• <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 ?

    融合多層注意力機制與雙向LSTM的語義關(guān)系抽取

    2019-10-11 11:24:36周文燁劉亮亮張再躍
    軟件導刊 2019年7期

    周文燁 劉亮亮 張再躍

    1. 江蘇科技大學 計算機科學與工程學院,江蘇 鎮(zhèn)江 212003;

    2. 上海對外經(jīng)貿(mào)大學 統(tǒng)計與信息學院,上海 201620)

    摘 要:關(guān)系抽取是構(gòu)建如知識圖譜等上層自然語言處理應(yīng)用的基礎(chǔ)。針對目前大多數(shù)關(guān)系抽取模型中忽略部分文本局部特征的問題,設(shè)計一種結(jié)合實體位置特征與多層注意力機制的雙向LSTM網(wǎng)絡(luò)結(jié)構(gòu)。首先根據(jù)位置特征擴充字向量特征,并將文本信息向量化,然后將文本向量化信息輸入雙向LSTM模型,通過多層注意力機制,提高LSTM模型輸入與輸出之間的相關(guān)性,最后通過分類器輸出關(guān)系獲取結(jié)果。使用人工標注的百科類語料進行語義關(guān)系獲取實驗,結(jié)果表明,改進方法優(yōu)于傳統(tǒng)基于模式匹配的關(guān)系獲取方法。

    關(guān)鍵詞:位置特征;多層注意力機制;雙向LSTM;關(guān)系抽取

    DOI:10. 11907/rjdk. 182763 開放科學(資源服務(wù))標識碼(OSID):

    中圖分類號:TP301文獻標識碼:A 文章編號:1672-7800(2019)007-0010-05

    Multi-level Attention-based Bidirectional Long Short-Term

    Memory Networks for Relation Extract

    ZHOU Wen-ye1,LIU Liang-liang2,ZHANG Zai-yue1

    (1. College of Computer, Jiangsu University of Science and Technology, Zhenjiang 212003,China;

    2. School of Statistics and Information, Shanghai University of International Business and Economics, Shanghai 201620, China)

    Abstract:Relational extraction is the basis for constructing upper natural language processing applications such as knowledge graph. Because most of state-of-the-art systems ignore the importance of the local feature, in this paper, we design a bidirectional LSTM network structure which combines position eigenvector and multi-level attention mechanism. Firstly, the model embedded the text information by extending word vector feature which was based on positional features. Secondly, the information was introduced into the bidirectional LSTM model, and multi-level attention was used to improve the probability between the input and output of LSTM model. Finally, it obtained the result by classifier. The proposed method in this paper achieves an better result than the tradition method.

    Key Words: position feature; multi-level attention mechanism; bidirectional LSTM; relation extraction

    基金項目:國家自然科學基金項目(61371114,611170165);江蘇高校高技術(shù)船舶協(xié)同創(chuàng)新中心/江蘇科技大學海洋裝備研究院項目(1174871701-9)

    作者簡介:周文燁(1995-),女,江蘇科技大學計算機科學與工程學院碩士研究生,研究方向為軟件工程、模式識別與圖像處理;劉亮亮(1979-),男,博士,上海對外經(jīng)貿(mào)大學統(tǒng)計與信息學院講師,研究方向為自然語言理解、知識工程與知識獲取;張再躍(1961-),男,江蘇科技大學計算機科學與工程學院教授,研究方向為數(shù)理邏輯與應(yīng)用邏輯、知識表示與推理、智能信息處理。本文通訊作者:張再躍。

    0 引言

    在信息量快速增長的今天,如何利用信息抽取技術(shù)快速、有效地獲取準確信息,一直是自然語言處理領(lǐng)域的重要研究課題,受到了學術(shù)界與工業(yè)界的廣泛關(guān)注[1]。信息抽取包括概念抽取與關(guān)系抽取兩方面,關(guān)系抽取[2-3]的目標是自動識別相關(guān)三元組,該三元組由一對概念及其之間的關(guān)系構(gòu)成。傳統(tǒng)關(guān)系抽取方法[4-5]通常采用基于手工標注語料的模式匹配方法,該方法在提取句子特征時依賴于命名實體識別的NLP系統(tǒng),容易導致計算成本和額外傳播錯誤增加;另外,手工標記特征非常耗時,而且由于不同訓練數(shù)據(jù)集的覆蓋率較低,因而導致通用性較差[6]。近年來,基于深度學習框架的神經(jīng)網(wǎng)絡(luò)模型成為實體關(guān)系抽取的新方法。深度學習是機器學習研究中的一個新領(lǐng)域,其動機在于建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)模型可自動學習句子特征,而無需復雜的特征工程[7-8]。研究過程中,Socher等[9]提出使用矩陣—遞歸神經(jīng)網(wǎng)絡(luò)模型MV-RNN完成關(guān)系抽取任務(wù)。該方法能夠有效考慮句子的句法結(jié)構(gòu)信息,但無法很好地考慮兩個實體在句子中的位置和句義信息,且方法運用準確率往往受限于句法分析準確率;Liu等[10]將卷積神經(jīng)網(wǎng)絡(luò)(CNN)引入關(guān)系抽取任務(wù),用于自動學習句子特征,但由于卷積神經(jīng)網(wǎng)絡(luò)無法對較長的句子進行建模,因而存在兩個實體的遠距離依賴問題。另外,RNN 和CNN 都未充分利用局部特征以及全局特征,使得關(guān)系抽取準確性較差[11]。

