• <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 ?

    多訪問并行特征提取下大數(shù)據(jù)準(zhǔn)確推薦仿真

    2023-09-04 14:53:36許朝陽王尚鵬
    計(jì)算機(jī)仿真 2023年7期
    關(guān)鍵詞:特征提取代表矩陣

    李 斌,許朝陽,王尚鵬

    (1. 福建師范大學(xué)協(xié)和學(xué)院,福建 福州 350117;2. 莆田學(xué)院機(jī)電與信息工程學(xué)院,福建 莆田 351100;3. 福建師范大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院,福建 福州 350117)

    1 引言

    隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,用戶越來越多,對(duì)推薦的要求也越來越高。推薦算法通常會(huì)根據(jù)用戶間存在相似屬性作為參考值去選擇用戶。例如,在電商平臺(tái)上,根據(jù)瀏覽、收藏以及購買等幾個(gè)簡單的步驟就可以挑選出用戶感興趣的商品。電子商務(wù)平臺(tái)會(huì)將使用者和產(chǎn)品的互動(dòng)記錄下來,其中含有大量的用戶感興趣的內(nèi)容,但卻不能很好地反映出使用者的喜好,所以很難從消費(fèi)者的興趣中抽取出相關(guān)的信息[1-2],從而影響了消費(fèi)者對(duì)產(chǎn)品的使用。

    針對(duì)上述問題,一些專家對(duì)此做了研究,例如劉歡等人[3]提出基于評(píng)分可信度的大數(shù)據(jù)線性回歸推薦算法,優(yōu)先將用戶的興趣漂移度以及活躍度等信息全部考慮到用戶評(píng)分可信度的計(jì)算方法中,引入線性回歸推薦算法,通過優(yōu)化的線性回歸推薦算法對(duì)用戶評(píng)分展開預(yù)測(cè),最終完成大數(shù)據(jù)推薦。陳嘉穎等人[4]提出一種融合語義分析特征提取的推薦算法,通過知識(shí)圖譜將實(shí)體識(shí)別和連接技術(shù)有效結(jié)合,提取項(xiàng)目特征,分析各個(gè)項(xiàng)目特征之間的關(guān)系,組建子知識(shí)庫以及協(xié)同學(xué)習(xí)框架,通過損失函數(shù)優(yōu)化全部特征向量,最終通過用戶—項(xiàng)目表征結(jié)果完成推薦。陸航等人[5]將通過TF-IDF相關(guān)理論計(jì)算權(quán)重取值,引入指數(shù)衰減函數(shù)分析用戶興趣變化規(guī)律,對(duì)用戶興趣相似性和評(píng)分差異性兩者加權(quán)融合處理,得到精準(zhǔn)的用戶最近鄰,進(jìn)而完成預(yù)測(cè)項(xiàng)目評(píng)分以及推薦。

    在以上幾種算法的基礎(chǔ)上,提出一種基于多訪問并行特征提取的大數(shù)據(jù)推薦算法。通過提取用戶訪問特征,構(gòu)建訓(xùn)練集,將BiasSVD算法和聚類算法有效結(jié)合,實(shí)現(xiàn)大數(shù)據(jù)推薦。實(shí)驗(yàn)結(jié)果表明,所提算法能夠有效提升覆蓋率和加速比,獲取滿意的大數(shù)據(jù)推薦結(jié)果。

    2 算法

    2.1 用戶訪問特征提取

    用戶日常訪問的網(wǎng)頁以及使用的應(yīng)用類別全面反映了用戶的興趣傾向。目前,互聯(lián)網(wǎng)上存在一些網(wǎng)址導(dǎo)航類以及網(wǎng)站收錄類的站點(diǎn),對(duì)常用網(wǎng)站展開收錄和分類操作,詳細(xì)的操作步驟如下所示:

    1)對(duì)各個(gè)網(wǎng)站點(diǎn)爬蟲處理,得到各個(gè)站點(diǎn)不同類目下全部被收錄網(wǎng)站的域名,采用統(tǒng)一的形式存儲(chǔ)。

    2)匯總各個(gè)站點(diǎn)獲取的爬取結(jié)果。

    3)對(duì)各個(gè)站點(diǎn)的分類信息匯總和分析,同時(shí)參考國內(nèi)各個(gè)主流網(wǎng)絡(luò)的導(dǎo)航標(biāo)簽,確定使用網(wǎng)站的類目體系以及標(biāo)簽關(guān)鍵字。

    4)將相同類別的標(biāo)簽劃分到同一個(gè)表述詞上面,同時(shí)為相同類別的標(biāo)簽分配一樣的類別ID。

    將經(jīng)過爬蟲分析以及調(diào)整后的網(wǎng)站分類信息檢索表放置在分布式緩存系統(tǒng)中存儲(chǔ)。將用戶在不同類別網(wǎng)站上形成的記錄數(shù)據(jù)作為基礎(chǔ),組建用戶興趣特征向量。設(shè)定用戶集合為E={e1,e2,e3,…,ei},網(wǎng)站類目集合為W={w1,w2,w3,…,wj}。通過式(1)給出用戶ek的網(wǎng)站訪問行為興趣向量sek:

    sek={sk1,sk2,sk3,…,skj}

    (1)

