• <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 ?

    融合詞匯特征的生成式摘要模型

    2019-06-11 08:27江躍華丁磊李嬌娥杜皓晅高凱
    關(guān)鍵詞:注意力機(jī)制自然語言處理

    江躍華 丁磊 李嬌娥 杜皓晅 高凱

    摘要:為了能在摘要生成過程中利用詞匯特征(包含n-gram和詞性信息)識別更多重點(diǎn)詞匯內(nèi)容,進(jìn)一步提高摘要生成質(zhì)量,提出了一種基于sequence-to-sequence(Seq2Seq)結(jié)構(gòu)和attention機(jī)制的、融合了詞匯特征的生成式摘要算法。算法的輸入層將詞性向量與詞向量合并后作為編碼器層的輸入,編碼器層由雙向LSTM組成,上下文向量由編碼器的輸出和卷積神經(jīng)網(wǎng)絡(luò)提取的詞匯特征向量構(gòu)成。模型中的卷積神經(jīng)網(wǎng)絡(luò)層控制詞匯信息,雙向LSTM控制句子信息,解碼器層使用單向LSTM為上下文向量解碼并生成摘要。實(shí)驗(yàn)結(jié)果顯示,在公開數(shù)據(jù)集和自采數(shù)據(jù)集上,融合詞匯特征的摘要生成模型性能優(yōu)于對比模型,在公開數(shù)據(jù)集上的ROUGE-1,ROUGE-2,ROUGE-L分?jǐn)?shù)分別提升了0.024,0.033,0.030。因此,摘要的生成不僅與文章的語義、主題等特征相關(guān),也與詞匯特征相關(guān),所提出的模型在融合關(guān)鍵信息的生成式摘要研究中具有一定的參考價值。

    關(guān)鍵詞:自然語言處理;文本摘要;注意力機(jī)制;LSTM;CNN

    中圖分類號:TP319文獻(xiàn)標(biāo)志碼:A

    Abstract: In order to use lexical features (including n-gram and part of speech information) to identify more key vocabulary content in the summarization generation process to further improve the quality of the summarization, an algorithm based on sequence-to-sequence (Seq2Seq) structure and attention mechanism and combining lexical features is proposed. The input layer of the algorithm combines the part of speech vector with the word vector, which is the input of the encoder layer. The encoder layer is composed of bi-directional LSTM, and the context vector is composed of the output of the encoder and the lexical feature vector extracted from the convolution neural network. The convolutional neural network layer in the model controls the lexical information, the bi-directional LSTM controls the sentence information, and the decoder layer uses unidirectional LSTM to decode the context vector and generates the summarization. The experiments on public dataset and the self-collected dataset show that the performance of the summarization generation model considering lexical feature is better than that of the contrast model. The ROUGE-1, ROUGE-2 and ROUGE-L scores on the public dataset are improved by 0.024, 0.033 and 0.030, respectively. Therefore, the generation of summarization is not only related to the semantics and themes of the article, but also to the lexical features.The proposed model provides a certain reference value in the research of generating summarization of integrating key infromation.

    Keywords:natural language processing; text summarization; attention mechanism; LSTM; CNN

    近年來,由于互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展以及用戶規(guī)模的爆發(fā)式增長,互聯(lián)網(wǎng)的數(shù)據(jù)呈現(xiàn)指數(shù)級增長。文本是目前形式多樣的信息數(shù)據(jù)中最主要的存在形式。如何能從海量的文本數(shù)據(jù)中挖掘出重要而且是用戶關(guān)心的話題和信息,對于提升閱讀效率、消化海量信息是非常有幫助的。文本摘要是文本信息自動抽取的主要任務(wù)之一,它追求以更加精簡、精確的方式,用少量文本盡可能地表述原文含義。按照產(chǎn)生方式的不同,文本自動摘要可分為抽取式和生成式摘要。其中,抽取式摘要主要是指從原文中抽取出和文章主題相關(guān)的內(nèi)容,在不超過一定字?jǐn)?shù)的限制下,盡可能地讓抽取的句子覆蓋到原文所有含義,并按順序排列生成一段摘要文本;生成式摘要則是通過讓模型學(xué)習(xí)原文中所表達(dá)的含義,推斷所需要生成的摘要內(nèi)容,由模型自動生成一段摘要文本。根據(jù)任務(wù)的不同,文本摘要也可分單文檔摘要和多文檔摘要。通常,人們在閱讀文章時,一方面要保留句子的大部分信息,另一方面要關(guān)注句子中重要的詞匯信息。在生成摘要時,應(yīng)對原文中的短語按照詞性做不同的處理,例如對名詞、動詞等有實(shí)際意義的詞匯信息,在生成摘要時保留信息;對于介詞、虛詞等無明顯含義的詞匯應(yīng)保留較少的信息。

    在Seq2Seq框架和attention機(jī)制的基礎(chǔ)之上提出了使用卷積神經(jīng)網(wǎng)絡(luò)提取詞匯特征,并將其融合在上下文中的方法,對原文的詞匯特征進(jìn)行提取,并和基礎(chǔ)框架所提取的句子特征一起構(gòu)成上下文特征矩陣,目的在于使用上下文信息時既要保留文本的序列信息,同時也要保留重點(diǎn)詞匯特征信息。

