• <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 ?

    一種基于深度學(xué)習(xí)的電影推薦算法

    2019-10-08 06:43:30李浩然劉光遠(yuǎn)張樂(lè)瑩
    軟件 2019年5期
    關(guān)鍵詞:協(xié)同過(guò)濾卷積神經(jīng)網(wǎng)絡(luò)

    李浩然 劉光遠(yuǎn) 張樂(lè)瑩

    摘 ?要: 隨著互聯(lián)網(wǎng)的發(fā)展,人們的娛樂(lè)方式趨于多樣化,但人們總想可以直接定位根據(jù)自己口味的電影而不是通過(guò)自己的搜索和朋友的推薦。然而目前已有的推薦系統(tǒng)機(jī)制過(guò)于簡(jiǎn)單,往往是根據(jù)網(wǎng)友對(duì)電影的的綜合評(píng)分,可根據(jù)關(guān)鍵字,類別等具體搜索,久而久之的搜索痕跡來(lái)證明用戶的喜好。這種基于協(xié)同過(guò)濾的推薦系統(tǒng)在遇到冷啟動(dòng)問(wèn)題時(shí)會(huì)產(chǎn)生較大的偏差。本文利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合協(xié)同過(guò)濾系統(tǒng)設(shè)計(jì)出了一款基于神經(jīng)網(wǎng)絡(luò)的電影推薦系統(tǒng),利用MBGD(小批量梯度下降法)對(duì)模型進(jìn)行優(yōu)化,并在有限的數(shù)據(jù)集下進(jìn)行了該系統(tǒng)的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明該系統(tǒng)比傳統(tǒng)推薦方法具有更高的準(zhǔn)確性。

    關(guān)鍵詞: 卷積神經(jīng)網(wǎng)絡(luò)(CNN)、協(xié)同過(guò)濾、文本卷積網(wǎng)絡(luò)、迭代次數(shù)、小批量梯度下降法(MBGD)

    中圖分類號(hào): TP183 ? ?文獻(xiàn)標(biāo)識(shí)碼: A ? ?DOI:10.3969/j.issn.1003-6970.2019.05.036

    本文著錄格式:李浩然,劉光遠(yuǎn),張樂(lè)瑩. 一種基于深度學(xué)習(xí)的電影推薦算法[J]. 軟件,2019,40(5):185189

    【Abstract】: With the development of the Internet, people's entertainment methods tend to be diversified, but people always want to be able to directly locate movies according to their own tastes rather than through their own search and friends' recommendations. However, the existing recommendation system mechanism is too simple, and it is often based on the comprehensive rating of the users on the movie, and the user's preferences can be proved according to the specific search of keywords, categories, and the like. This collaborative filtering-based recommendation system can cause large deviations when it encounters a cold start problem. In this paper, a convolutional neural network combined with collaborative filtering system is used to design a movie recommendation system based on neural network. The model is optimized by MBGD (small batch gradient descent method), and the experiment of the system is carried out under a limited data set. Experimental results show that the system has higher accuracy than the traditional recommended method.

    【Key words】: Convolutional neural network(CNN); Collaborative filtering; Text convolutional network; Iteration number; Small batch gradient descent method (MBGD)

    0 ?引言

    隨著互聯(lián)網(wǎng)的發(fā)展,人們的娛樂(lè)方式趨于多樣化,但人們總想可以直接定位根據(jù)自己口味的電影而不是通過(guò)自己的搜索和朋友的推薦,同時(shí),各大觀影平臺(tái)和電影評(píng)分網(wǎng)站也希望可以通過(guò)對(duì)用戶已公開的數(shù)據(jù)進(jìn)行分析從而推薦出用戶可能喜歡的電影以增加用戶粘性,例如全美最大收費(fèi)視頻平臺(tái)Netflix曾舉辦競(jìng)賽[1]來(lái)獲得最佳算法以改進(jìn)其推薦系統(tǒng)。傳統(tǒng)的點(diǎn)評(píng)和推薦的機(jī)制較為簡(jiǎn)單,往往是根據(jù)網(wǎng)友對(duì)電影的的綜合評(píng)分,可根據(jù)關(guān)鍵字,類別等具體搜索,久而久之的搜索痕跡來(lái)證明用戶的喜好。然而電影的偏好所涉及的因素多種多樣。例如傳統(tǒng)的基于電影評(píng)分的單一系統(tǒng)無(wú)法考慮到部分影片存在用戶惡意低評(píng)或者批量好評(píng)提升評(píng)分的現(xiàn)象,所以僅根據(jù)電影評(píng)分進(jìn)行推薦會(huì)導(dǎo)致推薦混亂。若是用戶僅根據(jù)電影類別進(jìn)行搜索,搜索結(jié)果也只是將電影進(jìn)行歸類,這些結(jié)果并沒(méi)有經(jīng)過(guò)篩選,所以電影口碑參差不齊的搜索結(jié)果也會(huì)在一定程度上影響用戶對(duì)電影和電影人的評(píng)價(jià)。因此當(dāng)今亟需一個(gè)綜合更多維度的有效推薦系統(tǒng)。

    基于此,本文使用MovieLen數(shù)據(jù)集[2],提取其中電影名稱和電影ID并與電影類型綜合使用解決問(wèn)題,主體使用卷積神經(jīng)網(wǎng)絡(luò)[3],附加通過(guò)文本卷積神經(jīng)網(wǎng)絡(luò)[4]結(jié)合協(xié)同過(guò)濾技術(shù)[5]增加算法可靠性。為了驗(yàn)證模型的有效性本文采用相關(guān)數(shù)據(jù)進(jìn)行測(cè) ?試對(duì)比,實(shí)驗(yàn)結(jié)果表明本文的模型和方法有較好的效果。