    LSTM(Long Short Term Memory)網(wǎng)絡(luò)是由Hochreiter & Schmidhuber[12]在1997年提出的一種RNN改進模型,其通過構(gòu)造專門的記憶單元存儲歷史信息,能夠有效解決兩實體之間的長距離依賴問題。Xu等[13]以LSTM為基礎(chǔ),利用詞向量、詞性標注、句法依存等方法對實體之間的最短依存路徑信息進行學習;劉燊等[14-15]則提出使用SDP-LSTM模型實現(xiàn)開放域?qū)嶓w關(guān)系抽取,可以分別處理句子可能出現(xiàn)的多個依存路徑。以上方法使用LSTM進行關(guān)系抽取,然而LSTM無法對局部特征與全局特征加以充分利用。

    注意力機制是Treisman & Gelade[16]提出的一種模擬人腦的模型,通過計算概率分布,突出關(guān)鍵輸入信息對模型輸出的影響以優(yōu)化模型。Bahdanau等[17]將注意力機制應(yīng)用在自然語言處理任務(wù)中,以提升機器翻譯的準確性。注意力機制可以充分利用句子的局部特征及全局特征,通過賦予重要特征更高權(quán)重,從而減少噪聲,提高關(guān)系抽取的準確性。因此,本文提出一種基于實體位置特征與多層注意力機制的LSTM實體語義關(guān)系獲取方法,運用兩層注意力機制,分別對字和句子增加注意力。實驗結(jié)果表明,該方法有利于提升實體語義關(guān)系獲取效果。

    1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

    Long Short Term Memory(LSTM)網(wǎng)絡(luò)是一種RNN的特殊類型,可以對長期依賴信息進行學習[18]。LSTM模型在文本處理領(lǐng)域的很多問題上都取得了很大成功,并得到了廣泛應(yīng)用。

    LSTM通過特殊設(shè)計以避免長期依賴問題。LSTM與RNN一樣,具有一種重復神經(jīng)網(wǎng)絡(luò)模塊的鏈式結(jié)構(gòu),但LSTM重復的模塊擁有不同結(jié)構(gòu)。在[t]時刻,LSTM有3個輸入:當前時刻網(wǎng)絡(luò)輸入值、上一時刻LSTM輸出值與上一時刻單元狀態(tài),以及2個輸出:當前時刻LSTM輸出值與當前時刻單元狀態(tài)。LSTM使用3個控制開關(guān)即3個門進行控制,分別是遺忘門、輸入門和輸出門。LSTM通過遺忘門決定從細胞狀態(tài)丟棄什么信息,通過輸入門決定將什么新信息存放在細胞狀態(tài)中,并通過輸出門決定輸出什么值。LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    其中,公式(1)用于計算輸入門,[ht-1]表示上一狀態(tài)輸出值,[xt]表示當前狀態(tài)輸入值,公式(2)用于計算遺忘門,公式(3)用于計算輸出門。[W]表示權(quán)值矩陣,[b]表示偏置量,激活函數(shù)采用sigmoid函數(shù),[Ct]表示單元狀態(tài)。

    LSTM模型的工作機制是將當前記憶與長期記憶進行組合,其最終輸出由輸出門和單元狀態(tài)共同確定。由于將長短期記憶進行了有機關(guān)聯(lián),LSTM模型解決了關(guān)系抽取過程中的長期依賴問題,但缺乏對句子中局部特征與全局特征加以利用的環(huán)節(jié)。為此,本文引入多層注意力機制,對于相關(guān)字與句子分別賦予相關(guān)權(quán)重,并減少噪聲,以提高關(guān)系獲取的準確性。

    2 改進的關(guān)系抽取模型

    本文結(jié)合實體位置特征與多層注意力機制的雙向LSTM網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建關(guān)系抽取模型,采用位置嵌入、字嵌入相結(jié)合的字向量表示方法,增加語義相關(guān)度,采用LSTM模型以避免傳統(tǒng)深度學習方法的長距離依賴問題,同時采用多層注意力機制,充分利用句子的局部特征以及全局特征。該模型框架主要包括以下兩部分:①融合特征的字向量生成。對語料庫中的文本信息進行向量化處理,提取文本的實體特征與位置特征,然后將這些特征轉(zhuǎn)換為字向量,得到句子融合特征的字向量表示;②關(guān)系抽取模型構(gòu)建。將文本的字向量表示導入雙向LSTM模型中,采用多層注意力增強文本的局部特征與全局特征,將增強后的特征導入分類器進行分類,輸出分類結(jié)果。模型框架如圖2所示。

    2.1 融合特征的字向量表示

    向量化表示是一種分布式表示,一般使用字向量表示作為神經(jīng)網(wǎng)絡(luò)的輸入,本文將每個輸入字轉(zhuǎn)換為向量。考慮到在關(guān)系抽取任務(wù)中,越靠近實體的字通常越能表示句子中兩個實體的關(guān)系,因此本文融合位置信息以擴充字向量維度,改進后的字向量稱為融合特征的字向量。

    (1)字向量:構(gòu)建字向量是將文本信息轉(zhuǎn)換為向量形式。將每個句子轉(zhuǎn)換成一個多維矩陣,給定一個由[T]個字組成的句子[S=x1,x2,?,xi,?,xT],對于句子[S]的每個字,使用word2vec[19]將每個字[xi]映射到一個低維實值向量空間中,通過公式(6)對句子進行字向量處理。

    其中,[ei]是字[xi]的字向量表示,[vi]是輸入字的one-hot形式,[Wword∈Rdωm],其中[m]是固定長度的詞典,[dω]表示字向量維度,[Rdωm]是一個向量空間,由此得到句子中每個字的向量化表示[e=e1,e2,?,eT]。

    (2)位置向量:在關(guān)系抽取任務(wù)中,越靠近目標實體的字通常更能表示句子中兩個實體的關(guān)系。本模型使用位置向量標記實體對,可以幫助LSTM判斷句中每個字與實體對的位置,將句子中第[i]字分別到[e1]和[e2]相對距離的組合定義為位置向量。句子實例如圖3所示。

