• <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 ?

    基于深度學(xué)習(xí)的虛假健康信息識別

    2020-05-28 09:36:21於張閑冒宇清胡孔法
    軟件導(dǎo)刊 2020年3期

    於張閑 冒宇清 胡孔法

    摘 要:隨著互聯(lián)網(wǎng)的迅猛發(fā)展,網(wǎng)上健康信息以幾何速度增長,其中大量虛假健康信息給人們的生活帶來了很大影響,但目前對虛假健康信息文本識別的研究非常缺乏,以往研究主要集中在識別微博上的謠言、偽造商品評論、垃圾郵件及虛假新聞等方面。鑒于此,采用基于詞向量的深度神經(jīng)網(wǎng)絡(luò)模型和基于雙向編碼的語言表征模型,對互聯(lián)網(wǎng)上流傳廣泛的健康信息文本進(jìn)行自動分類,識別其中的虛假健康信息。實(shí)驗中,深度網(wǎng)絡(luò)模型比傳統(tǒng)機(jī)器學(xué)習(xí)模型性能提高10%,融合Word2vec的深度神經(jīng)網(wǎng)絡(luò)模型比單獨(dú)的CNN或Att-BiLSTM模型在分類性能上提高近7%。BERT模型表現(xiàn)最好,準(zhǔn)確率高達(dá)88.1%。實(shí)驗結(jié)果表明,深度學(xué)習(xí)可以有效識別虛假健康信息,并且通過大規(guī)模語料預(yù)訓(xùn)練獲得的語言表征模型比基于詞向量的深度神經(jīng)網(wǎng)絡(luò)模型性能更好。

    關(guān)鍵詞:健康信息;詞向量;深度神經(jīng)網(wǎng)絡(luò)模型;語言表征模型;預(yù)訓(xùn)練模型

    DOI:10. 11907/rjdk. 192673

    中圖分類號:TP301 ? 文獻(xiàn)標(biāo)識碼:A??????????????? 文章編號:1672-7800(2020)003-0016-05

    False Health Information Recognition Based on Deep Learning

    YU Zhang-xian,MAO Yu-qing,HU Kong-fa

    (School of Artificial Intelligence and Information Technology, Nanjing University of Chinese Medicine, Nanjing 210023,China)

    Abstract: With the rapid development of the Internet, online health information has been growing exponentially. A lot of fake health information has a great effect on peoples daily life. However, there is a lack of research on text recognition of fake health information recognition. Existing research mainly focus on rumors on microblogs, fabricated product reviews, spam and fake news, etc. This paper utilizes a deep neural network based on word vector and a language presentation model based on bidirectional encoder to classify health information automatically, so that the fake health information can be recognized. In this experiment, the performance of the deep network model is 10% higher than the traditional machine learning model. The deep neural network model integrated with Word2vec improves the classification performance by nearly 7% compared with the CNN or Att-BiLSTM model alone. The BERT model performs best, with an accuracy rate of 88.1%. The experimental results show that the deep learning techniques can recognize fake health information effectively, and the language representation model pretrained with large-scale corpus performs better than the deep neural network model based on word vector.

    Key Words:health information; word vector; neural network model; language representation model; pre-trained model