    1 ?相關(guān)工作

    傳統(tǒng)對(duì)情感分析的方法是利用情感字典將各類詞匯根據(jù)經(jīng)驗(yàn)進(jìn)行分類,之后將分類的結(jié)果作為依據(jù)對(duì)情感進(jìn)行分析。將不好看,無(wú)聊等消極的詞匯自動(dòng)歸為差評(píng),將好看,經(jīng)典等詞匯歸為好評(píng),這樣雖然能成功的根據(jù)電影的影評(píng)來(lái)對(duì)電影進(jìn)行自動(dòng)評(píng)分,但是有些生僻或者莫能兩可的詞匯卻會(huì)對(duì)評(píng)分產(chǎn)生干擾甚至是錯(cuò)評(píng),具有較低的精度,并且情感字典需要極其大量的數(shù)據(jù)和人為經(jīng)驗(yàn)的預(yù)先規(guī)定和輸入,在沒(méi)有相關(guān)語(yǔ)言背景的條件下幾乎無(wú)法實(shí)現(xiàn)。之后也利用機(jī)器學(xué)習(xí)來(lái)對(duì)情感進(jìn)行分析預(yù)測(cè),但是對(duì)機(jī)器訓(xùn)練的過(guò)程中需要極其大量的數(shù)據(jù)作為支柱來(lái)提高結(jié)果的精確性,這種方法也不便于執(zhí)行。

    同時(shí)傳統(tǒng)的推薦系統(tǒng)使用的協(xié)同過(guò)濾技術(shù)過(guò)于單一,往往只綜合評(píng)分和同樣用戶的觀看記錄,然而在本模型中我們使用了文本卷積網(wǎng)絡(luò)處理電影名稱同時(shí)作為推薦的另外一個(gè)評(píng)判標(biāo)準(zhǔn)。

    本文未實(shí)用深層神經(jīng)網(wǎng)絡(luò)主要有以下兩個(gè)考慮原因,首先DNN結(jié)構(gòu)的神經(jīng)元層數(shù)較多,訓(xùn)練的結(jié)果極易受極值的影響,影評(píng)中的極端評(píng)價(jià)則有極大可能使模型陷入局部極值。其次較深層次的網(wǎng)絡(luò)需要十分大量的數(shù)據(jù)進(jìn)行訓(xùn)練,不足量的數(shù)據(jù)可能導(dǎo)致自底層只能接收到小量的數(shù)據(jù)甚至無(wú)法接收到數(shù)據(jù),從而在擬合時(shí)出現(xiàn)偏差。

    BP神經(jīng)網(wǎng)絡(luò)[6-9]和DNN存在相似的問(wèn)題,雖然其按誤差逆?zhèn)鞑ニ惴ㄟM(jìn)行模型訓(xùn)練,有著較高的容錯(cuò)性和泛化自適應(yīng)性,但是多層次的前饋網(wǎng)絡(luò)卻十分依賴于樣本,訓(xùn)練和預(yù)測(cè)能力的趨勢(shì)并不固定。并且需要合適的數(shù)據(jù)量進(jìn)行訓(xùn)練,否則會(huì)容易因訓(xùn)練的樣本過(guò)多或過(guò)少而導(dǎo)致過(guò)度擬合。

    所以在此情況下,本文考慮使用的CNN卷積神經(jīng)網(wǎng)絡(luò)他不僅允許人為的規(guī)定訓(xùn)練的重心,通過(guò)逐層的特征提取來(lái)提升分類的準(zhǔn)確性[10],而且其局部連接,權(quán)值共享及采樣操作等特性可以有效的降低網(wǎng)絡(luò)的復(fù)雜度,減少訓(xùn)練參數(shù)的數(shù)目[11]。

    2 ?相關(guān)模型和算法

    2.1 ?文本卷積網(wǎng)絡(luò)

    在進(jìn)行電影推薦時(shí),我們需要處理的數(shù)據(jù)類別包含了用戶的年齡、性別、喜好的電影類型、電影的評(píng)分以及電影的名稱。相對(duì)于前4個(gè)元素,我們對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理,然而電影的名稱并不好轉(zhuǎn)化為數(shù)字,所以在對(duì)其進(jìn)行分析和建模時(shí)我們使用了文本卷積網(wǎng)絡(luò),網(wǎng)絡(luò)的具體樣式如圖1所示,其中,網(wǎng)絡(luò)的第一層為詞嵌入層,該層為多個(gè)嵌入矩陣,每個(gè)嵌入矩陣由多個(gè)嵌入向量組成,每個(gè)嵌入向量均表示一個(gè)單詞。第二層為多個(gè)不同尺寸的卷積核在詞嵌入層的矩陣上做卷積,尺寸大小表示了每次卷積計(jì)算覆蓋的單詞的多少。不同于對(duì)圖像的卷積,文本的卷積要覆蓋整個(gè)單詞的嵌入向量,所以其尺寸為單詞數(shù),每次卷積滑動(dòng)的長(zhǎng)度一般為4~5個(gè)單詞。第三層網(wǎng)絡(luò)是max pooling所得到的一個(gè)長(zhǎng)向量,最后通過(guò)deopout對(duì)結(jié)果進(jìn)行正則化,最終得到了電影名稱的特征值。

    2.2 ?模型設(shè)計(jì)