    圖3 句子實例

    其中,“千金”是指“關(guān)系”,其關(guān)聯(lián)實體是“盧恬兒”(用[e1]表示)和”盧潤森”(用[e2]表示)。假設(shè)在句子向量化過程中,字向量維度為[dw],位置向量維度為[dp],則將字向量與位置向量組合在一起,將句子表示成一個向量[w=][ω1,ω2,?,ωT],其中[ωi∈Rd(d=dw+dp×2)]。

    在圖3實例中,該句子從關(guān)系“千金”到實體[e1]“盧恬兒”的距離[s1]為19,從關(guān)系“千金”到實體[e2] “盧潤森”的相對距離[s2]為5,則“千金”的向量化表示如圖4所示。

    圖4 融合特征字向量表示

    2.2 注意力機制

    注意力機制的思想來自于模仿人們在讀取句子信息時注意力的行為。因為中文信息對關(guān)系抽取的影響可能來源于某個關(guān)鍵字,所以類似關(guān)鍵字這種局部特征具有重要影響力,本文使用注意力機制增強局部特征與全局特征。

    (1)字級注意力機制: 將句子向量[w=ω1,ω2,?,ωT]輸入LSTM模型中,獲得句子初步訓練結(jié)果[ht],并使用公式(7)進行處理。

    在實際場景中,并非所有字都對句子含義的表示具有同等作用,在訓練過程中隨機初始化并共同學習字上下文向量[uω]。因此,引入字級注意機制衡量字與關(guān)系的相關(guān)程度,并匯總信息字的表示以形成句子向量。字級注意力機制具體公式如下:

    在使用字級注意力機制時,[αt]為該字[ut]與單字上下文向量[uω]的歸一化表示,[s]為兩者加權(quán)和。

    (2)句級注意力機制:將通過字級注意力機制得到的[s]組成的句子輸入LSTM模型得到輸出[hi]。與字級注意力機制相似,在訓練過程中隨機初始化并共同學習句子上下文向量[us,v]是所有句子的向量集合,具體公式如下:

    2.3 結(jié)果分類

    將實驗得到的結(jié)果通過分類器進行關(guān)系分類,輸出分類結(jié)果[S(x)]。

    其中,[Wm]表示分類器權(quán)值矩陣,[bm]表示分類器偏置,[s]表示分類器選擇,本文選擇Softmax作為分類器。Softmax一般用于多分類過程中,其將多個神經(jīng)元的輸出映射到(0,1)區(qū)間內(nèi)。本模型輸出[S(x)={p1,p2,,p3,?,pi,?,][p12}]是12維向量,第[i]維表示屬于第[i]類的概率[pi]。

    2.4 基于多層注意力機制的雙向LSTM關(guān)系獲取模型

    基于多層注意力機制的LSTM關(guān)系獲取模型構(gòu)建主要包括LSTM構(gòu)建、注意力機制引入與分類3部分,其模型如圖5所示。

    圖5 基于多層注意力機制的LSTM關(guān)系獲取模型

    本模型采用雙向LSTM網(wǎng)絡(luò)結(jié)構(gòu)與雙向LSTM模型,其網(wǎng)絡(luò)包含左右序列上下文的兩個子網(wǎng)絡(luò),分別是前向與后向傳遞。將上一節(jié)得到的句子向量化表示作為輸入,以第[i]個字為例,其輸出為:

    綜上所述,基于多層注意力機制的雙向LSTM關(guān)系獲取模型由兩層LSTM神經(jīng)網(wǎng)絡(luò)與兩層注意力機制組成。為了對句子局部與全局特征加以充分利用,本文選擇LSTM輸出層加入注意力機制,步驟如下:①輸入語料中的句子,對句子進行向量化處理,得到句子的融合特征向量化表示;②將向量化表示后的句子輸入LSTM網(wǎng)絡(luò)中進行初步學習,然后對其結(jié)果增加字級注意力機制,對句子局部特征增加權(quán)重;③將步驟②得到的結(jié)果輸入LSTM網(wǎng)絡(luò)中進行學習,然后對其結(jié)果增加句級注意力機制,并對全局特征增加權(quán)重;④將步驟③輸出結(jié)果輸入分類器中,得到輸入句子的實體關(guān)系類別,完成模型訓練。

    3 實驗

    為了驗證具有實體位置關(guān)系與注意力機制的雙向LSTM關(guān)系獲取模型可以使關(guān)系獲取準確率更高,使用本文設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)進行實驗。首先介紹實驗中使用的數(shù)據(jù)集與評估指標,并使用交叉驗證確定模型參數(shù);然后評估多層注意力的影響,并在不同大小的數(shù)據(jù)上顯示其性能;最后,將設(shè)計的模型與幾種關(guān)系抽取方法在同一數(shù)據(jù)集上進行實驗比較。

    3.1 實驗數(shù)據(jù)

    實驗采用的數(shù)據(jù)集是以百度百科、互動百科等中文類百科的語料為基礎(chǔ),進行人工標注后整理生成的。該數(shù)據(jù)集包括18 636個訓練樣本與2 453個測試樣本,共包含12種關(guān)系。樣本關(guān)系如表1所示,樣本示例如表2所示。

    表1 樣本關(guān)系

    表2 數(shù)據(jù)集示例

    3.2 實驗指標評價

    本文采用準確率([precision])、召回率([recall])和[F1]值作為模型性能評價指標,指標計算公式如下:

    [precision=right_outall_out] (15)

    [recall=right_outthis_all] (16)

    [F1=2?recall?precisionrecall+precision] (17)