    0 引言

    2016年10月,國務(wù)院印發(fā)《“健康中國2030”規(guī)劃綱要》[1],明確提出要建立健康知識和健康技能的核心信息發(fā)布制度,普及健康科學(xué)知識,利用新媒體拓展健康教育。健康信息是健康教育職能發(fā)揮的最主要資源[2]。隨著互聯(lián)網(wǎng)的迅猛發(fā)展,特別是在Web2.0時代,大量用戶通過博客、微博、微信等社交網(wǎng)絡(luò)媒體發(fā)布和傳播各種信息,使網(wǎng)上健康信息的數(shù)量出現(xiàn)了爆發(fā)式增長。但由于缺乏足夠的監(jiān)督和約束,懷有各種企圖的用戶能夠自由發(fā)布大量虛假健康信息。而隨著社會發(fā)展,人們對自身健康管理的覺醒和對健康生活方式的追求進(jìn)一步促進(jìn)了互聯(lián)網(wǎng)上健康相關(guān)信息的豐富多樣。由于這些信息的質(zhì)量良莠不齊,沒有經(jīng)過篩選區(qū)分,而且普通用戶也缺乏專業(yè)知識,可能造成各種“偽科學(xué)”信息充斥社會生活,對缺乏專業(yè)知識的人形成誤導(dǎo)。普通用戶作為虛假健康信息的受害者,又無意中傳播擴(kuò)散了虛假健康信息,因為對于網(wǎng)絡(luò)上傳播廣、推崇者多的虛假健康信息,一旦身邊的熟人加以推薦,人們會更加容易、也更加愿意選擇相信[3]。輕信這些虛假健康信息一方面可能導(dǎo)致用戶的經(jīng)濟(jì)利益和身體健康受到損害,甚至危及生命;另一方面可能引起用戶對正規(guī)醫(yī)療的不信任感,加劇目前已非常尖銳的醫(yī)患矛盾。

    微信安全團(tuán)隊[4]總結(jié)的“微信十大謠言”,如土豆(馬鈴薯)生汁能治療癌癥、低鈉鹽就是送命鹽、癌病的起因是塑料等虛假健康信息通過微信廣泛傳播。各種社交網(wǎng)絡(luò)上推送的醫(yī)學(xué)相關(guān)文章一般會夾雜一些醫(yī)學(xué)專業(yè)術(shù)語,普通用戶無法辨識其真假,但較多的專業(yè)術(shù)語會使普通用戶信以為真。目前,盡管已經(jīng)有一些自動識別網(wǎng)絡(luò)謠言的方法,且有不少研究表明自動識別網(wǎng)絡(luò)謠言的可行性,但主要針對網(wǎng)上的一般謠言,對于虛假健康信息的識別很難達(dá)到理想效果。因為虛假健康信息往往似是而非,與真實(shí)信息相似度較高,需要一定的專業(yè)醫(yī)學(xué)知識才能識別,例如以下這段文字:“硝酸酯類藥物(以硝酸甘油為代表)具有擴(kuò)張冠脈血管的作用,應(yīng)是冠心病患者家中最重要的應(yīng)急藥物。一旦胸痛發(fā)作,吸氧的同時給予舌下含服硝酸甘油每五分鐘一次,可重復(fù)3次,直到急救醫(yī)生到來”。這則虛假急救措施信息包含一些專業(yè)化術(shù)語,內(nèi)容虛虛實(shí)實(shí),真假參半,具有很強(qiáng)的迷惑性,普通用戶很容易上當(dāng)受騙。目前,這樣的信息只有靠人工才能夠識別,例如果殼網(wǎng)的“流言百科”“謠言粉碎機(jī)”等。但面對互聯(lián)網(wǎng)上層出不窮的虛假健康信息,僅靠人工識別顯然力不從心。因此,建立模型自動辨別網(wǎng)絡(luò)健康信息真假,使缺乏醫(yī)學(xué)專業(yè)知識的用戶從中受益,具有重大現(xiàn)實(shí)意義。