    1相關(guān)工作

    在生成單文檔摘要時,可通過深度學(xué)習(xí)的方式實(shí)現(xiàn),即使用大規(guī)模的數(shù)據(jù)集,以數(shù)據(jù)驅(qū)動的方式訓(xùn)練神經(jīng)網(wǎng)絡(luò),學(xué)習(xí)原文淺層語義并生成摘要。在相關(guān)工作中,RUSH等[1]和CHOPRA等[2]使用Seq2Seq框架,在編碼器端給定輸入的句子,在解碼器端輸出摘要的每個詞,并以局部注意力機(jī)制提升效果。NALLAPATI等[3]融入傳統(tǒng)的TF-IDF,POS、命名實(shí)體等特征來提升效果,引入Pointer解決未知詞和低頻詞。HU等[4]提供了一個新的中文短文本摘要數(shù)據(jù)集(數(shù)據(jù)來源為新浪微博),并根據(jù)正文和摘要之間的相關(guān)性進(jìn)行了人工評分。YAO等[5]總結(jié)了近幾年文本摘要領(lǐng)域的新方法,從抽取式和生成式、單文檔和多文檔這幾方面進(jìn)行評價,包括數(shù)據(jù)集和評價方法等。摘要生成時,其輸出句子的長度較難把控,為解決這個問題,KIKUCHI等[6]提出在解碼器端,將原摘要的長度信息輸入到LSTM中進(jìn)行控制,取得了較好的結(jié)果。ZENG 等[7]考慮到人工編寫摘要時通常需要先對全文內(nèi)容通讀以了解文章主題,提出將全文信息通過RNN編碼為一個向量,再進(jìn)行解碼。SEE等[8]通過在輸出端對下一個詞的生成或復(fù)制的概率進(jìn)行預(yù)測,解決OOV(out-of-vocabulary)和低頻詞的問題。GEHRING等[9]將編碼器和解碼器用卷積神經(jīng)網(wǎng)絡(luò)替代,達(dá)到了接近state-of-the-art的表現(xiàn)。CHANG等[10]在生成中文摘要時,當(dāng)編碼器輸入詞時可使模型獲得較多的信息,解碼器輸出字時可壓縮并精簡文章的內(nèi)容。MA等[11]在訓(xùn)練時將摘要內(nèi)容進(jìn)行自編碼,監(jiān)督生成的原始內(nèi)容編碼,使編碼器生成的內(nèi)容更加接近參考摘要。PAULUS等[12]提出內(nèi)注意力機(jī)制解決重復(fù)詞語的問題,訓(xùn)練方法中融合了監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)以提升效果。WANG等[13]以convolutional sequence to sequence(ConvS2S)為基礎(chǔ),將主題信息融入其中,使用強(qiáng)化學(xué)習(xí)訓(xùn)練方法優(yōu)化。FAN等[14]根據(jù)用戶寫作摘要的風(fēng)格,包括摘要長度、用詞等特征生成摘要。GAO等[15]提出了讀者感知生成摘要的任務(wù),設(shè)計(jì)了一個名為讀者感知摘要生成器(RASG)的對抗性學(xué)習(xí)模型,將讀者的評論納入生成式摘要。針對PECH(產(chǎn)品感知答案生成)任務(wù),GAO等[16]設(shè)計(jì)了一種基于對抗性學(xué)習(xí)的模型PAAG,提出一種基于注意力機(jī)制的閱讀審查方式,用來捕獲給定的問題中與評論相關(guān)度最高的詞語。

    和上述工作不同的是,筆者提出基于Seq2Seq的框架,在上下文特征中加入由卷積神經(jīng)網(wǎng)絡(luò)提取的詞匯特征,根據(jù)詞性信息判斷詞匯的重要性,進(jìn)而保留文章的重點(diǎn)內(nèi)容,完成文本摘要的生成。

    2融合詞匯特征模型

    以Seq2Seq為基礎(chǔ)框架模型,結(jié)構(gòu)如圖1所示。在輸入層,使用詞性向量和詞向量進(jìn)行疊加,構(gòu)成整個網(wǎng)絡(luò)的輸入向量。在編碼器端,分為2部分:一部分使用雙向LSTM[17]模型,對分詞后的源文本內(nèi)容進(jìn)行句子級別的淺層表征學(xué)習(xí);另一部分使用卷積神經(jīng)網(wǎng)絡(luò)對所有詞匯提取n-gram和詞性特征,最后將2部分學(xué)習(xí)到的特征矩陣融合在一起,構(gòu)成上下文向量。在輸出摘要時使用單向的LSTM,每個時間步都需要對上下文特征矩陣進(jìn)行注意力權(quán)重的分配,進(jìn)而生成詞匯。

    2.1構(gòu)建輸入層向量

    融合短語特征的自動摘要模型的輸入由2部分構(gòu)成,第1部分將分詞后的源文本轉(zhuǎn)換成詞向量,使用xw={xw1,xw2,…,xwn}來表示;第2部分將源文本的詞性轉(zhuǎn)換為向量,用xp={xp1,xp2,…,xpn}表示,其中n表示輸入詞性的索引。最后,對輸入序列的詞向量和詞性向量連接,得到帶有詞性特征的輸入向量wp,如式(1)所示。wpn=∑ni=1[xwi;xpi]。 ????????????????????????????(1)2.2Seq2Seq模型

    編碼器使用雙向LSTM模型,輸入的是帶有詞性特征的向量,通常將編碼器所有輸出的隱藏狀態(tài)作為原始句子的淺層語義表示,在解碼器端對該向量進(jìn)行解碼。由于模型所使用的是雙向LSTM,每個時間步都接收來自前一時刻或后一時刻的隱層狀態(tài),所以在每個時間步需要對前向和后向的各個隱層狀態(tài)向量進(jìn)行連接,得到包含前后語義的隱藏狀態(tài)。式(2)中t,t+1表示后一時刻的隱層向量,式(3)中t,t-1表示前一時刻的隱層向量,式(4)中t表示當(dāng)前時刻融合前向和后向的隱層向量,對于解碼器同樣使用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行解碼。t,t=LSTM(wpi,t+1,t+1),(2)

    t,t=LSTM(wpi,t-1,t-1),(3)

    t=[t:t]。(4)式(5)中st表示解碼器端的隱藏向量,ct表示LSTM中的狀態(tài)向量。式(6)中yt表示每個時間步輸出的摘要序列詞匯。st=LSTM(ct,yt-1,st-1),(5)

    yt=softmag(g[ct;st])。(6)2.3融合詞匯特征

    借鑒LIN 等[18]的工作內(nèi)容,依據(jù)其設(shè)定的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),卷積核的大小依次設(shè)定為k=1,k=3,使卷積神經(jīng)網(wǎng)絡(luò)能提取詞匯的n-gram的特征。在卷積層,將包含詞性的詞性序列作為基本單位輸入到網(wǎng)絡(luò)中,使用多個與輸入向量維度相一致的卷積單元學(xué)習(xí)詞匯特征。假設(shè)整個輸入序列的長度為n,對于每個卷積單元,經(jīng)過一次卷積后,生成與輸入矩陣大小相同的特征矩陣,最后將多個卷積結(jié)果和編碼器的隱層狀態(tài)連接,使用全連接層學(xué)習(xí)多種特征融合。h=(W[g1,g2,g3,]+b)。(7)式(7)中h為最終的編碼器隱層向量,維度為m×n,m代表輸入向量的維度,n表示輸入序列的長度,其中g(shù)1,g2,g3表示由卷積層輸出的特征矩陣。表示激活函數(shù)GLU[19]。得到融合詞匯特征和句子特征的隱層向量后,引入注意力機(jī)制[20]來捕獲輸出內(nèi)容與上下文向量的關(guān)聯(lián)程度。ct=∑Ni=1αtihi, ???????????????????????????????(8)