    [right_out]表示輸出的判斷正確的個數(shù),[all_out]表示輸出的所有關(guān)系個數(shù),[this_all]表示測試集中所有此類關(guān)系的個數(shù)。

    3.3 參數(shù)設(shè)置

    本次實驗?zāi)P图せ詈瘮?shù)選用sigmoid函數(shù),并采用Softmax作為分類器。為了避免模型在計算過程中出現(xiàn)過擬合現(xiàn)象,采用L2正則化方法對網(wǎng)絡(luò)參數(shù)進行約束。訓練過程引入dropout策略,采用批量的Adadelta優(yōu)化方法用于模型訓練,并采用交叉驗證方式進行驗證,具體參數(shù)設(shè)置如表3所示。

    表3 參數(shù)設(shè)置

    3.4 實驗結(jié)果分析

    將3.1節(jié)語料庫的訓練樣本作為訓練集進行模型訓練,采用測試樣本對訓練后的模型進行測試。實驗抽取12類關(guān)系的評價指標如表4所示。

    表4 12類關(guān)系評價指標

    由表4可以看出,對類似于“父母”、“祖孫”等表達較為簡單、容易辨別的語義關(guān)系,本模型抽取結(jié)果要比“情侶”、“朋友”等表達更為復雜,且容易混淆的語義關(guān)系抽取效果更好。這是由于復雜的語義關(guān)系在進行關(guān)系抽取時對上下文語境要求更為嚴格,抽取難度較高,而簡單的語義關(guān)系更容易被模型所學習,抽取難度較低。

    3.5 對比試驗分析

    為了體現(xiàn)本文模型在關(guān)系抽取的準確度和穩(wěn)定性上存在一定優(yōu)勢,將本模型與傳統(tǒng)基于模式匹配[20-21]的關(guān)系抽取方法進行比較。同時,為了突顯本文模型的優(yōu)勢,實驗設(shè)定了3個模型:一是只采用LSTM結(jié)合的模型,二是只采用句級注意力機制的模型,三是本文提出的模型,實驗結(jié)果如表5所示。

    表5 實驗對比結(jié)果

    由表5可以看出:

    (1)LSTM方法相比于傳統(tǒng)基于模式匹配的關(guān)系提取方法,具有更高的召回率,且減少了手工標注的繁瑣過程,提取準確率更高。

    (2)LSTM+句級注意力機制方法相比于單純的LSTM方法,對LSTM模型輸入句子與輸出句子之間的相關(guān)行進行權(quán)重計算,提高了LSTM模型的準確率,[F1]值更高,性能更好。

    (3)本文設(shè)計的模型對局部特征進行處理,增加了句子中字的位置向量特征與字級注意力機制,提高了重要字的權(quán)重,增加了局部特征。相比于LSTM+句級注意力機制,該模型在召回范圍內(nèi)精度較高,準確率也有所提升,表明本文提出的模型是有效的。

    4 結(jié)語

    本文提出一種新的端對端神經(jīng)網(wǎng)絡(luò)模型用于實體關(guān)系獲取,該模型不僅保留了LSTM可避免長距離依賴問題的優(yōu)勢,還利用整個句子的序列信息,增加了位置向量特征與多層注意力機制,并充分利用了局部特征與全局特征,提高了關(guān)系抽取準確率。但該方法只能抽取預(yù)先設(shè)定好的關(guān)系集合,而對于開放領(lǐng)域的自動關(guān)系獲取方面仍有待進一步研究。

    參考文獻:

    [1] 郭喜躍,何婷婷. 信息抽取研究綜述[J]. 計算機科學,2015,42(2):14-17,38.

    [2] 郭喜躍,何婷婷,胡小華,等. 基于句法語義特征的中文實體關(guān)系抽取[J]. 中文信息學報,2014,28(6):183-189.

    [3] 臺麗婷. 基于半監(jiān)督機器學習的實體關(guān)系抽取算法研究[D]. 北京:北京郵電大學, 2018.

    [4] 陳立瑋,馮巖松,趙東巖. 基于弱監(jiān)督學習的海量網(wǎng)絡(luò)數(shù)據(jù)關(guān)系抽取[J]. 計算機研究與發(fā)展,2013,50(9):1825-1835.

    [5] 賈真, 何大可, 楊燕,等. 基于弱監(jiān)督學習的中文網(wǎng)絡(luò)百科關(guān)系抽取[J]. 智能系統(tǒng)學報, 2015(1):113-119.

    [6] 徐健,張智雄,吳振新. 實體關(guān)系抽取的技術(shù)方法綜述[J]. 現(xiàn)代圖書情報技術(shù),2008(8):18-23.

    [7] 李楓林,柯佳. 基于深度學習框架的實體關(guān)系抽取研究進展[J]. 情報科學,2018,36(3):169-176.

    [8] 劉紹毓, 李弼程, 郭志剛,等.? 實體關(guān)系抽取研究綜述[J].? 信息工程大學學報, 2016, 17(5):541-547.

    [9] 郭麗,劉磊. 基于關(guān)系相似度計算的實體關(guān)系分類研究[J]. 軟件導刊,2013,12(4):130-131.

    [10] SOCHER R,HUVAL B, MANNING C D, et al. Semantic compositionality through recursive matrix-vector spaces[C]. Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning,2012:1201-1211.

    [11] LIU C Y, SUN W B, CHAO W H, et al. Convolution neural network for relation extraction[C]. International Conference on Advanced Data Mining and Applications,2013:231-242.

    [12] SUNDERMEYER M,SCHLüTER R,NEY H. LSTM neural networks for language modeling[EB/OL]. http://www-i6.informatik.rwth- aachen.de/publications/download/820/Sundermeyer-2012.pdf.