    近年來,隨著計算機(jī)硬件性能的提高,云計算、大數(shù)據(jù)等技術(shù)的成熟,以及自身算法的改進(jìn),深度神經(jīng)網(wǎng)絡(luò)取得了巨大突破,在很多應(yīng)用領(lǐng)域取得了顛覆性成果[5],2018年更是自然語言處理(Natural Language Processing,NLP)的分水嶺。傳統(tǒng)的自然語言處理方法主要關(guān)注如何提取有效特征,所使用的特征大多數(shù)通過人工選取,這些方法或技術(shù)相對成熟、效率較高,主要針對長文本,而目前網(wǎng)上信息以短文本為主,采用傳統(tǒng)分類技術(shù),會出現(xiàn)表征文本的特征向量稀疏,從而導(dǎo)致分類精度下降等問題[6]。深度學(xué)習(xí)方法則是通過組成簡單但非線性的模塊獲得多個表示級別的表示學(xué)習(xí)方法,將人工選取特征的過程轉(zhuǎn)化為通過數(shù)據(jù)自動學(xué)習(xí)特征的通用學(xué)習(xí)過程,從原始輸入開始,每個模塊將一個級別的表示轉(zhuǎn)換為更高、更抽象級別的表示,再通過訓(xùn)練模型的參數(shù)優(yōu)化深度學(xué)習(xí)的功能層,提高效率和精度[5],減少了人工過程,避免了人工選取特征的主觀性和偶然性。

    本文利用深度學(xué)習(xí)在NLP領(lǐng)域的最新進(jìn)展,以果殼網(wǎng)“流言百科”上的健康相關(guān)信息為研究對象,采用基于詞向量的深度神經(jīng)網(wǎng)絡(luò)模型和基于雙向編碼的語言表征模型,對健康信息文本進(jìn)行分類,實(shí)現(xiàn)對虛假健康信息的自動識別。

    1 相關(guān)研究

    文本分類是NLP領(lǐng)域的研究熱點(diǎn)之一,最早可以追溯到到20世紀(jì)60年代,基于詞頻統(tǒng)計的抽詞標(biāo)引法被提出,開啟了對關(guān)鍵詞自動標(biāo)引技術(shù)的探索;90年代后文本分類中較流行的方法包括:Vapnik提出的支持向量機(jī)(Support Vector Machine,SVM)、Jaynes提出的遺傳算法(Genetic Algorithm,GA)、Sebastiani提出的貝葉斯方法(Na?ve Bayes,NB)、Cover與Hart提出的K最近鄰算法(k-Nearest Neighbor,KNN)等。中文文本分類技術(shù)最早由侯漢清教授提出,其后王繼成與鄒濤在向量空間模型(Vector Space Model,VSM)基礎(chǔ)上結(jié)合基于統(tǒng)計的特征詞提取技術(shù),實(shí)現(xiàn)了文本的類別分配[7]。

    近年來,研究者開始嘗試在NLP領(lǐng)域運(yùn)用深度學(xué)習(xí)模型。Kim[8]將簡單卷積神經(jīng)網(wǎng)絡(luò)CNN用于文本分類,提高了文本分類精度,也使得CNN成為運(yùn)用在自然語言處理中最具代表性的模型之一,Mandelbaum等[9]在Kim實(shí)驗的基礎(chǔ)上擴(kuò)大了數(shù)據(jù)集范圍,在TensorFlow框架上改進(jìn)了原有模型,進(jìn)一步提高了分類精度,但CNN關(guān)注局部特征,而忽略了詞的上下文含義。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)能學(xué)習(xí)任意時長序列的輸入,主要應(yīng)用于文本分類的是雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bidirectional RNN,BiRNN),由于文本中詞的語義信息不僅與詞之前的信息有關(guān),還與詞之后的信息有關(guān),雙向RNN能進(jìn)一步提高文本分類的準(zhǔn)確率[10]。但隨著輸入的增多,RNN會發(fā)生梯度消失或梯度爆炸現(xiàn)象。長短時記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)利用記憶細(xì)胞保存長期的歷史信息,能很好地利用上下文特征信息,對非線性關(guān)系進(jìn)行擬合,同時保留文本的順序信息,并利用門機(jī)制進(jìn)行管理,可以克服RNN的缺點(diǎn)[11]。劉敬學(xué)等[6]提出了基于字符級嵌入的CNN和LSTM相結(jié)合的神經(jīng)網(wǎng)絡(luò)模型,實(shí)驗結(jié)果表明該模型的分類效果優(yōu)于傳統(tǒng)模型和僅基于CNN的分類模型;劉政等[12]以新浪微博謠言為研究對象,提出了基于CNN的謠言檢測模型,實(shí)驗結(jié)果表明該方法優(yōu)于傳統(tǒng)的SVM方法。

