www在线观看| 国产欧美日韩一区二区精品| 十分钟在线观看高清视频www| 日韩欧美在线二视频| 久久久久精品国产欧美久久久| 丝袜美足系列| 性色av乱码一区二区三区2| 久久精品成人免费网站| 制服诱惑二区| 一区福利在线观看| 中文字幕人妻熟女乱码| 成人国语在线视频| 亚洲成a人片在线一区二区| www国产在线视频色| 久久青草综合色| 亚洲熟女毛片儿| 国产一卡二卡三卡精品| 一个人观看的视频www高清免费观看 | 国产av又大| 久久久久国产一级毛片高清牌| 亚洲 欧美一区二区三区| 亚洲午夜精品一区,二区,三区| 12—13女人毛片做爰片一| 男女午夜视频在线观看| 在线免费观看的www视频| 丝袜美腿诱惑在线| 高清毛片免费观看视频网站| 97超级碰碰碰精品色视频在线观看| 亚洲精品av麻豆狂野| 在线国产一区二区在线| 免费看a级黄色片| 人人妻人人爽人人添夜夜欢视频| 免费不卡黄色视频| 美女国产高潮福利片在线看| 国产主播在线观看一区二区| bbb黄色大片| 国产亚洲精品一区二区www| av在线播放免费不卡| 日韩大码丰满熟妇| 女人爽到高潮嗷嗷叫在线视频| 国产一区在线观看成人免费| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美精品啪啪一区二区三区| 亚洲熟妇中文字幕五十中出| 色av中文字幕| 日本免费一区二区三区高清不卡 | 亚洲午夜精品一区,二区,三区| 国产私拍福利视频在线观看| 欧美丝袜亚洲另类 | 亚洲五月婷婷丁香| 无限看片的www在线观看| 午夜福利影视在线免费观看| 亚洲国产毛片av蜜桃av| 久久九九热精品免费| 看片在线看免费视频| 97人妻精品一区二区三区麻豆 | 久久久国产成人免费| 久久精品国产综合久久久| 国产真人三级小视频在线观看| 亚洲人成电影观看| 中文字幕高清在线视频| 在线观看免费视频网站a站| 波多野结衣一区麻豆| 一本综合久久免费| 免费高清视频大片| 日韩欧美在线二视频| 亚洲中文字幕一区二区三区有码在线看 | 亚洲精品美女久久久久99蜜臀| 久久香蕉激情| 亚洲av成人一区二区三| 亚洲成人久久性| 亚洲狠狠婷婷综合久久图片| 成人18禁高潮啪啪吃奶动态图| 亚洲专区中文字幕在线| 国产精品久久久久久人妻精品电影| 亚洲欧洲精品一区二区精品久久久| ponron亚洲| 日日干狠狠操夜夜爽| www.熟女人妻精品国产| 精品人妻1区二区| 免费女性裸体啪啪无遮挡网站| 中出人妻视频一区二区| 国产精品1区2区在线观看.| 亚洲美女黄片视频| 99精品久久久久人妻精品| 两性午夜刺激爽爽歪歪视频在线观看 | 熟妇人妻久久中文字幕3abv| 亚洲精品美女久久久久99蜜臀| 国产区一区二久久| 悠悠久久av| 91av网站免费观看| 看片在线看免费视频| 一级a爱片免费观看的视频| 天堂√8在线中文| 别揉我奶头~嗯~啊~动态视频| 久久精品亚洲熟妇少妇任你| 国产蜜桃级精品一区二区三区| 欧美日韩福利视频一区二区| 午夜两性在线视频| а√天堂www在线а√下载| 久久久久久久久免费视频了| 亚洲精品久久成人aⅴ小说| 日韩有码中文字幕| 午夜两性在线视频| 人成视频在线观看免费观看| netflix在线观看网站| 国产欧美日韩一区二区三| 久久这里只有精品19| 国语自产精品视频在线第100页| 99在线人妻在线中文字幕| 在线观看日韩欧美| 亚洲欧美日韩另类电影网站| 中文字幕另类日韩欧美亚洲嫩草| 欧美成人免费av一区二区三区| 不卡一级毛片| 1024视频免费在线观看| 欧美日韩瑟瑟在线播放| 人人妻人人澡人人看| 免费无遮挡裸体视频| 天堂√8在线中文| 熟女少妇亚洲综合色aaa.