• <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 ?

    一種結(jié)合深度知識追蹤的個性化習(xí)題推薦方法

    2020-05-14 07:44:54馬驍睿朱群雄
    關(guān)鍵詞:習(xí)題向量個性化

    馬驍睿,徐 圓,朱群雄

    (北京化工大學(xué) 信息科學(xué)與技術(shù)學(xué)院,北京 100029)

    Email:mxrui1995@163.com

    1 引 言

    隨著信息化時代的到來,各行各業(yè)都受到了信息時代的影響.在教育領(lǐng)域,在線教育和智能教育產(chǎn)業(yè)規(guī)模這幾年得到了快速增長,在線教育平臺為學(xué)生提供了大量的習(xí)題和教育資源,吸引了大量的學(xué)習(xí)者來到在線平臺進(jìn)行學(xué)習(xí).然而,隨著教育資源規(guī)模的日漸龐大,學(xué)生往往陷入學(xué)習(xí)資源的選擇困難.這既是因?yàn)橘Y源數(shù)量太過龐大,出現(xiàn)了信息過載的問題,也是因?yàn)樵诰€教育方式相比傳統(tǒng)教學(xué)方式不能實(shí)時地對學(xué)生提供指導(dǎo),無法提供個性化的學(xué)習(xí)推薦.因此,如何在海量的習(xí)題資源中為學(xué)生精準(zhǔn)地推薦合適的習(xí)題就成了一個值得關(guān)注的研究課題.

    這幾年來,推薦系統(tǒng)的技術(shù)逐漸被研究者們應(yīng)用在習(xí)題推薦中,學(xué)者們將習(xí)題看作商業(yè)系統(tǒng)中的商品,學(xué)生看作用戶,以學(xué)生在習(xí)題上的成績作為用戶對商品的評分,學(xué)生的習(xí)題得分預(yù)測就可以轉(zhuǎn)化為用戶的商品評分預(yù)測,從而對學(xué)生進(jìn)行推薦.現(xiàn)有習(xí)題推薦方法主要分為基于協(xié)同過濾的方法和基于知識建模的方法,其中基于協(xié)同過濾的習(xí)題推薦方法研究現(xiàn)狀如下:Walker等通過用戶提交有關(guān)教育資源的評論和訪問搜索他人評價(jià)來產(chǎn)生個性化推薦以及尋找具有相似興趣的其他用戶[1];Hsu等使用協(xié)同過濾和數(shù)據(jù)挖掘技術(shù)分析學(xué)生的閱讀數(shù)據(jù)并生成推薦分?jǐn)?shù),幫助學(xué)生選擇合適的課程[2];Segal等提出了學(xué)生個性化排序算法EduRank,使用協(xié)同過濾找到目標(biāo)學(xué)生的相似學(xué)生,通過匯總相似學(xué)生的排名來構(gòu)建對目標(biāo)學(xué)生的問題難度排名,可以被用來輔助教師為學(xué)生量身定制習(xí)題集和考試[3];Milicevic等提出了一個編程輔導(dǎo)系統(tǒng)的推薦模塊Protus,通過AprioriAll算法挖掘頻繁序列分析相似學(xué)生的習(xí)慣和興趣,并根據(jù)對這些頻繁序列的評級完成個性化推薦,可以自動適應(yīng)學(xué)生的興趣和知識水平[4];Wu等提出了一種基于模糊樹匹配的學(xué)習(xí)資料推薦方法[5];Toledo等使用協(xié)同過濾方法實(shí)現(xiàn)學(xué)生在線編程平臺的推薦系統(tǒng)[6].基于協(xié)同過濾的習(xí)題推薦方法結(jié)構(gòu)簡單、可解釋,但往往忽略了學(xué)生對知識的掌握狀態(tài)信息,在推薦的精準(zhǔn)性方面有所欠缺.

    基于知識建模的習(xí)題推薦方法研究現(xiàn)狀如下:Dwivedi等通過考慮學(xué)習(xí)者的學(xué)習(xí)方式、目標(biāo)、知識水平、學(xué)習(xí)路徑等提供個性化推薦[7];Ye等提出了一種基于異構(gòu)信息網(wǎng)絡(luò)的學(xué)習(xí)資源推薦方法,通過貝葉斯知識追蹤對學(xué)生知識建模,并計(jì)算學(xué)生與學(xué)習(xí)資源之間的語義相似度進(jìn)行排名推薦[8];Halawa等基于邁爾斯-布里格斯類型指標(biāo)(MBTI)理論識別學(xué)生個性和學(xué)習(xí)方式,并以此來推薦學(xué)習(xí)課程[9];Zhu等提出將認(rèn)知診斷模型與概率矩陣分解結(jié)合進(jìn)行推薦[10];Jiang等提出了一種基于知識點(diǎn)層次圖的個性化習(xí)題推薦算法,通過構(gòu)建表征知識點(diǎn)層次關(guān)系的權(quán)重圖,結(jié)合學(xué)生的知識掌握情況,產(chǎn)生個性化習(xí)題推薦[11].基于知識建模的方法能夠考慮學(xué)生的知識狀態(tài),基于個人的知識水平做出推薦,但是沒有將相似學(xué)生的信息加入?yún)⒖迹雎粤藢W(xué)習(xí)的群體性.

    協(xié)同過濾推薦方法和基于知識建模的推薦方法相比,前者忽略了學(xué)生的知識掌握狀態(tài)信息,容易給出過簡單或過難的試題,推薦結(jié)果往往不夠合理;而后者主要針對學(xué)生個人的知識狀態(tài)進(jìn)行建模預(yù)測,在推薦結(jié)果上可能比較單一.

    針對兩種方法各自的缺陷,本文提出一種基于深度知識追蹤的協(xié)同過濾推薦方法DKT-CF,通過二者的結(jié)合,得到更精準(zhǔn)的個性化習(xí)題推薦.本文算法具有以下優(yōu)點(diǎn):1)結(jié)合深度知識追蹤模型:DKT-CF結(jié)合深度知識追蹤模型和協(xié)同過濾算法進(jìn)行個性化習(xí)題推薦,它從學(xué)生知識掌握程度出發(fā),對學(xué)生進(jìn)行建模,具備更好的模型精度;2)使用近鄰信息:DKT-CF結(jié)合學(xué)生自身和其相似學(xué)生的知識水平進(jìn)行推薦,考慮了學(xué)生之間的群體性和學(xué)生自身的學(xué)習(xí)情況,提高了推薦結(jié)果的可靠性;3)不同難度的推薦:通過引入難度范圍參數(shù),可推薦不同難度范圍的題目,提高了推薦結(jié)果的拓展性和可解釋性.

