• <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 ?

    基于指數(shù)分布族的類特定文本分類算法

    2019-11-12 08:29:30黃榮乘
    關鍵詞:指數(shù)分布特征選擇類別

    劉 云,黃榮乘

    (昆明理工大學 信息工程與自動化學院,昆明 650050)

    0 引 言

    隨著網(wǎng)絡信息技術迅速發(fā)展,對新聞文本進行有效快捷的自動分類可以幫助人們提高信息檢索的效率[1-2]。通??梢允褂弥С窒蛄繖C(support vector machine ,SVM)[3-4]、k近鄰(k-nearest-neighbor,KNN)[5]和樸素貝葉斯(naive Bayes,NB)[6]等分類算法對文本進行分類,其中,分類算法的性能直接影響到了文本分類的時間和準確率,所以尋找一個高效的分類算法成為了本文研究的重點。

    Cui Limeng等[7]提出了一種基于文檔主題生成模型和支持向量機(latent dirichlet allocation-support vector machine,LDA-SVM)算法,該算法首先構建每個類的LDA模型和待分類文檔的LDA模型,然后計算每個類和要分類的文檔之間的相似度并降序排列,最后使用SVM模型將文檔分為M個類中的一個特定類。胡吉明等[8]提出一種改進的超球支持向量機(improved hyper-sphere support vector machine,IHS-SVM)文本分類算法,該算法基于增量學習和密度決策函數(shù)對原始 HS-SVM 進行改進, 實現(xiàn)超球類支持向量的動態(tài)改變, 準確計算構造超球支持向量機的決策函數(shù), 從而達到提高文本分類效果的目的。Nedungadi Prema等[9]提出了一種基于主成份分析和k最近鄰(principal component analysis-k-nearest-neighbor,PCA-KNN)混合分類算法相比,該算法首先計算訓練數(shù)據(jù)的主要組成部分,將訓練數(shù)據(jù)和測試數(shù)據(jù)按每個主要部分進行投影,然后在每個投影空間執(zhí)行二進制搜索并找到最近的L個鄰域,計算投影空間中測試數(shù)據(jù)與其鄰域之間的相似度,選擇最相似的k個鄰域,最后根據(jù)選定的鄰域預測測試數(shù)據(jù)的類別。其中,PCA-KNN分類算法在對文本進行分類時能獲得較高的分類準確率,但這個過程需要遍歷所有訓練示例以找到其最近的鄰居,計算量較大,需要消耗大量時間。

    IHS-SVM分類算法在對文本進行分類時,只需要計算待分類文本與每一個超球心的距離就可得知該文本的所屬類別,故分類時間消耗少,但是分類精度不理想。LDA-SVM分類算法對文本進行分類時消耗時間較少,但是在面對多分類的問題時分類準確率相對較低。

    1 相關工作

    1.1 文本表示

    由N個類的數(shù)據(jù)集,生成一個有著D個不同特征詞的字典,根據(jù)詞袋將每個文本x轉化特征向量的形式d=[x1,x2,…,xD]T,xi中的第i項對應于字典中第i個特征詞在文本中出現(xiàn)的次數(shù),它也被稱為詞語頻率(term frequency,TF),每個類的TF分布通??梢杂锰囟ǖ亩囗椃植寄P蛠斫!?/p>

    1.2 多項式樸素貝葉斯分類器

    在樸素貝葉斯分類器中,在N個類別下對一個文本x進行分類時,其中,文本x∈RD是有D個原始特征的R集合,根據(jù)最大后驗概率規(guī)則,將x歸為后驗概率最大的類別

    (1)

    (1)式中:p(x|ci)是樣本在第N類下的原始PDF;p(ci)是類的先驗概率。通常p(x|ci)是未知的,需要從訓練集中估計,但是對于高維數(shù)據(jù),當訓練集有限的時,很難準確估計出p(x|ci),所以對樣本x進行特征選擇:z=f(x),其中,z∈RK是有K個特征的R集合,且K?D,這樣就可以用特征子集中的特征PDFp(z|ci)來簡化原始PDFp(x|ci)的估計,根據(jù)最大后驗概率規(guī)則有

    (2)

    由(2)式知,對數(shù)據(jù)特征降維后,所估計出的類的PDF的精度直接影響到了貝葉斯分類器的分類性能,所以需要通過提高PDF的精度來提高該分類器的分類準確率。

    多項式樸素貝葉斯分類器是用詞語頻率來表示文本的最著名分類方法之一,根據(jù)多項式分布,在每個類ci=1,2,…,N下都得到一個帶有D個特征詞的多項式分布p(x|ci):[pi,1,…,pi,D],第N個類的原始PDF為

    (3)

    本文所提的分類算法基于指數(shù)分布族,通過將參考類別的PDF和第N個類的PDF用參數(shù)向量θ嵌入到一個原始PDF估計表達式中來構建出每個類的PDF,這就需要構建出一個參考分布。

