• <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
    成人毛片60女人毛片免费| 天堂中文最新版在线下载 | 一个人看的www免费观看视频| 日韩亚洲欧美综合| 久久精品久久久久久噜噜老黄 | 欧美激情久久久久久爽电影| 久久草成人影院| 美女cb高潮喷水在线观看| 久久精品夜夜夜夜夜久久蜜豆| av.在线天堂| 久久久欧美国产精品| 亚洲av电影不卡..在线观看| 欧美成人一区二区免费高清观看| 日韩制服骚丝袜av| 久久欧美精品欧美久久欧美| 日韩,欧美,国产一区二区三区 | 婷婷色av中文字幕| 观看美女的网站| 国产一区亚洲一区在线观看| 日本黄大片高清| 特级一级黄色大片| 老女人水多毛片| 久久精品国产亚洲网站| 18禁裸乳无遮挡免费网站照片| 99在线人妻在线中文字幕| 欧美日韩在线观看h| av福利片在线观看| 尾随美女入室| 久久精品国产鲁丝片午夜精品| 在线免费十八禁| 在线观看美女被高潮喷水网站| 国产亚洲91精品色在线| 村上凉子中文字幕在线| 美女脱内裤让男人舔精品视频 | 国产高清不卡午夜福利| 亚洲av成人精品一区久久| 成人二区视频| 亚洲av免费高清在线观看| 亚洲婷婷狠狠爱综合网| 又粗又硬又长又爽又黄的视频 | 国产成人福利小说| 大香蕉久久网| 特大巨黑吊av在线直播| 国产亚洲av嫩草精品影院| 99九九线精品视频在线观看视频| 亚洲欧美日韩无卡精品| 全区人妻精品视频| 国产伦一二天堂av在线观看| 中文在线观看免费www的网站| 99热这里只有精品一区| 亚洲国产精品成人久久小说 | 国产综合懂色| 麻豆av噜噜一区二区三区| 国内精品宾馆在线| 青青草视频在线视频观看| 亚洲综合色惰| 亚洲精品乱码久久久久久按摩| 亚洲av二区三区四区| 亚洲人成网站在线观看播放| 国产乱人偷精品视频| 日韩一区二区三区影片| 国产精华一区二区三区| 色哟哟·www| 看非洲黑人一级黄片| 久久久午夜欧美精品| 日本-黄色视频高清免费观看| 两性午夜刺激爽爽歪歪视频在线观看| 乱码一卡2卡4卡精品| 久久99热6这里只有精品| 麻豆国产av国片精品| 综合色丁香网| 日韩欧美三级三区| 欧美又色又爽又黄视频| 欧美日韩综合久久久久久| 国产伦理片在线播放av一区 | 99久国产av精品| 久久久精品94久久精品| 看非洲黑人一级黄片| 悠悠久久av| 波野结衣二区三区在线| 国产午夜精品一二区理论片| 久久久a久久爽久久v久久| 免费在线观看成人毛片| 三级毛片av免费| 插阴视频在线观看视频| 久久久精品欧美日韩精品| 在线免费观看的www视频| 自拍偷自拍亚洲精品老妇| av天堂中文字幕网| 小蜜桃在线观看免费完整版高清| 亚洲国产精品久久男人天堂| 久久人人爽人人片av| 日本一二三区视频观看| a级毛片a级免费在线| 深夜精品福利| 久久精品久久久久久噜噜老黄 | 日韩欧美 国产精品| 三级国产精品欧美在线观看| 国产精品一区二区在线观看99 | 精华霜和精华液先用哪个| 久久人人精品亚洲av| 日韩一本色道免费dvd| 熟女电影av网| 欧美日韩国产亚洲二区| 免费观看精品视频网站| 午夜久久久久精精品| 国产乱人偷精品视频| 干丝袜人妻中文字幕| 成人性生交大片免费视频hd| 熟女人妻精品中文字幕| 久久国内精品自在自线图片| videossex国产| 一级毛片久久久久久久久女| videossex国产| 91久久精品国产一区二区三区| 黑人高潮一二区| 国产精品免费一区二区三区在线| 国产午夜精品久久久久久一区二区三区| 