• <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)

    aaaaa片日本免费| 国产精品综合久久久久久久免费 | 母亲3免费完整高清在线观看| 中亚洲国语对白在线视频| 在线观看免费日韩欧美大片| 99精品久久久久人妻精品| 欧美乱妇无乱码| 中文字幕色久视频| 国产日韩一区二区三区精品不卡| 一本大道久久a久久精品| 黑人巨大精品欧美一区二区mp4| 99国产极品粉嫩在线观看| 午夜福利一区二区在线看| 91成年电影在线观看| 久久久久久久久久久久大奶| 一级作爱视频免费观看| 99久久精品国产亚洲精品| www.精华液| 久久久久久久久免费视频了| av电影中文网址| 一边摸一边做爽爽视频免费| 国产99白浆流出| 久久久久久免费高清国产稀缺| 国产无遮挡羞羞视频在线观看| 日韩欧美国产一区二区入口| 天天影视国产精品| 在线永久观看黄色视频| 亚洲激情在线av| 琪琪午夜伦伦电影理论片6080| 在线观看午夜福利视频| 两个人看的免费小视频| 99久久久亚洲精品蜜臀av| 欧美黑人欧美精品刺激| 欧美日韩视频精品一区| 丁香六月欧美| 免费看a级黄色片| 午夜福利免费观看在线| 国产精品亚洲av一区麻豆| 9191精品国产免费久久| 在线视频色国产色| 交换朋友夫妻互换小说| 91麻豆av在线| 少妇 在线观看| 日韩欧美一区视频在线观看| www.www免费av| 国产av一区在线观看免费| 欧美精品亚洲一区二区| 亚洲av美国av| 国产精品美女特级片免费视频播放器 | 超色免费av| 黄色丝袜av网址大全| 国产精品一区二区精品视频观看| 99热只有精品国产| 久久久久国产一级毛片高清牌| 一本大道久久a久久精品| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲黑人精品在线| 中文字幕最新亚洲高清| 99久久久亚洲精品蜜臀av| 老汉色av国产亚洲站长工具| 极品人妻少妇av视频| 成人精品一区二区免费| 亚洲国产毛片av蜜桃av| 天堂中文最新版在线下载| 女人被狂操c到高潮| 搡老熟女国产l中国老女人| 亚洲专区中文字幕在线| 天堂中文最新版在线下载| 成熟少妇高潮喷水视频| 亚洲欧美精品综合一区二区三区| 亚洲全国av大片| 国产成人免费无遮挡视频| 国产单亲对白刺激| 成人18禁在线播放| 欧美黄色淫秽网站| 中文字幕色久视频| 91老司机精品| 真人做人爱边吃奶动态| 男男h啪啪无遮挡| 老司机在亚洲福利影院| 亚洲精品国产区一区二| 新久久久久国产一级毛片| av欧美777| a级毛片在线看网站| 亚洲精品国产色婷婷电影| 女同久久另类99精品国产91| 国产一区二区三区综合在线观看| 操美女的视频在线观看| 久久精品亚洲精品国产色婷小说| 80岁老熟妇乱子伦牲交| 久久午夜亚洲精品久久| 一区二区三区国产精品乱码| 女人高潮潮喷娇喘18禁视频| 中亚洲国语对白在线视频| 久久午夜综合久久蜜桃| 精品电影一区二区在线| 中文字幕人妻丝袜制服| 夫妻午夜视频| 午夜激情av网站| 国产精品久久久人人做人人爽| 老鸭窝网址在线观看| 精品欧美一区二区三区在线| 一级a爱视频在线免费观看| 久久精品国产清高在天天线| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久久久久久中文| 麻豆久久精品国产亚洲av | 午夜福利免费观看在线| 97人妻天天添夜夜摸| 免费在线观看影片大全网站| 免费少妇av软件| 欧美黑人欧美精品刺激| 18禁美女被吸乳视频| 桃红色精品国产亚洲av| 