    文章第2節(jié)概述深度知識追蹤模型;第3節(jié)介紹提出的方法框架和內(nèi)容;第4節(jié)通過實(shí)驗(yàn)驗(yàn)證DKT-CF的有效性;最后,在第5節(jié)進(jìn)行總結(jié)和展望.

    2 深度知識追蹤概述

    知識追蹤模型最早起源于1972年,其任務(wù)可以描述為:給定一個學(xué)生的練習(xí)序列x0,…,xT,預(yù)測下次的表現(xiàn)xt+1.Corbett等在1995年提出了貝葉斯知識追蹤(Bayesian Knowledge Tracing,BKT),BKT將學(xué)習(xí)者的潛在知識狀態(tài)建模為一組二元變量,每個二元變量代表表對單個概念的理解或不理解,使用隱式馬爾科夫模型,通過對每個知識點(diǎn)迭代更新猜測率,學(xué)習(xí)率,失誤率和學(xué)習(xí)初始概率,得出學(xué)生的知識點(diǎn)掌握水平[12].BKT提出后成為了評估學(xué)生知識最常用的方法之一,許多研究者對其提出了改進(jìn)方法:Baker等使用機(jī)器學(xué)習(xí)的方法對學(xué)生猜測和失誤的概率進(jìn)行上下文估計(jì),降低了模型退化的風(fēng)險(xiǎn)[13];Yudelson等將學(xué)生學(xué)習(xí)速度參數(shù)引入BKT,增加了BKT的準(zhǔn)確率,并用在智能輔導(dǎo)系統(tǒng)中輔導(dǎo)學(xué)生學(xué)習(xí)[14];深度知識追蹤(Deep Knowledge Tracing,DKT)由Chris 等在2015年提出,通過訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)RNN對學(xué)生的知識掌握狀態(tài)建模,在不需要對訓(xùn)練數(shù)據(jù)集進(jìn)行人工標(biāo)注的情況下得到了比BKT更好的效果[15].

    DKT的簡單結(jié)構(gòu)如圖1,其中x1…xT為模型輸入,代表學(xué)生的提交序列;y1…yT為模型輸出,代表每個練習(xí)正確的概率向量;h0…h(huán)T為隱含層狀態(tài).ht,yt表達(dá)公式如公式(1),其中Whx,Whh分別為隱含層與輸入層,隱含層與隱含層之間的權(quán)值矩陣,Wyh為隱含層與輸出層之間的權(quán)值矩陣.模型損失函數(shù)loss如公式(2),其中qt+1,at+1分別為訓(xùn)練樣本下一次練習(xí)的問題編號和答案.

    (1)

    (2)

    近年來,許多學(xué)者對DKT進(jìn)行了應(yīng)用和改進(jìn)研究:Zhang等提出引入更多的特征進(jìn)行學(xué)習(xí),并加入自動編碼器層對輸入降維,提升模型的表現(xiàn)[16];Yu等采用雙向LSTM對問題的文本表述信息進(jìn)行訓(xùn)練,再在對知識狀態(tài)建模的過程中引入注意力機(jī)制,通過兩個模型結(jié)合提高知識追蹤的準(zhǔn)確度[17];Yeung等通過重構(gòu)DKT模型的損失函數(shù),并加入3個正則項(xiàng)參數(shù),提高模型的穩(wěn)定性和準(zhǔn)確度[18];Wang等將學(xué)生的編程提交記錄編碼輸入DKT中,對模型進(jìn)行訓(xùn)練并預(yù)測學(xué)生在后續(xù)的編程測試中的表現(xiàn)[19].

    3 結(jié)合深度知識追蹤的個性化習(xí)題推薦方法

    針對目前應(yīng)用協(xié)同過濾方法和知識建模方法產(chǎn)生個性化習(xí)題推薦各自的不足,提出了一種結(jié)合深度知識追蹤模型和協(xié)同過濾方法的個性化習(xí)題推薦方法DKT-CF.該方法通過深度知識追蹤模型對學(xué)生知識狀態(tài)建模,再結(jié)合相似學(xué)生信息進(jìn)行協(xié)同過濾推薦,使推薦結(jié)果既考慮學(xué)生個人的知識狀態(tài)也考慮群體學(xué)生學(xué)習(xí)的共性,提高了推薦結(jié)果的可解釋性和精確度.

    3.1 DKT-CF方法整體框架

    本節(jié)介紹了本文提出的DKT-CF的方法框架,推薦方法分為3個步驟:

    1)輸入:學(xué)生的做題序列xt={qt,at},其中qt代表在時間t學(xué)生練習(xí)的習(xí)題q,at代表在時間t學(xué)生回答的成績.

    2)知識追蹤(第1步):使用DKT模型對學(xué)生的知識水平進(jìn)行建模,獲得學(xué)生的知識掌握程度,得到學(xué)生的知識水平向量矩陣U.

    3)學(xué)生得分預(yù)測(第2步):結(jié)合協(xié)同過濾算法,通過計(jì)算知識水平向量余弦相似度得到目標(biāo)學(xué)生的相似學(xué)生,和學(xué)生自身知識水平向量結(jié)合得出學(xué)生最終的預(yù)測習(xí)題得分向量f.

    4)輸出(第3步):根據(jù)具體情況設(shè)置合適的難度范圍[β1,β2],選出預(yù)測作答的概率在范圍內(nèi)的習(xí)題,產(chǎn)生對學(xué)生的個性化習(xí)題推薦.

    3.2節(jié)將分別介紹DKT-CF的具體做法.

    3.2 DKT-CF具體做法

    3.2.1 知識追蹤

    在第一步中使用m個學(xué)生做習(xí)題練習(xí)的時間序列S={X1,X2,…,Xm},其中每個學(xué)生的聯(lián)系序列Xi={xi1,xi2,…,xit}輸入到循環(huán)神經(jīng)網(wǎng)絡(luò)中.將輸入序列進(jìn)行獨(dú)熱編碼表示,如輸入數(shù)據(jù)涉及k個習(xí)題,每道題分別由0,1來表示答錯和答對,對應(yīng)輸入的長度為2k.如若學(xué)生答錯了第i個問題,則輸入中第i個位置的數(shù)值為1,其余位置為0,否則輸入中第i+1位為1,其余為0.將數(shù)據(jù)編碼后輸入深度神經(jīng)網(wǎng)絡(luò)模型中,模型的輸出序列yt建立在對前t時刻的學(xué)生習(xí)題練習(xí)序列的訓(xùn)練上,長度為問題總量n,每一位代表了每一個對應(yīng)題目的答對概率.通過訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型,對每個學(xué)生計(jì)算其知識水平向量,得到全體學(xué)生的知識水平向量矩陣U(m×n).