    [13] GERS F A,SCHMIDHUBER J,CUMMINS F. Learning to forget: continual prediction with LSTM[J]. Neural Computation, 2014, 12(10):2451-2471.

    [14] YAN X,MOU L,LI G, et al. Classifying relations via long short term memory networks along shortest dependency path[J].? Computer Science, 2015, 42(1):56-61.

    [15] 劉燊. 面向《大詞林》的中文實體關(guān)系挖掘[D]. 哈爾濱: 哈爾濱工業(yè)大學,2016.

    [16] TREISMAN A,SYKES M,GELADE G. Selective attention and stimulus integration[J]. Attention and performance VI,1977,333:97-110.

    [17] BAHDANAU D,CHO K,BENGIO Y. Neural machine translation by jointly learning to align and translate[J]. Computer Science, 2014.

    [18] HOCHREITER S. The vanishing gradient problem during learning recurrent neural nets and problem solutions[J]. International Journal of Uncertainty, Fuzziness and Knowledge-Based, Systems, 1998, 6(2):107-116.

    [19] MIKOLOV T, SUTSKEVER I, CHEN K, et al. Distributed representations of words and phrases and their compositionality[C]. International Conference on Neural Information Processing Systems. Curran Associates Inc, 2013:3111-3119.

    [20] BRIN S. Extracting patterns and relations from the World Wide Web[M]. Berlin:Springer Berlin Heidelberg,1998.

    [21] 李夢瑤,向卓元. 基于語音識別技術(shù)的移動全能秘書平臺設(shè)計[J].? 軟件導刊,2015,14(8):127-129.

    (責任編輯:黃 健)