    通過給定的訓練集,構造出一個參考類別c0由N個類組成,參考類別的原始PDF為p(x|c0)滿足(3)式中具有D個特征詞的多項式分布,[p0,1,…,p0,D]中的第D個特征詞的概率為

    (4)

    所構造的參考分布由所有類組成,包含了N類中所有數(shù)據(jù)的分布,由于該算法構造的PDF運用了這個參考分布,所以它成為了提高分類器分類性能的關鍵。

    1.3 類特定的特征選擇算法

    對于高維數(shù)據(jù),需對樣本進行特征選擇以減少計算負擔,其中,信息增益是一種有效的特征選擇算法,其通過某個特征項t在類別C中出現(xiàn)與否的文檔數(shù)來統(tǒng)計計算特征項t對類別C貢獻的信息量,即特征項t的信息增益,其定義為考慮出現(xiàn)前后的信息熵之差,其計算公式定義為

    (5)

    傳統(tǒng)特征選擇算法和類特定特征選擇算法的對比如圖1。由圖1a知,對于給定的N個類的訓練數(shù)據(jù)集,首先通過字典用詞袋將每個文本轉換成向量d的形式,傳統(tǒng)特征選擇算法使用信息增益(IG)計算出每個單獨類的特征重要性,然后應用全局函數(shù)(例如總和或加權平均)對所有類下的特征進行處理后,將特征進行排名后得到了一個所有類共用的特征子集。它只考察了特征對整個系統(tǒng)的貢獻,而沒有具體到某個類別上,且每個類別有自己的特征集合,有的特征詞對這個類別很有區(qū)分度,對另一個類別則無足輕重,所以這就降低了分類器的分類性能。

    圖1 傳統(tǒng)特征選擇算法和類特定特征選擇算法的對比圖Fig.1 Comparison of traditional feature selection algorithm and class-specific feature selection algorithm

    為了解決上述傳統(tǒng)特征選擇算法中使用一個共同特征子集,而忽略了在不同類別中特征詞區(qū)分度不同的問題,本文提出類特定分類算法,由圖1b知,首先基于信息增益(information gain,IG)計算出第N類訓練文檔中每個特征詞的信息增益,并將特征詞排名后構成一個新的第N個類的特征向量zN,針對N個類得到了N個不同的特征向量。因為應用了類特定的特征進行分類,直接針對了類間的可分離性,使得分類器的分類性能得到提高。

    由(5)式得,每個類其特征向量d中第t個特征詞在第N類下的信息增益為

    (6)

    為了將構造的參考分布的特征PDF和類的特征PDF相結合,本文使用指數(shù)分布族,將這2個PDF通過參數(shù)θ嵌入到所構造的PDF中。

    2 基于指數(shù)分布族的貝葉斯類特定分類算法

    2.1 基于指數(shù)分布族的PDF構建

    根據(jù)指數(shù)分布族定義有

    p(x;θ)=b(x)exp(θT(x)-K(θ))

    (7)

    (7)式中:θ是自然參數(shù);T(x)是充分統(tǒng)計量;K(θ)是對數(shù)配分函數(shù),起歸一化作用,使得PDF滿足積分為1的條件。

    通過(3)式和(4)式構造了2個PDF分別為p(x|ci)和p(x|c0),通過(7)式的指數(shù)分布族將參考類別的PDF和N個類的PDF用參數(shù)向量θ嵌入到一個PDF表達式中

    p(x|ci;θ)=exp(θT(x)-K0(θ)+lnp(x|c0))

    (8)

    (8)式中:θ為指數(shù)分布族嵌入?yún)?shù)向量,θi=[θ1,θ2,…,θD],i=1,…,N,0<θ<1,由于訓練集有限,不能準確估計出類的原始p(x|ci),所以通過特征降維后使用類的特征p(z|ci)來估計出類的原始PDF。其中,T(x)是參數(shù)θ的充分統(tǒng)計量,它可衡量出第N個類的原始PDF和參考類別的原始PDF之間的差異,其等于第N個類的特征PDF和參考類別的特征PDF之間的差異

    (9)

    通過(6)式得到了N個類的特征PDF后,如果在參考類別c0下已知p(z|ci)和p(z|c0),就可以使用p(z|ci)估計出p(x|ci)。這些PDF都使用相同的參考類別進行構建,參考類別c0由N個類構成,其潛在的概率空間是相同的,即使類的特征數(shù)量或類型發(fā)生變化,仍然可以對N個類的PDF進行估計和比較。

    (7)式中的對數(shù)配分函數(shù)K(θ)為

    (10)

    K(θ)可對估計的PDF進行歸一化處理,使得PDF在0<β<1范圍內積分為1,由(10)式得到

    (11)

    因為M0(0)=M0(1)=1,根據(jù)赫爾德不等式[15]證明了M0(θ)是一個凹函數(shù)。

    將(9)式代入(8)式中,通過使用第N類的特征PDF構造出了第N類的原始PDF估計表達式

    p(x|ci;θ)=

    (12)