欧美中文日本在线观看视频| 精品国产乱子伦一区二区三区| 国产乱人伦免费视频| 亚洲欧美日韩无卡精品| 嫁个100分男人电影在线观看| 午夜免费鲁丝| 神马国产精品三级电影在线观看 | 一区二区三区国产精品乱码| 免费少妇av软件| av网站免费在线观看视频| 久久伊人香网站| 亚洲精品国产区一区二| 免费观看人在逋| 婷婷丁香在线五月| 亚洲 欧美 日韩 在线 免费| 天天添夜夜摸| 国产av一区在线观看免费| 热re99久久精品国产66热6| 日韩三级视频一区二区三区| 免费在线观看亚洲国产| 777久久人妻少妇嫩草av网站| a级片在线免费高清观看视频| 久9热在线精品视频| 色综合婷婷激情| 啦啦啦免费观看视频1| 久久天躁狠狠躁夜夜2o2o| 亚洲情色 制服丝袜| 日韩免费av在线播放| 91av网站免费观看| 国产人伦9x9x在线观看| 国产野战对白在线观看| 91国产中文字幕| 一级毛片高清免费大全| 婷婷精品国产亚洲av在线| 久久久水蜜桃国产精品网| 老汉色av国产亚洲站长工具| 日韩 欧美 亚洲 中文字幕| 午夜福利在线免费观看网站| 十分钟在线观看高清视频www| 久久精品亚洲精品国产色婷小说| 在线观看一区二区三区激情| 90打野战视频偷拍视频| 国产成人一区二区三区免费视频网站| 看片在线看免费视频| 成人av一区二区三区在线看| 国产成年人精品一区二区 | 又黄又爽又免费观看的视频| 亚洲国产毛片av蜜桃av| 国产亚洲精品久久久久5区| 成人手机av| 欧美中文综合在线视频| 国产亚洲精品一区二区www| 国产亚洲精品第一综合不卡| 90打野战视频偷拍视频| 青草久久国产| 桃色一区二区三区在线观看| 在线播放国产精品三级| 香蕉久久夜色| 久久婷婷成人综合色麻豆| avwww免费| а√天堂www在线а√下载| 久久午夜综合久久蜜桃| 搡老岳熟女国产| 国产黄色免费在线视频| 欧美黑人欧美精品刺激| 99在线视频只有这里精品首页| 亚洲欧美一区二区三区久久| 国产一区在线观看成人免费| 别揉我奶头~嗯~啊~动态视频| 亚洲一区二区三区不卡视频| a级片在线免费高清观看视频| 免费在线观看亚洲国产| 变态另类成人亚洲欧美熟女 | 成年人黄色毛片网站| 精品国产国语对白av| 在线观看免费视频网站a站| 国产色视频综合| netflix在线观看网站| 日韩欧美一区视频在线观看| 国产亚洲欧美98| 国产亚洲av高清不卡| 90打野战视频偷拍视频| 国产高清国产精品国产三级| 国产精品久久久av美女十八| 久久午夜亚洲精品久久| 九色亚洲精品在线播放| 精品久久久久久久毛片微露脸| 欧美日韩亚洲国产一区二区在线观看| 国产精品影院久久| 1024视频免费在线观看| 成人永久免费在线观看视频| 亚洲av美国av| 午夜成年电影在线免费观看| 成人国产一区最新在线观看| 啪啪无遮挡十八禁网站| 91在线观看av| www.999成人在线观看| 成人国语在线视频| 女人被躁到高潮嗷嗷叫费观| 国产精品 国内视频| 一级毛片高清免费大全| 久热这里只有精品99| 后天国语完整版免费观看| 高潮久久久久久久久久久不卡| 1024视频免费在线观看| 两性夫妻黄色片| 国产精品永久免费网站| 91精品国产国语对白视频| 精品久久久精品久久久| 亚洲 国产 在线| 亚洲av成人av| 高清黄色对白视频在线免费看| 国产精品秋霞免费鲁丝片| 精品久久久久久久久久免费视频 | 亚洲精品国产区一区二| 国产成人精品无人区| 亚洲 欧美一区二区三区| 国产精品香港三级国产av潘金莲| 久久久久久亚洲精品国产蜜桃av| 一区二区三区激情视频| 69av精品久久久久久| 国产精品野战在线观看 | 久久青草综合色| 在线观看一区二区三区| 国产欧美日韩一区二区精品| 韩国av一区二区三区四区| 国产99白浆流出| 中文字幕av电影在线播放| a级毛片黄视频| 村上凉子中文字幕在线| 在线天堂中文资源库| 欧美成狂野欧美在线观看| 熟女少妇亚洲综合色aaa.