    式中,skj代表用戶ek在類別為wj的網(wǎng)站形成的訪問記錄。通過式(2)給出全部用戶形成的網(wǎng)站興趣矩陣C:

    (2)

    其中,用戶em和en之間的網(wǎng)站興趣向量距離可以采用式(3)所示的歐幾里得距離d(em,en)表示:

    (3)

    電商用戶的每一次訪問記錄均可以表示為一個(gè)4元組,如式(4)所示:

    record={user,item,behavior,time}

    (4)

    式中,user代表用戶;time代表時(shí)間;behavior代表網(wǎng)站類型;item代表商品類型。

    訪問記錄是各個(gè)電商平臺(tái)在不干擾用戶正常購物的狀態(tài)下所采集到的數(shù)據(jù),通過訪問記錄可以更加真實(shí)反映用戶的購物模式。利用商品之間的關(guān)聯(lián)性學(xué)習(xí),獲取商品向量。其具體步驟如下所示:

    1)獲取交互商品序列集:

    根據(jù)用戶的訪問時(shí)間按序排列,并按照需求將其分組,將記錄中的商品提取出來,構(gòu)建交互商品序列集。將序列中的相鄰元素去重處理,促使相鄰的兩個(gè)元素屬于不同的具體商品,最終獲取交互商品序列集seq-set,如式(5)所示:

    seq-set={(item1,1,item1,2,…,itemn-1),…,

    (itemm,1,itemm,2,…,itemm,n-m)}

    (5)

    2)訓(xùn)練集的構(gòu)建:

    將窗口長度設(shè)為n,在用戶交互商品序列上滑動(dòng),將中間位置的商品p作為輸出,構(gòu)建訓(xùn)練樣本(m,n)。

    3)采用item2vec算法學(xué)習(xí)商品的隱向量,同時(shí)構(gòu)建全新的二維矩陣,其中每一行代表一個(gè)商品向量,并對(duì)其初始化處理,以此為依據(jù)搭建輸入層,采用神經(jīng)網(wǎng)絡(luò)對(duì)全部參數(shù)初始化處理,通過交叉熵?fù)p失計(jì)算獲取網(wǎng)絡(luò)損失,更新網(wǎng)絡(luò)參數(shù)。

    4)粗粒度用戶興趣點(diǎn)提取:

    在向量空間中對(duì)商品向量聚類處理,獲得多個(gè)聚類簇,將其作為聚類中心并計(jì)算平均值,以此構(gòu)建粗粒度用戶興趣點(diǎn)集合。

    交互商品序列具有上下文相關(guān)性,以下通過序列特征提取方法獲取用戶訪問特征。通過網(wǎng)絡(luò)神經(jīng)元關(guān)注各個(gè)輸入的特定內(nèi)容,采用神經(jīng)網(wǎng)絡(luò)提取非線性特征,引入分類樹有效解決手寫數(shù)字識(shí)別問題[6-7]。序列特征提取網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    圖1 序列特征提取網(wǎng)絡(luò)結(jié)構(gòu)圖

    其中,LSTM層對(duì)于各步輸入都具有對(duì)應(yīng)的輸出,選取最后一步輸入到對(duì)應(yīng)的輸出,并與全連接層1連接。其中,網(wǎng)絡(luò)的全連接層主要用于特征提取,將全連接層2的輸出作為序列特征添加到興趣商品預(yù)測(cè)模型的特征集合中。序列特征提取訓(xùn)練集的詳細(xì)操作步驟如下所示[8-9]:

    1)獲取交互商品序列集:

    即用戶訪問記錄通過時(shí)間序列分組處理,獲取用戶訪問記錄序列集合rec-seq-set,如式(6)所示:

    rec-seq-set={(r11,r12,r13,…),

    (r21,r22,r23,…),…,(rn1,rn2,rn3,…)}

    (6)

    2)訓(xùn)練集的構(gòu)建:

    對(duì)步驟1)中的用戶訪問記錄序列集合展開遍歷,將記錄中購買的商品設(shè)為樣本輸出,提取交互商品添加到序列u中,直至u相鄰去重長度達(dá)到設(shè)定值,輸出用戶訪問特征。

    2.2 大數(shù)據(jù)推薦

    矩陣分解方法有很多不同的類型,奇異值分解是目前使用比較廣泛的一種方法[10-11]。奇異值分解(SVD)主要是將p×q階的原始評(píng)分矩陣S分解處理,形成三個(gè)大小相同的低秩矩陣,將三者相乘即可輸出最終的分解結(jié)果,如式(7)所示:

    Sp×q=U×N×I(h)

    (7)

    式中,U代表酉矩陣;N代表對(duì)角矩陣;I(h)代表原始矩陣的奇異值。

    結(jié)合相關(guān)先驗(yàn)知識(shí),優(yōu)先需要對(duì)評(píng)分矩陣降維處理,同時(shí)選取矩陣中取值比較大的n個(gè)奇異值構(gòu)建對(duì)角矩陣。大部分矩陣分解方法都是利用梯度下降法求解,所以梯度下降法實(shí)現(xiàn)比較容易,但是收斂速度比較快。采用梯度下降法求解偏差矩陣分解,詳細(xì)的操作步驟如下所示:

    1)計(jì)算總體平均值;

    2)將全部偏置項(xiàng)的取值均設(shè)定為0;

    3)將原始評(píng)分矩陣和經(jīng)過降維處理之后的低秩矩陣初始化處理;

    4)通過隨機(jī)梯度下降法的迭代獲取經(jīng)過優(yōu)化處理的矩陣以及向量;

    5)計(jì)算預(yù)測(cè)評(píng)分。

    為了獲取更加精準(zhǔn)的計(jì)算結(jié)果,需要在傳統(tǒng)模型的基礎(chǔ)上引入偏置項(xiàng),降低預(yù)測(cè)結(jié)果和真實(shí)結(jié)果兩者之間的誤差。雖然誤差得到降低,但是仍然存在。通過真實(shí)和預(yù)測(cè)評(píng)分兩者的差值,并對(duì)其調(diào)整誤差,進(jìn)而目標(biāo)用戶能夠獲取最近鄰。

    通過改進(jìn)的Pearson相關(guān)系數(shù)獲取用戶和聚類中心的相似度,詳細(xì)的計(jì)算式如下:

    I(u,v)

    (8)

    隨機(jī)選取m個(gè)聚類中心,通過式(8)計(jì)算用戶和聚類中心的相似度,同時(shí)將用戶劃分為m個(gè)簇。將全部相似度計(jì)算結(jié)果排序,根據(jù)排序結(jié)果得到和目標(biāo)用戶相似度最高的簇。在目標(biāo)用戶所在的簇中,將全部相似度計(jì)算結(jié)果排序處理,選取前n個(gè)相似度最高的用戶構(gòu)建目標(biāo)用戶最近鄰集合,如式(9)所示:

    (9)

    通過式(10)計(jì)算最近鄰集合中各個(gè)用戶對(duì)項(xiàng)目真實(shí)評(píng)分和預(yù)測(cè)評(píng)分兩者之間的平均差值,通過平均差值完成預(yù)測(cè)評(píng)分調(diào)整,得到目標(biāo)用戶的最終評(píng)分:

    (10)

    式中,rvi代表目標(biāo)用戶的最終評(píng)分;svi代表用戶真實(shí)評(píng)分;pvi代表預(yù)測(cè)評(píng)分。

    通過式(11)獲取目標(biāo)用戶對(duì)商品的最終預(yù)測(cè)評(píng)分dui:

    (11)

    式中,β代表基準(zhǔn)分;bu[u]代表規(guī)范化因子;ci[i]代表用戶偏好向量;Puk代表偏移量絕對(duì)值;Qik代表用戶評(píng)分矩陣。

    通過上述分析,將BiasSVD算法和聚類算法兩者有效結(jié)合,最終實(shí)現(xiàn)大數(shù)據(jù)推薦[12-13],詳細(xì)的操作步驟如下所示:

    1)收集全部用戶的偏好信息以及評(píng)分記錄,將其整理形成一個(gè)規(guī)格為m×n的評(píng)分矩陣Gm×n,如式(12)所示:

    (12)

    2)計(jì)算全部評(píng)分記錄的平均值,同時(shí)將用戶和項(xiàng)目的偏好向量初始化處理,將其取值設(shè)定為0;同時(shí)對(duì)用戶特征矩陣和項(xiàng)目特征矩陣初始化處理。

    3)通過梯度下降法[14-15]獲取最優(yōu)用戶和項(xiàng)目好向量,同時(shí)得到最優(yōu)用戶和項(xiàng)目特征矩陣。

    4)通過式(8)獲取相似度,當(dāng)全部用戶完成分類操作后,即可形成多個(gè)簇,利用簇完成目標(biāo)用戶最近鄰的選擇。

    5)通過式(11)計(jì)算獲取目標(biāo)用戶用戶對(duì)項(xiàng)目的最終預(yù)測(cè)評(píng)分,最終完成大數(shù)據(jù)推薦。

    3 實(shí)驗(yàn)分析

    為了驗(yàn)證基于多訪問并行特征提取的大數(shù)據(jù)推薦算法的有效性,選取來自A大學(xué)研究組的實(shí)驗(yàn)數(shù)據(jù)集作為測(cè)試樣本,同時(shí)采用5臺(tái)虛擬機(jī)搭建實(shí)驗(yàn)平臺(tái),采用基于評(píng)分可信度的大數(shù)據(jù)線性回歸推薦算法、一種融合語義分析特征提取的推薦算法做對(duì)比。分析用戶網(wǎng)站訪問和原始網(wǎng)站訪問兩者之間的關(guān)系如圖2所示:

    圖2 用戶網(wǎng)站訪問和原始訪問之間的關(guān)系

    通過分析圖2中的實(shí)驗(yàn)數(shù)據(jù)可知,網(wǎng)站的原始訪問頻率變化概率和用戶通過關(guān)注查找展開的網(wǎng)站訪問頻率兩者走勢(shì)基本一致,由此可見,通過用戶關(guān)注度對(duì)用戶的行為展開分析是切實(shí)可行的,且獲取的數(shù)據(jù)是有效的。

