• <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
    丰满人妻熟妇乱又伦精品不卡| 亚洲欧美一区二区三区久久| 亚洲专区国产一区二区| 亚洲国产毛片av蜜桃av| 国产男女超爽视频在线观看| 麻豆国产av国片精品| 多毛熟女@视频| 我要看黄色一级片免费的| 日韩欧美国产一区二区入口| 岛国毛片在线播放| 青草久久国产| 欧美另类一区| 亚洲欧美精品综合一区二区三区| 国产欧美日韩一区二区三区在线| 另类亚洲欧美激情| 电影成人av| 久久久国产一区二区| 欧美 亚洲 国产 日韩一| 亚洲伊人色综图| 黄色视频不卡| 国产成人影院久久av| 亚洲第一欧美日韩一区二区三区 | 精品一区二区三区av网在线观看 | 美女视频免费永久观看网站| 亚洲成人国产一区在线观看| 18在线观看网站| 国产男女内射视频| 美女国产高潮福利片在线看| 天天躁夜夜躁狠狠躁躁| 老汉色av国产亚洲站长工具| 久久性视频一级片| 国产精品一区二区在线不卡| 国产亚洲av高清不卡| 啦啦啦免费观看视频1| 国产有黄有色有爽视频| 精品久久久久久电影网| 国精品久久久久久国模美| 丝袜在线中文字幕| 亚洲男人天堂网一区| 久久久久国内视频| www.熟女人妻精品国产| 国产精品一区二区精品视频观看| 久久久国产欧美日韩av| 91麻豆精品激情在线观看国产 | 一区福利在线观看| 国产精品久久久av美女十八| 妹子高潮喷水视频| 99热全是精品| 久久久国产欧美日韩av| 国产精品麻豆人妻色哟哟久久| 日韩欧美一区视频在线观看| 高清视频免费观看一区二区| 午夜福利在线免费观看网站| 亚洲中文av在线| 1024视频免费在线观看| 一级毛片电影观看| 男人爽女人下面视频在线观看| 欧美97在线视频| 久久久久国内视频| 国产人伦9x9x在线观看| 久久人人爽人人片av| 国产免费av片在线观看野外av| 久久精品国产亚洲av高清一级| 两人在一起打扑克的视频| 中文字幕高清在线视频| 精品亚洲乱码少妇综合久久| 香蕉丝袜av| 日本撒尿小便嘘嘘汇集6| 99国产精品99久久久久| 国产深夜福利视频在线观看| 黑丝袜美女国产一区| 欧美变态另类bdsm刘玥| 女人精品久久久久毛片| 人妻久久中文字幕网| 搡老熟女国产l中国老女人| 国产精品影院久久| 免费观看人在逋| 欧美黄色淫秽网站| 超碰成人久久| 男女无遮挡免费网站观看| 51午夜福利影视在线观看| 首页视频小说图片口味搜索| 一级毛片电影观看| 97精品久久久久久久久久精品| 人妻 亚洲 视频| av网站免费在线观看视频| 亚洲欧洲日产国产| 久久久精品区二区三区| 在线精品无人区一区二区三| 欧美日韩福利视频一区二区| 91精品伊人久久大香线蕉| 人人妻,人人澡人人爽秒播| 亚洲av欧美aⅴ国产| 精品久久久久久电影网| 亚洲自偷自拍图片 自拍| 精品国产一区二区三区四区第35| 母亲3免费完整高清在线观看| 国产亚洲欧美精品永久| 国产精品免费视频内射| 深夜精品福利| 最黄视频免费看| 亚洲精品av麻豆狂野| 欧美日韩亚洲高清精品| 国产精品一区二区在线观看99| 69精品国产乱码久久久| 热re99久久国产66热| 精品亚洲乱码少妇综合久久| 亚洲七黄色美女视频| 一级片'在线观看视频| 一边摸一边抽搐一进一出视频| 午夜影院在线不卡| 久久久久久久久久久久大奶| 亚洲av电影在线观看一区二区三区| 另类精品久久| 90打野战视频偷拍视频| 大码成人一级视频| 少妇猛男粗大的猛烈进出视频| 久久人人97超碰香蕉20202| 中亚洲国语对白在线视频| 