    (12)式中:θ是個未知值,且θ的值決定了所估計的PDF的精度。根據(jù)KL散度知,類的原始PDF和估計的PDF之間的KL散度為

    (13)

    假設所估計出的類的PDF和原始PDF對統(tǒng)計量T(x)有相同的期望即EPθ[T(x)]=Ept[T(x)],那么(13)式為

    D(pt‖pθ)=D(pt‖pθ)-(θEpθ[T(x)]-K0(θ))=

    D(pt‖p0)-D(pθ‖p0)

    (14)

    因為D(pt‖p0)是固定的,要使原始的PDF和估計的PDF之間的KL散度D(pt‖pθ)最小,那么就使D(pβ‖p0)最大,因為

    (15)

    由(11)式知K0(θ)是凹函數(shù),則θT(x)-K0(θ)是凸函數(shù),根據(jù)凸優(yōu)化,可找到一個θ使得下列式子成立

    (16)

    (17)

    (18)

    對于一個N分類問題,最終通過用類的特征PDF估計出了原始的PDF,根據(jù)貝葉斯定理,制定以下分類規(guī)則

    (19)

    通過(19)式構造的分類器,使用第N個類的特征PDF估計出了對應類下的最優(yōu)PDF。

    2.2 算法應用分析

    采用一個案例說明,由(14)式構造出了第N個類的PDF優(yōu)化估計表達式為

    p(x|ci,l;θi)=

    (20)

    (20)式中,充分統(tǒng)計量βi,k為

    (21)

    統(tǒng)計量的累計量生成函數(shù)為

    (22)

    通過N個類的訓練集,由(6)式得到第N個類的特征PDF為p(zi|ci)和參考類別的特征PDF為p(zi|c0)。對于N個類,通過(17)式估計出了最佳的嵌入?yún)?shù)為

    (23)

    i=1,2,…,N

    (24)

    根據(jù)估計出的N個類的最優(yōu)PDF,由貝葉斯定理制定了以下分類規(guī)則

    (25)

    因為樣本數(shù)據(jù)維度高且訓練集有限,不能準確估計出類的原始PDF,從而基于指數(shù)分布族,用第N個類的特征PDF估計出了對應類的最優(yōu)PDF。因為不用實際測量類的原始PDF,且構造的參考類別包含了所有類別,其利用了整個訓練集的分布信息,所以這就成為了提高分類性能的關鍵。

    對于一個N分類問題,基于指數(shù)分布族的類特定文本分類算法如下。

    輸入:數(shù)據(jù)集;

    fori=1:Ndo

    1)通過(6)式計算出個第i個類下所有特征的IG分數(shù)并降序排列后得到類特定的特征向量Zi;

    2)通過參考分布和指數(shù)分布族,構造出第i個類的原始PDF估計表達式(12);

    end

    輸出:根據(jù)貝葉斯定理,通過(18)式,制定(19)式所示的分類規(guī)則。

    2.3 評價指標

    在對文本進行分類時,通常用準確率[16]作為評估系統(tǒng)的指標,定義為

    (26)

    (26)式中:TP表示正確判定屬于此類的文檔數(shù);FP表示錯誤判屬此類的文檔數(shù);FN表示錯誤判定不屬于此類的文檔數(shù);TN表示正確判定不屬于此類的文檔數(shù)。

    3 仿真分析

    本文采用了路透社(REUTERS)的ModApte數(shù)據(jù)集[17],包括各類新聞和金融數(shù)據(jù)。REUTERS中的ModApte數(shù)據(jù)集,由8 293個包含65個類(主題)的文檔組成,隨機選擇了4 994個文本作為訓練集,3 299個文本作為測試集,REUTERS-10代表取數(shù)據(jù)集前10個類別,REUTERS-20代表取數(shù)據(jù)集前20個類別,在這2個數(shù)據(jù)集中,有18 933個原始特征尺寸。

    為了驗證本文所提分類算法的性能,本文將EF-MNB分類算法與PCA-KNN分類算法(參數(shù)K=5),IHS-SVM文本分類算法(參數(shù)q=5,C=10,v=0.01)和LDA-SVM分類算法(參數(shù)M=3,α=0.5,β=0.05)進行對比,在分類準確率和分類耗時上評估3種特征選擇算法的性能,其中,特征詞數(shù)量從100—2 000個。

    圖2和圖3是在REUTERS-10數(shù)據(jù)集和REUTERS-20數(shù)據(jù)集上分類結果,由圖2看出,對于REUTERS-10數(shù)據(jù)集,EF-MNB分類算法的分類準確率始終高于PCA-KNN分類算法、IHS-SVM分類算法和LDA-SVM分類算法,且在特征數(shù)量為1 000時準確率接近最大值,達到95.46%。由圖3看出,對于REUTERS-20數(shù)據(jù)集,特征數(shù)量在100—1 200內,EF-MNB分類算法的分類準確率大幅領先于其余2種分類算法,且在特征數(shù)量為200—400內分類準確率提升最大,當特征數(shù)量為400時,分類準確率高達90.51%,即該算法在相對較少的特征數(shù)量情況下,就能得到高分類準確率。