    本文所采用的算法CNN為一種深度神經(jīng)網(wǎng)絡(luò),其基本模型如圖2所示。

    首先,本文在輸入層使用了嵌入層將數(shù)據(jù)進(jìn)行處理并得到模型訓(xùn)練所需的特征。在第一層嵌入層中,本文設(shè)置的維度分別為(n,32)和(n,16),然而由于有些電影存在多個(gè)類型,比如科幻動(dòng)作,所以,本文將電影類型的特征矩陣取出后進(jìn)行了求和,得到了一個(gè)(1,32)的向量。之后,將所有特征引出并將其接連傳輸?shù)絻蓚€(gè)全鏈接層中,最終分別得到大小為(1,200)的用戶特征和電影特征兩個(gè)特征向量。本文通過(guò)對(duì)這兩個(gè)特征向量做向量乘法,將真實(shí)測(cè)評(píng)與該結(jié)果做回歸分析,采用均方誤差對(duì)結(jié)果進(jìn)行優(yōu)化,最終得出了相較完美的電影推薦結(jié)果。

    3 ?實(shí)驗(yàn)

    3.1 ?數(shù)據(jù)集

    本文所用到的數(shù)據(jù)為MovieLens所提供的數(shù)據(jù)集。這其中包含了大約3,900部電影的1,000,209個(gè)匿名評(píng)級(jí),以及匿名用戶的部分身份信息。用戶數(shù)據(jù)中包括了用戶的年齡、性別、職業(yè)和郵編。為了更方便地使用數(shù)據(jù),我們對(duì)數(shù)據(jù)進(jìn)行了處理,將不需要的郵編數(shù)據(jù)進(jìn)行了舍棄,將性別修改成了0和1方便讀取,對(duì)不同的職業(yè)進(jìn)行了不同的編碼,并且將年齡按照不同的年齡段劃分為了0~6多個(gè)層級(jí),最終的數(shù)據(jù)內(nèi)容如圖3所示。電影數(shù)據(jù)中,則包含了電影的名稱和電影的類別,其中,一部電影的類別可能為很多種,考慮到后面訓(xùn)練模型時(shí)可能會(huì)遇到的問(wèn)題,本文對(duì)電影的類別數(shù)據(jù)通過(guò)了如上文中所述的文本卷積網(wǎng)絡(luò)進(jìn)行了處理。電影數(shù)據(jù)的內(nèi)容如圖4所示。本次所使用的數(shù)據(jù)集還有另外一個(gè)評(píng)級(jí)數(shù)據(jù)集,也就是本文在訓(xùn)練時(shí)設(shè)置的Target,其中包含了用戶的ID、電影的ID、電影的星級(jí)評(píng)價(jià)(滿分為5)以及評(píng)價(jià)時(shí)間,由于本次模型訓(xùn)練的Target為電影的評(píng)分,故我們?cè)谟?xùn)練時(shí)將評(píng)價(jià)時(shí)間舍棄,具體的數(shù)據(jù)內(nèi)容如圖5所示。

    3.2 ?數(shù)據(jù)預(yù)處理

    由于在數(shù)據(jù)集中,電影的類別和名稱都是文本的形式,本文將其轉(zhuǎn)化為了數(shù)字類型。首先將其轉(zhuǎn)化為字符串,并以數(shù)字的形式保存在字典類型當(dāng)中,之后,由于電影的類別包含多個(gè)參數(shù),電影的名稱包含多個(gè)字段,我們均將其轉(zhuǎn)換為了數(shù)字列表,同時(shí)去掉了電影名稱中的年份。最終結(jié)果如下圖6所示。

    3.3 ?訓(xùn)練參數(shù)設(shè)置

    本文在初次進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)建模時(shí)產(chǎn)生了較大的誤差,為了保證算法的精確性,且由于實(shí)驗(yàn)使用的數(shù)據(jù)量較大,本文最終決定采用MBGD(小批量梯度下降法)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。但其在模型訓(xùn)練過(guò)程中需要使用大量的訓(xùn)練數(shù)據(jù)進(jìn)行長(zhǎng)時(shí)間的計(jì)算,其中,代價(jià)函數(shù)和激活函數(shù)的選擇對(duì)模型的訓(xùn)練效率有很大的影響[12]。優(yōu)化過(guò)程中,影響最大的參數(shù)主要有三個(gè):batch_size、學(xué)習(xí)率和迭代次數(shù)。本文為了探究不同參數(shù)影響下卷積神經(jīng)網(wǎng)絡(luò)的推薦結(jié)果,分別設(shè)置了三組不同的參數(shù)。其中,學(xué)習(xí)率我們?cè)O(shè)為0.0001。dropout我們?cè)O(shè)為0.5。batch_size和迭代次數(shù)分別設(shè)為了64和5、256和5、64和20這三組,并分別求出了不同情況下,train loss(訓(xùn)練缺損)和test loss(測(cè)試缺損)的統(tǒng)計(jì)圖,結(jié)果分別如圖7-9表示。