免费在线观看黄色视频的| 国产成人a∨麻豆精品| 亚洲av成人不卡在线观看播放网 | 一本久久精品| 欧美黑人精品巨大| 青草久久国产| 91九色精品人成在线观看| 丝袜喷水一区| 母亲3免费完整高清在线观看| 亚洲国产精品一区三区| 美女视频免费永久观看网站| 大片电影免费在线观看免费| 五月天丁香电影| 国产av一区二区精品久久| 亚洲av国产av综合av卡| 日日夜夜操网爽| 日韩欧美国产一区二区入口| 免费女性裸体啪啪无遮挡网站| 777米奇影视久久| 亚洲一区中文字幕在线| 两个人免费观看高清视频| 国产精品成人在线| 午夜福利视频精品| 欧美97在线视频| 久久久久国内视频| 久久青草综合色| 成人国产一区最新在线观看| 满18在线观看网站| 精品第一国产精品| 亚洲国产欧美日韩在线播放| 80岁老熟妇乱子伦牲交| 国内毛片毛片毛片毛片毛片| 午夜精品国产一区二区电影| 午夜福利一区二区在线看| 老司机午夜十八禁免费视频| 欧美日韩视频精品一区| 日韩精品免费视频一区二区三区| 热99久久久久精品小说推荐| 国产一区二区激情短视频 | 国产一区二区 视频在线| 9191精品国产免费久久| 欧美精品亚洲一区二区| 国产精品一二三区在线看| 国产亚洲av片在线观看秒播厂| 欧美日本中文国产一区发布| 这个男人来自地球电影免费观看| 欧美一级毛片孕妇| 久久午夜综合久久蜜桃| 色老头精品视频在线观看| 国产日韩欧美亚洲二区| 啦啦啦 在线观看视频| 在线观看免费午夜福利视频| 9色porny在线观看| 日韩视频在线欧美| 国产又色又爽无遮挡免| 午夜福利免费观看在线| 亚洲国产av影院在线观看| xxxhd国产人妻xxx| 国产无遮挡羞羞视频在线观看| a级片在线免费高清观看视频| 国产福利在线免费观看视频| 亚洲精品乱久久久久久| 超碰成人久久| 国产精品久久久av美女十八| 国产精品久久久久久人妻精品电影 | 男女国产视频网站| 午夜福利视频精品| 亚洲成人免费电影在线观看| 在线观看一区二区三区激情| 日韩熟女老妇一区二区性免费视频| 亚洲黑人精品在线| 亚洲av男天堂| 一区二区日韩欧美中文字幕| 色视频在线一区二区三区| 侵犯人妻中文字幕一二三四区| 精品人妻在线不人妻| 俄罗斯特黄特色一大片| 亚洲人成电影免费在线| av片东京热男人的天堂| 少妇的丰满在线观看| 国产成人免费无遮挡视频| 精品少妇一区二区三区视频日本电影| 国产精品香港三级国产av潘金莲| 精品少妇黑人巨大在线播放| 男人添女人高潮全过程视频| 岛国毛片在线播放| 久久天躁狠狠躁夜夜2o2o| av又黄又爽大尺度在线免费看| 搡老熟女国产l中国老女人| 韩国精品一区二区三区| 91精品三级在线观看| 亚洲精品久久久久久婷婷小说| 法律面前人人平等表现在哪些方面 | 欧美国产精品va在线观看不卡| 亚洲成人免费av在线播放| 国产精品自产拍在线观看55亚洲 | 日韩欧美一区二区三区在线观看 | 人人妻人人澡人人爽人人夜夜| 亚洲国产欧美在线一区| 女人被躁到高潮嗷嗷叫费观| 国产免费福利视频在线观看| 久久综合国产亚洲精品| 美女午夜性视频免费| 欧美精品一区二区免费开放| 欧美人与性动交α欧美软件| 国产欧美日韩精品亚洲av| 人妻久久中文字幕网| 免费在线观看影片大全网站| 国产av精品麻豆| 欧美精品av麻豆av| tube8黄色片| 久久九九热精品免费| 搡老熟女国产l中国老女人| 免费在线观看完整版高清| 精品一区二区三区四区五区乱码| 亚洲精品第二区| 90打野战视频偷拍视频| 国产成人av激情在线播放| 免费黄频网站在线观看国产| 成年人黄色毛片网站| 