• <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99热6这里只有精品| 3wmmmm亚洲av在线观看| 国产精品爽爽va在线观看网站| 最后的刺客免费高清国语| 久久99热6这里只有精品| 99热精品在线国产| 女同久久另类99精品国产91| 国产精品av视频在线免费观看| 亚洲性夜色夜夜综合| 国产片特级美女逼逼视频| 国产乱人偷精品视频| 搡老熟女国产l中国老女人| 日本黄大片高清| 精品一区二区免费观看| 嫩草影院新地址| 国产中年淑女户外野战色| 淫妇啪啪啪对白视频| 精品福利观看| eeuss影院久久| 狂野欧美激情性xxxx在线观看| 麻豆国产av国片精品| 九九爱精品视频在线观看| 国产亚洲精品av在线| 成年女人看的毛片在线观看| 美女黄网站色视频| 亚洲四区av| 中文在线观看免费www的网站| 人妻制服诱惑在线中文字幕| 欧美+亚洲+日韩+国产| 精品午夜福利在线看| 在线观看午夜福利视频| 日本三级黄在线观看| 少妇熟女aⅴ在线视频| 蜜臀久久99精品久久宅男| 国产av不卡久久| 久久精品影院6| videossex国产| 精品99又大又爽又粗少妇毛片| 欧美激情国产日韩精品一区| 色噜噜av男人的天堂激情| 欧美一区二区亚洲| 国产精品久久久久久久久免| 亚洲色图av天堂| 日本色播在线视频| 欧美激情在线99| 成年女人毛片免费观看观看9| 啦啦啦韩国在线观看视频| 免费观看在线日韩| 有码 亚洲区| 成人av在线播放网站| 中文字幕久久专区| 欧美又色又爽又黄视频| 中国国产av一级| 精品人妻熟女av久视频| 亚洲中文日韩欧美视频| 亚洲国产精品sss在线观看| 俄罗斯特黄特色一大片| 精品日产1卡2卡| 中文资源天堂在线| 蜜臀久久99精品久久宅男| 日韩强制内射视频| 非洲黑人性xxxx精品又粗又长| 久久久久久久久中文| 成人毛片a级毛片在线播放| 亚洲一级一片aⅴ在线观看| 国模一区二区三区四区视频| 国产大屁股一区二区在线视频| 波野结衣二区三区在线| 国产伦精品一区二区三区视频9| а√天堂www在线а√下载| 干丝袜人妻中文字幕| 欧美激情国产日韩精品一区| avwww免费| av视频在线观看入口| 成熟少妇高潮喷水视频| 波野结衣二区三区在线| 免费高清视频大片| 中文字幕精品亚洲无线码一区| 青春草视频在线免费观看| 亚洲一区二区三区色噜噜| 久久久久久久久久黄片| 可以在线观看的亚洲视频| 国产伦精品一区二区三区四那| 久久精品91蜜桃| 亚州av有码| 插阴视频在线观看视频| 联通29元200g的流量卡| 97碰自拍视频| 色播亚洲综合网| 免费黄网站久久成人精品| 免费av不卡在线播放| www.色视频.com| 亚洲精品久久国产高清桃花| 级片在线观看| 日本熟妇午夜| 国产高清激情床上av| 亚洲精品久久国产高清桃花| 美女被艹到高潮喷水动态| 日韩人妻高清精品专区| 欧美性感艳星| 亚洲图色成人| 麻豆久久精品国产亚洲av| 亚洲一级一片aⅴ在线观看| 日韩亚洲欧美综合| 午夜视频国产福利| 亚洲自拍偷在线| a级毛片免费高清观看在线播放| 欧美xxxx性猛交bbbb| 免费av观看视频| 国产三级在线视频| 毛片一级片免费看久久久久| av黄色大香蕉| 国产成人精品久久久久久| 深夜精品福利| 国产视频内射| 欧美最新免费一区二区三区| 黑人高潮一二区| 亚洲国产色片| 亚洲性久久影院| 日韩中字成人| 俺也久久电影网| 免费人成在线观看视频色| 悠悠久久av| 中文字幕熟女人妻在线| 国产91av在线免费观看| 