    圖7和圖8為在迭代次數(shù)同為5的情況下,分別將batch_size設(shè)置為64和256兩個(gè)不同數(shù)值時(shí),模型的訓(xùn)練缺損和測(cè)試缺損的統(tǒng)計(jì)分布,從圖中可以看出,當(dāng)batch_sieze被設(shè)置為256時(shí),明顯其訓(xùn)練缺損由最初的0.48~0.85降低到了最終的0.41~ 0.7,其測(cè)試缺損由最初的0.6~1.1降低到了0.53~ 0.93,說(shuō)明訓(xùn)練和測(cè)試的缺損經(jīng)過(guò)多次迭代后有所降低。然而,其整個(gè)訓(xùn)練過(guò)程并不穩(wěn)定,說(shuō)明迭代次數(shù)過(guò)少。當(dāng)batch_size被設(shè)置為64時(shí),可明顯看出相較于先前設(shè)置的參數(shù)而言,訓(xùn)練缺損明顯有所降低。其訓(xùn)練缺損由最初的0.48~0.82降低到了0.42~0.7,其測(cè)試缺損由最初的0.6~1.1降低到了0.52~0.91。同于batch_size被設(shè)為256的情況,訓(xùn)練和測(cè)試的缺損,經(jīng)過(guò)多次迭代后有所降低,但是其整個(gè)訓(xùn)練過(guò)程依然并不穩(wěn)定。通過(guò)對(duì)batch_size的數(shù)值進(jìn)行修改,本文發(fā)現(xiàn),當(dāng)對(duì)一定大小的數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí),適當(dāng)?shù)目s小batch_size可以有效的降低訓(xùn)練缺損。

    圖8和圖9為在batch_size同為64的情況下,分別將迭代次數(shù)設(shè)置為5和20兩個(gè)不同的數(shù)值時(shí),模型的訓(xùn)練缺損和測(cè)試缺損的統(tǒng)計(jì)分布。從圖中可以明顯的看出,當(dāng)?shù)螖?shù)被設(shè)置為20次時(shí),訓(xùn)練缺損和測(cè)試缺損并未出現(xiàn)5次迭代實(shí)驗(yàn)時(shí)的大幅波動(dòng),其呈現(xiàn)出了更加穩(wěn)定的狀態(tài)。而在結(jié)果上,迭代次數(shù)為20的這次訓(xùn)練和測(cè)試與迭代次數(shù)為5時(shí)完全相同,故本文認(rèn)為,當(dāng)batch_size為確定值時(shí),增加迭代次數(shù)可以使訓(xùn)練和測(cè)試結(jié)果更加穩(wěn)定,然而增加迭代次數(shù)會(huì)使訓(xùn)練時(shí)間更長(zhǎng),應(yīng)當(dāng)適量的增加迭代次數(shù)。

    3.4 ?實(shí)驗(yàn)結(jié)果

    通過(guò)上述步驟,本文最終將參數(shù)設(shè)定為batch_size設(shè)置為64、迭代次數(shù)為20次、學(xué)習(xí)率為0.0001、dropout設(shè)置為0.5。通過(guò)用戶特征向量與電影特征矩陣計(jì)算所有電影的評(píng)分,取評(píng)分最高的top_k個(gè)來(lái)實(shí)現(xiàn)給用戶推薦其可能喜歡的電影。具體實(shí)現(xiàn)的結(jié)果如圖10所示。通過(guò)本文輸入的電影,系統(tǒng)最終給出了符合相同類別的最佳評(píng)分的5個(gè)電影,可以認(rèn)為,本文的這種電影推薦算法表現(xiàn)出了十分良好的性能。

    4 ?總結(jié)

    本文利用文本卷積網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)電影數(shù)據(jù)進(jìn)行分析和建模,通過(guò)多次實(shí)驗(yàn)對(duì)CNN的參數(shù)進(jìn)行了調(diào)整和校對(duì)并確認(rèn)了最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)參數(shù),最終成功地實(shí)現(xiàn)了電影推薦系統(tǒng),該系統(tǒng)綜合了多種維度并依然保持著很高的推薦精確度,明顯優(yōu)于傳統(tǒng)的電影推薦系統(tǒng)。目前該系統(tǒng)存在的問(wèn)題是缺少最新的電影數(shù)據(jù)進(jìn)行測(cè)評(píng),故還需要更多的實(shí)驗(yàn)來(lái)進(jìn)行該系統(tǒng)的完善。

    參考文獻(xiàn)

    [1] Netflix Prize https://www.netflixprize.com/index.html.

    [2] F. Maxwell Harper and Joseph A. Konstan. 2015. The MovieLens Datasets: Historyand Context. ACM Transactions on Interactive Intelligent Systems (TiiS) 5, 4,Article 19 (December 2015), 19 pages. DOI=http://dx.doi.org/10.1145/ 2827872.

    [3] LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

    [4] Kim Y. Convolutional neural networks for sentence classification[J]. arXiv preprint arXiv:1408.5882, 2014.

    [5] Sarwar B M, Karypis G, Konstan J A, et al. Item-based collaborative filtering recommendation algorithms[J]. Www, 2001, 1: 285-295.

    [6] Pineda F J. Generalization of back-propagation to recurrent neural networks[J]. Physical review letters, 1987, 59(19): 2229.

    [7] 安大海, 蔣硯軍. 基于BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別系統(tǒng)[J]. 軟件, 2015, 36(12): 76-79.

    [8] 王宏濤, 孫劍偉. 基于BP神經(jīng)網(wǎng)絡(luò)和SVM 的分類方法研究[J]. 軟件, 2015, 36(11): 96-99.

    [9] 吳亞熙, 岑峰. 基于卷積神經(jīng)網(wǎng)絡(luò)的多層級(jí)目標(biāo)檢測(cè)方法[J]. 軟件, 2018, 39(4): 164-169.

    [10] 張敏, 徐啟華. 基于改進(jìn)BP的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制[J]. 軟件, 2015, 36(7): 118-123.

    [11] 劉健袁, 謙吳, 廣喻曉. 卷積神經(jīng)網(wǎng)絡(luò)綜述. TP183.