美国免费a级毛片| a级片在线免费高清观看视频| 日韩一卡2卡3卡4卡2021年| 狂野欧美激情性bbbbbb| 最近中文字幕2019免费版| 国产高清国产精品国产三级| 国产亚洲精品第一综合不卡| 久9热在线精品视频| 搡老乐熟女国产| 欧美日韩黄片免| 肉色欧美久久久久久久蜜桃| 久久99热这里只频精品6学生| 久久国产精品男人的天堂亚洲| 超色免费av| 中文字幕精品免费在线观看视频| 十八禁网站免费在线| av又黄又爽大尺度在线免费看| 黄色 视频免费看| 亚洲欧美精品自产自拍| 国产成人免费观看mmmm| 国产精品久久久久久精品古装| 欧美xxⅹ黑人| 人人妻人人添人人爽欧美一区卜| 巨乳人妻的诱惑在线观看| 男人操女人黄网站| 亚洲精品成人av观看孕妇| 90打野战视频偷拍视频| 黑人欧美特级aaaaaa片| 啦啦啦免费观看视频1| 欧美日韩视频精品一区| 国产精品1区2区在线观看. | 在线亚洲精品国产二区图片欧美| 日本a在线网址| 一级毛片精品| 宅男免费午夜| 大片电影免费在线观看免费| 99国产极品粉嫩在线观看| 啪啪无遮挡十八禁网站| 亚洲专区字幕在线| 成人亚洲精品一区在线观看| 正在播放国产对白刺激| 国产日韩欧美在线精品| av片东京热男人的天堂| 纯流量卡能插随身wifi吗| 男女边摸边吃奶| 一区二区三区乱码不卡18| 精品少妇黑人巨大在线播放| √禁漫天堂资源中文www| 国产深夜福利视频在线观看| 久9热在线精品视频| 国产精品1区2区在线观看. | 精品人妻在线不人妻| 亚洲av男天堂| www.自偷自拍.com| 69精品国产乱码久久久| 性色av一级| 男女下面插进去视频免费观看| 精品少妇内射三级| 成年人免费黄色播放视频| 欧美另类一区| 日韩欧美一区视频在线观看| 亚洲第一欧美日韩一区二区三区 | 国产精品香港三级国产av潘金莲| 首页视频小说图片口味搜索| 91成人精品电影| 精品熟女少妇八av免费久了| 黄网站色视频无遮挡免费观看| 亚洲av日韩在线播放| 少妇猛男粗大的猛烈进出视频| 亚洲国产欧美在线一区| av一本久久久久| 少妇精品久久久久久久| 一区二区av电影网| 久久久久久久国产电影| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲欧美精品综合一区二区三区| 欧美在线一区亚洲| 女性被躁到高潮视频| 性高湖久久久久久久久免费观看| 脱女人内裤的视频| 精品乱码久久久久久99久播| av一本久久久久| 欧美在线黄色| 大码成人一级视频| 国产成人系列免费观看| 国产成人免费观看mmmm| 国产深夜福利视频在线观看| 视频区图区小说| 一区二区三区激情视频| 大香蕉久久成人网| 午夜两性在线视频| 免费人妻精品一区二区三区视频| 亚洲专区国产一区二区| 最近最新免费中文字幕在线| 国产精品99久久99久久久不卡| 久久人妻熟女aⅴ| 中文字幕av电影在线播放| 久久av网站| 男女高潮啪啪啪动态图| 一区福利在线观看| 丰满人妻熟妇乱又伦精品不卡| 亚洲国产毛片av蜜桃av| 精品久久蜜臀av无| 国产在线观看jvid| 国产精品亚洲av一区麻豆| 老熟女久久久| 精品一区二区三区四区五区乱码| 黑人巨大精品欧美一区二区蜜桃| 一区二区av电影网| 乱人伦中国视频| 18禁黄网站禁片午夜丰满| 精品福利观看| 国产欧美日韩精品亚洲av| 十分钟在线观看高清视频www| 中文字幕高清在线视频| 麻豆乱淫一区二区| 久久久久精品人妻al黑| 自拍欧美九色日韩亚洲蝌蚪91| 伊人久久大香线蕉亚洲五| cao死你这个sao货| 精品第一国产精品| 中文字幕制服av| 