看免费成人av毛片| 亚洲自偷自拍三级| 免费在线观看成人毛片| 网址你懂的国产日韩在线| 免费不卡的大黄色大毛片视频在线观看 | 三级毛片av免费| 中文资源天堂在线| 国产精品免费一区二区三区在线| 国产麻豆成人av免费视频| 国产成人一区二区在线| 久久婷婷人人爽人人干人人爱| 午夜福利视频1000在线观看| 色5月婷婷丁香| 国产不卡一卡二| 欧美成人一区二区免费高清观看| 亚洲av中文字字幕乱码综合| 男女下面进入的视频免费午夜| 成人无遮挡网站| 别揉我奶头 嗯啊视频| 九九在线视频观看精品| 亚洲美女视频黄频| 免费观看的影片在线观看| 欧美极品一区二区三区四区| 欧美不卡视频在线免费观看| 国国产精品蜜臀av免费| 成人鲁丝片一二三区免费| 搡老熟女国产l中国老女人| 久久久午夜欧美精品| 成人漫画全彩无遮挡| 69av精品久久久久久| 亚洲欧美日韩高清专用| 91在线观看av| 3wmmmm亚洲av在线观看| 亚洲aⅴ乱码一区二区在线播放| 久久草成人影院| 国产精品亚洲美女久久久| 免费看a级黄色片| 偷拍熟女少妇极品色| 国产69精品久久久久777片| 三级经典国产精品| 免费不卡的大黄色大毛片视频在线观看 | 免费搜索国产男女视频| 又黄又爽又刺激的免费视频.| 国内精品美女久久久久久| 国产一区二区三区在线臀色熟女| 欧美成人免费av一区二区三区| 亚洲成人av在线免费| 久久久久久伊人网av| 麻豆国产av国片精品| 国产探花在线观看一区二区| 无遮挡黄片免费观看| 一级毛片久久久久久久久女| 老师上课跳d突然被开到最大视频| 熟女电影av网| 丰满乱子伦码专区| 人妻久久中文字幕网| 欧美高清成人免费视频www| 免费看a级黄色片| 麻豆国产97在线/欧美| 欧美色欧美亚洲另类二区| 久久久久免费精品人妻一区二区| 丰满的人妻完整版| 国产精华一区二区三区| 日日摸夜夜添夜夜添av毛片| 久久精品久久久久久噜噜老黄 | 成年版毛片免费区| 色综合站精品国产| 亚洲av不卡在线观看| 国内精品美女久久久久久| 国产一区二区激情短视频| 晚上一个人看的免费电影| 欧美激情久久久久久爽电影| 欧美性猛交黑人性爽| 日本撒尿小便嘘嘘汇集6| 日韩在线高清观看一区二区三区| 久久精品国产清高在天天线| 精品人妻熟女av久视频| 在线观看免费视频日本深夜| 久久精品综合一区二区三区| 男女那种视频在线观看| 悠悠久久av| 岛国在线免费视频观看| 观看免费一级毛片| 精华霜和精华液先用哪个| 亚洲aⅴ乱码一区二区在线播放| 啦啦啦观看免费观看视频高清| 22中文网久久字幕| 日韩欧美精品免费久久| 啦啦啦韩国在线观看视频| 欧美最新免费一区二区三区| 观看美女的网站| 国产91av在线免费观看| 在线观看av片永久免费下载| 草草在线视频免费看| 99久国产av精品国产电影| 内地一区二区视频在线| 两性午夜刺激爽爽歪歪视频在线观看| avwww免费| 99久久精品国产国产毛片| 成人永久免费在线观看视频| 草草在线视频免费看| 久久精品夜色国产| 婷婷精品国产亚洲av| 久久久久久国产a免费观看| 亚洲一区高清亚洲精品| 亚洲国产高清在线一区二区三| 国产男人的电影天堂91| 亚洲不卡免费看| 午夜福利在线观看免费完整高清在 | 舔av片在线| 中出人妻视频一区二区| 国产女主播在线喷水免费视频网站 | 午夜老司机福利剧场| 国内精品久久久久精免费| 日韩一本色道免费dvd| 久久久精品欧美日韩精品| 午夜精品国产一区二区电影 | 大香蕉久久网| 亚洲18禁久久av| 中出人妻视频一区二区| 三级国产精品欧美在线观看| 