    圖2 在REUTERS-10數(shù)據(jù)集中的分類結果Fig.2 Classification results on REUTERS-10

    圖3 在REUTERS-20數(shù)據(jù)集中的分類結果Fig.3 Classification results on REUTERS-20

    表1和表2是在REUTERS-10數(shù)據(jù)集和REUTERS-20數(shù)據(jù)集上分類所消耗的時間。從表1看出,對于REUTERS-10數(shù)據(jù)集,在特征數(shù)量較少時,EF-MNB分類算法分類所需時間與其余3種分類算法比較接近,隨著特征數(shù)量的增加,分類效率差距逐漸變大。從表2看出,對于REUTERS-20數(shù)據(jù)集,EF-MNB分類算法的分類效率始終大幅領先與其余2種分類算法。

    表1 在REUTERS-10數(shù)據(jù)集中的分類耗時

    在REUTERS-10和REUTERS-20數(shù)據(jù)集中的比較得知,相比于在REUTERS-10數(shù)據(jù)集中4種分類算法的對比情況,在REUTERS-20數(shù)據(jù)集中,EF-MNB分類算法性能的優(yōu)化程度更高,即處理更多類的分類問題時,EF-MNB分類算法的分類性能更加突出。

    表2 在REUTERS-20數(shù)據(jù)集中的分類耗時

    4 結 論

    對文本進行有效快捷的分類可為人們提供更高質量和智能化的信息服務,為了在較少的時間對文本進行精準分類,本文提出一種EF-MNB算法。給定N個類的訓練集,首先基于信息增益,用類特定特征算法得到第N個類的特征子集,從中選出K個特征得到了第N個類的特征PDF和參考類別的特征PDF,然后根據(jù)指數(shù)分布族通過訓練集估計出了第N個類下的最優(yōu)PDF,最后根據(jù)貝葉斯定理制定了分類規(guī)則。

    仿真結果表明,對比LDA-SVM分類算法、IHS-SVM分類算法和PCA-KNN分類算法,EF-MNB分類算法運用了類特定的特征PDF和參考類別的特征PDF來構建出類的最優(yōu)PDF,在2個方面對PDF進行了優(yōu)化:①該PDF運用了類特定的特征PDF直接針對了類間的可分離性;②該PDF運用了參考類別的PDF,其包含了所有類下全部數(shù)據(jù)的分布。通過這兩方面優(yōu)化,使得本文所構造的分類器在使用少量特征數(shù)量進行分類時,在較少的時間內就可獲得高分類準確率,特別是在處理更多類的分類問題時,相比于其他2種算法,該算法的分類性能將更加顯著。下一步將找出一種更高效的特征選擇框架,選擇出具有最大判別能力的特征進行文本分類。