    αt=exp(eij)∑Tk=1exp(eik),(9)

    eij=α(si-1,hj)。(10)式(8)—式(10)中,ct表示當(dāng)前時刻的上下文向量,eij表示解碼器端隱層狀態(tài)st-1和編碼器隱層狀態(tài)hj之間的相關(guān)系數(shù)。當(dāng)輸出摘要時,需要將得到上下文的向量ct輸入到解碼器的LSTM單元中。

    2.4損失函數(shù)

    本文訓(xùn)練的模型采用反向傳播方式,目標(biāo)函數(shù)(代價函數(shù))為交叉熵代價函數(shù),將yt作為輸出生成的摘要詞匯,X為源文本輸入序列,模型訓(xùn)練的目標(biāo)是在給定輸入語句的情況下最大化每個輸出摘要詞的概率。式(11)中k表示同一個訓(xùn)練批次句子的索引,t表示句中輸入詞匯的索引。Δ=-1N∑Nk=1∑Tt=1log[p(y(k)t|y(k)

    3實(shí)驗(yàn)

    3.1數(shù)據(jù)集描述

    本文模型所使用的第一個數(shù)據(jù)集是大規(guī)模的中文短文本摘要數(shù)據(jù)集LCSTS[4],主要是收集自新浪微博的內(nèi)容,總共包含超過240多萬條摘要文本內(nèi)容。每對摘要文本中,其原始內(nèi)容少于140個字,摘要則由人工編寫。數(shù)據(jù)集共分為3部分,第1部分約240萬對,第2部分約1萬對,第3部分約1千對,其中第2部分和第3部分由人工方式對標(biāo)題和正文之間的相關(guān)度按照1至5進(jìn)行評分,得分越高相關(guān)度越高。按照HU等[4]的工作內(nèi)容,將數(shù)據(jù)集分割為訓(xùn)練集、驗(yàn)證集和測試集。另外,還使用第2個數(shù)據(jù)集,以人工方式收集并整理20條微博內(nèi)容供模型測試使用,參考摘要和原文內(nèi)容的抽取方式與LCSTS[4]數(shù)據(jù)集的抽取方式相同。

    3.2實(shí)驗(yàn)參數(shù)設(shè)置

    模型中詞向量的維度為512,詞性向量的維度為50,經(jīng)過網(wǎng)絡(luò)合并輸出后的特征維度為562。以每64個樣本為一個批次的方式進(jìn)行模型訓(xùn)練,設(shè)置Adam[21]的學(xué)習(xí)率為 0.001,設(shè)置代價函數(shù)的懲罰項(xiàng)為0.001。同時設(shè)置編碼器的LSTM神經(jīng)網(wǎng)絡(luò)層數(shù)為3層,解碼器的LSTM神經(jīng)網(wǎng)絡(luò)為1層,每個卷積層的輸出維度與輸入向量維度保持一致。該摘要生成模型運(yùn)行在Ubuntu 16.04系統(tǒng),運(yùn)行環(huán)境為PyTorch0.4和NVIDIA GTX 1080ti顯卡。

    3.3評價指標(biāo)設(shè)定

    實(shí)驗(yàn)借鑒RUSH等[1]的工作內(nèi)容,使用自動文本摘要的相關(guān)評測標(biāo)準(zhǔn)ROUGE[22]。該評測方法基于生成摘要和參考摘要中n-gram的共現(xiàn)信息來評價摘要質(zhì)量,現(xiàn)在被廣泛應(yīng)用于DUC評測任務(wù)。評測標(biāo)準(zhǔn)包括ROUGE-N,ROUGE-L等。其中N表示N元詞,而L表示最長公共序列。ROUGE-N的計(jì)算方式為ROUGE-N=∑S∈sumref∑gramn∈Scountmatch(gramn)∑S∈sumref∑gramn∈Scount(gramn),(12)式中:sumref表示參考摘要;countmatch(gramn)表示由模型生成的摘要和標(biāo)準(zhǔn)參考摘要中共同出現(xiàn)的n元詞個數(shù),count(gramn)則表示標(biāo)準(zhǔn)參考摘要中出現(xiàn)n元詞的個數(shù)。ROUGE-L表示模型生成摘要與標(biāo)準(zhǔn)參考摘要之間,最長的公共序列長度與參考摘要長度之間的比值。ROUGE-L相比于ROUGE-N考慮了摘要中詞語的次序,評價更為合理。

    4實(shí)驗(yàn)結(jié)果及分析

    本文所使用的對比模型是RNN[14]和RNN content[14]。其中,RNN content使用了上下文向量Content,將所有的編碼器輸出作為解碼器的輸入;RNN(W)使用的是jieba分詞后的文本進(jìn)行訓(xùn)練;RNN(C)使用基于詞的方法訓(xùn)練模型。Seq2Seq是本文所實(shí)現(xiàn)的基于Seq2Seq并結(jié)合注意力機(jī)制的模型,其編碼器和解碼器使用的分別為雙向LSTM和單向LSTM。

    表1給出的是不同模型的ROUGE測度值。本文所提出的融合詞匯特征的摘要生成模型與其他4種模型相比,性能有所提升。從表1中可以看出,使用雙向LSTM作為解碼器的Seq2Seq模型,要比單向的RNN作為編碼器的模型在ROUGE-1,ROUGE-2和ROUGE-L上分別提升0.013,0.020,0.019,說明使用雙向LSTM更能捕捉文章特征信息。融合詞匯特征的模型(HN)在基于Seq2Seq框架的基礎(chǔ)上,增加詞匯特征的融合要比不使用詞匯特征的模型在ROUGE-1,ROUGE-2和ROUGE-L上的指標(biāo)均有所提升。實(shí)驗(yàn)效果證明融合詞匯特征的模型比無詞匯特征的模型效果要更好一些。