    在上述分析的基礎(chǔ)上,為了進(jìn)一步驗(yàn)證所提方法的性能,選取覆蓋率和加速比作為測(cè)試指標(biāo),其中兩者對(duì)應(yīng)的計(jì)算式如下:

    1)覆蓋率coverage主要是用來衡量模型挖掘物品的能力,取值越大越好,具體的的計(jì)算式如式(13)所示:

    (13)

    式中,R(u)代表為用戶推薦一個(gè)長度為N的商品列表;U代表全部商品;P代表商品評(píng)分集合。

    2)加速比speedup(p)主要用來衡量算法的可拓展性,詳細(xì)的計(jì)算式如下:

    (14)

    式中,T1代表網(wǎng)絡(luò)中隨機(jī)一個(gè)節(jié)點(diǎn)的運(yùn)行時(shí)長;Tp代表p個(gè)節(jié)點(diǎn)的運(yùn)行總時(shí)長。

    分別采用所提算法、基于評(píng)分可信度的大數(shù)據(jù)線性回歸推薦算法(參考文獻(xiàn)[3]算法)、一種融合語義分析特征提取的推薦算法(參考文獻(xiàn)[4]算法)做對(duì)比,驗(yàn)證不同推薦算法的覆蓋率如圖3所示。

    圖3 不同推薦算法的覆蓋率對(duì)比

    分析圖3中的實(shí)驗(yàn)數(shù)據(jù)可知,覆蓋率會(huì)隨著推薦列表長度的變化而變化,在推薦列表長度為12時(shí),所提算法的覆蓋率在75%~98%之間。但是和另外兩種推薦算法相比,所提算法的覆蓋率明顯更高一些。因此,說明所提算法具有比較強(qiáng)的挖掘能力,可以更好完成大數(shù)據(jù)推薦。

    通過表1分析三種不同算法的加速比變化情況。

    表1 不同推薦算法的加速比實(shí)驗(yàn)結(jié)果對(duì)比

    經(jīng)過對(duì)比和分析表1中的實(shí)驗(yàn)數(shù)據(jù)可知,在三種大數(shù)據(jù)推薦算法中,在節(jié)點(diǎn)個(gè)數(shù)為35個(gè)時(shí),所提算法的加速比取值為2.7,另外兩種推薦算法的取值分別為2.1和2.0,均低于所提算法。由此可以說明所提算法具有比較好的可拓展性。

    4 結(jié)束語

    針對(duì)傳統(tǒng)大數(shù)據(jù)推薦算法存在的加速比以及覆蓋率取值較低等問題,提出一種基于多訪問并行特征提取的大數(shù)據(jù)推薦算法。經(jīng)過實(shí)驗(yàn)對(duì)比分析可知,所提算法可以具有良好的推薦能力和可拓展性,確保大數(shù)據(jù)推薦結(jié)果的準(zhǔn)確性。為了進(jìn)一步提升大數(shù)據(jù)分析能力以及處理效率,后續(xù)將擴(kuò)大研究范圍,對(duì)數(shù)據(jù)存儲(chǔ)方式展開優(yōu)化,全面提升數(shù)據(jù)的處理速度。