    [12] 趙宏, 郭萬(wàn)鵬. 深度神經(jīng)網(wǎng)絡(luò)代價(jià)函數(shù)選擇與性能評(píng)測(cè)研究[J]. 軟件, 2018, 39(01): 14-20.

    猜你喜歡
    協(xié)同過(guò)濾卷積神經(jīng)網(wǎng)絡(luò)
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
    基于鏈?zhǔn)酱鎯?chǔ)結(jié)構(gòu)的協(xié)同過(guò)濾推薦算法設(shè)計(jì)與實(shí)現(xiàn)
    基于相似傳播和情景聚類的網(wǎng)絡(luò)協(xié)同過(guò)濾推薦算法研究
    基于協(xié)同過(guò)濾算法的個(gè)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(píng)述
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別的算法的研究
    精品卡一卡二卡四卡免费| 老汉色av国产亚洲站长工具| 欧美亚洲日本最大视频资源| 五月天丁香电影| 久久影院123| 成人国语在线视频| 免费观看a级毛片全部| 麻豆av在线久日| 免费观看人在逋| 啦啦啦 在线观看视频| 亚洲国产看品久久| 欧美+亚洲+日韩+国产| 亚洲欧美日韩另类电影网站| 国产精品电影一区二区三区 | 蜜桃在线观看..| 亚洲美女黄片视频| 欧美日韩亚洲高清精品| 亚洲中文字幕日韩| 五月天丁香电影| 搡老熟女国产l中国老女人| 中文字幕高清在线视频| 精品一区二区三区av网在线观看 | 久久国产亚洲av麻豆专区| 欧美大码av| 成人国产av品久久久| 国产片内射在线| 极品人妻少妇av视频| 桃红色精品国产亚洲av| 久久久久久久精品吃奶| 国产男女超爽视频在线观看| 日韩欧美一区二区三区在线观看 | 免费久久久久久久精品成人欧美视频| 丝袜人妻中文字幕| 日韩欧美一区二区三区在线观看 | 中文字幕av电影在线播放| 多毛熟女@视频| 99精品久久久久人妻精品| 久久性视频一级片| 成人亚洲精品一区在线观看| 一个人免费看片子| 大型黄色视频在线免费观看| 丝袜在线中文字幕| 成年版毛片免费区| 一本久久精品| 啦啦啦视频在线资源免费观看| 欧美另类亚洲清纯唯美| 久久精品91无色码中文字幕| 亚洲熟妇熟女久久| 两个人免费观看高清视频| 欧美+亚洲+日韩+国产| 自线自在国产av| 黄网站色视频无遮挡免费观看| 国产精品久久久久成人av| 搡老乐熟女国产| 男女高潮啪啪啪动态图| 成人三级做爰电影| 国产成人一区二区三区免费视频网站| 久9热在线精品视频| 久久人妻福利社区极品人妻图片| 老汉色av国产亚洲站长工具| av在线播放免费不卡| 精品一区二区三卡| 精品亚洲成国产av| 国产精品久久久av美女十八| 国产成人欧美| 12—13女人毛片做爰片一| 热re99久久精品国产66热6| 欧美日韩精品网址| 一区二区三区国产精品乱码| 国精品久久久久久国模美| 男人舔女人的私密视频| 国产精品一区二区在线观看99| kizo精华| 国产精品免费一区二区三区在线 | 欧美中文综合在线视频| 制服人妻中文乱码| 成人18禁高潮啪啪吃奶动态图| 亚洲国产中文字幕在线视频| 国产成人免费观看mmmm| 老司机午夜福利在线观看视频 | 无限看片的www在线观看| 精品久久久精品久久久| 欧美日韩av久久| 久热爱精品视频在线9| 天堂俺去俺来也www色官网| 国产一区二区三区视频了| 三上悠亚av全集在线观看| 涩涩av久久男人的天堂| 乱人伦中国视频| 国产野战对白在线观看| 波多野结衣av一区二区av| 国产高清激情床上av| 国产精品二区激情视频| www.999成人在线观看| 中文字幕人妻丝袜一区二区| 99国产综合亚洲精品| 精品免费久久久久久久清纯 | 亚洲中文av在线| 黄色视频,在线免费观看| 国产视频一区二区在线看| 亚洲色图av天堂| 精品福利观看| 黄网站色视频无遮挡免费观看| 人人妻人人澡人人看| 一个人免费在线观看的高清视频| 久久国产精品男人的天堂亚洲| 91成人精品电影| 久久亚洲精品不卡| 亚洲精品久久成人aⅴ小说| 午夜福利一区二区在线看| 精品乱码久久久久久99久播| 日本黄色日本黄色录像| 午夜福利在线免费观看网站| 亚洲国产精品一区二区三区在线| 大型av网站在线播放| 男女下面插进去视频免费观看| 大型av网站在线播放| 黄片大片在线免费观看| 国产色视频综合| 亚洲伊人久久精品综合| 亚洲成国产人片在线观看| 777米奇影视久久| www.