    這里給出另一組與圖2中的實(shí)驗(yàn)結(jié)果樣例。源文本是:昨晚,南車、北車陸續(xù)發(fā)布公告。據(jù)一財(cái)記者多方了解,公告所提到的“籌劃重大事項(xiàng)”,正是醞釀將南北車合并,合并一事由國務(wù)院要求推進(jìn),并由國務(wù)委員王勇負(fù)責(zé)督辦,而合并背后的導(dǎo)火索,是兩家公司在海外市場競相壓價的“惡性競爭”。生成的摘要內(nèi)容:避免海外惡性競爭國務(wù)委員牽頭推南北車合并。圖2縱軸代表生成的摘要內(nèi)容,橫軸代表原文內(nèi)容,由于篇幅所限,只截取具有代表性的內(nèi)容。從圖2中可以看到,在生成的摘要詞匯和原文詞匯間注意力權(quán)重的不同,如原文內(nèi)容中的“合并一事由國務(wù)院要求推進(jìn)”與摘要中的“國務(wù)委員牽頭推南北車合并”,這兩段文本間色塊的深度明顯大于其他部分,表示這兩段內(nèi)容間有較強(qiáng)的關(guān)聯(lián)性。但圖2中也有一些注意力權(quán)重未能達(dá)到預(yù)期效果,如原文中的“由國務(wù)院”的“由”字和摘要中“南北車”的“車”字相關(guān)性最高,導(dǎo)致權(quán)重分配錯誤的原因可能是因?yàn)樵谀P陀?xùn)練過程中,對一些頻繁出現(xiàn)的搭配進(jìn)行了錯誤的學(xué)習(xí),解決途徑之一是增加訓(xùn)練集,以降低某些錯誤固定搭配的比例。

    表3所示的為本文所實(shí)現(xiàn)的HN模型和Seq2Seq模型在測試集2上的ROUGE分?jǐn)?shù)。從表3中可看到HN模型生成摘要的ROUGE分?jǐn)?shù)比Seq2Seq的要更高一點(diǎn)。說明本文所實(shí)現(xiàn)的模型在其他測試集上,也比單純的結(jié)合注意力機(jī)制的Seq2Seq模型更優(yōu)。但測試集1的ROUGE分?jǐn)?shù)明顯高于測試集2上的分?jǐn)?shù),主要由于測試集2為人工收集的數(shù)據(jù)集,考慮到成本問題,只有20條,數(shù)據(jù)不具有廣泛的代表性,僅作為比較模型的優(yōu)劣程度的指標(biāo)。

    5結(jié)語

    筆者提出的融合詞匯特征的模型應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)從原文本中提取詞匯特征,采用雙向LSTM提取句子特征,然后將詞匯特征與句子特征相融合,以達(dá)到利用詞匯特征尋找文章中重點(diǎn)內(nèi)容的需求。通過與其他模型相比較,證明了融合詞匯特征的模型是有效的。

    雖然所提出的模型達(dá)到了預(yù)期效果,但仍然有較大的提升空間,首先本文的模型只是通過非線性函數(shù)融合句子特征和詞匯特征,未對詞匯特征的權(quán)重進(jìn)行進(jìn)一步優(yōu)化,以后可考慮使用多層次注意力機(jī)制,對詞匯特征進(jìn)一步提取。其次在做摘要任務(wù)時,需要考慮文章的主題信息,而且如果文章內(nèi)容較長時,在模型的訓(xùn)練過程中通常會出現(xiàn)梯度爆炸或梯度消失等問題,也不利于模型提取重要信息。未來可進(jìn)一步考慮在長文本內(nèi)容中,使用劃分文章段落和句子的層次結(jié)構(gòu)的方法縮短序列,達(dá)到分塊提取重要信息的需求,同時可加入文章主題信息作為監(jiān)督,保證模型生成的摘要和文章主題相一致。

    參考文獻(xiàn)/References:

    [1]RUSH A M, CHOPRA S, WESTON J. A neural attention model for abstractive sentence summarization[C]// Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing. Lisbon:[s.n.], 2015:379-389.

    [2]CHOPRA S, AULI M, RUSH A M. Abstractive sentence summarization with attentive recurrent neural networks[C]// Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics:Human Language Technologies. San Diego:[s.n.], 2016: 93-98.

    [3]NALLAPATI R, ZHOU B, SANTOS C N D, et al. Abstractive text summarization using sequence-to-sequence rnns and beyond[C]//Proceedings of the 20th SIGNLL Conference on Computational Natural Language Learning. Berlin:[s.n.],2016:280-290.

    [4]HU Baotian, CHEN Qingcai, ZHU Fangze. LCSTS:A large scale Chinese short text summarization dataset[C]// Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing. Lisbon:[s.n.],2015: 1967-1972.

    [5]YAO Jinge, WAN Xiaojun, XIAO Jianguo. Recent advances in document summarization[J]. Knowledge and Information Systems, 2017, 53(2): 297-336.

    [6]KIKUCHI Y, NEUBIG G, SASANO R, et al. Controlling output length in neural encoder-decoders[C]//Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing. Austin:[s.n.], 2016:1328-1338.

    [7]ZENG Wenyuan, LUO Wenjie, FIDLER S, et al. Efficient summarization with read-again and copy mechanism[C]// Proceedings of the International Conference on Learning Representations.[S.l.]:[s.n.],2017:1-13.

    [8]SEE A, LIU P J, MANNING C D. Get to the point: Summarization with pointer-generator networks[C]// Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics. [S.l.]:[s.n.],2017:1073-1083.

    [9]GEHRING J, AULI M, GRANGIER D, et al. Convolutional sequence to sequence learning[C]//Proceedings of the 34th International Conference on Machine Learning. [S.l.]:[s.n.],2017: 1243-1252.

    [10]CHANG C T, HUANG C C, HSU J Y J, et al. A hybrid word-character model for abstractive summarization[EB/OL]. https://arxiv.org/pdf/1802.09968v2.pdf, 2018-02-28.