    久久精品国产a三级三级三级| 最后的刺客免费高清国语| 王馨瑶露胸无遮挡在线观看| 男人和女人高潮做爰伦理| 少妇 在线观看| 亚洲国产精品成人久久小说| 色视频www国产| 成人午夜精彩视频在线观看| 人妻制服诱惑在线中文字幕| 只有这里有精品99| 日本猛色少妇xxxxx猛交久久| 一本大道久久a久久精品| 亚洲精品乱码久久久v下载方式| 伊人久久精品亚洲午夜| 三级国产精品欧美在线观看| 国产午夜精品久久久久久一区二区三区| 欧美国产精品一级二级三级 | 高清黄色对白视频在线免费看 | 国产在线男女| 在线观看av片永久免费下载| 亚洲精品国产色婷婷电影| 国产片特级美女逼逼视频| 丝袜喷水一区| 边亲边吃奶的免费视频| 国产亚洲午夜精品一区二区久久| 在线免费观看不下载黄p国产| 男女无遮挡免费网站观看| 免费观看在线日韩| 日韩av免费高清视频| 亚洲欧美清纯卡通| 亚洲三级黄色毛片| 国产免费一级a男人的天堂| 日韩大片免费观看网站| 大香蕉97超碰在线| 免费人成在线观看视频色| 天堂中文最新版在线下载| 桃花免费在线播放| 人妻人人澡人人爽人人| 中文字幕久久专区| 亚洲精品亚洲一区二区| 视频中文字幕在线观看| 蜜桃久久精品国产亚洲av| 国产在线免费精品| 国产成人免费观看mmmm| 国产淫片久久久久久久久| videos熟女内射| 国产高清不卡午夜福利| 在线观看三级黄色| 少妇人妻精品综合一区二区| 欧美激情国产日韩精品一区| 成人国产麻豆网| 一区二区三区四区激情视频| 亚洲国产精品国产精品| 熟女电影av网| 国产男女内射视频| 丰满饥渴人妻一区二区三| 中文资源天堂在线| 最黄视频免费看| av国产精品久久久久影院| 一级av片app| 久久精品国产亚洲av涩爱| 免费人妻精品一区二区三区视频| 久久 成人 亚洲| 精品99又大又爽又粗少妇毛片| 欧美日本中文国产一区发布| 日韩制服骚丝袜av| 精品一区二区三区视频在线| 国产av一区二区精品久久| 一级,二级,三级黄色视频| 精品一区在线观看国产| 国产精品久久久久久久久免| 国产男女超爽视频在线观看| 日韩av免费高清视频| 水蜜桃什么品种好| 久久久久久久久久成人| 欧美日韩视频精品一区| 国产精品久久久久久av不卡| 极品少妇高潮喷水抽搐| a级毛片在线看网站| 成人特级av手机在线观看| 精品人妻熟女av久视频| 99re6热这里在线精品视频| 精品久久久久久久久亚洲| 啦啦啦视频在线资源免费观看| 国产爽快片一区二区三区| 色94色欧美一区二区| 亚洲av男天堂| 中文乱码字字幕精品一区二区三区| 中文字幕久久专区| 午夜av观看不卡| 国产高清有码在线观看视频| 老女人水多毛片| 男女免费视频国产| 激情五月婷婷亚洲| 亚洲美女搞黄在线观看| 高清午夜精品一区二区三区| 在线观看三级黄色| 最近的中文字幕免费完整| 亚洲精品一二三| 成人黄色视频免费在线看| 国产av国产精品国产| 熟妇人妻不卡中文字幕| 大话2 男鬼变身卡| 99九九线精品视频在线观看视频| 久热久热在线精品观看| 全区人妻精品视频| 青春草亚洲视频在线观看| 久热久热在线精品观看| 国产免费福利视频在线观看| 偷拍熟女少妇极品色| 亚洲精品中文字幕在线视频 | 在线观看国产h片| 色视频www国产| 国产精品一区二区三区四区免费观看| 日韩中文字幕视频在线看片| 少妇人妻精品综合一区二区| 女性生殖器流出的白浆| xxx大片免费视频| 国产 精品1| 欧美老熟妇乱子伦牲交| 国产精品秋霞免费鲁丝片| 精品久久久精品久久久| 久久婷婷青草| 久久精品久久久久久噜噜老黄| 人妻人人澡人人爽人人| 18+在线观看网站| 少妇人妻一区二区三区视频| 亚洲va在线va天堂va国产| 黄色欧美视频在线观看| 婷婷色麻豆天堂久久| 国产黄片视频在线免费观看| 观看免费一级毛片| 亚洲精品,欧美精品| 91在线精品国自产拍蜜月| 国产在线一区二区三区精| 亚洲第一区二区三区不卡| 夫妻午夜视频| 亚洲成人一二三区av| 久久久久久久久久久免费av| 精品久久久久久久久av| 亚洲精品国产av蜜桃| 色网站视频免费| 亚洲精品色激情综合| 国产淫片久久久久久久久| 另类亚洲欧美激情| 草草在线视频免费看| 国产精品久久久久成人av| tube8黄色片| 亚洲av欧美aⅴ国产| 9色porny在线观看| 精品99又大又爽又粗少妇毛片| 高清午夜精品一区二区三区| 久久综合国产亚洲精品| 午夜精品国产一区二区电影| 人妻夜夜爽99麻豆av| 在线观看国产h片| 狠狠精品人妻久久久久久综合| 日本-黄色视频高清免费观看| 亚洲欧洲日产国产| 内地一区二区视频在线| a级毛片在线看网站| 久久久久久久精品精品| 国产乱人偷精品视频| 欧美精品人与动牲交sv欧美| 人人澡人人妻人| 久久精品国产亚洲av天美| 亚洲第一区二区三区不卡| 丰满乱子伦码专区| 乱人伦中国视频| 国产女主播在线喷水免费视频网站| 搡老乐熟女国产| 亚洲国产欧美日韩在线播放 | 欧美日韩av久久| 国产精品不卡视频一区二区| 爱豆传媒免费全集在线观看| 香蕉精品网在线| 亚洲成人av在线免费| 国产男人的电影天堂91| 亚洲精品第二区| 欧美激情极品国产一区二区三区 | 精华霜和精华液先用哪个| 能在线免费看毛片的网站| av专区在线播放| 黄片无遮挡物在线观看| 99久久精品国产国产毛片| 国产又色又爽无遮挡免| www.