    猜你喜歡
    特征提取代表矩陣
    詮釋代表初心 踐行人大使命
    四季的代表
    “代表通道”新觀察
    這個(gè)代表咋這么拗
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    Bagging RCSP腦電特征提取算法
    初等行變換與初等列變換并用求逆矩陣
    矩陣
    南都周刊(2015年4期)2015-09-10 07:22:44
    矩陣
    南都周刊(2015年3期)2015-09-10 07:22:44
    矩陣
    南都周刊(2015年1期)2015-09-10 07:22:44
    日韩精品免费视频一区二区三区| 免费av中文字幕在线| 国产97色在线日韩免费| 操美女的视频在线观看| 国产亚洲欧美98| 亚洲人成伊人成综合网2020| 性少妇av在线| 自拍欧美九色日韩亚洲蝌蚪91| 日本三级黄在线观看| 国产精品永久免费网站| 九色亚洲精品在线播放| 久久天堂一区二区三区四区| 国产精品偷伦视频观看了| 美女扒开内裤让男人捅视频| 九色亚洲精品在线播放| 黄片小视频在线播放| 电影成人av| 成熟少妇高潮喷水视频| 97人妻天天添夜夜摸| 日本欧美视频一区| 中文字幕人妻丝袜制服| www国产在线视频色| 91在线观看av| 国产又爽黄色视频| av超薄肉色丝袜交足视频| 欧美成人免费av一区二区三区| 99久久99久久久精品蜜桃| 国产高清视频在线播放一区| 长腿黑丝高跟| 欧美日韩一级在线毛片| 国产成人精品久久二区二区免费| 亚洲精品一区av在线观看| 十八禁网站免费在线| 两性夫妻黄色片| 精品第一国产精品| 999久久久精品免费观看国产| 亚洲激情在线av| 一级片免费观看大全| 欧美日韩亚洲国产一区二区在线观看| 国产精品1区2区在线观看.| 美女午夜性视频免费| 午夜亚洲福利在线播放| 日韩欧美在线二视频| 亚洲av五月六月丁香网| 国产欧美日韩一区二区三| 一级片免费观看大全| √禁漫天堂资源中文www| 激情在线观看视频在线高清| 1024香蕉在线观看| 欧美日韩一级在线毛片| 国产成+人综合+亚洲专区| 女人高潮潮喷娇喘18禁视频| 一夜夜www| 亚洲一区高清亚洲精品| 成人永久免费在线观看视频| 在线观看一区二区三区| 国产成人影院久久av| 多毛熟女@视频| 九色亚洲精品在线播放| 精品乱码久久久久久99久播| 久久精品亚洲av国产电影网| 久久人妻av系列| 亚洲欧美激情在线| 国产午夜精品久久久久久| 99在线视频只有这里精品首页| 91老司机精品| 黑人巨大精品欧美一区二区蜜桃| 亚洲七黄色美女视频| 可以免费在线观看a视频的电影网站| 一本大道久久a久久精品| 无遮挡黄片免费观看| 国产亚洲精品久久久久5区| 国产区一区二久久| 国产精品乱码一区二三区的特点 | 国产主播在线观看一区二区| a在线观看视频网站| 丰满迷人的少妇在线观看| 亚洲熟女毛片儿| 亚洲,欧美精品.| 国产精华一区二区三区| 久久久久久久久中文| 99国产极品粉嫩在线观看| 极品教师在线免费播放| 精品久久久久久成人av| 水蜜桃什么品种好| 日本精品一区二区三区蜜桃| 久久久国产成人免费| 国产激情欧美一区二区| 无遮挡黄片免费观看| 在线看a的网站| 国产精品久久电影中文字幕| 精品一区二区三区视频在线观看免费 | 搡老岳熟女国产| 天堂中文最新版在线下载| 成人亚洲精品av一区二区 | 久久午夜亚洲精品久久| 精品国产国语对白av| 亚洲成人精品中文字幕电影 | 国产亚洲精品综合一区在线观看 | √禁漫天堂资源中文www| 女同久久另类99精品国产91| 成人亚洲精品一区在线观看| 国产精品久久电影中文字幕| 少妇粗大呻吟视频| 精品免费久久久久久久清纯| 欧美大码av| 999精品在线视频| 色综合站精品国产| 亚洲avbb在线观看| 黄色 视频免费看| 亚洲精品国产精品久久久不卡| 国产国语露脸激情在线看| 色综合婷婷激情| 国产亚洲精品第一综合不卡| a在线观看视频网站| 亚洲精品久久午夜乱码| 欧美av亚洲av综合av国产av| 一级,二级,三级黄色视频| 精品第一国产精品| 伊人久久大香线蕉亚洲五| 嫩草影院精品99| 亚洲欧美精品综合久久99| 日日摸夜夜添夜夜添小说| 亚洲精品中文字幕在线视频| 一夜夜www| 国内久久婷婷六月综合欲色啪| 国产亚洲精品久久久久久毛片| 亚洲精品美女久久久久99蜜臀| 日韩有码中文字幕| av电影中文网址| 亚洲国产看品久久| 两性夫妻黄色片| 中文字幕高清在线视频| 久热这里只有精品99| 18禁裸乳无遮挡免费网站照片 | 成人黄色视频免费在线看| 丁香六月欧美| 