    3.2.2 學(xué)生得分預(yù)測

    對知識水平向量矩陣U,以余弦相似度的來判斷向量Ui和Uj的相似程度.假設(shè)Ui={a1,a2,…,an},Uj={b1,b2,…,bn},則Ui和Uj的余弦相似度如公式(3):

    (3)

    通過余弦相似度的排名選擇大于一定閾值(實(shí)驗(yàn)中為0.95)的學(xué)生作為相似用戶,對于目標(biāo)學(xué)生i,預(yù)測其最終的習(xí)題得分向量由公式(4)得到:

    fi=ρ·Ui+(1-ρ)·average(Ni)

    (4)

    其中,Ui為學(xué)生的知識水平向量,average(Ni)為其相似學(xué)生的知識水平向量的平均值,學(xué)生個人的知識水平和學(xué)生之間共性的知識水平在使用fi進(jìn)行預(yù)測時的比例由參數(shù)ρ調(diào)節(jié),ρ的取值范圍為[0, 1].隨著ρ的增大,由學(xué)生個人知識水平產(chǎn)生的影響增大,特別的,當(dāng)ρ=0,fi為其近鄰學(xué)生的知識水平的平均,不包括學(xué)生個人的狀態(tài);當(dāng)ρ=1,fi完全為DKT模型輸出的個人知識水平向量.

    3.2.3 輸出

    在這一步中,產(chǎn)生對學(xué)生的推薦結(jié)果.在產(chǎn)生習(xí)題推薦時,確定一個適當(dāng)?shù)碾y度范圍[β1,β2](β2>β1)作為習(xí)題的難度區(qū)間,則可以根據(jù)學(xué)生的習(xí)題得分向量fi,向?qū)W生推薦正確概率在β1到β2的習(xí)題.例如將β1設(shè)置為0.6,β2設(shè)置為0.8,則會根據(jù)預(yù)測的習(xí)題得分向量向?qū)W生推薦正確回答概率在0.6到0.8的習(xí)題.

    DKT-CF方法在產(chǎn)生習(xí)題推薦時在考慮學(xué)生個人的知識掌握水平的同時加入了學(xué)生之間相似群體的學(xué)習(xí)情況,其推薦的習(xí)題能夠體現(xiàn)學(xué)生真實(shí)的知識水平,做到為學(xué)生推薦有一定難度的個性化習(xí)題.

    算法1.基于深度知識追蹤的協(xié)同過濾推薦方法DKT-CF

    輸入:學(xué)生歷史答題提交序列S;目標(biāo)難度范圍[β1,β2];個性比例參數(shù)ρ;推薦習(xí)題數(shù)K

    輸出:推薦習(xí)題集合R

    Begin:

    1. s=onehot(S) //將輸入進(jìn)行onehot編碼

    2. U(m×n)=train_DKT(s) //訓(xùn)練深度知識追蹤模型,輸出知識水平向量矩陣U

    3. for Ui∈ U //關(guān)于學(xué)生i

    4. for Uj∈ U//遍歷所有的知識水平向量

    5. Simi,j=cosine_sim(Ui,Uj) //計(jì)算Ui,Uj的余弦相似度Simi,j

    6. Ni=sim_rank(Simi) //根據(jù)相似度排名得到相似學(xué)生Ni

    7. fi=ρ*Ui+(1-ρ)*average(Ni) //計(jì)算最終的習(xí)題得分向量

    8. Ri=recommend(fi,K,β1,β2) //產(chǎn)生對學(xué)生i的推薦Ri

    9. return R //推薦習(xí)題集合R

    End

    4 實(shí) 驗(yàn)

    4.1 數(shù)據(jù)集介紹

    實(shí)驗(yàn)采用了2組數(shù)據(jù)集,第1組數(shù)據(jù)為assistments2009公開數(shù)據(jù)集,assistments是一個公開在線教育平臺,可以同時在線教授和評估學(xué)生學(xué)習(xí),數(shù)據(jù)集包含了超過50萬條小學(xué)數(shù)學(xué)習(xí)題提交數(shù)據(jù).第2組數(shù)據(jù)集是從某高校在線編程平臺(online judge)上爬取的學(xué)生提交歷史紀(jì)錄,兩組數(shù)據(jù)集的相關(guān)信息如表1.

    表1 數(shù)據(jù)集統(tǒng)計(jì)信息

    Table 1 Dataset statistics

    4.2 實(shí)驗(yàn)評價(jià)指標(biāo)

    4.2.1 精確率、召回率和f1值

    為衡量本文提出的DKT-CF方法向?qū)W生產(chǎn)生個性化習(xí)題推薦的有效性,本文首先采用精確率(precision)、召回率(recall)和f1值的指標(biāo)來評價(jià)DKT-CF的推薦效果,并和對比方法進(jìn)行對比.評價(jià)指標(biāo)的計(jì)算公式如公式(5)所示:

    (5)

    其中,TP代表推薦習(xí)題中學(xué)生正確回答的個數(shù),F(xiàn)P代表推薦習(xí)題中學(xué)生錯誤回答的個數(shù),F(xiàn)N代表其他待推薦習(xí)題中學(xué)生正確回答的個數(shù).

    4.2.2 正確回答率

    精確率,召回率和f1值適合檢驗(yàn)推薦中較簡單的題目,但是個性化推薦的目標(biāo)不是向?qū)W生推薦最容易完成的習(xí)題,雖然這三個指標(biāo)可以從側(cè)面反映出推薦系統(tǒng)的精確性,但是不能保證在推薦有一定難度的習(xí)題時,學(xué)生的表現(xiàn)依舊能夠符合模型的預(yù)測.

    為檢驗(yàn)DKT-CF在一定難度閾值范圍內(nèi)進(jìn)行個性化推薦時的有效性和可解釋性,以答題的正確率SR作為評價(jià)指標(biāo)評價(jià)其表現(xiàn).SR的公式如公式(6):

    (6)

    其中right為推薦題目中學(xué)生回答正確的習(xí)題數(shù),total為推薦題目總數(shù).通過使用SR作為評價(jià)指標(biāo)可以反映出學(xué)生在推薦習(xí)題上的總體表現(xiàn),當(dāng)難度的范圍[β1,β2]發(fā)生變化時,SR也應(yīng)該隨之變化,并落入對應(yīng)的區(qū)間中.

    4.3 對比實(shí)驗(yàn)方法

    為驗(yàn)證DKT-CF方法效果,選擇以下幾種方法進(jìn)行對比:

    1)DKT:根據(jù)DKT模型輸出的學(xué)生知識水平向量,進(jìn)行排名并推薦正確作答概率最高的習(xí)題.