熟女人妻精品国产| 丰满迷人的少妇在线观看| 亚洲色图综合在线观看| 日日摸夜夜添夜夜添小说| 王馨瑶露胸无遮挡在线观看| 午夜日韩欧美国产| 日韩免费高清中文字幕av| 两性午夜刺激爽爽歪歪视频在线观看 | 日韩 欧美 亚洲 中文字幕| 精品国产一区二区三区四区第35| 美女午夜性视频免费| 久久久精品免费免费高清| 亚洲男人天堂网一区| 日韩三级视频一区二区三区| 成在线人永久免费视频| 啪啪无遮挡十八禁网站| 日韩大码丰满熟妇| 欧美人与性动交α欧美精品济南到| 丝袜人妻中文字幕| 国产色视频综合| 国产极品粉嫩免费观看在线| 久久精品国产99精品国产亚洲性色 | 国产亚洲一区二区精品| 精品一区二区三区视频在线观看免费 | 又黄又粗又硬又大视频| 高清欧美精品videossex| 色婷婷久久久亚洲欧美| 高清欧美精品videossex| 侵犯人妻中文字幕一二三四区| 黑人巨大精品欧美一区二区mp4| 超碰97精品在线观看| 黄色片一级片一级黄色片| 在线观看免费午夜福利视频| 91麻豆av在线| 色尼玛亚洲综合影院| 高潮久久久久久久久久久不卡| av一本久久久久| 国产成人免费无遮挡视频| 欧美日韩国产mv在线观看视频| 丰满少妇做爰视频| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美日韩福利视频一区二区| 日本vs欧美在线观看视频| 一本色道久久久久久精品综合| 国产精品免费大片| 久久影院123| 亚洲欧美一区二区三区久久| 亚洲一区中文字幕在线| 亚洲精品成人av观看孕妇| 成人av一区二区三区在线看| 自线自在国产av| 国产日韩欧美在线精品| kizo精华| 国产精品一区二区在线观看99| 亚洲一码二码三码区别大吗| 亚洲国产欧美一区二区综合| 99国产精品一区二区蜜桃av | 老司机影院毛片| 欧美精品人与动牲交sv欧美| 美女主播在线视频| 少妇的丰满在线观看| av又黄又爽大尺度在线免费看| 欧美精品av麻豆av| 欧美日韩国产mv在线观看视频| 精品少妇一区二区三区视频日本电影| 日韩制服丝袜自拍偷拍| 日韩免费av在线播放| 伊人久久大香线蕉亚洲五| 在线观看免费高清a一片| 精品国产国语对白av| 亚洲午夜精品一区,二区,三区| 国产成人欧美| 天天影视国产精品| 99精品欧美一区二区三区四区| 国产精品自产拍在线观看55亚洲 | 电影成人av| 国产av又大| 欧美一级毛片孕妇| 国产精品电影一区二区三区 | 国产日韩一区二区三区精品不卡| 99国产精品99久久久久| 老熟妇乱子伦视频在线观看| 激情视频va一区二区三区| 国产野战对白在线观看| 国产伦理片在线播放av一区| 黑丝袜美女国产一区| 色精品久久人妻99蜜桃| 国产极品粉嫩免费观看在线| 久久ye,这里只有精品| 9191精品国产免费久久| 少妇 在线观看| 国产精品麻豆人妻色哟哟久久| 欧美老熟妇乱子伦牲交| 香蕉丝袜av| 国产黄频视频在线观看| 久久久久视频综合| 天堂8中文在线网| 丰满少妇做爰视频| 在线观看免费视频日本深夜| 成人国产一区最新在线观看| 啦啦啦免费观看视频1| 久久久久精品人妻al黑| 男女下面插进去视频免费观看| 三级毛片av免费| 91大片在线观看| 国产精品熟女久久久久浪| 亚洲精品在线美女| 欧美黑人精品巨大| 丝袜美腿诱惑在线| 两性夫妻黄色片| 国产激情久久老熟女| 日日爽夜夜爽网站| 下体分泌物呈黄色| 97在线人人人人妻| 美女高潮喷水抽搐中文字幕| 视频在线观看一区二区三区| 日韩中文字幕视频在线看片| 一级毛片女人18水好多| 国产精品99久久99久久久不卡| 美女午夜性视频免费| 日本a在线网址| 麻豆国产av国片精品| 久久人人爽av亚洲精品天堂| 亚洲专区字幕在线| 蜜桃国产av成人99| a级片在线免费高清观看视频| 男女下面插进去视频免费观看| 一本—道久久a久久精品蜜桃钙片| 中文字幕av电影在线播放| 丝袜在线中文字幕| 老汉色av国产亚洲站长工具| 欧美成狂野欧美在线观看| 亚洲情色 制服丝袜| 9热在线视频观看99| 少妇精品久久久久久久| 欧美激情极品国产一区二区三区| 国产av又大| 淫妇啪啪啪对白视频| 在线观看www视频免费| 久久精品国产亚洲av香蕉五月 | 国产高清激情床上av| 69av精品久久久久久 | 新久久久久国产一级毛片| 90打野战视频偷拍视频| 精品国产乱码久久久久久小说| 一级毛片女人18水好多| 日本黄色视频三级网站网址 | 久久毛片免费看一区二区三区| 满18在线观看网站| 狂野欧美激情性xxxx| 高清欧美精品videossex| 巨乳人妻的诱惑在线观看| videosex国产| 久9热在线精品视频| 国产成人欧美在线观看 | 少妇猛男粗大的猛烈进出视频| 在线观看www视频免费| 纯流量卡能插随身wifi吗| 99国产极品粉嫩在线观看| 久久久欧美国产精品| 