国产精品久久久久久av不卡| 午夜视频国产福利| 高清日韩中文字幕在线| 51国产日韩欧美| 在线观看免费视频日本深夜| 听说在线观看完整版免费高清| 成年av动漫网址| 亚洲中文字幕日韩| 男女视频在线观看网站免费| 美女被艹到高潮喷水动态| 精品一区二区免费观看| 欧美色欧美亚洲另类二区| 成年女人看的毛片在线观看| 少妇裸体淫交视频免费看高清| 啦啦啦韩国在线观看视频| 国产午夜精品久久久久久一区二区三区 | 久久99热6这里只有精品| 在线观看免费视频日本深夜| 乱人视频在线观看| 十八禁国产超污无遮挡网站| 色在线成人网| 秋霞在线观看毛片| 成人特级黄色片久久久久久久| 两个人视频免费观看高清| 精品人妻一区二区三区麻豆 | 久久精品综合一区二区三区| 一卡2卡三卡四卡精品乱码亚洲| 日韩欧美 国产精品| 天美传媒精品一区二区| 国产精品不卡视频一区二区| 精品乱码久久久久久99久播| 麻豆精品久久久久久蜜桃| 寂寞人妻少妇视频99o| 国产一区二区三区在线臀色熟女| 国产在线精品亚洲第一网站| 日韩欧美精品v在线| 国产麻豆成人av免费视频| 看免费成人av毛片| 中文字幕熟女人妻在线| 日本在线视频免费播放| 97人妻精品一区二区三区麻豆| 午夜老司机福利剧场| 99久久精品一区二区三区| 国产精品,欧美在线| 午夜激情欧美在线| 成人av一区二区三区在线看| 毛片一级片免费看久久久久| 伦精品一区二区三区| 一进一出好大好爽视频| 国产91av在线免费观看| 午夜福利高清视频| 亚洲四区av| 特级一级黄色大片| 欧美性猛交黑人性爽| 国产久久久一区二区三区| 日韩欧美精品v在线| 午夜福利视频1000在线观看| 国产白丝娇喘喷水9色精品| 久久人人爽人人爽人人片va| 尤物成人国产欧美一区二区三区| 亚洲真实伦在线观看| 精品人妻熟女av久视频| 欧美不卡视频在线免费观看| 一级毛片久久久久久久久女| 天堂网av新在线| 久久久久久伊人网av| 韩国av在线不卡| 永久网站在线| 99国产精品一区二区蜜桃av| 三级经典国产精品| 亚洲av熟女| 欧美+日韩+精品| 亚洲自偷自拍三级| 中文字幕人妻熟人妻熟丝袜美| 国产一区二区在线观看日韩| 99热全是精品| 神马国产精品三级电影在线观看| 久久九九热精品免费| 欧美区成人在线视频| 久久久精品欧美日韩精品| 美女被艹到高潮喷水动态| 久久精品夜夜夜夜夜久久蜜豆| 亚洲精品456在线播放app| 欧美三级亚洲精品| 久久国内精品自在自线图片| 日韩国内少妇激情av| 欧美性猛交╳xxx乱大交人| 99热精品在线国产| 91麻豆精品激情在线观看国产| 一边摸一边抽搐一进一小说| 久久久久国产精品人妻aⅴ院| 男女边吃奶边做爰视频| 99热精品在线国产| 国产精品免费一区二区三区在线| 男女那种视频在线观看| 男女下面进入的视频免费午夜| 成年女人毛片免费观看观看9| 成人高潮视频无遮挡免费网站| 免费观看人在逋| 成人美女网站在线观看视频| АⅤ资源中文在线天堂| 亚洲在线观看片| 亚洲精品一区av在线观看| 久久精品夜色国产| 身体一侧抽搐| 能在线免费观看的黄片| 国产一级毛片七仙女欲春2| 亚洲欧美清纯卡通| 黄色配什么色好看| 一个人观看的视频www高清免费观看| 亚洲无线观看免费| 女生性感内裤真人,穿戴方法视频| 亚洲av成人精品一区久久| 亚洲国产精品sss在线观看| 在线看三级毛片| av.