| 亚洲成人久久性| 日韩av在线大香蕉| 香蕉久久夜色| 久久精品人人爽人人爽视色| 正在播放国产对白刺激| 亚洲国产毛片av蜜桃av| 精品一区二区三区四区五区乱码| 精品少妇一区二区三区视频日本电影| 两个人视频免费观看高清| 亚洲 欧美一区二区三区| 国产精品99久久99久久久不卡| 成人免费观看视频高清| 啦啦啦观看免费观看视频高清 | 最新美女视频免费是黄的| 最好的美女福利视频网| 一进一出抽搐动态| 亚洲专区国产一区二区| 99国产精品一区二区蜜桃av| 中文字幕高清在线视频| 正在播放国产对白刺激| avwww免费| 啪啪无遮挡十八禁网站| 日本在线视频免费播放| 一本综合久久免费| 国产真人三级小视频在线观看| 亚洲一码二码三码区别大吗| 国产成人啪精品午夜网站| 国产精品国产高清国产av| 久热这里只有精品99| 国产精品 国内视频| 伦理电影免费视频| 久久久久久免费高清国产稀缺| 啦啦啦 在线观看视频| 性少妇av在线| 亚洲最大成人中文| 欧美午夜高清在线| 夜夜爽天天搞| 一级毛片女人18水好多| 久久天堂一区二区三区四区| 久久久久国产一级毛片高清牌| 午夜福利高清视频| 香蕉国产在线看| 曰老女人黄片| а√天堂www在线а√下载| 波多野结衣巨乳人妻| 宅男免费午夜| svipshipincom国产片| 人人妻人人澡欧美一区二区 | 精品少妇一区二区三区视频日本电影| 免费人成视频x8x8入口观看| 少妇熟女aⅴ在线视频| 亚洲熟妇熟女久久| 国产精品一区二区在线不卡| 两个人免费观看高清视频| 两人在一起打扑克的视频| 亚洲精品在线美女| 嫁个100分男人电影在线观看| 色老头精品视频在线观看| 国产成人精品在线电影| 国产成人免费无遮挡视频| 欧美黄色片欧美黄色片| 在线播放国产精品三级| 国产xxxxx性猛交| x7x7x7水蜜桃| 日韩欧美国产一区二区入口| 久久午夜亚洲精品久久| 动漫黄色视频在线观看| 在线观看免费日韩欧美大片| 中文亚洲av片在线观看爽| 男女下面插进去视频免费观看| 亚洲国产精品成人综合色| 国产成人免费无遮挡视频| 美女高潮喷水抽搐中文字幕| 最新美女视频免费是黄的| 国产又色又爽无遮挡免费看| e午夜精品久久久久久久| 亚洲国产欧美日韩在线播放| 成年人黄色毛片网站| 国产精品一区二区精品视频观看| 亚洲aⅴ乱码一区二区在线播放 | 在线国产一区二区在线| 久久久久久国产a免费观看| 午夜久久久久精精品| 欧美av亚洲av综合av国产av| 亚洲免费av在线视频| 国产精品综合久久久久久久免费 | 国产精品国产高清国产av| av在线天堂中文字幕| 窝窝影院91人妻| 岛国视频午夜一区免费看| 日韩欧美在线二视频| 成人三级黄色视频| 性欧美人与动物交配| 黑人巨大精品欧美一区二区蜜桃| 国产av又大| 在线观看免费视频日本深夜| 午夜福利在线观看吧| av电影中文网址| 露出奶头的视频| 成人欧美大片| 亚洲中文av在线| 怎么达到女性高潮| 在线天堂中文资源库| 91老司机精品| 亚洲精品美女久久久久99蜜臀| 中文字幕最新亚洲高清| 亚洲成人免费电影在线观看| 淫秽高清视频在线观看| 久久久久精品国产欧美久久久| 99国产极品粉嫩在线观看| 宅男免费午夜| 少妇的丰满在线观看| 日韩免费av在线播放| 久久精品91无色码中文字幕| 一区二区三区国产精品乱码| 久热这里只有精品99| 最新在线观看一区二区三区| 成人特级黄色片久久久久久久| 国产精品av久久久久免费| 可以免费在线观看a视频的电影网站| 动漫黄色视频在线观看| 午夜亚洲福利在线播放| 久久午夜综合久久蜜桃| 国产一区二区三区视频了| 亚洲中文av在线| 成人国语在线视频| 韩国精品一区二区三区| 午夜福利视频1000在线观看 | 88av欧美| 国产国语露脸激情在线看| 亚洲一区二区三区不卡视频| 国产精品久久久av美女十八| 