大陆偷拍与自拍| 中文精品一卡2卡3卡4更新| 国产精品国产三级国产专区5o| 国产精品九九99| 亚洲综合色网址| 女人被躁到高潮嗷嗷叫费观| 中亚洲国语对白在线视频| 日日摸夜夜添夜夜添小说| 巨乳人妻的诱惑在线观看| 欧美精品一区二区免费开放| 大片免费播放器 马上看| kizo精华| 菩萨蛮人人尽说江南好唐韦庄| 久久国产精品影院| videosex国产| 国产亚洲欧美精品永久| 亚洲精品中文字幕在线视频| 欧美在线一区亚洲| 色老头精品视频在线观看| 纵有疾风起免费观看全集完整版| av不卡在线播放| 香蕉丝袜av| 欧美 亚洲 国产 日韩一| 91av网站免费观看| 亚洲av片天天在线观看| 狠狠婷婷综合久久久久久88av| 一区二区三区乱码不卡18| 大陆偷拍与自拍| 亚洲专区字幕在线| 最近最新中文字幕大全免费视频| 曰老女人黄片| 中国美女看黄片| 国产亚洲av高清不卡| 午夜福利在线观看吧| 欧美精品亚洲一区二区| 国产黄频视频在线观看| 日韩中文字幕欧美一区二区| 欧美日韩视频精品一区| 韩国精品一区二区三区| 国产区一区二久久| 国产淫语在线视频| 亚洲精品国产一区二区精华液| 欧美另类一区| 我要看黄色一级片免费的| 99国产综合亚洲精品| 精品久久久精品久久久| 91av网站免费观看| 女性被躁到高潮视频| 高清黄色对白视频在线免费看| 色婷婷久久久亚洲欧美| 亚洲精品自拍成人| 黑人巨大精品欧美一区二区mp4| a级片在线免费高清观看视频| 欧美大码av| 久久天堂一区二区三区四区| 脱女人内裤的视频| 亚洲av电影在线进入| 丰满少妇做爰视频| 永久免费av网站大全| 黄色视频在线播放观看不卡| a在线观看视频网站| 亚洲精品在线美女| av福利片在线| 亚洲伊人色综图| 日韩中文字幕视频在线看片| 久久亚洲精品不卡| 久久影院123| 日本黄色日本黄色录像| 精品一区二区三区av网在线观看 | 老汉色av国产亚洲站长工具| 国产成人精品久久二区二区免费| 欧美激情极品国产一区二区三区| 精品少妇内射三级| 免费女性裸体啪啪无遮挡网站| 五月天丁香电影| 麻豆av在线久日| 亚洲中文字幕日韩| 国产欧美日韩一区二区精品| 日韩欧美国产一区二区入口| 老司机午夜福利在线观看视频 | 欧美日韩视频精品一区| 欧美精品亚洲一区二区| 麻豆国产av国片精品| 男人舔女人的私密视频| 两人在一起打扑克的视频| 精品一区二区三卡| 欧美日韩亚洲国产一区二区在线观看 | 在线看a的网站| 波多野结衣一区麻豆| 老汉色∧v一级毛片| 中文字幕人妻熟女乱码| 精品人妻1区二区| 成人国产av品久久久| 国产三级黄色录像| 黑人操中国人逼视频| 性色av乱码一区二区三区2| 老司机亚洲免费影院| 色精品久久人妻99蜜桃| 亚洲精品中文字幕在线视频| 久久久精品国产亚洲av高清涩受| 日韩 欧美 亚洲 中文字幕| 男女国产视频网站| 大香蕉久久网| 亚洲欧美清纯卡通| 最新的欧美精品一区二区| 国产成人欧美| 桃花免费在线播放| 考比视频在线观看| 国产成人av激情在线播放| 性高湖久久久久久久久免费观看| 在线十欧美十亚洲十日本专区| a级毛片在线看网站| 亚洲熟女毛片儿| av福利片在线| videos熟女内射| 久久久久国产一级毛片高清牌| 久久狼人影院| 久久热在线av| 性高湖久久久久久久久免费观看| 99国产精品一区二区三区| 这个男人来自地球电影免费观看| 欧美 日韩 精品 国产| 免费不卡黄色视频| 欧美黑人精品巨大| 免费在线观看日本一区| 日韩熟女老妇一区二区性免费视频| 两性午夜刺激爽爽歪歪视频在线观看 | 