亚洲成人精品中文字幕电影 | 中文字幕精品免费在线观看视频| 国产成年人精品一区二区 | 一区二区日韩欧美中文字幕| 久久九九热精品免费| 日日摸夜夜添夜夜添小说| 村上凉子中文字幕在线| www.www免费av| 中文字幕av电影在线播放| 国产三级在线视频| 一边摸一边抽搐一进一小说| 欧美乱码精品一区二区三区| 88av欧美| 久久久久久亚洲精品国产蜜桃av| 亚洲 欧美 日韩 在线 免费| 少妇裸体淫交视频免费看高清 | 免费少妇av软件| 99riav亚洲国产免费| 丁香六月欧美| 他把我摸到了高潮在线观看| 欧美黄色淫秽网站| 老汉色∧v一级毛片| 国产av精品麻豆| 成人三级做爰电影| 日本免费一区二区三区高清不卡 | 精品日产1卡2卡| 国产亚洲av高清不卡| 日韩三级视频一区二区三区| 成熟少妇高潮喷水视频| 久久人人97超碰香蕉20202| 最近最新中文字幕大全免费视频| 久久青草综合色| 国产三级在线视频| 亚洲人成电影观看| 两性午夜刺激爽爽歪歪视频在线观看 | 日本撒尿小便嘘嘘汇集6| 精品福利观看| 90打野战视频偷拍视频| www.精华液| 99久久久亚洲精品蜜臀av| 中文字幕另类日韩欧美亚洲嫩草| 91老司机精品| 久久亚洲精品不卡| x7x7x7水蜜桃| 国产精品98久久久久久宅男小说| 黑丝袜美女国产一区| 亚洲精品国产一区二区精华液| 999久久久精品免费观看国产| 成在线人永久免费视频| 50天的宝宝边吃奶边哭怎么回事| 一区福利在线观看| 国产成人av教育| 九色亚洲精品在线播放| 国产不卡一卡二| 日韩欧美三级三区| 99国产极品粉嫩在线观看| 久久久水蜜桃国产精品网| 母亲3免费完整高清在线观看| 美女扒开内裤让男人捅视频| 亚洲国产精品合色在线| 男女午夜视频在线观看| 欧美日本中文国产一区发布| 高清黄色对白视频在线免费看| 精品一区二区三区四区五区乱码| 啦啦啦在线免费观看视频4| 日韩中文字幕欧美一区二区| 亚洲片人在线观看| 极品教师在线免费播放| 日韩有码中文字幕| 亚洲在线自拍视频| 亚洲精品一卡2卡三卡4卡5卡| 色哟哟哟哟哟哟| 久久人人精品亚洲av| 亚洲精品美女久久久久99蜜臀| 国产av精品麻豆| 亚洲一区高清亚洲精品| 亚洲va日本ⅴa欧美va伊人久久| 日韩精品免费视频一区二区三区| 欧美日韩一级在线毛片| 国产成+人综合+亚洲专区| 国产xxxxx性猛交| 亚洲aⅴ乱码一区二区在线播放 | 精品无人区乱码1区二区| 窝窝影院91人妻| 亚洲成人免费av在线播放| 亚洲九九香蕉| 国产亚洲欧美精品永久| 超碰成人久久| 韩国精品一区二区三区| 欧美日韩中文字幕国产精品一区二区三区 | 一级a爱视频在线免费观看| 国产三级黄色录像| 欧美久久黑人一区二区| 一区二区日韩欧美中文字幕| 精品欧美一区二区三区在线| 人人妻,人人澡人人爽秒播| 高清毛片免费观看视频网站 | 国产精品日韩av在线免费观看 | 午夜两性在线视频| 亚洲国产精品一区二区三区在线| 99久久99久久久精品蜜桃| 日韩欧美三级三区| 免费av中文字幕在线| 人人妻,人人澡人人爽秒播| 午夜免费激情av| 欧美乱色亚洲激情| 嫩草影院精品99| 亚洲在线自拍视频| 国产一卡二卡三卡精品| 精品午夜福利视频在线观看一区| 91成人精品电影| 国产色视频综合| 国产精品国产高清国产av| 午夜福利免费观看在线| 精品第一国产精品| 免费av毛片视频| 色婷婷av一区二区三区视频| 99久久久亚洲精品蜜臀av| av超薄肉色丝袜交足视频| 亚洲伊人色综图| 99国产综合亚洲精品| 我的亚洲天堂| 久久狼人影院| 中出人妻视频一区二区| 亚洲美女黄片视频| 国产精品美女特级片免费视频播放器 | 日本欧美视频一区| 亚洲av日韩精品久久久久久密| 女人精品久久久久毛片| 日韩精品青青久久久久久| 嫁个100分男人电影在线观看| 国产精品乱码一区二三区的特点 | 三级毛片av免费| 成人特级黄色片久久久久久久| 午夜亚洲福利在线播放| 一本综合久久免费| 欧美日本中文国产一区发布| 亚洲免费av在线视频| 欧美激情久久久久久爽电影 | 亚洲国产毛片av蜜桃av| 久久久久久久精品吃奶| 国产人伦9x9x在线观看| 欧美一区二区精品小视频在线| 国产一区二区三区在线臀色熟女 | 国产xxxxx性猛交| 一级片免费观看大全| 日韩大尺度精品在线看网址 | 亚洲片人在线观看| 欧美成狂野欧美在线观看| 麻豆一二三区av精品| 精品久久久久久,| 色精品久久人妻99蜜桃| 黑人欧美特级aaaaaa片| 成人国产一区最新在线观看| 香蕉丝袜av| 精品午夜福利视频在线观看一区| 少妇 在线观看| 日本黄色日本黄色录像| aaaaa片日本免费| a级毛片黄视频| 