    [11]MA Shuming, SUN Xu, LIN Junyang, et al. Autoencoder as assistant supervisor: Improving text representation for Chinese social media text summarization[C]//Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Short Papers). Melbourne:[s.n.], 2018:725-731.

    [12]PAULUS R, XIONG Caiming, SOCHER R. A deep reinforced model for abstractive summarization[C]//Proceedings of Sixth International Conference on Learning Representations. [S.l.]:[s.n.],2017:1-13.

    [13]WANG Li, YAO Junlin, TAO Yunzhe, et al. A reinforced topic-aware convolutional sequence-to-sequence model for abstractive text summarization[C]//Proceedings of the 27th International Joint Conference on Artificial Intelligence (IJCAI). [S.l.]:[s.n.], 2018: 4453-4460.

    [14]FAN A, GRANGIER D, AULI M. Controllable abstractive summarization[C]//Proceedings of the 2nd Workshop on Neural Machine Translation and Generation. Melbourne:[s.n.],2017:45-54.

    [15]GAO Shen, CHEN Xiuying, LI Piji, et al. Abstractive text summarization by incorporating reader comments[EB/OL]. https://arxiv.org/pdf/1812.05407v1.pdf, 2018-12-13.

    [16]GAO Shen, CHEN Xiuying, LI Piji,et al. Product-aware answer generation in e-commerce question-answering[C]//Proceedings of the 12th ACM International Conference on Web Search and Data Mining.[S.l.]:[s.n.],2019:07696.

    [17]HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

    [18]LIN Junyang, SUN Xu, MA Shuming, et al. Global encoding for abstractive summarization[C]//Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics(Short Papers). Melbourne:[s.n.], 2018:163-169.

    [19]DAUPHIN Y N, FAN A, AULI M, et al. Language modeling with gated convolutional networks[C]//Proceedings of the 34th International Conference on Machine Learning. Sydney:[s.n.], 2017: 933-941.

    [20]BAHDANAU D, CHO K, BENGIO Y. Neural machine translation by jointly learning to align and translate[C]// Proceedings of International Conference on Learning Representations.San Diego:[s.n.], 2015:14090473V6.

    [21]KINGMA D P, BA J L. Adam: A method for stochastic optimization[C]//Proceedings of International Conference on Learning Representations.San Diego:[s.n.], 2015:1412.6980V9.

    [22]LIN C Y, HOVY E. Automatic evaluation of summaries using N-gram co-occurrence statistics[C]//Proceedings of the 2003 Conference of the North American Chapter of the Association for Computational Linguistics on Human Language Technology.Stroudsburg:[s.n.], 2003:71-78.第40卷第2期河北科技大學(xué)學(xué)報(bào)Vol.40,No.2