| 757午夜福利合集在线观看| 丁香欧美五月| 中文字幕人妻熟女乱码| 黄网站色视频无遮挡免费观看| 国产伦人伦偷精品视频| 中文字幕高清在线视频| 1024香蕉在线观看| 黑人猛操日本美女一级片| 99国产极品粉嫩在线观看| 久久久久国内视频| 色老头精品视频在线观看| 午夜福利免费观看在线| 黑人欧美特级aaaaaa片| 国产又色又爽无遮挡免费看| 操出白浆在线播放| 日本黄色视频三级网站网址| 一级片免费观看大全| 亚洲一区二区三区不卡视频| 一个人免费在线观看的高清视频| 久久 成人 亚洲| 免费av毛片视频| 女人被狂操c到高潮| 三上悠亚av全集在线观看| 精品福利永久在线观看| 黄色a级毛片大全视频| 欧美+亚洲+日韩+国产| 国产精品久久久人人做人人爽| 天天躁狠狠躁夜夜躁狠狠躁| 丝袜在线中文字幕| 黄色视频,在线免费观看| 欧美成狂野欧美在线观看| 最近最新中文字幕大全电影3 | 久久精品91无色码中文字幕| 99国产精品99久久久久| 国产精品国产av在线观看| 亚洲人成伊人成综合网2020| 中文亚洲av片在线观看爽| 欧美日韩亚洲综合一区二区三区_| 多毛熟女@视频| ponron亚洲| 中文字幕另类日韩欧美亚洲嫩草| 精品久久蜜臀av无| 国产1区2区3区精品| 国产精品影院久久| 国产精品自产拍在线观看55亚洲| 十分钟在线观看高清视频www| 美女国产高潮福利片在线看| 他把我摸到了高潮在线观看| 这个男人来自地球电影免费观看| 亚洲成国产人片在线观看| 亚洲av五月六月丁香网| 午夜两性在线视频| 国产有黄有色有爽视频| 亚洲 欧美一区二区三区| 91成人精品电影| 久久人妻熟女aⅴ| 日韩欧美在线二视频| 日韩国内少妇激情av| 国产真人三级小视频在线观看| 狠狠狠狠99中文字幕| 在线av久久热| 老熟妇乱子伦视频在线观看| 国产又爽黄色视频| 精品福利永久在线观看| 欧美大码av| 亚洲成人久久性| www.www免费av| 欧美日韩精品网址| 亚洲黑人精品在线| 色老头精品视频在线观看| 丝袜美腿诱惑在线| 欧美日韩国产mv在线观看视频| 亚洲中文av在线| 免费观看精品视频网站| 最近最新中文字幕大全电影3 | 欧美不卡视频在线免费观看 | 国产精品1区2区在线观看.| 18禁美女被吸乳视频| 精品久久久精品久久久| 欧美激情高清一区二区三区| 久久精品亚洲精品国产色婷小说| 中文字幕人妻丝袜制服| 欧美性长视频在线观看| 满18在线观看网站| 色老头精品视频在线观看| 亚洲人成77777在线视频| 免费观看精品视频网站| 19禁男女啪啪无遮挡网站| 精品第一国产精品| 亚洲男人天堂网一区| 伦理电影免费视频| 精品乱码久久久久久99久播| 精品一区二区三区av网在线观看| 免费高清视频大片| 久久午夜综合久久蜜桃| 黄色女人牲交| 日本三级黄在线观看| 日韩精品免费视频一区二区三区| 一级片'在线观看视频| 亚洲国产精品999在线| 亚洲成a人片在线一区二区| 亚洲专区中文字幕在线| 精品无人区乱码1区二区| 三上悠亚av全集在线观看| 一级作爱视频免费观看| 欧美亚洲日本最大视频资源| 后天国语完整版免费观看| 精品国产超薄肉色丝袜足j| 亚洲五月婷婷丁香| 久久婷婷成人综合色麻豆| 香蕉国产在线看| 亚洲熟女毛片儿| 