    2)DKT+:DKT+是文獻(xiàn)[18]中提出的對DKT模型的改進(jìn),通過重構(gòu)損失函數(shù),引入正則項(xiàng)r,w1,w2,提高模型的穩(wěn)定性和平均精度.r,w1,w2和修改后的損失函數(shù)如公式(7)、公式(8)和公式(9),其中l(wèi)oss表示原DKT的損失函數(shù),λr,λw1和λw2分別為3個正則項(xiàng)對應(yīng)的參數(shù).

    (7)

    (8)

    loss′ =loss+λrr+λw1w1+λw2w2

    (9)

    3)UserCF:使用學(xué)生-習(xí)題得分矩陣進(jìn)行基于用戶的協(xié)同過濾推薦,計(jì)算學(xué)生之間余弦相似度尋找相似學(xué)生,再根據(jù)相似學(xué)生的成績預(yù)測目標(biāo)學(xué)生的成績,根據(jù)不同習(xí)題預(yù)測成績的排名進(jìn)行推薦.

    4)KS-CF:使用學(xué)生知識水平向量矩陣U進(jìn)行基于用戶的協(xié)同過濾推薦,計(jì)算學(xué)生之間的余弦相似度,以相似學(xué)生的平均得分概率作為目標(biāo)學(xué)生的得分概率,進(jìn)而根據(jù)概率高低進(jìn)行排名推薦.

    4.4 實(shí)驗(yàn)及結(jié)果分析

    4.4.1 實(shí)驗(yàn)環(huán)境

    實(shí)驗(yàn)環(huán)境操作系統(tǒng)為windows10 64位,語言為python3.6,采用tensoflow gpu 1.13版本,顯卡為NVIDIA GTX1080-8G,內(nèi)存16G.

    4.4.2 模型參數(shù)

    在DKT模型訓(xùn)練階段,隱含層采用200個LSTM節(jié)點(diǎn),keep_prob設(shè)為0.5,學(xué)習(xí)率learning_rate設(shè)為0.01,訓(xùn)練輪數(shù)max_epoch設(shè)為200,每批數(shù)據(jù)大小batch_size設(shè)為32.

    4.4.3 習(xí)題推薦對比實(shí)驗(yàn)

    在習(xí)題推薦的對比實(shí)驗(yàn)中,實(shí)驗(yàn)將本文提出的DKT-CF對比4.3節(jié)中描述的四種方法,以精確度,召回率,f1值的指標(biāo)來評價(jià)五種方法的效果.在兩個數(shù)據(jù)集中,均隨機(jī)劃分80%的學(xué)生用于訓(xùn)練,其余20%的學(xué)生用于測試推薦方法.在進(jìn)行測試時,選取測試集中每位學(xué)生70%的提交數(shù)據(jù)來產(chǎn)生推薦結(jié)果,對每個學(xué)生推薦5道題目,將推薦習(xí)題和后續(xù)的提交結(jié)果進(jìn)行對比來檢驗(yàn)推薦的精確性.

    在實(shí)驗(yàn)中,根據(jù)實(shí)驗(yàn)設(shè)定學(xué)生個人因素的占比參數(shù)ρ=0.4(在后續(xù)的實(shí)驗(yàn)中會驗(yàn)證不同ρ取值的表現(xiàn)).

    實(shí)驗(yàn)結(jié)果如表2、表3,從中可以得到以下信息:

    1)在對兩個數(shù)據(jù)集的實(shí)驗(yàn)中,提出的DKT-CF算法習(xí)題推薦效果均優(yōu)于其他算法,精確度,召回率和f1值均為最高.說明DKT-CF方法相比其他方法能產(chǎn)生更精準(zhǔn)的推薦結(jié)果,比其他方法更加有效.

    表2 Assistments數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

    Table 2 Result of assistments dataset

    DKTDKT+UserCFKS-CFDKT-CFprecision0.9570.9550.8850.9540.977recall0.2560.2810.2760.2380.287f10.4040.4340.4210.3800.444

    2)在實(shí)驗(yàn)中,使用傳統(tǒng)協(xié)同過濾算法的UserCF算法準(zhǔn)確率相比較低,在融入了學(xué)生的知識狀態(tài)后,得到了較好的效果(KS-CF方法),精確度的漲幅分別達(dá)到7.7%和6.4%,說明引入知識狀態(tài)的信息來提高傳統(tǒng)協(xié)同過濾的精確度的方法是有效的.

    3)本文提出的DKT-CF是DKT方法和KS-CF方法的結(jié)合,達(dá)到了最優(yōu)的效果,說明習(xí)題推薦中既考慮學(xué)生的個性又考慮學(xué)生學(xué)習(xí)的群體性的方法能夠給出最有效的個性化習(xí)題推薦.

    表3 OJ數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

    Table 3 Result of OJ dataset

    DKTDKT+UserCFKS-CFDKT-CFprecision0.8490.8530.7950.8460.855recall0.3130.3140.2630.3050.318f10.4570.4590.3950.4480.463

    4.4.4 習(xí)題難度范圍實(shí)驗(yàn)

    在本文提出的推薦方法步驟中,可以設(shè)置推薦習(xí)題對應(yīng)的難度范圍.為驗(yàn)證對于指定的難度范圍[β1,β2],DKT-CF方法給出的推薦習(xí)題能否滿足對應(yīng)習(xí)題難度的要求,進(jìn)行不同難度范圍下對應(yīng)學(xué)生的正確作答率SR變化情況的實(shí)驗(yàn).

    本文根據(jù)難度范圍從0到1劃分為5個區(qū)間,每個區(qū)間的難度跨度為0.2.在不同難度區(qū)間下,根據(jù)算法得出的學(xué)生正確做答概率,選擇在難度區(qū)間內(nèi)的習(xí)題作為推薦習(xí)題集,計(jì)算測試集中學(xué)生的回答正確比例.實(shí)驗(yàn)結(jié)果如表4、表5.

    表4 assistments數(shù)據(jù)集正確率對比

    Table 4 Comparison of SR in assistments dataset

    β1-β20-0.20.2-0.40.4-0.60.6-0.80.8-1SR0.1700.3700.5820.7410.930

    從實(shí)驗(yàn)結(jié)果可以看出,隨著難度的逐漸降低,學(xué)生的正確作答率不斷提高,例如,在[β1,β2]設(shè)置為[0.2,0.4]時,學(xué)生在兩個數(shù)據(jù)集上的正確作答率分別為0.37 和 0.35左右,當(dāng)[β1,β2]設(shè)置為[0.4,0.6]時,學(xué)生的正確作答率分別提高到0.58和0.50左右.實(shí)驗(yàn)說明,本文提出的DKT-CF方法可以根據(jù)不同的難度范圍向?qū)W生推薦合適的難度的習(xí)題,從而使推薦效果有更好的實(shí)際意義和可解釋性.