    2019年4月Journal of Hebei University of Science and TechnologyApr. 2019

    猜你喜歡
    注意力機(jī)制自然語言處理
    基于深度學(xué)習(xí)的問題回答技術(shù)研究
    基于LSTM?Attention神經(jīng)網(wǎng)絡(luò)的文本特征提取方法
    基于注意力機(jī)制的雙向LSTM模型在中文商品評論情感分類中的研究
    InsunKBQA:一個基于知識庫的問答系統(tǒng)
    基于組合分類算法的源代碼注釋質(zhì)量評估方法
    面向機(jī)器人導(dǎo)航的漢語路徑自然語言組塊分析方法研究
    漢哈機(jī)器翻譯中的文字轉(zhuǎn)換技術(shù)研究
    HowNet在自然語言處理領(lǐng)域的研究現(xiàn)狀與分析
    老司机在亚洲福利影院| 黑丝袜美女国产一区| 亚洲黑人精品在线| 国产男女内射视频| 欧美性长视频在线观看| 少妇精品久久久久久久| 视频区欧美日本亚洲| 桃红色精品国产亚洲av| svipshipincom国产片| 色播在线永久视频| 亚洲伊人色综图| 91精品三级在线观看| 51午夜福利影视在线观看| 亚洲熟女精品中文字幕| 精品国产一区二区久久| 久久久久精品国产欧美久久久 | 天天添夜夜摸| 精品国产乱码久久久久久男人| 日韩,欧美,国产一区二区三区| www.av在线官网国产| 久久人妻福利社区极品人妻图片| 国产黄频视频在线观看| 狂野欧美激情性xxxx| 成人影院久久| 高清在线国产一区| 正在播放国产对白刺激| 欧美乱码精品一区二区三区| 妹子高潮喷水视频| 国产视频一区二区在线看| 国产成人欧美| 免费少妇av软件| 国产在线免费精品| 电影成人av| 美女主播在线视频| 自拍欧美九色日韩亚洲蝌蚪91| 久久影院123| 国产成人a∨麻豆精品| 亚洲一区中文字幕在线| 久久精品国产a三级三级三级| 丝袜喷水一区| 亚洲精品美女久久久久99蜜臀| 人人妻人人澡人人爽人人夜夜| 亚洲国产精品一区二区三区在线| 中文字幕人妻熟女乱码| 男女高潮啪啪啪动态图| 亚洲精品国产av成人精品| 少妇 在线观看| 亚洲伊人色综图| 国产亚洲精品第一综合不卡| 最近最新中文字幕大全免费视频| 一区二区av电影网| 一级毛片电影观看| 亚洲三区欧美一区| 国产xxxxx性猛交| 中文字幕人妻丝袜一区二区| 两性夫妻黄色片| 可以免费在线观看a视频的电影网站| 亚洲国产精品一区三区| 岛国在线观看网站| 啦啦啦啦在线视频资源| 两个人免费观看高清视频| 国产欧美日韩精品亚洲av| 欧美激情高清一区二区三区| 超色免费av| 一级毛片电影观看| 夜夜骑夜夜射夜夜干| 午夜两性在线视频| 日韩视频在线欧美| www.av在线官网国产| 亚洲精品中文字幕一二三四区 | 操出白浆在线播放| www.精华液| 亚洲色图综合在线观看| 国产精品1区2区在线观看. | 日韩一区二区三区影片| 老司机午夜十八禁免费视频| 韩国精品一区二区三区| 不卡一级毛片| 国产亚洲欧美精品永久| 热99re8久久精品国产| cao死你这个sao货| 日本五十路高清| 国产一级毛片在线| 黄网站色视频无遮挡免费观看| 两个人看的免费小视频| 国产精品免费大片| 亚洲精品国产一区二区精华液| 国产精品亚洲av一区麻豆| 首页视频小说图片口味搜索| 国产免费福利视频在线观看| 国产精品偷伦视频观看了| 少妇的丰满在线观看| svipshipincom国产片| 一边摸一边做爽爽视频免费| 黄色 视频免费看| 男人添女人高潮全过程视频| 亚洲国产毛片av蜜桃av| 91精品三级在线观看| av福利片在线| 91老司机精品| 在线 av 中文字幕| 国产成人系列免费观看| 男女无遮挡免费网站观看| 久久天躁狠狠躁夜夜2o2o| 少妇人妻久久综合中文| av在线播放精品| 91精品伊人久久大香线蕉| 少妇 在线观看| 精品亚洲乱码少妇综合久久| 亚洲国产精品一区二区三区在线| 一本—道久久a久久精品蜜桃钙片| 午夜免费鲁丝| 麻豆乱淫一区二区| 一二三四社区在线视频社区8| 99国产精品一区二区蜜桃av | 一边摸一边抽搐一进一出视频| 999久久久国产精品视频| 考比视频在线观看| 亚洲一码二码三码区别大吗| 99热网站在线观看| 高清欧美精品videossex| 日韩制服丝袜自拍偷拍| a级片在线免费高清观看视频| 成年美女黄网站色视频大全免费| 精品国产一区二区久久| 日韩 亚洲 欧美在线| 涩涩av久久男人的天堂| 国产亚洲欧美在线一区二区| 亚洲精品自拍成人| 久久人人爽av亚洲精品天堂| 亚洲欧美激情在线| 国产主播在线观看一区二区| 免费观看av网站的网址| 各种免费的搞黄视频| 精品欧美一区二区三区在线| 天天躁日日躁夜夜躁夜夜| 日日爽夜夜爽网站| 老汉色∧v一级毛片| 国产在线一区二区三区精| 中文字幕另类日韩欧美亚洲嫩草| 亚洲熟女精品中文字幕| 亚洲av电影在线观看一区二区三区| 王馨瑶露胸无遮挡在线观看| 国产av一区二区精品久久| 叶爱在线成人免费视频播放| 99热网站在线观看| 我要看黄色一级片免费的| 超碰97精品在线观看| av在线老鸭窝| 亚洲精品中文字幕一二三四区 | 97人妻天天添夜夜摸| 亚洲成人免费av在线播放| 欧美黄色片欧美黄色片| 亚洲国产欧美一区二区综合| 极品人妻少妇av视频| 国产精品久久久久久精品电影小说| www.