一边摸一边抽搐一进一小说| 欧美成人午夜精品| 一区二区三区精品91| 午夜两性在线视频| 波多野结衣一区麻豆| 999精品在线视频| 成年人黄色毛片网站| 热re99久久精品国产66热6| 两性夫妻黄色片| 999久久久精品免费观看国产| 久久精品亚洲av国产电影网| 免费在线观看影片大全网站| 无人区码免费观看不卡| 亚洲伊人色综图| 很黄的视频免费| 亚洲伊人色综图| 日韩一卡2卡3卡4卡2021年| 自线自在国产av| 国产精华一区二区三区| 窝窝影院91人妻| 国产片内射在线| 999久久久精品免费观看国产| 国产成人精品在线电影| 亚洲一区高清亚洲精品| 亚洲国产欧美日韩在线播放| 亚洲欧美一区二区三区黑人| 啦啦啦在线免费观看视频4| 久热这里只有精品99| 人人妻人人澡人人看| 久久香蕉精品热| 中文字幕人妻丝袜制服| 正在播放国产对白刺激| 久久久国产欧美日韩av| 中出人妻视频一区二区| 婷婷六月久久综合丁香| 搡老乐熟女国产| 色在线成人网| 中文字幕另类日韩欧美亚洲嫩草| 久久亚洲精品不卡| 久久天躁狠狠躁夜夜2o2o| 可以在线观看毛片的网站| 国产成人系列免费观看| 亚洲色图 男人天堂 中文字幕| 老司机亚洲免费影院| 色综合站精品国产| 在线播放国产精品三级| 国产野战对白在线观看| 色综合欧美亚洲国产小说| 久久狼人影院| 多毛熟女@视频| 亚洲精品一二三| 久久人妻av系列| 国产精品二区激情视频| 看黄色毛片网站| 天天添夜夜摸| 美女国产高潮福利片在线看| 午夜福利在线观看吧| 丰满饥渴人妻一区二区三| 午夜精品在线福利| 大型黄色视频在线免费观看| 久久久久久亚洲精品国产蜜桃av| 在线观看免费视频网站a站| 级片在线观看| 亚洲熟妇熟女久久| 好看av亚洲va欧美ⅴa在| 51午夜福利影视在线观看| 日韩精品中文字幕看吧| av超薄肉色丝袜交足视频| 国产视频一区二区在线看| 欧美成狂野欧美在线观看| 18禁观看日本| 中出人妻视频一区二区| 91麻豆精品激情在线观看国产 | 黄色女人牲交| 日韩大尺度精品在线看网址 | 精品国产一区二区久久| 搡老岳熟女国产| svipshipincom国产片| 1024香蕉在线观看| 中文字幕av电影在线播放| 99精国产麻豆久久婷婷| 激情在线观看视频在线高清| 午夜免费激情av| 色哟哟哟哟哟哟| 午夜老司机福利片| 巨乳人妻的诱惑在线观看| 欧洲精品卡2卡3卡4卡5卡区| 深夜精品福利| 黑人操中国人逼视频| 精品免费久久久久久久清纯| 一级黄色大片毛片| 精品熟女少妇八av免费久了| 国产亚洲精品第一综合不卡| 日本三级黄在线观看| 亚洲av日韩精品久久久久久密| 国产成人免费无遮挡视频| 亚洲九九香蕉| 色婷婷久久久亚洲欧美| 青草久久国产| 国产av在哪里看| 人妻久久中文字幕网| 国产欧美日韩一区二区三| 亚洲 欧美一区二区三区| av在线天堂中文字幕 | 嫩草影院精品99| 国产精品国产高清国产av| 男人的好看免费观看在线视频 | 午夜久久久在线观看| 国产91精品成人一区二区三区| 丁香六月欧美| 满18在线观看网站| 国产一区二区三区视频了| 亚洲欧美激情综合另类| avwww免费| 我的亚洲天堂| 中文字幕另类日韩欧美亚洲嫩草| 国产亚洲av高清不卡| 99热国产这里只有精品6| 精品久久久久久,| 久久久国产一区二区| 在线观看一区二区三区激情| 精品福利永久在线观看| 美女 人体艺术 gogo| 久久婷婷成人综合色麻豆| 一级片免费观看大全| 女性被躁到高潮视频| 18禁美女被吸乳视频| 高潮久久久久久久久久久不卡| 精品久久久久久,| 国产成人av教育| 