高清毛片免费观看视频网站| 午夜日韩欧美国产| 国产精品久久久人人做人人爽| 亚洲欧美激情综合另类| 在线观看免费视频日本深夜| 欧美日韩亚洲综合一区二区三区_| 久久伊人香网站| 婷婷精品国产亚洲av在线| 免费看十八禁软件| 99久久99久久久精品蜜桃| 国产欧美日韩一区二区三| 欧美丝袜亚洲另类 | 夜夜看夜夜爽夜夜摸| 制服丝袜大香蕉在线| 国产在线精品亚洲第一网站| 在线视频色国产色| 99在线视频只有这里精品首页| 亚洲中文字幕一区二区三区有码在线看 | 国产在线精品亚洲第一网站| 欧美日本中文国产一区发布| 久久国产亚洲av麻豆专区| 色综合站精品国产| 香蕉久久夜色| 男女下面插进去视频免费观看| 亚洲午夜精品一区,二区,三区| 色播亚洲综合网| 777久久人妻少妇嫩草av网站| av网站免费在线观看视频| 黄色成人免费大全| 91国产中文字幕| 国产99白浆流出| 欧美人与性动交α欧美精品济南到| 色哟哟哟哟哟哟| 亚洲人成电影免费在线| 亚洲精品在线观看二区| 精品欧美一区二区三区在线| av视频免费观看在线观看| 黄色丝袜av网址大全| 亚洲,欧美精品.| 我的亚洲天堂| 久久久久久国产a免费观看| 色综合婷婷激情| 黑丝袜美女国产一区| 亚洲第一欧美日韩一区二区三区| 91成人精品电影| 国产精品亚洲av一区麻豆| 丁香欧美五月| 久久久久精品国产欧美久久久| 在线免费观看的www视频| 人妻丰满熟妇av一区二区三区| 国产一区二区在线av高清观看| 日日摸夜夜添夜夜添小说| 午夜福利免费观看在线| 一本大道久久a久久精品| 亚洲七黄色美女视频| 国产乱人伦免费视频| 18禁裸乳无遮挡免费网站照片 | 色在线成人网| 校园春色视频在线观看| 黄片小视频在线播放| 精品国产乱子伦一区二区三区| av有码第一页| 欧美乱色亚洲激情| 色精品久久人妻99蜜桃| 动漫黄色视频在线观看| 三级毛片av免费| 国产三级在线视频| 欧洲精品卡2卡3卡4卡5卡区| 亚洲成人国产一区在线观看| 丁香六月欧美| 国产伦人伦偷精品视频| 国产精品1区2区在线观看.| 男人的好看免费观看在线视频 | 日本撒尿小便嘘嘘汇集6| 午夜免费成人在线视频| 熟女少妇亚洲综合色aaa.| 国产欧美日韩一区二区三| 国内精品久久久久精免费| 久久久国产精品麻豆| 一本大道久久a久久精品| 欧美在线一区亚洲| 亚洲电影在线观看av| 亚洲一卡2卡3卡4卡5卡精品中文| 午夜视频精品福利| 啪啪无遮挡十八禁网站| 亚洲精品中文字幕在线视频| 日本vs欧美在线观看视频| 无遮挡黄片免费观看| 欧美中文综合在线视频| 亚洲精品美女久久久久99蜜臀| 午夜日韩欧美国产| 99国产综合亚洲精品| 午夜日韩欧美国产| 黄频高清免费视频| 亚洲va日本ⅴa欧美va伊人久久| 免费看美女性在线毛片视频| 少妇 在线观看| 精品欧美国产一区二区三| 久久人人97超碰香蕉20202| 女人精品久久久久毛片| 国产免费av片在线观看野外av| 精品一区二区三区av网在线观看| 成人亚洲精品一区在线观看| 激情在线观看视频在线高清| 成年人黄色毛片网站| 久久久久亚洲av毛片大全| 99久久综合精品五月天人人| 亚洲第一青青草原| 色综合婷婷激情| 高清黄色对白视频在线免费看| 亚洲欧美激情在线| 亚洲人成伊人成综合网2020| 亚洲精品久久成人aⅴ小说| 久久人人爽av亚洲精品天堂| 大陆偷拍与自拍| 欧美精品亚洲一区二区| 欧美日韩福利视频一区二区| 国产又爽黄色视频| 淫妇啪啪啪对白视频| 久久久久久大精品| 精品第一国产精品| or卡值多少钱| 国产麻豆成人av免费视频| 国产又爽黄色视频| 欧美一级毛片孕妇| 巨乳人妻的诱惑在线观看| 成人亚洲精品av一区二区| 手机成人av网站| 国产在线观看jvid| 