    最近,Google發(fā)布了一種新的語言表征模型:基于Transformer的雙向編碼表征(Bidirectional Encoder Representations from Transformers,BERT)[13],與其它語言表征模型不同,BERT利用互聯(lián)網(wǎng)上的大規(guī)模語料如維基百科等對模型進(jìn)行預(yù)訓(xùn)練,通過基于所有層的左、右語境預(yù)訓(xùn)練語言深度雙向表征,再僅用一個額外的輸出層進(jìn)行微調(diào),就可以為各種NLP任務(wù)創(chuàng)建當(dāng)前最優(yōu)模型,而無需對任務(wù)特定架構(gòu)作出大量修改。該模型刷新了11項NLP任務(wù)的當(dāng)前最優(yōu)性能記錄,成為當(dāng)前NLP研究領(lǐng)域最引人矚目的熱點(diǎn)[14]。

    2 深度學(xué)習(xí)模型

    2.1 詞向量模型

    對于文本分類任務(wù),首先要將文本用低維、稠密、連續(xù)的向量表示,將其作為深度神經(jīng)網(wǎng)絡(luò)模型輸入,這一過程又稱為詞嵌入。Mikolov等[15]提出了Word2Vec模型進(jìn)行詞向量訓(xùn)練,Word2vec模型包括CBOW模型和Skip-Gram模型。CBOW模型是利用前后詞預(yù)測中間詞概率的模型,其輸入是目標(biāo)詞上下文的t個詞,由這2*t個詞推測輸出目標(biāo)詞,如圖1(a)所示,Skip-Gram模型則是根據(jù)中間詞預(yù)測前后詞,其輸入是目標(biāo)詞,輸出是目標(biāo)詞上下文的2*t個詞,如圖1(b)所示。通過Word2Vec模型訓(xùn)練后,對于語義相似的詞,它們對應(yīng)的詞向量也相近[16]。

    2.2 基于CNN的文本分類模型

    基于CNN的文本分類模型[17-18]由詞嵌入層、卷積層、池化層、全連接層和輸出層(Softmax層)組成,如圖2所示。

    詞嵌入層主要對輸入文本進(jìn)行詞向量化操作,利用word2vec模型,可以生成文本詞向量矩陣[Wn*d]。

    其中,[W(i)]表示第i則健康信息文本的詞向量矩陣,n表示文本中詞的總數(shù),d表示詞向量的維度。

    卷積層的作用是提取局部區(qū)域特征,通過選擇不同尺寸的卷積窗口,為每個窗口設(shè)置T個濾波器,用于對詞向量矩陣[W]進(jìn)行卷積操作,獲得新的特征值[Ci]。

    其中[Ci]表示卷積操作后得到的新特征矩陣[C]的第i個特征值,激活函數(shù)[g]是一個非線性函數(shù),目的是通過增加偏置項[b],提高整個網(wǎng)絡(luò)解決復(fù)雜(非線性)問題的能力,[fm]表示濾波器(卷積窗口)矩陣,[m]表示窗口大小,[Wi:i+m-1]表示從詞向量矩陣[W]的第i行到第i+m-1行抽取的局部特征矩陣。利用卷積窗口抽取有用的局部特征矩陣[W1:m],[W2:m+1],,[Wn-m+1:n],最終生成新的特征向量[C]。

    在池化層中,輸入特征向量矩陣[C],通過最大池化(Max Pooling)操作對特征值進(jìn)行壓縮,選出特征向量中特征值較高的前K個特征值,組成新的特征向量[M]。

    全連接層的作用是整合最大池化操作后的所有特征,生成特征向量[U]。

    輸出層(Softmax層)在基于CNN的文本分類模型中起“分類器”的作用,根據(jù)特征向量計算樣本屬于每一類的概率,對分類情況作歸一化處理,輸出一個信息真假標(biāo)簽:0(虛假信息)或1(真實(shí)信息)。