欧美黄色片欧美黄色片| 成年人黄色毛片网站| netflix在线观看网站| 国产亚洲精品第一综合不卡| 电影成人av| 国产成人av激情在线播放| 亚洲av成人不卡在线观看播放网| 国产亚洲精品久久久久5区| 国产成人啪精品午夜网站| 少妇 在线观看| a级片在线免费高清观看视频| 在线观看免费午夜福利视频| 超碰成人久久| 在线免费观看的www视频| 精品国产一区二区久久| 国产精品国产高清国产av| 中文字幕人妻丝袜一区二区| 老司机午夜十八禁免费视频| 亚洲av五月六月丁香网| 亚洲熟妇中文字幕五十中出 | 成人国产一区最新在线观看| 黄频高清免费视频| 成人影院久久| 老汉色∧v一级毛片| 日韩大码丰满熟妇| 亚洲成人免费电影在线观看| 男人的好看免费观看在线视频 | 国产国语露脸激情在线看| 丝袜在线中文字幕| 午夜免费激情av| 亚洲精品一卡2卡三卡4卡5卡| 高清黄色对白视频在线免费看| 又黄又粗又硬又大视频| 亚洲欧美一区二区三区黑人| 久久久久国产精品人妻aⅴ院| 少妇裸体淫交视频免费看高清 | 女生性感内裤真人,穿戴方法视频| 久久国产精品人妻蜜桃| 男女床上黄色一级片免费看| 怎么达到女性高潮| 久久香蕉国产精品| 丝袜美足系列| 视频区欧美日本亚洲| 中文字幕av电影在线播放| 日本黄色日本黄色录像| 国产精品野战在线观看 | 久久精品亚洲精品国产色婷小说| 俄罗斯特黄特色一大片| av电影中文网址| 极品教师在线免费播放| 一本大道久久a久久精品| av在线天堂中文字幕 | 亚洲精品美女久久av网站| 黄色a级毛片大全视频| 88av欧美| 窝窝影院91人妻| 啦啦啦 在线观看视频| 日韩大尺度精品在线看网址 | 69精品国产乱码久久久| 老熟妇仑乱视频hdxx| 99精品久久久久人妻精品| 亚洲国产欧美日韩在线播放| bbb黄色大片| 亚洲 国产 在线| 黄色片一级片一级黄色片| 老熟妇仑乱视频hdxx| av福利片在线| 久久人人97超碰香蕉20202| 国产国语露脸激情在线看| 好男人电影高清在线观看| 国产成人av教育| 嫩草影视91久久| 免费在线观看黄色视频的| 男人舔女人的私密视频| 久久这里只有精品19| 乱人伦中国视频| 97超级碰碰碰精品色视频在线观看| 亚洲精品在线观看二区| 久久精品国产99精品国产亚洲性色 | 午夜福利影视在线免费观看| 免费高清视频大片| 大码成人一级视频| 色哟哟哟哟哟哟| 国产精品久久久久久人妻精品电影| 久久 成人 亚洲| 久久精品国产亚洲av香蕉五月| 日韩大码丰满熟妇| 不卡av一区二区三区| 亚洲精品中文字幕一二三四区| www日本在线高清视频| 亚洲国产精品一区二区三区在线| 国产精品98久久久久久宅男小说| 1024视频免费在线观看| 999久久久精品免费观看国产| 后天国语完整版免费观看| 女人被躁到高潮嗷嗷叫费观| 99久久国产精品久久久| 久久国产乱子伦精品免费另类| 少妇的丰满在线观看| 天天躁狠狠躁夜夜躁狠狠躁| av福利片在线| 一级a爱视频在线免费观看| 成人亚洲精品一区在线观看| 法律面前人人平等表现在哪些方面| 黑人巨大精品欧美一区二区蜜桃| 男人的好看免费观看在线视频 | 嫩草影视91久久| a级毛片在线看网站| 好看av亚洲va欧美ⅴa在| 9191精品国产免费久久| 亚洲精品美女久久久久99蜜臀| 丰满迷人的少妇在线观看| 两个人免费观看高清视频| 极品人妻少妇av视频| 99久久久亚洲精品蜜臀av| 久久精品91无色码中文字幕| 中文字幕精品免费在线观看视频| 成在线人永久免费视频| 久久久久久久久中文| 亚洲精品国产精品久久久不卡| 高清在线国产一区| 在线观看免费视频网站a站| 久久精品国产99精品国产亚洲性色 | 午夜老司机福利片| 国产乱人伦免费视频| 亚洲精品美女久久av网站| 国产精品久久电影中文字幕| 男人舔女人的私密视频| 国产精品成人在线| 成人国产一区最新在线观看| 中出人妻视频一区二区| 亚洲视频免费观看视频| 高潮久久久久久久久久久不卡| 国产亚洲欧美在线一区二区| 欧美人与性动交α欧美软件| 色精品久久人妻99蜜桃| 免费在线观看影片大全网站| 夜夜夜夜夜久久久久| 成人三级黄色视频| 色尼玛亚洲综合影院| 男女下面进入的视频免费午夜 | 午夜两性在线视频| 中文字幕人妻丝袜制服| 一级毛片高清免费大全| 日韩欧美一区二区三区在线观看| 性少妇av在线| 999精品在线视频| 十八禁人妻一区二区| 两性午夜刺激爽爽歪歪视频在线观看 | 精品国产一区二区三区四区第35| 亚洲精品一二三| 97超级碰碰碰精品色视频在线观看| 久久国产乱子伦精品免费另类| 欧美另类亚洲清纯唯美| 在线免费观看的www视频| 中文字幕av电影在线播放| 久久中文字幕人妻熟女| 9热在线视频观看99| 久久精品亚洲av国产电影网| 99久久人妻综合| 精品午夜福利视频在线观看一区| 亚洲,欧美精品.