欧美精品一区二区大全| 全区人妻精品视频| 日本成人三级电影网站| 国产精品一区二区在线观看99 | 日韩欧美三级三区| a级毛片a级免费在线| 中文精品一卡2卡3卡4更新| 亚洲电影在线观看av| 大又大粗又爽又黄少妇毛片口| 狂野欧美白嫩少妇大欣赏| 男人和女人高潮做爰伦理| 一边摸一边抽搐一进一小说| 亚洲高清免费不卡视频| 中国美女看黄片| 嫩草影院入口| 欧美激情在线99| 狠狠狠狠99中文字幕| 在线观看美女被高潮喷水网站| 淫秽高清视频在线观看| 亚洲欧洲日产国产| 又粗又硬又长又爽又黄的视频 | 免费大片18禁| a级毛片a级免费在线| 久久久久久大精品| 亚洲无线在线观看| 男女边吃奶边做爰视频| 久久久久久久午夜电影| 又粗又硬又长又爽又黄的视频 | 性插视频无遮挡在线免费观看| 日本av手机在线免费观看| 国产黄片视频在线免费观看| 日韩成人av中文字幕在线观看| 99九九线精品视频在线观看视频| 欧美一区二区国产精品久久精品| 久久久久久国产a免费观看| 国产精品,欧美在线| eeuss影院久久| 亚洲成人中文字幕在线播放| 国产 一区精品| 九九久久精品国产亚洲av麻豆| 国内揄拍国产精品人妻在线| avwww免费| 国产真实伦视频高清在线观看| av在线观看视频网站免费| 2021天堂中文幕一二区在线观| 村上凉子中文字幕在线| 波多野结衣高清无吗| 日本五十路高清| 午夜福利在线在线| 日韩欧美精品v在线| 婷婷色综合大香蕉| 精品国产三级普通话版| 男女下面进入的视频免费午夜| www.色视频.com| 国产一区亚洲一区在线观看| 草草在线视频免费看| 丰满的人妻完整版| 色综合亚洲欧美另类图片| 国产精品人妻久久久久久| av专区在线播放| a级一级毛片免费在线观看| 国产精品永久免费网站| 亚洲一区高清亚洲精品| 国产美女午夜福利| 国产麻豆成人av免费视频| 久久韩国三级中文字幕| 日韩欧美精品免费久久| 成人午夜高清在线视频| 亚洲五月天丁香| 美女内射精品一级片tv| 亚洲精品久久国产高清桃花| 国产亚洲av嫩草精品影院| 亚洲国产色片| 国产中年淑女户外野战色| 性欧美人与动物交配| 性欧美人与动物交配| 欧美成人精品欧美一级黄| 国产91av在线免费观看| 99久久人妻综合| 亚洲国产精品国产精品| 国产又黄又爽又无遮挡在线| 观看免费一级毛片| 国内久久婷婷六月综合欲色啪| 丝袜喷水一区| 亚洲丝袜综合中文字幕| 国产成人freesex在线| 亚洲在久久综合| 九九在线视频观看精品| 精品一区二区三区人妻视频| 精品久久久久久久久亚洲| 亚洲成人中文字幕在线播放| 黄片wwwwww| 亚州av有码| 淫秽高清视频在线观看| av在线播放精品| 99久久精品国产国产毛片| 最近的中文字幕免费完整| 国产成人aa在线观看| 蜜桃亚洲精品一区二区三区| 尤物成人国产欧美一区二区三区| 看黄色毛片网站| 亚洲在久久综合| 欧美日韩在线观看h| or卡值多少钱| av在线天堂中文字幕| 国模一区二区三区四区视频| 国产精品嫩草影院av在线观看| 国产69精品久久久久777片| 免费看日本二区| 亚洲国产精品久久男人天堂| 又黄又爽又刺激的免费视频.| 日韩一区二区视频免费看| 不卡视频在线观看欧美| 亚洲人成网站在线播放欧美日韩| 中文字幕av成人在线电影| 日韩欧美精品v在线| 久久精品国产亚洲av香蕉五月| 国产高清视频在线观看网站| 中文字幕熟女人妻在线| 18禁在线播放成人免费| 午夜福利在线观看吧| 亚洲国产色片| 久久久国产成人精品二区| 国产v大片淫在线免费观看| 成年av动漫网址| 日韩大尺度精品在线看网址| 97超碰精品成人国产| 国产精品99久久久久久久久| 国产精品.