亚洲全国av大片| 国产国语露脸激情在线看| 99在线人妻在线中文字幕| 国产人伦9x9x在线观看| 80岁老熟妇乱子伦牲交| 少妇的丰满在线观看| av天堂在线播放| 精品久久久久久电影网| 成人av一区二区三区在线看| 香蕉国产在线看| 不卡一级毛片| 后天国语完整版免费观看| 在线观看www视频免费| 国产精品成人在线| 一区二区三区激情视频| 一区二区三区精品91| 国产99白浆流出| 在线观看日韩欧美| 国产成人系列免费观看| 精品久久久久久久久久免费视频 | 久久久久国产一级毛片高清牌| 亚洲第一青青草原| 国产熟女xx| 中亚洲国语对白在线视频| 午夜精品国产一区二区电影| 精品久久久久久成人av| 欧美激情极品国产一区二区三区| 国产精品国产高清国产av| 成人黄色视频免费在线看| 无遮挡黄片免费观看| 搡老乐熟女国产| 免费高清在线观看日韩| 在线观看免费视频日本深夜| 性少妇av在线| 欧美老熟妇乱子伦牲交| 国产1区2区3区精品| 交换朋友夫妻互换小说| 老熟妇仑乱视频hdxx| av网站在线播放免费| 亚洲熟妇熟女久久| a级毛片黄视频| 亚洲人成电影免费在线| 在线观看免费视频网站a站| 日日摸夜夜添夜夜添小说| 男女下面插进去视频免费观看| 丝袜在线中文字幕| 精品日产1卡2卡| 成年人免费黄色播放视频| 岛国在线观看网站| 中文字幕人妻熟女乱码| 在线观看免费视频网站a站| 免费一级毛片在线播放高清视频 | 黑人猛操日本美女一级片| videosex国产| 侵犯人妻中文字幕一二三四区| 亚洲人成伊人成综合网2020| 1024香蕉在线观看| 日韩免费高清中文字幕av| 国产精品成人在线| 在线观看一区二区三区激情| 免费观看精品视频网站| 99国产精品一区二区蜜桃av| 纯流量卡能插随身wifi吗| 熟女少妇亚洲综合色aaa.| av有码第一页| 少妇 在线观看| 色婷婷av一区二区三区视频| 在线免费观看的www视频| 欧美人与性动交α欧美软件| 中文欧美无线码| 日本欧美视频一区| 日日摸夜夜添夜夜添小说| 一级片免费观看大全| 神马国产精品三级电影在线观看 | 天天添夜夜摸| 天堂俺去俺来也www色官网| 国产精品亚洲av一区麻豆| 91精品三级在线观看| 岛国在线观看网站| 18禁黄网站禁片午夜丰满| 日韩欧美一区二区三区在线观看| 欧美日韩国产mv在线观看视频| 国产精品成人在线| 久久国产精品男人的天堂亚洲| 一级毛片精品| 久久精品91无色码中文字幕| 久久人人精品亚洲av| 亚洲欧美日韩高清在线视频| 免费人成视频x8x8入口观看| 99久久人妻综合| 成熟少妇高潮喷水视频| a级片在线免费高清观看视频| 精品国内亚洲2022精品成人| 国产一区二区三区在线臀色熟女 | 精品免费久久久久久久清纯| 精品福利观看| 免费女性裸体啪啪无遮挡网站| 欧美日韩精品网址| 两性夫妻黄色片| 欧美+亚洲+日韩+国产| 欧美一级毛片孕妇| 午夜免费观看网址| 一级毛片女人18水好多| 亚洲狠狠婷婷综合久久图片| 欧美 亚洲 国产 日韩一| 精品福利永久在线观看| 丰满饥渴人妻一区二区三| 国产精品美女特级片免费视频播放器 | 国产成人啪精品午夜网站| 成人免费观看视频高清| 中文亚洲av片在线观看爽| 91麻豆av在线| 露出奶头的视频| 国产无遮挡羞羞视频在线观看| 午夜久久久在线观看| 亚洲九九香蕉| 国产高清视频在线播放一区| 国产人伦9x9x在线观看| 日本a在线网址| 黑人巨大精品欧美一区二区蜜桃| 精品第一国产精品| 欧美在线一区亚洲| 最好的美女福利视频网| 国产精品电影一区二区三区| 国产黄色免费在线视频| 欧美在线黄色|