    猜你喜歡
    指數(shù)分布特征選擇類別
    Kmeans 應用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    指數(shù)分布抽樣基本定理及在指數(shù)分布參數(shù)統(tǒng)計推斷中的應用
    二元Weinman型指數(shù)分布隨機變量之和、差、積、商及比率的分布
    聯(lián)合互信息水下目標特征選擇算法
    服務類別
    新校長(2016年8期)2016-01-10 06:43:59
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
    基于二元搭配詞的微博情感特征選擇
    計算機工程(2014年6期)2014-02-28 01:26:36
    聚合酶鏈式反應快速鑒別5種常見肉類別
    食品科學(2013年8期)2013-03-11 18:21:31
    国产欧美另类精品又又久久亚洲欧美| 成年人免费黄色播放视频| 国产亚洲av片在线观看秒播厂| 成人二区视频| 黄色 视频免费看| 水蜜桃什么品种好| 国产亚洲精品久久久com| 亚洲婷婷狠狠爱综合网| 黄色毛片三级朝国网站| 国产精品一区二区在线不卡| 丰满乱子伦码专区| 制服人妻中文乱码| 久久影院123| 色哟哟·www| 一边亲一边摸免费视频| 亚洲国产欧美在线一区| 又粗又硬又长又爽又黄的视频| 桃花免费在线播放| 草草在线视频免费看| 男人操女人黄网站| 国产 一区精品| 欧美精品一区二区免费开放| 只有这里有精品99| 亚洲精品aⅴ在线观看| 制服丝袜香蕉在线| 精品国产一区二区三区久久久樱花| 十八禁网站网址无遮挡| 久久久久精品人妻al黑| 亚洲国产日韩一区二区| 不卡视频在线观看欧美| 十八禁网站网址无遮挡| 国产成人精品福利久久| 大香蕉久久网| 亚洲欧美精品自产自拍| 午夜福利网站1000一区二区三区| 亚洲精品乱码久久久久久按摩| 汤姆久久久久久久影院中文字幕| 最新的欧美精品一区二区| 一区二区三区精品91| 日本与韩国留学比较| 国产福利在线免费观看视频| 男女下面插进去视频免费观看 | 26uuu在线亚洲综合色| 极品人妻少妇av视频| 日本wwww免费看| 少妇人妻 视频| 国产精品秋霞免费鲁丝片| 国产成人91sexporn| 亚洲伊人久久精品综合| 亚洲综合色惰| 日韩中文字幕视频在线看片| 大片电影免费在线观看免费| 大码成人一级视频| 欧美另类一区| 美女xxoo啪啪120秒动态图| 久久 成人 亚洲| 久久久久久久精品精品| av国产精品久久久久影院| 日本爱情动作片www.在线观看| 黄片播放在线免费| 日本爱情动作片www.在线观看| 91在线精品国自产拍蜜月| 久久97久久精品| 午夜福利视频精品| 丝袜美足系列| 最后的刺客免费高清国语| 国产片特级美女逼逼视频| 日本欧美国产在线视频| 国产精品久久久久成人av| 亚洲精品日本国产第一区| 亚洲欧美日韩另类电影网站| 天堂俺去俺来也www色官网| 妹子高潮喷水视频| 中文字幕亚洲精品专区| 欧美成人午夜免费资源| 亚洲国产看品久久| 久久久欧美国产精品| 欧美+日韩+精品| 色94色欧美一区二区| 亚洲欧美一区二区三区黑人 | 日韩av在线免费看完整版不卡| 婷婷色综合大香蕉| 国产一区二区三区av在线| 午夜福利乱码中文字幕| 久久久久精品人妻al黑| 午夜日本视频在线| 精品国产乱码久久久久久小说| 少妇的逼好多水| av国产久精品久网站免费入址| 国产成人欧美| 久久久久久人人人人人| 热re99久久精品国产66热6| 亚洲欧美一区二区三区国产| 国产精品久久久久久av不卡| 国产男女内射视频| 美女主播在线视频| 亚洲精品aⅴ在线观看| videosex国产| 熟女av电影| 99re6热这里在线精品视频| 国产亚洲精品第一综合不卡 | 毛片一级片免费看久久久久| 国产一区二区在线观看日韩| 国产成人精品一,二区| 久久国内精品自在自线图片| 最近最新中文字幕免费大全7| 美女脱内裤让男人舔精品视频| 内地一区二区视频在线| 中文精品一卡2卡3卡4更新| 国产精品国产av在线观看| 午夜老司机福利剧场| 在线观看免费高清a一片| 精品久久蜜臀av无| 中国三级夫妇交换| 亚洲欧洲国产日韩| 日韩中字成人| 香蕉国产在线看| 菩萨蛮人人尽说江南好唐韦庄| 欧美另类一区| 久久 成人 亚洲| 亚洲国产精品成人久久小说| 久久99热6这里只有精品| 午夜精品国产一区二区电影| 日韩免费高清中文字幕av| 我的女老师完整版在线观看| 一区在线观看完整版| 91国产中文字幕| 亚洲美女视频黄频| 