久久久| 国产一级毛片七仙女欲春2| 久久99精品国语久久久| 免费观看a级毛片全部| 久久中文看片网| 一个人免费在线观看电影| 亚洲高清免费不卡视频| 午夜精品在线福利| 成人鲁丝片一二三区免费| 国产亚洲av片在线观看秒播厂 | 熟妇人妻久久中文字幕3abv| 91aial.com中文字幕在线观看| 国产精品免费一区二区三区在线| 噜噜噜噜噜久久久久久91| 久久久久九九精品影院| 免费看日本二区| 在线国产一区二区在线| 久久精品91蜜桃| www日本黄色视频网| 欧美一区二区国产精品久久精品| av卡一久久| 人妻少妇偷人精品九色| 久久久国产成人精品二区| 国产激情偷乱视频一区二区| 看免费成人av毛片| 亚洲精品自拍成人| 国产伦精品一区二区三区视频9| 国产一区二区亚洲精品在线观看| 亚洲激情五月婷婷啪啪| 26uuu在线亚洲综合色| 国产黄a三级三级三级人| 好男人视频免费观看在线| 少妇熟女欧美另类| 99热全是精品| 精品99又大又爽又粗少妇毛片| 免费一级毛片在线播放高清视频| 亚洲在久久综合| 亚洲欧美精品自产自拍| 亚洲成人精品中文字幕电影| 亚洲欧美成人综合另类久久久 | 淫秽高清视频在线观看| 午夜老司机福利剧场| 国产精品伦人一区二区| 日韩一区二区视频免费看| 在线a可以看的网站| av在线观看视频网站免费| 色吧在线观看| 观看美女的网站| 乱系列少妇在线播放| 亚洲天堂国产精品一区在线| 免费av观看视频| 国产一级毛片七仙女欲春2| 婷婷六月久久综合丁香| 日本免费a在线| 国产淫片久久久久久久久| 精品久久久久久成人av| 尾随美女入室| 我的老师免费观看完整版| 男女下面进入的视频免费午夜| 偷拍熟女少妇极品色| 国产麻豆成人av免费视频| 黄色欧美视频在线观看| 少妇熟女aⅴ在线视频| 欧美日韩综合久久久久久| 日本与韩国留学比较| 免费电影在线观看免费观看| 卡戴珊不雅视频在线播放| 美女高潮的动态| 久久久久国产网址| 精品一区二区三区人妻视频| 丝袜喷水一区| 亚洲在线自拍视频| 国产伦理片在线播放av一区 | av在线观看视频网站免费| 国产成人91sexporn| 国产一区二区亚洲精品在线观看| 午夜精品在线福利| 尤物成人国产欧美一区二区三区| 人妻制服诱惑在线中文字幕| 欧美不卡视频在线免费观看| 亚洲第一区二区三区不卡| 观看美女的网站| 直男gayav资源| 午夜福利在线观看免费完整高清在 | 一个人看视频在线观看www免费| 男女做爰动态图高潮gif福利片| 国产片特级美女逼逼视频| 久久久欧美国产精品| 久久这里只有精品中国| 麻豆乱淫一区二区| 婷婷精品国产亚洲av| 成人特级av手机在线观看| 内地一区二区视频在线| 国产精品国产高清国产av| 久久中文看片网| 成人av在线播放网站| 欧美日本视频| 国产极品精品免费视频能看的| 97超视频在线观看视频| 一本久久中文字幕| 日韩大尺度精品在线看网址| 成人毛片a级毛片在线播放| 欧美一区二区亚洲| 亚洲一区高清亚洲精品| 岛国毛片在线播放| 亚洲国产欧美在线一区| 免费人成视频x8x8入口观看| 熟女人妻精品中文字幕| 亚洲三级黄色毛片| 国产乱人视频| 亚洲av成人av| 亚洲va在线va天堂va国产| 国产精品永久免费网站| 亚洲国产日韩欧美精品在线观看| 亚洲经典国产精华液单| 国产乱人视频| 黄片wwwwww| 最近视频中文字幕2019在线8| 亚洲欧美日韩高清专用| 