国产成人欧美在线观看| 亚洲美女黄片视频| 日韩一卡2卡3卡4卡2021年| 国语自产精品视频在线第100页| 国产伦人伦偷精品视频| 99国产精品99久久久久| 女性生殖器流出的白浆| 久久青草综合色| 国产三级黄色录像| 一级毛片高清免费大全| 女性生殖器流出的白浆| 午夜日韩欧美国产| 国产一区二区三区综合在线观看| 级片在线观看| 在线视频色国产色| 国产精品久久视频播放| 久久精品亚洲精品国产色婷小说| 国产黄a三级三级三级人| 丰满人妻熟妇乱又伦精品不卡| 久久亚洲精品不卡| 亚洲国产中文字幕在线视频| av欧美777| 多毛熟女@视频| 久久精品aⅴ一区二区三区四区| 少妇的丰满在线观看| 人人妻人人澡欧美一区二区 | 一级毛片高清免费大全| 国产三级黄色录像| 国产精品一区二区免费欧美| 黄片小视频在线播放| 日本三级黄在线观看| 日本 av在线| 久久伊人香网站| 丰满的人妻完整版| 级片在线观看| 人人妻人人爽人人添夜夜欢视频| 中文字幕久久专区| 啦啦啦 在线观看视频| 精品久久久久久久人妻蜜臀av | 黄色片一级片一级黄色片| 99久久久亚洲精品蜜臀av| 一级作爱视频免费观看| 亚洲精品一区av在线观看| 狂野欧美激情性xxxx| av欧美777| 欧洲精品卡2卡3卡4卡5卡区| 亚洲片人在线观看| 熟女少妇亚洲综合色aaa.| 两个人免费观看高清视频| 免费久久久久久久精品成人欧美视频| 日韩 欧美 亚洲 中文字幕| www.精华液| 啦啦啦免费观看视频1| 亚洲第一欧美日韩一区二区三区| 日韩成人在线观看一区二区三区| 色av中文字幕| 乱人伦中国视频| 精品熟女少妇八av免费久了| 男人舔女人的私密视频| 日韩一卡2卡3卡4卡2021年| 村上凉子中文字幕在线| www国产在线视频色| 国产又色又爽无遮挡免费看| www.熟女人妻精品国产| 亚洲第一青青草原| 夜夜躁狠狠躁天天躁| 国产午夜精品久久久久久| 中文字幕高清在线视频| or卡值多少钱| 成人永久免费在线观看视频| 久久精品国产亚洲av高清一级| 欧美日韩精品网址| av超薄肉色丝袜交足视频| 叶爱在线成人免费视频播放| 99在线视频只有这里精品首页| 午夜精品国产一区二区电影| 性少妇av在线| 一a级毛片在线观看| 多毛熟女@视频| 91精品三级在线观看| 看黄色毛片网站| 亚洲欧美一区二区三区黑人| 黄色成人免费大全| 制服诱惑二区| av天堂在线播放| 欧美一级毛片孕妇| 国产免费av片在线观看野外av| 亚洲在线自拍视频| av有码第一页| 好看av亚洲va欧美ⅴa在| 黄频高清免费视频| 亚洲欧美精品综合一区二区三区| 如日韩欧美国产精品一区二区三区| 一进一出抽搐gif免费好疼| 国产成人一区二区三区免费视频网站| 日本免费一区二区三区高清不卡 | 手机成人av网站| 丝袜人妻中文字幕| 少妇粗大呻吟视频| 十分钟在线观看高清视频www| av在线播放免费不卡| 久久久久久久久免费视频了| 淫秽高清视频在线观看| 97人妻天天添夜夜摸| 波多野结衣一区麻豆| 午夜两性在线视频| 欧美色视频一区免费| 夜夜看夜夜爽夜夜摸| 热99re8久久精品国产| 日本欧美视频一区| 国产精品一区二区在线不卡| 久久久久久久午夜电影| 超碰成人久久| 久久久久国内视频| 女人被躁到高潮嗷嗷叫费观| 国产精品秋霞免费鲁丝片| 日本欧美视频一区| 久久人人爽av亚洲精品天堂| 一个人免费在线观看的高清视频| 在线十欧美十亚洲十日本专区| 色精品久久人妻99蜜桃| 亚洲精品国产区一区二| 美女 人体艺术 gogo| 午夜福利18| 在线播放国产精品三级| 久久久水蜜桃国产精品网| 美国免费a级毛片| 午夜福利在线观看吧| 成人av一区二区三区在线看| 精品一区二区三区四区五区乱码| 国产真人三级小视频在线观看|