色视频.com| 男人爽女人下面视频在线观看| 欧美老熟妇乱子伦牲交| 久久久久视频综合| 一级av片app| 国产av码专区亚洲av| 九色成人免费人妻av| 亚洲av综合色区一区| 大陆偷拍与自拍| 免费av中文字幕在线| 香蕉精品网在线| 夜夜看夜夜爽夜夜摸| 久久ye,这里只有精品| 久久久久久久大尺度免费视频| 九九在线视频观看精品| 久久人人爽av亚洲精品天堂| 夜夜爽夜夜爽视频| 亚洲欧洲国产日韩| 春色校园在线视频观看| 国产成人一区二区在线| 菩萨蛮人人尽说江南好唐韦庄| 亚洲国产精品成人久久小说| 欧美最新免费一区二区三区| 国产亚洲欧美精品永久| 久久精品国产亚洲av天美| 一级,二级,三级黄色视频| 国产免费视频播放在线视频| 在线观看一区二区三区激情| 99热国产这里只有精品6| 久久久久网色| 三级经典国产精品| 美女xxoo啪啪120秒动态图| 精品亚洲乱码少妇综合久久| 国产精品无大码| 亚洲va在线va天堂va国产| 亚洲精华国产精华液的使用体验| 一本色道久久久久久精品综合| 99热这里只有是精品在线观看| 大陆偷拍与自拍| 久久午夜综合久久蜜桃| 国产一区有黄有色的免费视频| 国产精品福利在线免费观看| 中文乱码字字幕精品一区二区三区| 99re6热这里在线精品视频| 日韩三级伦理在线观看| 久久久久久人妻| 天天躁夜夜躁狠狠久久av| av在线播放精品| 日韩视频在线欧美| 亚洲美女视频黄频| 超碰97精品在线观看| 免费观看在线日韩| 免费观看性生交大片5| 亚洲三级黄色毛片| 一本—道久久a久久精品蜜桃钙片| 国产精品国产三级国产专区5o| 久久久久久久久久人人人人人人| 欧美性感艳星| 久久久久久久亚洲中文字幕| 亚洲美女视频黄频| 久久久久久久大尺度免费视频| 国内少妇人妻偷人精品xxx网站| 久久国产亚洲av麻豆专区| 久久精品熟女亚洲av麻豆精品| av免费观看日本| 精品一区二区三区视频在线| 国产精品久久久久久久电影| av卡一久久| 少妇被粗大的猛进出69影院 | 99精国产麻豆久久婷婷| 久久99热这里只频精品6学生| 久久精品熟女亚洲av麻豆精品| 99久久精品热视频| 国产精品蜜桃在线观看| 国产黄色免费在线视频| 一本一本综合久久| av福利片在线观看| 亚洲色图综合在线观看| 亚洲国产精品999| 精品午夜福利在线看| 亚洲av不卡在线观看| 亚洲欧美一区二区三区黑人 | 寂寞人妻少妇视频99o| 最近中文字幕高清免费大全6| 男女无遮挡免费网站观看| 国产欧美日韩综合在线一区二区 | 日本-黄色视频高清免费观看| 国产av国产精品国产| 成人午夜精彩视频在线观看| 免费久久久久久久精品成人欧美视频 | 国产精品一区二区性色av| 国产黄片视频在线免费观看| 久久av网站| 亚洲自偷自拍三级| 国产91av在线免费观看| 如日韩欧美国产精品一区二区三区 | 欧美xxxx性猛交bbbb| 欧美区成人在线视频| 欧美日韩视频高清一区二区三区二| 成人综合一区亚洲| 国产精品国产三级国产av玫瑰| 亚洲国产成人一精品久久久| 国产真实伦视频高清在线观看| 麻豆成人午夜福利视频| 成年美女黄网站色视频大全免费 | 九九爱精品视频在线观看| 国产精品国产三级专区第一集| 久久久久网色| 亚洲av日韩在线播放| 精品少妇内射三级| 欧美日本中文国产一区发布| 久久人人爽av亚洲精品天堂| 国产精品不卡视频一区二区| 久久午夜综合久久蜜桃| 欧美变态另类bdsm刘玥| 99久久中文字幕三级久久日本| 男人狂女人下面高潮的视频| 2022亚洲国产成人精品| 最近的中文字幕免费完整| 精品熟女少妇av免费看| av卡一久久| 国产精品99久久久久久久久| 我要看日韩黄色一级片| 久久久精品免费免费高清| 亚洲精品乱久久久久久| 精品亚洲成国产av| 色婷婷av一区二区三区视频| 久久精品国产亚洲av天美| 一区在线观看完整版| 麻豆乱淫一区二区| 永久免费av网站大全| videossex国产| 精品少妇黑人巨大在线播放| 亚洲av电影在线观看一区二区三区| 丝袜喷水一区| 各种免费的搞黄视频| 黑人巨大精品欧美一区二区蜜桃 | 伊人亚洲综合成人网| 久久国内精品自在自线图片| 日本免费在线观看一区| 亚洲精品国产av成人精品| 久久鲁丝午夜福利片| 久久午夜综合久久蜜桃| 国产成人午夜福利电影在线观看| 夫妻午夜视频| 赤兔流量卡办理| 九色成人免费人妻av| 少妇精品久久久久久久| 桃花免费在线播放| 中文字幕人妻熟人妻熟丝袜美| 成人国产麻豆网| 中文字幕亚洲精品专区| 69精品国产乱码久久久| 如何舔出高潮| 3wmmmm亚洲av在线观看| 国产精品蜜桃在线观看| 免费播放大片免费观看视频在线观看| 如何舔出高潮| 最黄视频免费看| 国产无遮挡羞羞视频在线观看| 日韩av在线免费看完整版不卡| 99久国产av精品国产电影| 亚洲成人av在线免费| 91精品伊人久久大香线蕉| 伊人久久精品亚洲午夜| 啦啦啦中文免费视频观看日本| 色5月婷婷丁香| 精品午夜福利在线看| 国产高清三级在线| 久久人人爽人人爽人人片va| 国产一区有黄有色的免费视频| 亚洲综合色惰| 极品少妇高潮喷水抽搐| 久久久久久伊人网av| 又爽又黄a免费视频| 日韩精品有码人妻一区| 狠狠精品人妻久久久久久综合| 亚洲天堂av无毛| 建设人人有责人人尽责人人享有的| 亚洲精品亚洲一区二区| 丰满饥渴人妻一区二区三| 欧美亚洲 丝袜 人妻 在线| 乱系列少妇在线播放| 亚洲av日韩在线播放| 2021少妇久久久久久久久久久| 欧美区成人在线视频| 亚洲va在线va天堂va国产| 美女脱内裤让男人舔精品视频| 精品卡一卡二卡四卡免费| 国产精品.