日韩欧美国产在线观看| 成人高潮视频无遮挡免费网站| 国产三级中文精品| 国产男人的电影天堂91| 一本久久中文字幕| 日日摸夜夜添夜夜添av毛片| 黄片无遮挡物在线观看| 能在线免费看毛片的网站| 日韩视频在线欧美| 日日啪夜夜撸| 激情 狠狠 欧美| 直男gayav资源| 天天躁夜夜躁狠狠久久av| 国产av不卡久久| 国产视频内射| 特级一级黄色大片| 男女做爰动态图高潮gif福利片| 毛片女人毛片| 午夜视频国产福利| 久久国产乱子免费精品| 成人无遮挡网站| 日韩视频在线欧美| 久久99热这里只有精品18| 久久久国产成人精品二区| 亚洲成人久久性| 精品免费久久久久久久清纯| 欧美一级a爱片免费观看看| 国产亚洲5aaaaa淫片| 日日摸夜夜添夜夜爱| 最近最新中文字幕大全电影3| 色哟哟哟哟哟哟| 一级二级三级毛片免费看| 精品日产1卡2卡| 在线a可以看的网站| 综合色av麻豆| 中文字幕免费在线视频6| 身体一侧抽搐| 欧美日韩乱码在线| 日韩视频在线欧美| 国产一区二区三区av在线 | 免费看日本二区| 精品不卡国产一区二区三区| 久久久久久国产a免费观看| 中文字幕制服av| 三级国产精品欧美在线观看| 少妇裸体淫交视频免费看高清| 亚洲国产精品国产精品| 午夜福利高清视频| or卡值多少钱| 亚洲久久久久久中文字幕| 色哟哟哟哟哟哟| 日本免费a在线| 在线播放国产精品三级| 成年女人看的毛片在线观看| 国产一区二区亚洲精品在线观看| 午夜福利成人在线免费观看| 天堂中文最新版在线下载 | 伊人久久精品亚洲午夜| 亚州av有码| 国产精华一区二区三区| 免费人成在线观看视频色| 日本-黄色视频高清免费观看| 丰满人妻一区二区三区视频av| 欧美色视频一区免费| 久久久久久久亚洲中文字幕| ponron亚洲| 久久6这里有精品| 日韩欧美国产在线观看| 久久精品91蜜桃| 成人漫画全彩无遮挡| 亚洲天堂国产精品一区在线| 欧美一区二区精品小视频在线| 两个人视频免费观看高清| 美女被艹到高潮喷水动态| 3wmmmm亚洲av在线观看| 99在线视频只有这里精品首页| 91狼人影院| 日产精品乱码卡一卡2卡三| 午夜福利在线观看吧| 国产伦在线观看视频一区| 亚洲av.av天堂| 最近的中文字幕免费完整| 亚洲经典国产精华液单| 国产精品人妻久久久影院| 婷婷色av中文字幕| av在线蜜桃| 校园春色视频在线观看| 一区二区三区高清视频在线| 女人十人毛片免费观看3o分钟| 国产精品1区2区在线观看.| 国产精品美女特级片免费视频播放器| 日韩大尺度精品在线看网址| 亚洲欧美日韩无卡精品| 高清毛片免费观看视频网站| 尾随美女入室| 黑人高潮一二区| 麻豆精品久久久久久蜜桃| 一个人看的www免费观看视频| 精品久久久久久久久av| 女的被弄到高潮叫床怎么办| 国产av在哪里看| 亚洲欧美中文字幕日韩二区| 看十八女毛片水多多多| 丰满乱子伦码专区| 九九爱精品视频在线观看| 精品人妻偷拍中文字幕| 69人妻影院| 国产在线精品亚洲第一网站| 自拍偷自拍亚洲精品老妇| 国产成人影院久久av| 亚洲欧美成人精品一区二区| 国产一区二区在线观看日韩| 午夜爱爱视频在线播放| 欧美不卡视频在线免费观看| 床上黄色一级片| 九九爱精品视频在线观看| 天天躁夜夜躁狠狠久久av| 亚洲欧美日韩卡通动漫| 国产精品野战在线观看| 18禁黄网站禁片免费观看直播| 国模一区二区三区四区视频| 欧美变态另类bdsm刘玥| 国产精品久久久久久精品电影| 在线免费观看不下载黄p国产| 国产高清不卡午夜福利| 免费观看人在逋| 