    表5 OJ數(shù)據(jù)集正確率對比

    Table 5 Comparison of SR in OJ dataset

    β1-β20-0.20.2-0.40.4-0.60.6-0.80.8-1SR0.2280.3480.4990.6190.926

    4.4.5 參數(shù)ρ的設(shè)置實(shí)驗(yàn)

    在所提出的DKT-CF方法中,參數(shù)ρ的作用是調(diào)節(jié)學(xué)生個人知識水平和學(xué)生群體共性的知識水平對推薦結(jié)果影響的比例.ρ的取值范圍為[0,1],當(dāng)ρ越大,代表預(yù)測的習(xí)題得分向量更靠近學(xué)生個人的知識狀態(tài);當(dāng)ρ越小,代表預(yù)測的習(xí)題得分向量更靠近與目標(biāo)學(xué)生相似的學(xué)生群體知識狀態(tài).特別的,當(dāng)ρ=1,方法退化為DKT方法;當(dāng)ρ=0,方法退化為KS-CF方法.

    圖2 assistments數(shù)據(jù)集f1值變化

    圖2、圖3顯示了DKT-CF方法分別在兩個數(shù)據(jù)集下以不同的ρ來進(jìn)行推薦時,參數(shù)f1值與ρ之間的變化關(guān)系.從實(shí)驗(yàn)結(jié)果可以看出,ρ的取值對推薦效果有明顯影響,并且對于兩個數(shù)據(jù)集,ρ=0.4時均達(dá)到了最高的f1值.雖然在圖3中ρ=0.2和0.6時與最高值相差不大,但是在圖2中差距比較明顯,說明ρ=0.2和ρ=0.6時穩(wěn)定性可能不如ρ=0.4的情況.綜合考慮算法的表現(xiàn)和穩(wěn)定性后,決定選取ρ=0.4作為進(jìn)行其他實(shí)驗(yàn)時的算法參數(shù).

    圖3 OJ數(shù)據(jù)集f1值變化

    4.4.6 結(jié)果討論

    從上述實(shí)驗(yàn)結(jié)果可以看出,本文提出的基于深度知識追蹤的個性化習(xí)題推薦方法DKT-CF不論是較簡單題的習(xí)題推薦效果,還是推薦有一定難度習(xí)題時,預(yù)期難度與選擇習(xí)題的難度的貼合度上,均有較好的表現(xiàn).這是因?yàn)镈KT-CF方法既考慮學(xué)生個人的知識掌握水平(DKT模型),又考慮了學(xué)習(xí)的群體性,加入了相似學(xué)生之間的信息(協(xié)同過濾方法).相比于傳統(tǒng)的協(xié)同過濾方法,該方法有更好的精確度和可解釋性,相比于基于知識狀態(tài)建模的方法,該方法具有更好的可靠性和拓展性.

    5 結(jié)論和展望

    針對傳統(tǒng)協(xié)同過濾推薦方法沒有考慮學(xué)生的知識掌握水平和基于知識建模的推薦方法忽略了學(xué)生之間學(xué)習(xí)的群體性的缺點(diǎn),本文提出了一種基于深度知識追蹤的個性化習(xí)題推薦方法DKT-CF.該方法以學(xué)生的歷史答題提交序列作為輸入,方法的第1步為結(jié)合深度知識追蹤模型對學(xué)生的知識掌握水平進(jìn)行建模;第2步將學(xué)生的知識水平向量作為計(jì)算相似學(xué)生的參考得出相似用戶,并結(jié)合個人的知識水平向量得出預(yù)測的目標(biāo)得分向量,在考慮學(xué)生個人狀態(tài)信息的同時加入了相似學(xué)生的群體信息;在第3步中,根據(jù)一定的難度范圍[β1,β2],選擇正確作答概率在范圍內(nèi)的習(xí)題對學(xué)生進(jìn)行推薦;最后通過實(shí)驗(yàn)證明了本文提出的DKT-CF方法的有效性和合理性.

    在后續(xù)的研究中,從模型出發(fā),可以考慮對深度知識追蹤模型進(jìn)行改進(jìn),加入更多個性化特征進(jìn)行學(xué)習(xí);從推薦方法出發(fā),可以考慮結(jié)合其他的推薦算法產(chǎn)生推薦;從推薦的場景出發(fā),在不同場景下的推薦策略也是一個值得探討的問題,比如根據(jù)難度不同區(qū)分出用于拓展提高的推薦題目和用于復(fù)習(xí)鞏固的推薦題目等,可以更有針對性地進(jìn)行個性化習(xí)題推薦.