国产免费现黄频在线看| 免费观看人在逋| 成人手机av| 欧美黄色淫秽网站| 丰满迷人的少妇在线观看| 国产成+人综合+亚洲专区| 9热在线视频观看99| 免费看a级黄色片| 另类亚洲欧美激情| 亚洲av日韩精品久久久久久密| 人成视频在线观看免费观看| 这个男人来自地球电影免费观看| 国产一区二区在线观看av| 男女高潮啪啪啪动态图| 亚洲国产欧美网| 9热在线视频观看99| 黄网站色视频无遮挡免费观看| 精品少妇一区二区三区视频日本电影| 99国产极品粉嫩在线观看| 亚洲国产欧美日韩在线播放| 精品亚洲成a人片在线观看| 亚洲成av片中文字幕在线观看| 精品国产乱码久久久久久男人| 丝袜人妻中文字幕| 操美女的视频在线观看| 黑人欧美特级aaaaaa片| 亚洲成人手机| 久久国产精品影院| 新久久久久国产一级毛片| 啦啦啦免费观看视频1| 久久国产精品男人的天堂亚洲| 19禁男女啪啪无遮挡网站| 国产黄色免费在线视频| 久久香蕉激情| 国产精品 欧美亚洲| 精品卡一卡二卡四卡免费| 动漫黄色视频在线观看| 亚洲欧美色中文字幕在线| 国产一区二区三区综合在线观看| 欧美在线一区亚洲| 久久久精品国产亚洲av高清涩受| 午夜成年电影在线免费观看| 香蕉久久夜色| 欧美亚洲日本最大视频资源| 色在线成人网| 国产欧美日韩精品亚洲av| 交换朋友夫妻互换小说| 中国美女看黄片| 国产一区二区三区综合在线观看| 97在线人人人人妻| 新久久久久国产一级毛片| 捣出白浆h1v1| 夜夜爽天天搞| 一区二区av电影网| 精品第一国产精品| 热99国产精品久久久久久7| 乱人伦中国视频| 精品少妇黑人巨大在线播放| 男女下面插进去视频免费观看| 久久午夜亚洲精品久久| 成人18禁在线播放| 一区二区三区乱码不卡18| 久久国产精品影院| 丁香欧美五月| 19禁男女啪啪无遮挡网站| 捣出白浆h1v1| 精品国产一区二区三区久久久樱花| 青草久久国产| 精品久久蜜臀av无| 中文字幕高清在线视频| 欧美日韩精品网址| 乱人伦中国视频| 国产精品亚洲一级av第二区| 亚洲精品在线美女| 成年动漫av网址| 老司机影院毛片| 欧美日韩一级在线毛片| 国产亚洲欧美精品永久| 成人影院久久| 久久久久网色| 免费看a级黄色片| 一级毛片电影观看| 亚洲成人手机| 欧美日韩黄片免| 一进一出好大好爽视频| 国产精品自产拍在线观看55亚洲 | 啦啦啦视频在线资源免费观看| 在线 av 中文字幕| 飞空精品影院首页| 久久毛片免费看一区二区三区| 亚洲中文av在线| 一区二区三区精品91| 精品午夜福利视频在线观看一区 | 叶爱在线成人免费视频播放| 十分钟在线观看高清视频www| 色婷婷久久久亚洲欧美| 美女高潮喷水抽搐中文字幕| 99久久国产精品久久久| 在线观看免费高清a一片| 男女无遮挡免费网站观看| 国产免费现黄频在线看| 满18在线观看网站| 国产精品亚洲一级av第二区| 1024香蕉在线观看| 国产欧美日韩综合在线一区二区| 色老头精品视频在线观看| 啦啦啦 在线观看视频| 一本—道久久a久久精品蜜桃钙片| 亚洲欧美激情在线| videosex国产| 99热网站在线观看| 国产老妇伦熟女老妇高清| 久久精品国产亚洲av香蕉五月 | 99re在线观看精品视频| 亚洲九九香蕉| 91国产中文字幕| 久久 成人 亚洲| 大型黄色视频在线免费观看| 久久精品人人爽人人爽视色| 精品国产一区二区久久| 久久久国产一区二区| 精品国产国语对白av| 在线观看免费视频日本深夜| 两个人免费观看高清视频| 日本a在线网址| 18禁美女被吸乳视频| 亚洲国产av影院在线观看| 婷婷成人精品国产| 午夜福利欧美成人| 大陆偷拍与自拍| 日本一区二区免费在线视频| 亚洲色图综合在线观看| 国产无遮挡羞羞视频在线观看| 18禁美女被吸乳视频| 精品午夜福利视频在线观看一区 | 午夜福利视频精品| 国产一区二区三区视频了| 人人妻人人澡人人爽人人夜夜| 欧美日韩一级在线毛片| 免费一级毛片在线播放高清视频 | 青青草视频在线视频观看| 丝袜美足系列| 岛国在线观看网站| 国产xxxxx性猛交| 麻豆av在线久日| 亚洲av片天天在线观看| 亚洲精品成人av观看孕妇| 黄色视频不卡| 国产激情久久老熟女| 亚洲精品成人av观看孕妇| 国内毛片毛片毛片毛片毛片| 久久久久精品国产欧美久久久| 国产野战对白在线观看| 欧美激情高清一区二区三区| 丰满迷人的少妇在线观看| 一个人免费看片子| 91国产中文字幕| 9191精品国产免费久久| 久久精品国产亚洲av香蕉五月 | 亚洲精品国产色婷婷电影| 熟女少妇亚洲综合色aaa.| 水蜜桃什么品种好| 女性生殖器流出的白浆| aaaaa片日本免费| 中文亚洲av片在线观看爽 | 亚洲成人国产一区在线观看| 夜夜爽天天搞| 男男h啪啪无遮挡| 天天躁狠狠躁夜夜躁狠狠躁| 久9热在线精品视频| 97人妻天天添夜夜摸| 国产午夜精品久久久久久| www.