久久久| 观看美女的网站| 亚洲无线观看免费| 久久精品久久精品一区二区三区| 日韩熟女老妇一区二区性免费视频| 欧美日韩视频高清一区二区三区二| 日韩成人伦理影院| 久久影院123| 欧美高清成人免费视频www| 久久午夜综合久久蜜桃| 亚洲,欧美,日韩| 亚洲情色 制服丝袜| 日日摸夜夜添夜夜添av毛片| 国产精品一区二区在线不卡| 一个人看视频在线观看www免费| 亚洲国产精品一区三区| 亚洲,欧美,日韩| 天堂8中文在线网| 欧美人与善性xxx| 人人澡人人妻人| 内射极品少妇av片p| 国产综合精华液| 高清视频免费观看一区二区| 亚洲色图综合在线观看| 国产男女超爽视频在线观看| 99久国产av精品国产电影| 人妻夜夜爽99麻豆av| 国产片特级美女逼逼视频| 午夜福利网站1000一区二区三区| 亚洲人与动物交配视频| 国产精品偷伦视频观看了| 国产69精品久久久久777片| 中文欧美无线码| 成人二区视频| 视频区图区小说| av在线app专区| 国产精品国产三级国产av玫瑰| 国产色爽女视频免费观看| 免费不卡的大黄色大毛片视频在线观看| 观看免费一级毛片| 少妇的逼好多水| 国产成人午夜福利电影在线观看| 一级毛片久久久久久久久女| 国产欧美亚洲国产| 能在线免费看毛片的网站| 亚洲电影在线观看av| 老司机亚洲免费影院| 久久99一区二区三区| 中文乱码字字幕精品一区二区三区| 天天操日日干夜夜撸| 少妇人妻精品综合一区二区| 哪个播放器可以免费观看大片| 香蕉精品网在线| 26uuu在线亚洲综合色| 丝瓜视频免费看黄片| 亚洲av男天堂| 午夜免费观看性视频| 中国国产av一级| 亚洲久久久国产精品| 亚洲精品久久午夜乱码| 伦理电影大哥的女人| 精品国产国语对白av| 亚洲第一区二区三区不卡| 欧美精品亚洲一区二区| 日本与韩国留学比较| 国产精品久久久久久久久免| 国产成人91sexporn| 在线观看一区二区三区激情| 一级毛片电影观看| 久久韩国三级中文字幕| 黄色配什么色好看| 性色avwww在线观看| 国产免费福利视频在线观看| 久久人人爽人人片av| 观看av在线不卡| 国产深夜福利视频在线观看| 亚洲精品乱久久久久久| 久久久精品免费免费高清| 天堂8中文在线网| 国产白丝娇喘喷水9色精品| av国产久精品久网站免费入址| 你懂的网址亚洲精品在线观看| 女性被躁到高潮视频| 亚洲激情五月婷婷啪啪| 中文字幕亚洲精品专区| 亚洲精品乱久久久久久| 国产伦精品一区二区三区四那| 中国国产av一级| 国产成人精品福利久久| 亚洲第一av免费看| 丰满迷人的少妇在线观看| 日韩熟女老妇一区二区性免费视频| 午夜老司机福利剧场| 成人毛片60女人毛片免费| 国产精品国产三级国产专区5o| 日韩伦理黄色片| 国产高清三级在线| 激情五月婷婷亚洲| 亚洲欧美日韩东京热| 欧美日韩国产mv在线观看视频| 三级国产精品欧美在线观看| 性色av一级| 26uuu在线亚洲综合色| 老女人水多毛片| 国产精品欧美亚洲77777| 99国产精品免费福利视频| 亚洲高清免费不卡视频| 大话2 男鬼变身卡| 三级国产精品片| 久久久久精品久久久久真实原创| 久久久久久久亚洲中文字幕| 成人18禁高潮啪啪吃奶动态图 | 全区人妻精品视频| 免费黄色在线免费观看| 国产熟女午夜一区二区三区 | 全区人妻精品视频| 丝袜脚勾引网站| 日产精品乱码卡一卡2卡三| 亚洲国产成人一精品久久久| 国产亚洲91精品色在线| 蜜桃在线观看..| 久久 成人 亚洲| 免费观看在线日韩| 久久精品久久久久久久性| 极品人妻少妇av视频| 精品一品国产午夜福利视频| 久久人人爽av亚洲精品天堂| 精品国产一区二区三区久久久樱花| 黄色视频在线播放观看不卡| 日本色播在线视频| 国产色爽女视频免费观看| 国产亚洲最大av| 看免费成人av毛片| 热99国产精品久久久久久7| 日本-黄色视频高清免费观看| 韩国av在线不卡| 亚洲美女视频黄频| 国产伦精品一区二区三区四那| 综合色丁香网| 在线天堂最新版资源| 久久人人爽人人片av| 精品国产一区二区久久| 午夜免费观看性视频| 久久青草综合色| 永久网站在线| 国产精品伦人一区二区| 美女国产视频在线观看| 另类亚洲欧美激情| 18禁在线无遮挡免费观看视频| 日韩人妻高清精品专区| 中文字幕免费在线视频6| 亚洲自偷自拍三级| 精品人妻熟女毛片av久久网站| 性色avwww在线观看| 男人舔奶头视频| 在线亚洲精品国产二区图片欧美 | 国产免费一区二区三区四区乱码| 国产永久视频网站| 嘟嘟电影网在线观看| 亚州av有码| a级片在线免费高清观看视频| 国产成人免费无遮挡视频| 国产免费一级a男人的天堂| 丝袜在线中文字幕| 大码成人一级视频| 免费看光身美女| 亚洲四区av| 如日韩欧美国产精品一区二区三区 | 久久久久国产精品人妻一区二区| 看非洲黑人一级黄片| 在线观看一区二区三区激情| 视频中文字幕在线观看| 天堂中文最新版在线下载| 亚洲成人一二三区av| 亚洲av福利一区| 欧美+日韩+精品| 中文字幕精品免费在线观看视频 | 精品人妻偷拍中文字幕| 九九爱精品视频在线观看| 久久久精品94久久精品| 久久久国产精品麻豆| 麻豆成人午夜福利视频| 亚洲欧美成人综合另类久久久| 久久婷婷青草| 亚洲成人手机| 我的老师免费观看完整版| 男人狂女人下面高潮的视频| 国产国拍精品亚洲av在线观看| 久久鲁丝午夜福利片| 国产老妇伦熟女老妇高清| 久久精品久久久久久噜噜老黄| 久热这里只有精品99| 精品卡一卡二卡四卡免费| freevideosex欧美| 国产高清三级在线| 久久青草综合色| 国产av精品麻豆| 啦啦啦啦在线视频资源| 久久人人爽人人爽人人片va| 黄色一级大片看看| 水蜜桃什么品种好| 精品一区二区免费观看| 国产精品不卡视频一区二区| 精品久久久精品久久久| 只有这里有精品99| 国产日韩欧美在线精品| 免费观看性生交大片5| 交换朋友夫妻互换小说| 丝瓜视频免费看黄片| 在线观看国产h片| 寂寞人妻少妇视频99o| 在线亚洲精品国产二区图片欧美 | 久久人人爽人人片av| 女人精品久久久久毛片| 久久久久久久久久成人| 简卡轻食公司| 亚洲综合色惰| 久久亚洲国产成人精品v| av不卡在线播放| 少妇丰满av| 久热这里只有精品99| 王馨瑶露胸无遮挡在线观看| 欧美日韩在线观看h| 成年女人在线观看亚洲视频| 日本爱情动作片www.在线观看| 伊人亚洲综合成人网| videos熟女内射| 日本爱情动作片www.在线观看| 国产永久视频网站| 老女人水多毛片| 国产黄片视频在线免费观看| 91久久精品电影网| 久久久久久久久久久丰满| 免费大片18禁| 在线天堂最新版资源| 女的被弄到高潮叫床怎么办| 免费av中文字幕在线| 高清午夜精品一区二区三区| 另类精品久久| 国产亚洲欧美精品永久|