    猜你喜歡
    習(xí)題向量個性化
    從一道課本習(xí)題說開去
    向量的分解
    一道課本習(xí)題及其拓展的應(yīng)用
    抓住習(xí)題深探索
    聚焦“向量與三角”創(chuàng)新題
    堅(jiān)持個性化的寫作
    文苑(2020年4期)2020-05-30 12:35:12
    精心設(shè)計(jì)習(xí)題 構(gòu)建高效課堂
    新聞的個性化寫作
    新聞傳播(2018年12期)2018-09-19 06:27:10
    上汽大通:C2B個性化定制未來
    向量垂直在解析幾何中的應(yīng)用
    久久99一区二区三区| 日韩大片免费观看网站| 亚洲精品,欧美精品| 国产 一区精品| 日韩制服骚丝袜av| 国产1区2区3区精品| 欧美日韩精品网址| 天天躁狠狠躁夜夜躁狠狠躁| 最近中文字幕2019免费版| 观看av在线不卡| 国产精品欧美亚洲77777| 美国免费a级毛片| 国产精品久久久久久久久免| 黄色视频不卡| 国产 一区精品| 亚洲av电影在线观看一区二区三区| 日韩欧美精品免费久久| 亚洲国产精品成人久久小说| 女人精品久久久久毛片| 欧美精品一区二区大全| 亚洲欧美一区二区三区国产| 亚洲av国产av综合av卡| 亚洲av日韩精品久久久久久密 | 亚洲精品乱久久久久久| 日本一区二区免费在线视频| 电影成人av| 亚洲av中文av极速乱| 日韩伦理黄色片| 最新在线观看一区二区三区 | 99国产综合亚洲精品| 国产一区二区三区综合在线观看| 国产av精品麻豆| 男女免费视频国产| 天天操日日干夜夜撸| 欧美精品人与动牲交sv欧美| 亚洲一区二区三区欧美精品| 久久精品亚洲av国产电影网| 在线观看免费午夜福利视频| 啦啦啦在线观看免费高清www| 国产精品国产三级国产专区5o| 久久国产精品男人的天堂亚洲| 五月开心婷婷网| 亚洲精品自拍成人| 夫妻午夜视频| 中文字幕高清在线视频| 婷婷色综合www| 老司机深夜福利视频在线观看 | 看免费成人av毛片| 国产探花极品一区二区| 九草在线视频观看| 国产一区二区激情短视频 | 老司机影院成人| 中文字幕制服av| 国产精品久久久av美女十八| 一本一本久久a久久精品综合妖精| 精品人妻熟女毛片av久久网站| 亚洲欧美一区二区三区黑人| 亚洲色图 男人天堂 中文字幕| 18禁裸乳无遮挡动漫免费视频| 观看美女的网站| 高清欧美精品videossex| 亚洲精品在线美女| 男女午夜视频在线观看| 青春草视频在线免费观看| 久久毛片免费看一区二区三区| 日韩大码丰满熟妇| 亚洲七黄色美女视频| 欧美在线一区亚洲| 日本av免费视频播放| 国产精品 欧美亚洲| 国产精品秋霞免费鲁丝片| 亚洲成国产人片在线观看| 久久影院123| 啦啦啦视频在线资源免费观看| 中文字幕精品免费在线观看视频| 国产无遮挡羞羞视频在线观看| 新久久久久国产一级毛片| 日韩精品免费视频一区二区三区| 午夜福利,免费看| 国产免费现黄频在线看| 麻豆av在线久日| 人人妻人人澡人人看| 国产亚洲欧美精品永久| 热re99久久国产66热| 欧美 亚洲 国产 日韩一| 国产精品蜜桃在线观看| 国产精品香港三级国产av潘金莲 | a级片在线免费高清观看视频| 久久精品人人爽人人爽视色| 欧美日韩亚洲综合一区二区三区_| av网站免费在线观看视频| 观看av在线不卡| 成人三级做爰电影| 天美传媒精品一区二区| 熟妇人妻不卡中文字幕| 国产av码专区亚洲av| 七月丁香在线播放| 国产精品久久久久久精品电影小说| h视频一区二区三区| 欧美在线一区亚洲| 日本av手机在线免费观看| 丝袜在线中文字幕| 伦理电影大哥的女人| 精品久久久久久电影网| 久久久久精品性色| 亚洲,欧美,日韩| 亚洲精品视频女| 一级片'在线观看视频| 国产 精品1| 两个人免费观看高清视频| 男女免费视频国产| 亚洲人成77777在线视频| 嫩草影院入口| 亚洲国产精品一区三区| 国产免费一区二区三区四区乱码| 久久久久国产精品人妻一区二区| 亚洲专区中文字幕在线 | 69精品国产乱码久久久| 成人18禁高潮啪啪吃奶动态图| 国产 精品1| 久久精品国产a三级三级三级| 日韩熟女老妇一区二区性免费视频| 亚洲国产av新网站| 9热在线视频观看99| 国产午夜精品一二区理论片| 又大又爽又粗| 精品少妇内射三级| 两个人免费观看高清视频| 超色免费av| 黄色怎么调成土黄色| 欧美 日韩 精品 国产| 精品酒店卫生间| 亚洲国产av新网站| 亚洲国产最新在线播放| 亚洲国产成人一精品久久久| 熟女av电影| 美女大奶头黄色视频| 亚洲欧洲精品一区二区精品久久久 | 久久韩国三级中文字幕| 久久婷婷青草| 大香蕉久久成人网| xxxhd国产人妻xxx| 搡老岳熟女国产| 男的添女的下面高潮视频| 成人18禁高潮啪啪吃奶动态图| 欧美 日韩 精品 国产| 夫妻性生交免费视频一级片| 黑人猛操日本美女一级片| 日韩中文字幕欧美一区二区 | 少妇被粗大猛烈的视频| 国产片特级美女逼逼视频| 秋霞伦理黄片| av福利片在线| 久久久久精品性色| videosex国产| √禁漫天堂资源中文www| 亚洲精品在线美女| 国产成人精品在线电影| 亚洲欧洲精品一区二区精品久久久 | 尾随美女入室| 成人国产av品久久久| 丝袜美腿诱惑在线| 国产亚洲最大av| 国产精品久久久久久久久免| 1024香蕉在线观看| 亚洲av电影在线进入| 午夜日韩欧美国产| 国产精品久久久久久久久免| 国产成人一区二区在线| 男女边摸边吃奶| 国产成人91sexporn| 欧美乱码精品一区二区三区| 国产日韩欧美在线精品| 纵有疾风起免费观看全集完整版| 欧美国产精品一级二级三级| 日韩中文字幕欧美一区二区 | 黄色一级大片看看| 亚洲国产av影院在线观看| 制服人妻中文乱码| 9热在线视频观看99| 亚洲国产欧美日韩在线播放| 免费看不卡的av| 日韩一本色道免费dvd| 免费不卡黄色视频| 9色porny在线观看| 国产精品久久久久久精品电影小说| 高清在线视频一区二区三区| 国产一区二区三区综合在线观看| 