精华液| 亚洲欧美激情在线| 在线看a的网站| 可以免费在线观看a视频的电影网站| 国产亚洲av高清不卡| 大香蕉久久网| 十分钟在线观看高清视频www| 亚洲午夜精品一区,二区,三区| 国产91精品成人一区二区三区 | 一二三四在线观看免费中文在| 久久精品熟女亚洲av麻豆精品| 51午夜福利影视在线观看| 久久午夜综合久久蜜桃| 久久久国产欧美日韩av| 69精品国产乱码久久久| 香蕉久久夜色| 久久精品人人爽人人爽视色| 黑人欧美特级aaaaaa片| 在线观看www视频免费| a级毛片在线看网站| 成人永久免费在线观看视频 | 1024视频免费在线观看| 男女高潮啪啪啪动态图| 麻豆成人av在线观看| 国产在线视频一区二区| 欧美日韩亚洲国产一区二区在线观看 | 美女视频免费永久观看网站| 最近最新中文字幕大全免费视频| 国产精品一区二区免费欧美| 国产不卡一卡二| 亚洲一区二区三区欧美精品| 久久青草综合色| 1024香蕉在线观看| 性少妇av在线| 亚洲国产欧美日韩在线播放| 1024视频免费在线观看| 亚洲欧美一区二区三区久久| 久久av网站| 日本vs欧美在线观看视频| 久久久久久人人人人人| 免费高清在线观看日韩| 成人国产av品久久久| 午夜两性在线视频| 18禁国产床啪视频网站| 啪啪无遮挡十八禁网站| 首页视频小说图片口味搜索| 一级毛片精品| 欧美日韩av久久| 99国产极品粉嫩在线观看| 十八禁网站免费在线| 一区二区三区精品91| 精品午夜福利视频在线观看一区 | 黑人操中国人逼视频| tube8黄色片| 国产色视频综合| 国产亚洲av高清不卡| 国产精品一区二区在线观看99| 欧美国产精品一级二级三级| 久久久国产欧美日韩av| 国产黄色免费在线视频| 日韩免费高清中文字幕av| 成人免费观看视频高清| 国产亚洲欧美精品永久| 婷婷成人精品国产| 汤姆久久久久久久影院中文字幕| 啦啦啦视频在线资源免费观看| 精品一区二区三卡| 十分钟在线观看高清视频www| 欧美日韩亚洲高清精品| tocl精华| 亚洲欧美一区二区三区久久| 91成年电影在线观看| 久久久久视频综合| 亚洲国产成人一精品久久久| 国产精品成人在线| 老司机深夜福利视频在线观看| 精品一品国产午夜福利视频| 亚洲国产欧美在线一区| 飞空精品影院首页| 69av精品久久久久久 | 国产成人精品久久二区二区免费| 在线观看免费视频日本深夜| 宅男免费午夜| 亚洲人成电影免费在线| 国产精品一区二区精品视频观看| 亚洲精品国产精品久久久不卡| 2018国产大陆天天弄谢| 18禁观看日本| 久久亚洲真实| 亚洲情色 制服丝袜| 日韩视频在线欧美| 最新在线观看一区二区三区| 精品一区二区三区视频在线观看免费 | 超色免费av| 欧美大码av| 国产男靠女视频免费网站| 老鸭窝网址在线观看| 男男h啪啪无遮挡| 国产精品国产av在线观看| 99热网站在线观看| 午夜福利影视在线免费观看| 97在线人人人人妻| 国产精品秋霞免费鲁丝片| 久热爱精品视频在线9| 国产欧美亚洲国产| 一本色道久久久久久精品综合| 动漫黄色视频在线观看| 丝袜美腿诱惑在线| 啦啦啦中文免费视频观看日本| 国产淫语在线视频| 亚洲人成电影免费在线| 老司机在亚洲福利影院| 天天影视国产精品| 男女边摸边吃奶| 黄色毛片三级朝国网站| 动漫黄色视频在线观看| 色精品久久人妻99蜜桃| 一级毛片女人18水好多| 久久亚洲精品不卡| 精品国产一区二区久久| 久久久精品区二区三区| 精品国产一区二区三区久久久樱花| 国产精品免费大片| 999久久久精品免费观看国产| 极品教师在线免费播放| 欧美国产精品一级二级三级| 国产精品免费一区二区三区在线 | 精品亚洲乱码少妇综合久久| 亚洲人成伊人成综合网2020| 亚洲色图av天堂| 国产有黄有色有爽视频| 国产精品亚洲av一区麻豆| 一级黄色大片毛片| 香蕉丝袜av| 欧美日韩国产mv在线观看视频| 国产又色又爽无遮挡免费看| 亚洲avbb在线观看| 久久婷婷成人综合色麻豆| 大香蕉久久网| 啦啦啦视频在线资源免费观看| 热re99久久精品国产66热6| 精品人妻熟女毛片av久久网站| 免费在线观看日本一区| 1024香蕉在线观看| 2018国产大陆天天弄谢| 久久精品aⅴ一区二区三区四区| 国产一区二区在线观看av| 老熟女久久久| 日韩有码中文字幕| 高潮久久久久久久久久久不卡| 丁香欧美五月| av超薄肉色丝袜交足视频| 亚洲午夜精品一区,二区,三区| 啦啦啦 在线观看视频| 亚洲成人手机| 十八禁网站免费在线| 亚洲情色 制服丝袜| 在线天堂中文资源库| 国产一区二区 视频在线| 黑人巨大精品欧美一区二区蜜桃| 亚洲五月婷婷丁香|