| 91精品国产国语对白视频| 少妇裸体淫交视频免费看高清 | 国产一区二区三区在线臀色熟女 | 久久午夜亚洲精品久久| 亚洲av成人不卡在线观看播放网| 一级片'在线观看视频| 国产欧美日韩一区二区三| 99精品在免费线老司机午夜| 午夜亚洲福利在线播放| 一边摸一边做爽爽视频免费| 午夜老司机福利片| 在线观看免费视频网站a站| 精品久久久久久久久久免费视频 | 久久久久久久久免费视频了| 久久久国产精品麻豆| 欧美精品啪啪一区二区三区| 成人手机av| 婷婷精品国产亚洲av在线| 熟女少妇亚洲综合色aaa.| 深夜精品福利| 久久精品国产综合久久久| 久久亚洲真实| 黄色 视频免费看| 亚洲一区高清亚洲精品| 国产精品久久久人人做人人爽| 丰满人妻熟妇乱又伦精品不卡| 久久精品国产亚洲av香蕉五月| 亚洲国产中文字幕在线视频| 一a级毛片在线观看| 成人国语在线视频| 91成人精品电影| 国产精品亚洲av一区麻豆| 精品人妻1区二区| 69精品国产乱码久久久| 成人特级黄色片久久久久久久| 麻豆av在线久日| 在线观看66精品国产| 在线观看日韩欧美| 日本欧美视频一区| 黄色a级毛片大全视频| 丝袜美腿诱惑在线| 亚洲精品成人av观看孕妇| 在线观看免费午夜福利视频| 久久狼人影院| 啦啦啦在线免费观看视频4| 日本a在线网址| 天堂俺去俺来也www色官网| 极品人妻少妇av视频| 午夜福利一区二区在线看| 91精品国产国语对白视频| 男女下面插进去视频免费观看| 999精品在线视频| 国产成人欧美在线观看| 岛国视频午夜一区免费看| 香蕉久久夜色| 国产精品偷伦视频观看了| 免费看a级黄色片| 国产av一区在线观看免费| 成人免费观看视频高清| 777久久人妻少妇嫩草av网站| 精品熟女少妇八av免费久了| avwww免费| 亚洲 欧美一区二区三区| 亚洲精品中文字幕一二三四区| 妹子高潮喷水视频| 老司机午夜福利在线观看视频| 美女高潮喷水抽搐中文字幕| 欧美人与性动交α欧美软件| 香蕉国产在线看| 国产精品久久久av美女十八| 国产在线精品亚洲第一网站| 黄频高清免费视频| 麻豆久久精品国产亚洲av | 一进一出好大好爽视频| 国产成人精品久久二区二区免费| 久久精品91无色码中文字幕| 国产精品影院久久| 久久影院123| 国内毛片毛片毛片毛片毛片| 精品国产超薄肉色丝袜足j| 欧美中文日本在线观看视频| 国产精品一区二区三区四区久久 | 国产精品国产av在线观看| 中文字幕最新亚洲高清| 黄片小视频在线播放| 国产99久久九九免费精品| 国产免费现黄频在线看| 亚洲国产欧美网| 天天添夜夜摸| 咕卡用的链子| 性色av乱码一区二区三区2| 国产乱人伦免费视频| 黄色片一级片一级黄色片| 国产av一区二区精品久久| 亚洲午夜理论影院| 大香蕉久久成人网| 一级a爱片免费观看的视频| 精品国内亚洲2022精品成人| 夜夜爽天天搞| 韩国精品一区二区三区| 天堂影院成人在线观看| 中文字幕人妻丝袜制服| 亚洲国产欧美日韩在线播放| 亚洲国产中文字幕在线视频| 国产成人精品在线电影| 国产亚洲精品久久久久久毛片| 十分钟在线观看高清视频www| 亚洲成av片中文字幕在线观看| 757午夜福利合集在线观看| 久99久视频精品免费| 国产精品久久久人人做人人爽| 欧美乱码精品一区二区三区| 午夜精品在线福利| 国产xxxxx性猛交| 91精品国产国语对白视频| 久久精品成人免费网站| 精品久久久久久,| 看免费av毛片| 老鸭窝网址在线观看| 日韩欧美国产一区二区入口| 久久国产精品人妻蜜桃| 亚洲国产精品一区二区三区在线| 天天躁夜夜躁狠狠躁躁| 国产精品一区二区在线不卡| 精品免费久久久久久久清纯| 三上悠亚av全集在线观看| 男女高潮啪啪啪动态图| 欧美激情高清一区二区三区| 少妇粗大呻吟视频| 精品久久蜜臀av无| 久久亚洲精品不卡| 亚洲欧美日韩高清在线视频| 女性被躁到高潮视频| 精品国产一区二区久久| 欧美日本亚洲视频在线播放| 精品欧美一区二区三区在线| 在线观看一区二区三区| 最近最新中文字幕大全电影3 | 久久 成人 亚洲| 日韩高清综合在线| 国产又爽黄色视频| 男男h啪啪无遮挡| 一区二区三区精品91| 一a级毛片在线观看| 91在线观看av| 嫁个100分男人电影在线观看| 精品电影一区二区在线| 久久草成人影院| 国产精品久久久久成人av| 天天添夜夜摸| 日韩精品中文字幕看吧| 18禁裸乳无遮挡免费网站照片 | 欧美日韩中文字幕国产精品一区二区三区 | 日韩av在线大香蕉| 精品国产亚洲在线| 成人黄色视频免费在线看|