在线天堂| 99riav亚洲国产免费| 在线国产一区二区在线| 成人特级av手机在线观看| 99热这里只有精品一区| 少妇丰满av| 99热这里只有是精品在线观看| 国产精品一区二区三区四区免费观看 | 中文字幕免费在线视频6| 国产高潮美女av| 国产片特级美女逼逼视频| av福利片在线观看| 男插女下体视频免费在线播放| 成人高潮视频无遮挡免费网站| 精品久久国产蜜桃| 国产亚洲精品综合一区在线观看| 欧美性感艳星| 免费av观看视频| 我要看日韩黄色一级片| 级片在线观看| 亚洲欧美成人综合另类久久久 | 岛国在线免费视频观看| 午夜日韩欧美国产| 欧美性感艳星| 可以在线观看毛片的网站| 亚洲一级一片aⅴ在线观看| 精品久久久久久成人av| www日本黄色视频网| 97超级碰碰碰精品色视频在线观看| 寂寞人妻少妇视频99o| 亚洲欧美日韩高清专用| 欧美三级亚洲精品| 能在线免费观看的黄片| 亚洲真实伦在线观看| 国产人妻一区二区三区在| 日韩人妻高清精品专区| 简卡轻食公司| 自拍偷自拍亚洲精品老妇| 国产精品一区www在线观看| 老熟妇仑乱视频hdxx| 男插女下体视频免费在线播放| 国产午夜福利久久久久久| av在线播放精品| 黄色一级大片看看| 综合色av麻豆| 真人做人爱边吃奶动态| 亚洲精品国产成人久久av| 丝袜喷水一区| 长腿黑丝高跟| 精品久久久噜噜| 亚洲熟妇熟女久久| 国产色爽女视频免费观看| 长腿黑丝高跟| 亚洲欧美成人精品一区二区| 岛国在线免费视频观看| 国产视频一区二区在线看| 亚洲最大成人手机在线| 又粗又爽又猛毛片免费看| 99热这里只有是精品在线观看| 国产 一区精品| 亚洲av电影不卡..在线观看| 97人妻精品一区二区三区麻豆| 精品久久久久久成人av| www日本黄色视频网| 老司机福利观看| www.色视频.com| 亚洲人成网站在线播| 国产成人91sexporn| 成年av动漫网址| 国产私拍福利视频在线观看| 免费在线观看成人毛片| 婷婷色综合大香蕉| 亚洲不卡免费看| 久久精品国产自在天天线| 国产av一区在线观看免费| 黄片wwwwww| 又爽又黄a免费视频| 深夜a级毛片| 亚洲不卡免费看| 亚洲一级一片aⅴ在线观看| av黄色大香蕉| 长腿黑丝高跟| 国产精品电影一区二区三区| 嫩草影院精品99| 免费一级毛片在线播放高清视频| 欧美性猛交╳xxx乱大交人| 久久鲁丝午夜福利片| 国产黄色小视频在线观看| 久久久a久久爽久久v久久| 日韩精品有码人妻一区| 亚洲成a人片在线一区二区| 无遮挡黄片免费观看| 99热这里只有精品一区| 国产伦精品一区二区三区视频9| 又黄又爽又刺激的免费视频.| 99久久中文字幕三级久久日本| 欧美最黄视频在线播放免费| 国产精品一区二区三区四区久久| 啦啦啦韩国在线观看视频| 欧美性猛交黑人性爽| 欧美潮喷喷水| 我要看日韩黄色一级片| 亚洲成av人片在线播放无| 女人十人毛片免费观看3o分钟| 熟妇人妻久久中文字幕3abv| 淫秽高清视频在线观看| 两性午夜刺激爽爽歪歪视频在线观看| 综合色av麻豆| 网址你懂的国产日韩在线| 毛片一级片免费看久久久久| 99久久久亚洲精品蜜臀av| 美女 人体艺术 gogo| 人妻夜夜爽99麻豆av| 97超级碰碰碰精品色视频在线观看| 91午夜精品亚洲一区二区三区| 国产精品久久久久久久久免| 18禁黄网站禁片免费观看直播| 日本在线视频免费播放| 搡女人真爽免费视频火全软件 | 日本黄色视频三级网站网址| 精品人妻熟女av久视频| 亚洲国产精品sss在线观看| 国产v大片淫在线免费观看| 国产私拍福利视频在线观看| 老女人水多毛片| 亚洲无线在线观看| 不卡视频在线观看欧美| 亚洲七黄色美女视频| 亚洲国产高清在线一区二区三| 亚洲va在线va天堂va国产| 