亚洲精品久久久久久婷婷小说| 又粗又硬又长又爽又黄的视频| 日韩中文字幕欧美一区二区 | 久久久久精品久久久久真实原创| 九色亚洲精品在线播放| 免费高清在线观看日韩| 我的亚洲天堂| 国产日韩欧美在线精品| 亚洲欧洲国产日韩| 大片免费播放器 马上看| 成年av动漫网址| 免费看不卡的av| 性高湖久久久久久久久免费观看| 最新的欧美精品一区二区| 桃花免费在线播放| av国产精品久久久久影院| a级毛片黄视频| 亚洲成人免费av在线播放| 欧美xxⅹ黑人| 777米奇影视久久| 韩国高清视频一区二区三区| 亚洲一码二码三码区别大吗| 9191精品国产免费久久| 欧美黄色片欧美黄色片| 爱豆传媒免费全集在线观看| 国产爽快片一区二区三区| 国产精品一区二区在线观看99| 桃花免费在线播放| 另类精品久久| av网站免费在线观看视频| 啦啦啦中文免费视频观看日本| av线在线观看网站| 香蕉国产在线看| 我要看黄色一级片免费的| 亚洲欧美成人精品一区二区| 国产精品人妻久久久影院| 精品国产超薄肉色丝袜足j| www.av在线官网国产| 日本wwww免费看| 老司机亚洲免费影院| 亚洲男人天堂网一区| 一级毛片 在线播放| 韩国高清视频一区二区三区| 亚洲av欧美aⅴ国产| 少妇猛男粗大的猛烈进出视频| 男女无遮挡免费网站观看| 别揉我奶头~嗯~啊~动态视频 | 天天添夜夜摸| 亚洲国产毛片av蜜桃av| 日韩熟女老妇一区二区性免费视频| 街头女战士在线观看网站| 欧美少妇被猛烈插入视频| 免费黄色在线免费观看| 久久亚洲国产成人精品v| 男人操女人黄网站| 免费观看性生交大片5| 国产爽快片一区二区三区| 人妻一区二区av| 欧美精品人与动牲交sv欧美| 国产精品一区二区在线不卡| 最近的中文字幕免费完整| 久久毛片免费看一区二区三区| 国产精品久久久久久人妻精品电影 | 国产日韩欧美亚洲二区| 亚洲欧美精品自产自拍| 波多野结衣一区麻豆| 亚洲成国产人片在线观看| 色播在线永久视频| 视频在线观看一区二区三区| xxx大片免费视频| 久久人人爽av亚洲精品天堂| 日韩中文字幕欧美一区二区 | 国产精品一二三区在线看| 午夜福利乱码中文字幕| 国产精品久久久久久人妻精品电影 | 婷婷色麻豆天堂久久| 丰满迷人的少妇在线观看| 精品国产超薄肉色丝袜足j| 久久久久精品人妻al黑| 色婷婷av一区二区三区视频| 不卡av一区二区三区| 久久久欧美国产精品| 欧美日韩视频精品一区| 精品一区在线观看国产| 少妇人妻精品综合一区二区| av视频免费观看在线观看| 男女边摸边吃奶| 啦啦啦在线观看免费高清www| 老司机在亚洲福利影院| 不卡视频在线观看欧美| 免费不卡黄色视频| 中文乱码字字幕精品一区二区三区| 欧美日本中文国产一区发布| 久久影院123| 亚洲第一av免费看| 视频区图区小说| 国产精品一二三区在线看| 高清黄色对白视频在线免费看| 免费日韩欧美在线观看| 晚上一个人看的免费电影| 交换朋友夫妻互换小说| 婷婷色综合www| 欧美黑人欧美精品刺激| 亚洲欧洲精品一区二区精品久久久 | 捣出白浆h1v1| 人人澡人人妻人| 男女无遮挡免费网站观看| 菩萨蛮人人尽说江南好唐韦庄| 亚洲欧美一区二区三区国产| 你懂的网址亚洲精品在线观看| av在线播放精品| 国产又色又爽无遮挡免| 黑人猛操日本美女一级片| 波多野结衣av一区二区av| 国产欧美日韩综合在线一区二区| 999精品在线视频| 日韩av不卡免费在线播放| 免费在线观看视频国产中文字幕亚洲 | 亚洲欧美激情在线| 麻豆av在线久日| 不卡av一区二区三区| 久久女婷五月综合色啪小说| 校园人妻丝袜中文字幕| 国产伦理片在线播放av一区| 国产人伦9x9x在线观看| 午夜免费男女啪啪视频观看| 欧美国产精品一级二级三级| 欧美黑人精品巨大| 美女扒开内裤让男人捅视频| 欧美在线黄色| 午夜激情久久久久久久| 日韩 欧美 亚洲 中文字幕| 99热网站在线观看| 亚洲伊人色综图| 99香蕉大伊视频| 国产亚洲一区二区精品| 只有这里有精品99| 建设人人有责人人尽责人人享有的| 亚洲一码二码三码区别大吗| 国产精品嫩草影院av在线观看| 90打野战视频偷拍视频| 国产成人免费无遮挡视频| 黄片小视频在线播放| 多毛熟女@视频| 亚洲国产毛片av蜜桃av| 中文字幕色久视频| 欧美精品高潮呻吟av久久| 极品人妻少妇av视频| 飞空精品影院首页| 欧美日韩一级在线毛片| 女的被弄到高潮叫床怎么办| 国产 一区精品| 国产乱来视频区| 欧美精品一区二区大全| 老司机在亚洲福利影院| 一级片免费观看大全| 五月天丁香电影| 肉色欧美久久久久久久蜜桃| 欧美 亚洲 国产 日韩一| 大陆偷拍与自拍| 美女福利国产在线| 欧美最新免费一区二区三区| 嫩草影院入口| 黑人欧美特级aaaaaa片| 日韩制服丝袜自拍偷拍| 天天添夜夜摸| av天堂久久9| 成年av动漫网址| 久久久久久久久久久久大奶| 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| 免费高清在线观看视频在线观看| 国产免费视频播放在线视频| 在线观看人妻少妇| 久久99一区二区三区| 国产精品三级大全| 韩国高清视频一区二区三区| 成人午夜精彩视频在线观看| 波多野结衣一区麻豆| 中文字幕精品免费在线观看视频| 黑丝袜美女国产一区| 国产免费视频播放在线视频| 国产成人精品在线电影| 女人爽到高潮嗷嗷叫在线视频| 老司机影院毛片| 丝袜美足系列| 国产av精品麻豆| 欧美日韩国产mv在线观看视频| 人人妻人人澡人人爽人人夜夜| 中文字幕av电影在线播放| 日韩,欧美,国产一区二区三区| 人人澡人人妻人| 欧美黑人欧美精品刺激| 啦啦啦中文免费视频观看日本| 精品人妻熟女毛片av久久网站| 我的亚洲天堂| 美女高潮到喷水免费观看| 国精品久久久久久国模美| 国产一区二区三区综合在线观看| 国产1区2区3区精品| 国产一区二区激情短视频 | 亚洲精品国产一区二区精华液| 国产精品香港三级国产av潘金莲 | 美女国产高潮福利片在线看| 久久久久久久久久久久大奶| 一边摸一边做爽爽视频免费| 大香蕉久久成人网| 女的被弄到高潮叫床怎么办| 