国产探花在线观看一区二区| 国产精品国产三级国产av玫瑰| 国产 一区 欧美 日韩| 热99在线观看视频| 欧美3d第一页| 大型黄色视频在线免费观看| 国产一区二区亚洲精品在线观看| 亚洲av成人精品一区久久| 午夜a级毛片| 日韩一区二区三区影片| 人人妻人人澡人人爽人人夜夜 | 丰满乱子伦码专区| 色尼玛亚洲综合影院| 精品久久久久久久久亚洲| 亚洲成人久久爱视频| 国产成人精品久久久久久| 好男人视频免费观看在线| 搞女人的毛片| 狂野欧美激情性xxxx在线观看| 成人一区二区视频在线观看| 亚洲av免费在线观看| 国产在视频线在精品| 国产伦精品一区二区三区视频9| 国产单亲对白刺激| 大型黄色视频在线免费观看| 欧美xxxx黑人xx丫x性爽| 看黄色毛片网站| 在线免费观看的www视频| 国产精品久久久久久久久免| 国产精品久久久久久亚洲av鲁大| 免费观看的影片在线观看| 国语自产精品视频在线第100页| 我要搜黄色片| 日韩成人伦理影院| 成人特级av手机在线观看| 亚洲人成网站高清观看| av免费观看日本| 欧美色欧美亚洲另类二区| 亚洲精品乱码久久久久久按摩| 日韩亚洲欧美综合| 免费观看在线日韩| 中国美女看黄片| 欧美不卡视频在线免费观看| 一夜夜www| 国产成人一区二区在线| 听说在线观看完整版免费高清| 小蜜桃在线观看免费完整版高清| 波多野结衣高清作品| 老师上课跳d突然被开到最大视频| 久久精品国产亚洲av香蕉五月| 亚洲精品乱码久久久v下载方式| 日韩中字成人| 女的被弄到高潮叫床怎么办| 色噜噜av男人的天堂激情| 亚洲av不卡在线观看| 亚洲成人中文字幕在线播放| 成人二区视频| 最好的美女福利视频网| 成人鲁丝片一二三区免费| 91aial.com中文字幕在线观看| 久久久久性生活片| 边亲边吃奶的免费视频| 久久韩国三级中文字幕| 熟妇人妻久久中文字幕3abv| 国产精品日韩av在线免费观看| 一本精品99久久精品77| 婷婷色综合大香蕉| 免费在线观看成人毛片| 国产午夜福利久久久久久| 色播亚洲综合网| 看十八女毛片水多多多| 偷拍熟女少妇极品色| 一级毛片aaaaaa免费看小| 国产精品日韩av在线免费观看| 国产又黄又爽又无遮挡在线| 久久精品久久久久久噜噜老黄 | 老司机影院成人| 在线观看66精品国产| 色播亚洲综合网| 亚洲,欧美,日韩| 国产黄片视频在线免费观看| 黄色配什么色好看| 午夜福利在线观看吧| 熟女电影av网| 国产成人影院久久av| 日本-黄色视频高清免费观看| 99久久精品国产国产毛片| 国内精品美女久久久久久| 精品欧美国产一区二区三| 日韩欧美 国产精品| 老司机影院成人| 国内少妇人妻偷人精品xxx网站| 欧美xxxx性猛交bbbb| 日韩一本色道免费dvd| a级毛色黄片| 国产 一区精品| 欧美极品一区二区三区四区| 国产精品av视频在线免费观看| 亚洲图色成人| 久久婷婷人人爽人人干人人爱| 国产精品久久电影中文字幕| 只有这里有精品99| 人妻系列 视频| 蜜臀久久99精品久久宅男| 99热全是精品| 成人三级黄色视频| 久久这里只有精品中国| 国产视频内射| 国产真实伦视频高清在线观看| 色视频www国产| av天堂在线播放| 性欧美人与动物交配| 亚洲精品成人久久久久久| 91精品国产九色| 国内揄拍国产精品人妻在线| 别揉我奶头 嗯啊视频| 亚洲av.av天堂| 黄色欧美视频在线观看| 国产一区二区亚洲精品在线观看| 日韩欧美在线乱码| 欧美一区二区亚洲| 看免费成人av毛片| 久久午夜福利片| 国产一级毛片七仙女欲春2|