9191精品国产免费久久| 国产成人精品无人区| 亚洲三区欧美一区| 久久这里只有精品19| 啦啦啦免费观看视频1| 国产人伦9x9x在线观看| 久久女婷五月综合色啪小说| 女性被躁到高潮视频| 嫁个100分男人电影在线观看| 国产精品久久久久久精品古装| 国产麻豆69| tube8黄色片| 精品一区在线观看国产| 亚洲久久久国产精品| 国产成人a∨麻豆精品| 免费女性裸体啪啪无遮挡网站| 麻豆乱淫一区二区| 日本wwww免费看| 一区二区日韩欧美中文字幕| 啦啦啦中文免费视频观看日本| 国产有黄有色有爽视频| 亚洲三区欧美一区| 国产国语露脸激情在线看| 巨乳人妻的诱惑在线观看| 天堂8中文在线网| 久久国产精品大桥未久av| 欧美日韩精品网址| 99精品久久久久人妻精品| 天天躁狠狠躁夜夜躁狠狠躁| 欧美精品av麻豆av| 亚洲性夜色夜夜综合| 水蜜桃什么品种好| 精品国产乱码久久久久久小说| 精品国产一区二区三区四区第35| 黄色a级毛片大全视频| 俄罗斯特黄特色一大片| 日韩中文字幕欧美一区二区| 日韩一卡2卡3卡4卡2021年| h视频一区二区三区| 免费在线观看日本一区| 国产精品影院久久| 亚洲av美国av| 亚洲国产精品一区三区| 国产亚洲精品第一综合不卡| 国产一区二区在线观看av| 午夜免费成人在线视频| 热99re8久久精品国产| 嫩草影视91久久| 美女主播在线视频| 18禁观看日本| 亚洲欧美成人综合另类久久久| 免费在线观看影片大全网站| 成年人黄色毛片网站| 日韩中文字幕欧美一区二区| 嫁个100分男人电影在线观看| 黄网站色视频无遮挡免费观看| 国产成人影院久久av| 婷婷色av中文字幕| 后天国语完整版免费观看| 亚洲精品中文字幕在线视频| 亚洲熟女精品中文字幕| 日韩一区二区三区影片| 嫁个100分男人电影在线观看| 亚洲三区欧美一区| 久久性视频一级片| 国产高清视频在线播放一区 | 久久久久国产精品人妻一区二区| 精品福利永久在线观看| 不卡av一区二区三区| 精品免费久久久久久久清纯 | 热re99久久国产66热| 电影成人av| 亚洲伊人色综图| 久久久久精品国产欧美久久久 | 国产成人av激情在线播放| 精品国产一区二区三区久久久樱花| 老熟妇乱子伦视频在线观看 | 国精品久久久久久国模美| 满18在线观看网站| 中文字幕制服av| 色综合欧美亚洲国产小说| av有码第一页| a 毛片基地| 热99re8久久精品国产| 亚洲视频免费观看视频| 咕卡用的链子| 黄片大片在线免费观看| 国产日韩欧美在线精品| 脱女人内裤的视频| 精品福利永久在线观看| 日本五十路高清| 亚洲av电影在线观看一区二区三区| 免费观看人在逋| 999精品在线视频| av网站在线播放免费| videosex国产| 亚洲精品成人av观看孕妇| 久久热在线av| 国产亚洲精品久久久久5区| 老司机靠b影院| 亚洲avbb在线观看| 久久久国产精品麻豆| 亚洲五月色婷婷综合| 国产区一区二久久| 日韩,欧美,国产一区二区三区| 9热在线视频观看99| 国产国语露脸激情在线看| 亚洲精品一二三| 高清欧美精品videossex| 麻豆国产av国片精品| 久久久精品免费免费高清| 久久精品国产综合久久久| 制服诱惑二区| 巨乳人妻的诱惑在线观看| 久久 成人 亚洲| 亚洲人成电影观看| 少妇精品久久久久久久| 91精品国产国语对白视频| 又大又爽又粗| 涩涩av久久男人的天堂| 亚洲 欧美一区二区三区| 一级片免费观看大全| 国产亚洲精品第一综合不卡| 人人妻人人添人人爽欧美一区卜| 永久免费av网站大全| 女人高潮潮喷娇喘18禁视频| 黄色a级毛片大全视频|