免费久久久久久久精品成人欧美视频 | 男女无遮挡免费网站观看| 亚洲精华国产精华液的使用体验| 捣出白浆h1v1| 欧美xxⅹ黑人| 亚洲国产日韩一区二区| 黄色配什么色好看| 成人亚洲欧美一区二区av| 日韩人妻精品一区2区三区| 99热国产这里只有精品6| 亚洲综合色惰| 亚洲av欧美aⅴ国产| 国产免费现黄频在线看| 久久亚洲国产成人精品v| 欧美激情国产日韩精品一区| 日韩电影二区| 国产不卡av网站在线观看| 少妇高潮的动态图| 亚洲欧美一区二区三区黑人 | 国产免费又黄又爽又色| 色5月婷婷丁香| 天堂中文最新版在线下载| 国产黄频视频在线观看| av又黄又爽大尺度在线免费看| 99国产精品免费福利视频| 色网站视频免费| 这个男人来自地球电影免费观看 | 欧美日韩视频高清一区二区三区二| 丰满少妇做爰视频| 黄网站色视频无遮挡免费观看| 免费黄频网站在线观看国产| 欧美+日韩+精品| 亚洲国产精品一区二区三区在线| 成人黄色视频免费在线看| 中文精品一卡2卡3卡4更新| 免费观看无遮挡的男女| 免费日韩欧美在线观看| 婷婷色综合www| 久久久久久久精品精品| 大码成人一级视频| 99热国产这里只有精品6| 婷婷色麻豆天堂久久| 亚洲人成77777在线视频| 人人妻人人爽人人添夜夜欢视频| 亚洲国产看品久久| 免费黄频网站在线观看国产| 久久久a久久爽久久v久久| 久久久国产欧美日韩av| 欧美日韩亚洲高清精品| 一级黄片播放器| 下体分泌物呈黄色| 美国免费a级毛片| 少妇猛男粗大的猛烈进出视频| 激情五月婷婷亚洲| 亚洲欧洲日产国产| 一本大道久久a久久精品| 另类精品久久| 日韩一区二区视频免费看| 大陆偷拍与自拍| 国产一区二区在线观看日韩| 国产片内射在线| 国产亚洲精品久久久com| 精品99又大又爽又粗少妇毛片| 亚洲国产精品999| 国产免费一级a男人的天堂| 26uuu在线亚洲综合色| 久久人人爽av亚洲精品天堂| 免费观看性生交大片5| 男人爽女人下面视频在线观看| 亚洲美女搞黄在线观看| 欧美人与善性xxx| 1024视频免费在线观看| 爱豆传媒免费全集在线观看| 一区二区三区四区激情视频| 99热6这里只有精品| 国产色婷婷99| 99精国产麻豆久久婷婷| 日本色播在线视频| 国产片内射在线| 国产精品嫩草影院av在线观看| 熟妇人妻不卡中文字幕| 国产午夜精品一二区理论片| 亚洲第一区二区三区不卡| 亚洲av成人精品一二三区| 美女xxoo啪啪120秒动态图| 久久久久精品性色| 国产在线一区二区三区精| 亚洲国产日韩一区二区| 大香蕉久久网| 久久这里有精品视频免费| 午夜激情av网站| 亚洲成国产人片在线观看| 亚洲精华国产精华液的使用体验| 国产1区2区3区精品| 熟女电影av网| 欧美老熟妇乱子伦牲交| 国产av码专区亚洲av| av播播在线观看一区| 伦理电影免费视频| 下体分泌物呈黄色| av线在线观看网站| 亚洲精品美女久久久久99蜜臀 | 亚洲第一区二区三区不卡| 超色免费av| 免费久久久久久久精品成人欧美视频 | 久久人妻熟女aⅴ| 哪个播放器可以免费观看大片| 中文字幕最新亚洲高清| 久久国内精品自在自线图片| 亚洲av在线观看美女高潮| 久久精品人人爽人人爽视色| 日韩精品有码人妻一区| 在线观看免费高清a一片| 久久99热6这里只有精品| 国产午夜精品一二区理论片| 亚洲欧美一区二区三区黑人 | 我的女老师完整版在线观看| 精品卡一卡二卡四卡免费| 欧美成人午夜免费资源| 欧美日本中文国产一区发布| 日本与韩国留学比较| 一级a做视频免费观看| 高清欧美精品videossex| 亚洲美女搞黄在线观看| 九草在线视频观看| 国产熟女午夜一区二区三区| 男女国产视频网站| www日本在线高清视频| 国产色爽女视频免费观看| 女性生殖器流出的白浆| 久久精品国产自在天天线| 国产日韩一区二区三区精品不卡| a级毛片黄视频| 男女无遮挡免费网站观看| 日本黄大片高清| 国产成人免费观看mmmm| 嫩草影院入口| 天天躁夜夜躁狠狠躁躁| 欧美人与善性xxx| av播播在线观看一区| 搡老乐熟女国产| 国产精品一区www在线观看| 夜夜爽夜夜爽视频| 美女脱内裤让男人舔精品视频| 少妇人妻 视频| 免费观看性生交大片5| 黄色 视频免费看| 久久精品国产亚洲av涩爱| 在线观看免费日韩欧美大片| 国产精品三级大全| 国产成人aa在线观看| 日韩视频在线欧美| 亚洲欧美一区二区三区黑人 | 99热网站在线观看| videossex国产| av线在线观看网站| 亚洲人成77777在线视频| 亚洲av.av天堂| 热99国产精品久久久久久7| 久久久国产欧美日韩av| 全区人妻精品视频| 精品久久蜜臀av无| 热99国产精品久久久久久7| 国产亚洲av片在线观看秒播厂| 99精国产麻豆久久婷婷| 七月丁香在线播放| 午夜91福利影院| 97在线人人人人妻| 免费观看在线日韩| 免费不卡的大黄色大毛片视频在线观看| 午夜老司机福利剧场| 91成人精品电影| 国产高清不卡午夜福利| 观看av在线不卡| 高清不卡的av网站| 久久精品久久久久久久性| 午夜视频国产福利| 亚洲av国产av综合av卡| 成人18禁高潮啪啪吃奶动态图| 久久99热6这里只有精品| 久久亚洲国产成人精品v| 久久精品人人爽人人爽视色| 国产精品无大码| 搡老乐熟女国产| 国产精品一二三区在线看| 亚洲,欧美精品.