自偷自拍.com| 大香蕉久久网| 天堂中文最新版在线下载| svipshipincom国产片| 欧美激情久久久久久爽电影 | 亚洲欧美日韩另类电影网站| 久久人人97超碰香蕉20202| av有码第一页| 99香蕉大伊视频| 伦理电影免费视频| 五月天丁香电影| 黑人巨大精品欧美一区二区mp4| 亚洲精品第二区| 国产亚洲一区二区精品| 国产精品免费视频内射| 国产亚洲一区二区精品| 老熟女久久久| 在线观看人妻少妇| 青春草视频在线免费观看| 99国产综合亚洲精品| 国产亚洲精品久久久久5区| 男女下面插进去视频免费观看| 中文字幕另类日韩欧美亚洲嫩草| 51午夜福利影视在线观看| a级毛片在线看网站| 视频在线观看一区二区三区| 精品熟女少妇八av免费久了| 成人国产av品久久久| 51午夜福利影视在线观看| bbb黄色大片| 黄频高清免费视频| 女警被强在线播放| 一级a爱视频在线免费观看| 91成人精品电影| 国产一区二区激情短视频 | 国产成人av激情在线播放| 一本综合久久免费| xxxhd国产人妻xxx| 久久ye,这里只有精品| 免费观看人在逋| 久久久久精品人妻al黑| 永久免费av网站大全| 18在线观看网站| 一本—道久久a久久精品蜜桃钙片| 高清在线国产一区| 国产亚洲av高清不卡| 国产精品久久久久久精品古装| 国产精品麻豆人妻色哟哟久久| 久久精品国产亚洲av香蕉五月 | 国产日韩欧美亚洲二区| 精品国产超薄肉色丝袜足j| 一边摸一边做爽爽视频免费| 亚洲午夜精品一区,二区,三区| 两性午夜刺激爽爽歪歪视频在线观看 | 淫妇啪啪啪对白视频 | 色综合欧美亚洲国产小说| 日本猛色少妇xxxxx猛交久久| 操美女的视频在线观看| 人人妻人人澡人人看| 午夜精品久久久久久毛片777| 亚洲欧美精品自产自拍| 大型av网站在线播放| 久久天躁狠狠躁夜夜2o2o| 日韩人妻精品一区2区三区| 精品国产乱码久久久久久男人| 狠狠婷婷综合久久久久久88av| 国产一区二区三区在线臀色熟女 | 黄色片一级片一级黄色片| 久久综合国产亚洲精品| 在线观看舔阴道视频| 日韩 亚洲 欧美在线| 中文字幕制服av| 日韩制服丝袜自拍偷拍| 黑人巨大精品欧美一区二区蜜桃| 亚洲少妇的诱惑av| 少妇 在线观看| 久久人人爽人人片av| 亚洲精品一区蜜桃| 午夜福利一区二区在线看| www.999成人在线观看| 国产精品av久久久久免费| 老鸭窝网址在线观看| 亚洲人成电影观看| 国产精品成人在线| 精品久久久久久电影网| 亚洲人成电影免费在线| 亚洲免费av在线视频| 成年女人毛片免费观看观看9 | 成年美女黄网站色视频大全免费| 一个人免费在线观看的高清视频 | 国产亚洲欧美在线一区二区| 视频区欧美日本亚洲| 精品福利永久在线观看| 成人黄色视频免费在线看| 如日韩欧美国产精品一区二区三区| av福利片在线| 亚洲第一欧美日韩一区二区三区 | 免费在线观看视频国产中文字幕亚洲 | 国产激情久久老熟女| 中文字幕最新亚洲高清| 亚洲avbb在线观看| 日韩中文字幕视频在线看片| 热99re8久久精品国产| 老司机福利观看| 日日夜夜操网爽| 人妻人人澡人人爽人人| 999精品在线视频| 99久久99久久久精品蜜桃| 国产成人a∨麻豆精品| 欧美日韩国产mv在线观看视频| 手机成人av网站| 激情视频va一区二区三区| av在线老鸭窝| 久久久水蜜桃国产精品网| 最近最新中文字幕大全免费视频| 青草久久国产| 国产精品一区二区免费欧美 | av在线app专区| av视频免费观看在线观看| 老司机影院毛片| 又大又爽又粗| 国产亚洲精品久久久久5区| 十八禁人妻一区二区| 久久精品久久久久久噜噜老黄| 麻豆国产av国片精品| 国产男女内射视频| 一本久久精品| 老司机在亚洲福利影院| 韩国高清视频一区二区三区| 国产在线一区二区三区精| 考比视频在线观看| 中文字幕另类日韩欧美亚洲嫩草| 中文字幕人妻熟女乱码| 人人妻人人添人人爽欧美一区卜| 97人妻天天添夜夜摸| 在线亚洲精品国产二区图片欧美| 在线观看一区二区三区激情| 免费在线观看完整版高清| 精品人妻熟女毛片av久久网站| 国产精品一区二区在线观看99| 成年美女黄网站色视频大全免费| 视频在线观看一区二区三区| 亚洲五月婷婷丁香| 久久这里只有精品19| 男女高潮啪啪啪动态图| 9191精品国产免费久久| 久久国产精品男人的天堂亚洲| 黄色视频不卡| 18在线观看网站| 亚洲avbb在线观看| 欧美人与性动交α欧美软件| 悠悠久久av| 另类亚洲欧美激情| 久久久国产精品麻豆| 啪啪无遮挡十八禁网站| 久久午夜综合久久蜜桃| 岛国在线观看网站| 亚洲伊人色综图| 99精品欧美一区二区三区四区| 满18在线观看网站| 操美女的视频在线观看| 国产99久久九九免费精品| 欧美日韩精品网址| 国产亚洲精品第一综合不卡| 午夜福利,免费看| 18禁黄网站禁片午夜丰满| av一本久久久久| 国产av国产精品国产| 下体分泌物呈黄色| 涩涩av久久男人的天堂| 国产精品九九99| 亚洲人成电影观看| 亚洲国产中文字幕在线视频| 我要看黄色一级片免费的| 三上悠亚av全集在线观看| 另类亚洲欧美激情| 性高湖久久久久久久久免费观看| 国产精品 国内视频| 免费观看a级毛片全部| 国产精品欧美亚洲77777| 男男h啪啪无遮挡| 亚洲成人免费电影在线观看| 久久久久网色| 成年av动漫网址| 午夜福利一区二区在线看| 最近中文字幕2019免费版| 免费在线观看黄色视频的| 久久人人爽av亚洲精品天堂| 精品少妇一区二区三区视频日本电影| www.自偷自拍.com| 亚洲精品一二三| 国产成人精品久久二区二区91| 国产精品秋霞免费鲁丝片| 在线av久久热| 黄色a级毛片大全视频| 18禁观看日本| 日本精品一区二区三区蜜桃| 男女下面插进去视频免费观看| 日韩制服骚丝袜av| 高潮久久久久久久久久久不卡| 一二三四在线观看免费中文在| 新久久久久国产一级毛片| 老汉色av国产亚洲站长工具| 这个男人来自地球电影免费观看| 夜夜夜夜夜久久久久| 精品第一国产精品| 岛国在线观看网站| 国产精品影院久久| 99国产精品免费福利视频| 久久免费观看电影| 人妻久久中文字幕网| 精品高清国产在线一区| 婷婷色av中文字幕| 成年av动漫网址| 欧美激情 高清一区二区三区| 99精品欧美一区二区三区四区| 99国产精品一区二区蜜桃av | 他把我摸到了高潮在线观看 | 日韩欧美一区二区三区在线观看 | 99热国产这里只有精品6| 正在播放国产对白刺激| 不卡av一区二区三区| 丝瓜视频免费看黄片| 亚洲国产精品999| 亚洲精品日韩在线中文字幕| 两个人看的免费小视频| 国产老妇伦熟女老妇高清| 国产高清视频在线播放一区 | 欧美在线一区亚洲| 欧美日韩一级在线毛片| 中文字幕最新亚洲高清| 午夜视频精品福利| 91精品三级在线观看| 国产精品 国内视频| 精品久久蜜臀av无| 精品少妇内射三级| 亚洲国产成人一精品久久久| 国产免费现黄频在线看| 制服诱惑二区| 男女高潮啪啪啪动态图| 老司机亚洲免费影院| 少妇粗大呻吟视频| 亚洲欧美一区二区三区黑人| 色婷婷av一区二区三区视频| 亚洲av电影在线观看一区二区三区| 