精品国产一区二区久久| 丁香六月天网| 久久久久国产一级毛片高清牌| 少妇精品久久久久久久| 成人三级做爰电影| 国产午夜精品一二区理论片| 久久人人爽av亚洲精品天堂| 国产一区二区激情短视频 | 中国国产av一级| 国产伦理片在线播放av一区| av国产精品久久久久影院| 国产欧美亚洲国产| 亚洲婷婷狠狠爱综合网| 国产伦人伦偷精品视频| 欧美日韩精品网址| 大香蕉久久成人网| 纯流量卡能插随身wifi吗| 久久精品久久久久久噜噜老黄| 日韩制服丝袜自拍偷拍| 成人国语在线视频| 日韩电影二区| 国产激情久久老熟女| 少妇被粗大的猛进出69影院| 成人18禁高潮啪啪吃奶动态图| 高清视频免费观看一区二区| 在线观看免费高清a一片| 欧美最新免费一区二区三区| 亚洲四区av| 人成视频在线观看免费观看| 国产日韩欧美视频二区| 最黄视频免费看| 老熟女久久久| 久久久久国产一级毛片高清牌| 日韩电影二区| 久久热在线av| 大香蕉久久网| 咕卡用的链子| 精品福利永久在线观看| 激情视频va一区二区三区| 91aial.com中文字幕在线观看| 18禁动态无遮挡网站| 欧美另类一区| 日韩一区二区视频免费看| 国产又色又爽无遮挡免| 午夜久久久在线观看| 考比视频在线观看| 色视频在线一区二区三区| 欧美日本中文国产一区发布| 天天躁日日躁夜夜躁夜夜| 国产伦人伦偷精品视频| 久久久久精品性色| 中文欧美无线码| 18禁观看日本| 中国三级夫妇交换| 人妻 亚洲 视频| 久久久久人妻精品一区果冻| 精品人妻熟女毛片av久久网站| 男男h啪啪无遮挡| 你懂的网址亚洲精品在线观看| 国产精品熟女久久久久浪| 国产精品 国内视频| 天堂俺去俺来也www色官网| 午夜av观看不卡| 黑人巨大精品欧美一区二区蜜桃| 在线观看三级黄色| 国产又色又爽无遮挡免| 亚洲精品av麻豆狂野| 成人亚洲欧美一区二区av| 国产老妇伦熟女老妇高清| 又大又爽又粗| 中文字幕制服av| 国产成人免费观看mmmm| 精品人妻在线不人妻| 91老司机精品| 国产成人精品在线电影| 国产片特级美女逼逼视频| 汤姆久久久久久久影院中文字幕| 中文字幕制服av| 亚洲一级一片aⅴ在线观看| 一区二区日韩欧美中文字幕| 天堂8中文在线网| 色94色欧美一区二区| 久久精品亚洲熟妇少妇任你| 亚洲精品久久久久久婷婷小说| 女的被弄到高潮叫床怎么办| 少妇的丰满在线观看| 成人午夜精彩视频在线观看| 一区二区三区四区激情视频| 一级毛片黄色毛片免费观看视频| 九色亚洲精品在线播放| 久久久久人妻精品一区果冻| 久久久国产精品麻豆| 2021少妇久久久久久久久久久| a级毛片在线看网站| 丝袜在线中文字幕| 一本色道久久久久久精品综合| 久久精品aⅴ一区二区三区四区| 激情五月婷婷亚洲| 精品酒店卫生间| 不卡av一区二区三区| 亚洲精品久久久久久婷婷小说| 18禁观看日本| 一边亲一边摸免费视频| 国产成人一区二区在线| 久久久久久久久免费视频了| kizo精华| 人人妻人人澡人人看| 国产片内射在线| 老熟女久久久| 国产精品一国产av| 麻豆乱淫一区二区| 搡老岳熟女国产| 色吧在线观看| 新久久久久国产一级毛片| 少妇人妻 视频| 999精品在线视频| 久久精品亚洲av国产电影网| 亚洲精品成人av观看孕妇| 天天躁夜夜躁狠狠久久av| 亚洲欧美中文字幕日韩二区| 亚洲一码二码三码区别大吗| 国产成人免费观看mmmm| 欧美 日韩 精品 国产| 国产精品成人在线| 亚洲三区欧美一区| 91国产中文字幕| 性色av一级| 日韩大码丰满熟妇| 黄色视频在线播放观看不卡| 精品免费久久久久久久清纯 | 亚洲精品aⅴ在线观看| 中文乱码字字幕精品一区二区三区| 国产成人精品久久久久久| 下体分泌物呈黄色| 99热国产这里只有精品6| 日韩 欧美 亚洲 中文字幕| 综合色丁香网| 亚洲欧美一区二区三区黑人| 老汉色∧v一级毛片| 可以免费在线观看a视频的电影网站 | 亚洲av成人精品一二三区| 美女午夜性视频免费| 久久久久久久精品精品| 精品国产一区二区三区久久久樱花| 亚洲欧美日韩另类电影网站| 亚洲欧洲国产日韩| 久久精品aⅴ一区二区三区四区| 国精品久久久久久国模美| 亚洲一码二码三码区别大吗| 18禁动态无遮挡网站| 国产成人欧美在线观看 | 欧美亚洲 丝袜 人妻 在线| 乱人伦中国视频| 国产视频首页在线观看| 最近中文字幕2019免费版| 日韩一区二区三区影片| 色吧在线观看| 欧美黑人欧美精品刺激| 99久国产av精品国产电影| 国产 一区精品| 欧美97在线视频| av国产精品久久久久影院| 国产极品天堂在线| 97在线人人人人妻| 丰满迷人的少妇在线观看| 一级毛片黄色毛片免费观看视频| 久久久久久免费高清国产稀缺| 中文字幕色久视频| 亚洲精品美女久久av网站| 免费日韩欧美在线观看| 99精品久久久久人妻精品| 美女中出高潮动态图| 日韩成人av中文字幕在线观看| 亚洲国产精品一区二区三区在线| 捣出白浆h1v1| 免费日韩欧美在线观看| 亚洲天堂av无毛| 精品一区二区三卡| 在线观看免费高清a一片| 亚洲精品自拍成人| 亚洲伊人色综图| 成人18禁高潮啪啪吃奶动态图| 久久国产精品大桥未久av| 亚洲精品第二区| 日韩一卡2卡3卡4卡2021年| 尾随美女入室| www日本在线高清视频| 精品国产乱码久久久久久小说| 80岁老熟妇乱子伦牲交| 丰满少妇做爰视频| 国产精品成人在线| 男人添女人高潮全过程视频| 国产成人a∨麻豆精品| 丝袜人妻中文字幕| 免费黄频网站在线观看国产| 久久青草综合色| 久久久亚洲精品成人影院| 极品少妇高潮喷水抽搐| 人人妻人人添人人爽欧美一区卜| 欧美在线一区亚洲| 乱人伦中国视频| 黑人欧美特级aaaaaa片| 制服丝袜香蕉在线| 女的被弄到高潮叫床怎么办| 欧美少妇被猛烈插入视频| 丝袜美腿诱惑在线| 如何舔出高潮| www.精华液| 波野结衣二区三区在线| 亚洲精品在线美女| 午夜激情久久久久久久| 久久女婷五月综合色啪小说| 丰满饥渴人妻一区二区三| 精品午夜福利在线看| 精品酒店卫生间| 国产乱来视频区| 午夜激情久久久久久久| 免费高清在线观看日韩| 久久久精品区二区三区|