| 久久99蜜桃精品久久| 免费av中文字幕在线| 久久久久国产精品人妻一区二区| 80岁老熟妇乱子伦牲交| 日韩av不卡免费在线播放| av一本久久久久| 亚洲五月色婷婷综合| 18+在线观看网站| 精品人妻偷拍中文字幕| 久久ye,这里只有精品| 亚洲人与动物交配视频| 少妇的逼水好多| 国产精品国产三级专区第一集| 中文字幕最新亚洲高清| 建设人人有责人人尽责人人享有的| 国产午夜精品一二区理论片| 欧美精品一区二区免费开放| 久久久久久久精品精品| 免费看av在线观看网站| 亚洲国产日韩一区二区| 国产欧美日韩综合在线一区二区| 中文字幕av电影在线播放| 久久精品国产a三级三级三级| 成人亚洲欧美一区二区av| 最近最新中文字幕免费大全7| av不卡在线播放| 男人添女人高潮全过程视频| 亚洲精品视频女| 久久青草综合色| av线在线观看网站| 日本黄大片高清| 国产高清国产精品国产三级| 免费看av在线观看网站| 亚洲国产日韩一区二区| 亚洲美女视频黄频| 国产免费一区二区三区四区乱码| 日本91视频免费播放| 国产av精品麻豆| 亚洲国产欧美在线一区| 九色亚洲精品在线播放| 色5月婷婷丁香| 搡女人真爽免费视频火全软件| 久久午夜福利片| 少妇精品久久久久久久| 亚洲精品aⅴ在线观看| 国产高清国产精品国产三级| 亚洲欧美一区二区三区黑人 | 男女边吃奶边做爰视频| 丰满饥渴人妻一区二区三| 免费看光身美女| 最近最新中文字幕免费大全7| 成年人午夜在线观看视频| 久久久久久久亚洲中文字幕| freevideosex欧美| 啦啦啦视频在线资源免费观看| 国产日韩欧美在线精品| 母亲3免费完整高清在线观看 | 黄片无遮挡物在线观看| 黄色毛片三级朝国网站| 在线观看一区二区三区激情| 丝袜人妻中文字幕| 一区二区三区四区激情视频| 91成人精品电影| 蜜臀久久99精品久久宅男| 丝袜美足系列| 亚洲丝袜综合中文字幕| 久久99蜜桃精品久久| 99久久综合免费| 国产av一区二区精品久久| 国产欧美日韩综合在线一区二区| 中文字幕精品免费在线观看视频 | 国产成人精品婷婷| 性色av一级| 你懂的网址亚洲精品在线观看| 丰满迷人的少妇在线观看| 狠狠精品人妻久久久久久综合| 黑丝袜美女国产一区| 国产亚洲欧美精品永久| 男人爽女人下面视频在线观看| 亚洲欧美成人精品一区二区| 制服诱惑二区| 亚洲精品国产av成人精品| 少妇的逼水好多| 日韩精品有码人妻一区| 亚洲av免费高清在线观看| 热99久久久久精品小说推荐| 少妇人妻 视频| 久久久久精品性色| 欧美日本中文国产一区发布| 最近最新中文字幕免费大全7| 久久精品夜色国产| 黄色一级大片看看| 国产激情久久老熟女| 亚洲国产欧美日韩在线播放| 黑丝袜美女国产一区| 男女边吃奶边做爰视频| 18禁观看日本| 国产成人精品无人区| 亚洲国产精品一区三区| videos熟女内射| 这个男人来自地球电影免费观看 | 国产一区二区三区综合在线观看 | av线在线观看网站| 成人毛片a级毛片在线播放| 久久青草综合色| 国产精品久久久av美女十八| 久久99蜜桃精品久久| 亚洲综合精品二区| 久热这里只有精品99| 精品国产乱码久久久久久小说| 国产精品嫩草影院av在线观看| 日本黄色日本黄色录像| av又黄又爽大尺度在线免费看| 黄色 视频免费看| 你懂的网址亚洲精品在线观看| 天堂8中文在线网| 又黄又爽又刺激的免费视频.