欧美+亚洲+日韩+国产| 欧美极品一区二区三区四区| 日韩欧美一区二区三区在线观看| 国产探花在线观看一区二区| 麻豆国产97在线/欧美| 免费看光身美女| 日本一二三区视频观看| 国产高潮美女av| 蜜桃亚洲精品一区二区三区| 蜜臀久久99精品久久宅男| 国产亚洲精品久久久com| 国产女主播在线喷水免费视频网站 | 少妇熟女欧美另类| 国产高清激情床上av| 别揉我奶头 嗯啊视频| 亚洲18禁久久av| 国产伦在线观看视频一区| 亚洲七黄色美女视频| 日本-黄色视频高清免费观看| 18禁裸乳无遮挡免费网站照片| 永久网站在线| 老司机午夜福利在线观看视频| 99久国产av精品国产电影| ponron亚洲| 午夜福利成人在线免费观看| 一a级毛片在线观看| 免费观看精品视频网站| 国产精品女同一区二区软件| 99久久九九国产精品国产免费| 欧美激情在线99| 女同久久另类99精品国产91| 亚洲高清免费不卡视频| 大香蕉久久网| 国产精品美女特级片免费视频播放器| avwww免费| 99久久精品一区二区三区| 丝袜美腿在线中文| 天天躁夜夜躁狠狠久久av| 99热这里只有精品一区| 国产精品日韩av在线免费观看| 天堂av国产一区二区熟女人妻| 一夜夜www| 精品一区二区三区人妻视频| 蜜桃亚洲精品一区二区三区| www.色视频.com| 午夜日韩欧美国产| 偷拍熟女少妇极品色| 亚洲色图av天堂| 国产麻豆成人av免费视频| 亚洲精品亚洲一区二区| 国产精品永久免费网站| 淫秽高清视频在线观看| 国产伦一二天堂av在线观看| 俺也久久电影网| 一个人看视频在线观看www免费| 午夜福利视频1000在线观看| 深夜a级毛片| 亚洲精品乱码久久久v下载方式| 色哟哟·www| h日本视频在线播放| 国内精品宾馆在线| 美女免费视频网站| 级片在线观看| 久久久久久大精品| 亚洲专区国产一区二区| 精品欧美国产一区二区三| 黄片wwwwww| 看片在线看免费视频| 欧美一区二区亚洲| 国内精品美女久久久久久| 精品午夜福利视频在线观看一区| 色吧在线观看| 日韩国内少妇激情av| 在线观看午夜福利视频| 亚洲美女黄片视频| 亚洲在线自拍视频| 中国国产av一级| 国产毛片a区久久久久| 日韩av在线大香蕉| 亚洲中文字幕一区二区三区有码在线看| 熟女人妻精品中文字幕| 午夜福利高清视频| 韩国av在线不卡| 国产午夜精品久久久久久一区二区三区 | 人人妻人人看人人澡| 性色avwww在线观看| 精品人妻视频免费看| 直男gayav资源| 美女xxoo啪啪120秒动态图| 日本黄色视频三级网站网址| 非洲黑人性xxxx精品又粗又长| 色吧在线观看| 成人高潮视频无遮挡免费网站| 一本久久中文字幕| www日本黄色视频网| 国产激情偷乱视频一区二区| 一级毛片久久久久久久久女| 12—13女人毛片做爰片一| 高清毛片免费看| 亚洲熟妇熟女久久| 色5月婷婷丁香| 美女内射精品一级片tv| 一进一出抽搐gif免费好疼| 久久久久精品国产欧美久久久| 乱人视频在线观看| 麻豆久久精品国产亚洲av| 久久精品国产亚洲av天美| 深爱激情五月婷婷| 亚洲成人久久性| 欧美国产日韩亚洲一区| 超碰av人人做人人爽久久| 成人毛片a级毛片在线播放| 精品久久久久久久久久久久久| 天美传媒精品一区二区| 大型黄色视频在线免费观看| 乱码一卡2卡4卡精品| 一区二区三区四区激情视频 | 国产精品嫩草影院av在线观看| 欧美三级亚洲精品| 男人狂女人下面高潮的视频| 国产精品三级大全| 国产成人freesex在线 | 我的老师免费观看完整版| 高清毛片免费看|