久久国产精品影院| 80岁老熟妇乱子伦牲交| 日韩视频一区二区在线观看| 亚洲人成电影免费在线| 久久久久久久精品精品| 天堂俺去俺来也www色官网| 亚洲国产看品久久| 母亲3免费完整高清在线观看| 婷婷丁香在线五月| 免费在线观看视频国产中文字幕亚洲 | 国产成人a∨麻豆精品| 精品亚洲乱码少妇综合久久| 视频在线观看一区二区三区| 精品一区二区三区av网在线观看 | 亚洲va日本ⅴa欧美va伊人久久 | 大香蕉久久成人网| 男男h啪啪无遮挡| 久久毛片免费看一区二区三区| 人人妻人人澡人人看| 精品福利观看| 岛国毛片在线播放| √禁漫天堂资源中文www| 成人国产一区最新在线观看| 美女大奶头黄色视频| 啦啦啦视频在线资源免费观看| 一区福利在线观看| 国产精品秋霞免费鲁丝片| 亚洲欧美日韩另类电影网站| 精品国产一区二区三区久久久樱花| 青春草亚洲视频在线观看| 在线观看人妻少妇| 国产黄频视频在线观看| 夜夜骑夜夜射夜夜干| 99re6热这里在线精品视频| 老司机午夜福利在线观看视频 | 91九色精品人成在线观看| 纯流量卡能插随身wifi吗| 久久精品国产亚洲av高清一级| 精品少妇内射三级| 国产91精品成人一区二区三区 | 亚洲五月婷婷丁香| 日日爽夜夜爽网站| 1024香蕉在线观看| 国产精品 国内视频| 2018国产大陆天天弄谢| 色播在线永久视频| 一个人免费看片子| 中文字幕精品免费在线观看视频| 国产精品香港三级国产av潘金莲| 超色免费av| 日日摸夜夜添夜夜添小说| 天天躁狠狠躁夜夜躁狠狠躁| 视频在线观看一区二区三区| 看免费av毛片| 极品少妇高潮喷水抽搐| 黄频高清免费视频| 丰满人妻熟妇乱又伦精品不卡| 丝袜在线中文字幕| 91成年电影在线观看| 夜夜夜夜夜久久久久| 777久久人妻少妇嫩草av网站| 日本精品一区二区三区蜜桃| 一区二区av电影网| 亚洲自偷自拍图片 自拍| 人妻一区二区av| 色综合欧美亚洲国产小说| 日韩中文字幕欧美一区二区| 欧美午夜高清在线| 国产成人一区二区三区免费视频网站| 五月天丁香电影| 日本黄色日本黄色录像| 亚洲国产av影院在线观看| 色老头精品视频在线观看| 日韩,欧美,国产一区二区三区| 欧美亚洲 丝袜 人妻 在线| 国产一区二区 视频在线| 老汉色∧v一级毛片| 日本精品一区二区三区蜜桃| 精品国产乱码久久久久久小说| 精品久久久精品久久久| 宅男免费午夜| 欧美日韩福利视频一区二区| 人人澡人人妻人| 亚洲全国av大片| 欧美日韩中文字幕国产精品一区二区三区 | 男人舔女人的私密视频| 嫩草影院精品99| 欧美中文综合在线视频| 男人舔女人的私密视频| 99在线视频只有这里精品首页| 少妇熟女aⅴ在线视频| 免费在线观看完整版高清| 国产三级黄色录像| 国产精品久久电影中文字幕| www.自偷自拍.com| 在线观看日韩欧美| 国产精品国产高清国产av| 99在线人妻在线中文字幕| www.精华液| 精品福利观看| 男人舔奶头视频| 午夜激情福利司机影院| 国产精品亚洲一级av第二区| 岛国在线免费视频观看| 国产精品一区二区免费欧美| av国产免费在线观看| 中出人妻视频一区二区| 国产精品综合久久久久久久免费| 国产高清有码在线观看视频 | 亚洲国产欧美网| 1024香蕉在线观看| 国产视频内射| 伊人久久大香线蕉亚洲五| 中亚洲国语对白在线视频| 亚洲av片天天在线观看| 男女下面进入的视频免费午夜| 国产v大片淫在线免费观看| 妹子高潮喷水视频| 亚洲aⅴ乱码一区二区在线播放 | 亚洲国产精品999在线| 国产黄色小视频在线观看| 观看免费一级毛片| 国产在线观看jvid| 欧美成狂野欧美在线观看| 亚洲欧美日韩东京热| 黄色女人牲交| 精品无人区乱码1区二区| 婷婷亚洲欧美| 亚洲精品美女久久久久99蜜臀| 欧美成人免费av一区二区三区| 午夜福利欧美成人| 国产成人影院久久av| 日本免费一区二区三区高清不卡| 免费在线观看成人毛片| 国产精品一及| 午夜精品一区二区三区免费看| 久久久水蜜桃国产精品网| 看片在线看免费视频| 国产成人精品无人区| 亚洲精品一卡2卡三卡4卡5卡| 精品免费久久久久久久清纯| 我的老师免费观看完整版| 精品午夜福利视频在线观看一区| 99在线人妻在线中文字幕| 亚洲一区中文字幕在线| 女警被强在线播放| 色综合亚洲欧美另类图片| 91在线观看av| 在线观看免费日韩欧美大片| 亚洲国产精品999在线| 国内精品久久久久精免费| 岛国在线免费视频观看| 日韩免费av在线播放| 国产成人啪精品午夜网站| 九九热线精品视视频播放| 精品不卡国产一区二区三区| 99热6这里只有精品| 1024香蕉在线观看| 国产免费男女视频| 欧美人与性动交α欧美精品济南到| av在线播放免费不卡| 一级毛片高清免费大全| 这个男人来自地球电影免费观看| 亚洲美女黄片视频| 中文字幕久久专区| 99久久无色码亚洲精品果冻| 久久欧美精品欧美久久欧美| 国产高清videossex| 国产精品精品国产色婷婷| 动漫黄色视频在线观看| 老司机福利观看| 久久精品综合一区二区三区| 国语自产精品视频在线第100页| 精品无人区乱码1区二区| 国产精品,欧美在线| 两性午夜刺激爽爽歪歪视频在线观看 | 国产激情欧美一区二区| 最近最新免费中文字幕在线| 欧美日本亚洲视频在线播放| 欧美一级a爱片免费观看看 | 欧美精品啪啪一区二区三区| av有码第一页| 欧美日韩国产亚洲二区| 性色av乱码一区二区三区2| 两个人的视频大全免费| 欧美色欧美亚洲另类二区| www日本黄色视频网| 丰满人妻熟妇乱又伦精品不卡| 亚洲九九香蕉| 国产精品免费视频内射| 久9热在线精品视频| 老熟妇仑乱视频hdxx| 狂野欧美激情性xxxx| 国产91精品成人一区二区三区| 精品国产乱子伦一区二区三区| 一个人观看的视频www高清免费观看 | 久久久久国内视频| 婷婷精品国产亚洲av| 香蕉国产在线看| 女人高潮潮喷娇喘18禁视频| 国产av一区在线观看免费| 啦啦啦免费观看视频1| 欧美大码av| 国产三级黄色录像| 免费无遮挡裸体视频| 亚洲熟妇中文字幕五十中出| 国产午夜精品论理片| 母亲3免费完整高清在线观看| 亚洲一区二区三区色噜噜| www.精华液| 中文字幕人妻丝袜一区二区| 中文资源天堂在线| 午夜精品久久久久久毛片777| 久久国产乱子伦精品免费另类|