| 欧美日韩成人在线一区二区| 国产老妇伦熟女老妇高清| 国产在线视频一区二区| 免费不卡的大黄色大毛片视频在线观看| 国产亚洲一区二区精品| 在线天堂最新版资源| 国产亚洲午夜精品一区二区久久| 午夜福利视频精品| 久久久精品免费免费高清| 波多野结衣一区麻豆| 色婷婷久久久亚洲欧美| 免费少妇av软件| 大陆偷拍与自拍| 狂野欧美激情性xxxx在线观看| 亚洲精品日本国产第一区| 午夜免费男女啪啪视频观看| 最近最新中文字幕免费大全7| 婷婷色综合www| 男女无遮挡免费网站观看| 国产极品粉嫩免费观看在线| 成年人午夜在线观看视频| 国产成人精品福利久久| 2018国产大陆天天弄谢| 欧美xxxx性猛交bbbb| 亚洲成色77777| 9色porny在线观看| 精品一区二区三区视频在线| 国产在线视频一区二区| av又黄又爽大尺度在线免费看| 飞空精品影院首页| 天天操日日干夜夜撸| 毛片一级片免费看久久久久| 97超碰精品成人国产| 久久久久久伊人网av| 婷婷色av中文字幕| 亚洲av欧美aⅴ国产| 亚洲高清免费不卡视频| 欧美老熟妇乱子伦牲交| 爱豆传媒免费全集在线观看| 亚洲国产欧美日韩在线播放| 亚洲第一区二区三区不卡| 青青草视频在线视频观看| 一级爰片在线观看| 国产欧美日韩综合在线一区二区| 色婷婷久久久亚洲欧美| 国产成人精品福利久久| 亚洲内射少妇av| 99久久人妻综合| 91国产中文字幕| 9热在线视频观看99| 国产av精品麻豆| 人人妻人人添人人爽欧美一区卜| 免费黄频网站在线观看国产| 一区二区三区精品91| 在现免费观看毛片| 日韩,欧美,国产一区二区三区| 国产男人的电影天堂91| 久久久久久久国产电影| 一级,二级,三级黄色视频| 精品国产国语对白av| 91精品三级在线观看| 黑人猛操日本美女一级片| 亚洲国产看品久久| 一本大道久久a久久精品| www日本在线高清视频| 色5月婷婷丁香| 一级a做视频免费观看| 久久国产精品男人的天堂亚洲 | 26uuu在线亚洲综合色| 妹子高潮喷水视频| 久久免费观看电影| 日韩av在线免费看完整版不卡| 久久99热这里只频精品6学生| 久久这里有精品视频免费| 我的女老师完整版在线观看| 亚洲av综合色区一区| 18在线观看网站| 黄色视频在线播放观看不卡| 欧美日韩一区二区视频在线观看视频在线| 色视频在线一区二区三区| 考比视频在线观看| 大码成人一级视频| 精品人妻一区二区三区麻豆| 最黄视频免费看| 久久人人爽人人片av| 亚洲国产精品一区二区三区在线| 亚洲成人手机| 久久av网站| 男女高潮啪啪啪动态图| 久久国产精品男人的天堂亚洲 | av电影中文网址| 亚洲中文av在线| 最近中文字幕高清免费大全6| 国产不卡av网站在线观看| 久久久国产一区二区| 涩涩av久久男人的天堂| 人人妻人人澡人人看| 美女视频免费永久观看网站| 蜜臀久久99精品久久宅男| 韩国av在线不卡| 天天躁夜夜躁狠狠久久av| 51国产日韩欧美| 天天操日日干夜夜撸| 春色校园在线视频观看| 精品国产露脸久久av麻豆| 18禁在线无遮挡免费观看视频| 精品酒店卫生间| 天美传媒精品一区二区| 国产精品不卡视频一区二区| 丰满乱子伦码专区| 在线观看免费视频网站a站| 日韩av免费高清视频| 亚洲欧美色中文字幕在线| 一本色道久久久久久精品综合| 亚洲伊人色综图| 亚洲欧洲国产日韩| 老熟女久久久| 久久这里只有精品19| 中文字幕免费在线视频6| 少妇被粗大猛烈的视频| 女的被弄到高潮叫床怎么办| 国产 一区精品| 欧美3d第一页| 中文字幕另类日韩欧美亚洲嫩草| av天堂久久9| 老女人水多毛片| 欧美亚洲 丝袜 人妻 在线| 亚洲国产最新在线播放| 日韩欧美一区视频在线观看| 日韩不卡一区二区三区视频在线| a 毛片基地| 亚洲经典国产精华液单| 男女高潮啪啪啪动态图| 久久精品国产亚洲av天美| 交换朋友夫妻互换小说| 国产av国产精品国产| 成人综合一区亚洲| 看非洲黑人一级黄片| 黄色视频在线播放观看不卡| 看十八女毛片水多多多| 国产亚洲最大av| 国产亚洲精品第一综合不卡 | 久久韩国三级中文字幕| 在线观看免费视频网站a站| 欧美bdsm另类| 免费黄色在线免费观看| 老司机影院毛片| 天美传媒精品一区二区| 男女无遮挡免费网站观看| 精品一区二区三区四区五区乱码 | 大码成人一级视频| 成年动漫av网址| 久久午夜综合久久蜜桃| 欧美激情国产日韩精品一区| 人人妻人人添人人爽欧美一区卜| 精品少妇黑人巨大在线播放| 亚洲 欧美一区二区三区| 波野结衣二区三区在线| 美国免费a级毛片| 久久人妻熟女aⅴ| 亚洲国产精品成人久久小说| 中文天堂在线官网| 欧美日韩av久久| 天天操日日干夜夜撸| 少妇熟女欧美另类| 国产精品一国产av| 男人舔女人的私密视频| 日本vs欧美在线观看视频| 男人舔女人的私密视频| 久久这里只有精品19| 亚洲av在线观看美女高潮| 亚洲国产av影院在线观看| 新久久久久国产一级毛片| 爱豆传媒免费全集在线观看| 夜夜爽夜夜爽视频| 一级a做视频免费观看| 80岁老熟妇乱子伦牲交| 国产视频首页在线观看| 免费在线观看完整版高清| 啦啦啦视频在线资源免费观看| 免费av不卡在线播放| 一本大道久久a久久精品| 寂寞人妻少妇视频99o| 水蜜桃什么品种好|