    2.3 注意力增強(qiáng)的BiLSTM模型(Att-BiLSTM模型)

    LSTM僅能學(xué)習(xí)當(dāng)前詞之前的信息,不能利用之后的信息,采用雙向LSTM(Bidirectional LSTM,BiLSTM),整合當(dāng)前詞的前后信息,可以充分學(xué)習(xí)句中的語義關(guān)系。為了達(dá)到類似人腦注意力分配思維模式效果,采用了注意力(Attention)機(jī)制,在編碼階段和解碼階段采用不同的計算方法。在輸出層之前增加Attention層,使模型將注意力集中在重點(diǎn)詞上,降低其它無關(guān)詞的作用,進(jìn)一步提高文本分類的精度[19-20]。注意力增強(qiáng)的BiLSTM模型Att-BiLSTM由詞嵌入層、雙向LSTM層、Attention層及輸出層組成,結(jié)構(gòu)如圖3所示。

    詞嵌入層與基于CNN的文本分類模型的詞嵌入層一致,輸入文本詞向量矩陣[Wn*d]。

    雙向LSTM層為隱含層,將輸入序列分別從兩個方向輸入模型,同時保存兩個方向的歷史和未來信息,最后拼接兩個隱層的信息,得到BiLSTM的輸出信息[h(i)t]。

    其中,[h(i)t]表示第i則健康信息文本的BiLSTM信息,[h(i)t]表示第i則文本的前向LSTM信息,[h(i)t]第i則文本的反向LSTM信息。

    為BiLSTM的每個輸出值分配不同的權(quán)重[ω]和偏置項[b],計算出第i則文本中每個單詞的權(quán)重[u(i)t]。

    通過Softmax歸一化,計算出各時刻一個權(quán)值[α(i)t]。

    其中,[uω]表示隨機(jī)初始化的注意力矩陣。

    對每個時刻的[α(i)t]與[h(i)t]進(jìn)行加權(quán)求和,得到Attention層的輸出[s(i)]。

    將Attention層的輸出[s(i)]作為輸出層的輸入,通過Softmax對分類情況進(jìn)行歸一化處理,輸出一個信息真假標(biāo)簽:0(虛假信息)或1(真實(shí)信息)。

    2.4 基于BERT的文本分類模型

    BERT在斯坦福情感語義樹(Stanford Sentiment Treebank)數(shù)據(jù)集SST-2[13]上取得了很好效果,將虛假健康信息識別看成是一個類似的二元單句分類任務(wù),構(gòu)建基于BERT的文本分類模型,其結(jié)構(gòu)如圖4所示。

    BERT全稱是基于Transformer的雙向編碼表征,其中“雙向”意味著模型在處理一個詞時,它能同時利用詞的前后兩部分信息。基于BERT的文本分類模型分為預(yù)訓(xùn)練和微調(diào)兩階段:預(yù)訓(xùn)練階段使用大規(guī)模無人工標(biāo)注的文本語料庫(如維基百科等)進(jìn)行訓(xùn)練,獲得通用的語言表征預(yù)訓(xùn)練模型,微調(diào)階段在預(yù)訓(xùn)練模型基礎(chǔ)上,使用特定的健康信息文本語料進(jìn)行訓(xùn)練,對參數(shù)進(jìn)行微調(diào),最終得到健康信息文本分類模型。

    預(yù)訓(xùn)練是BERT模型的一個重要階段,與傳統(tǒng)語言模型不同,BERT不是在給定所有前面詞的條件下,預(yù)測最有可能的當(dāng)前詞,而是隨機(jī)遮掩一些詞,利用所有沒被遮掩的詞進(jìn)行預(yù)測。在遮掩預(yù)測時,隨機(jī)遮掩掉15%的詞,其中80%的情況下直接替換為「[MASK]」,10%的情況替換為其它任意詞,10%的情況會保留原詞[13,21]。對海量語料的訓(xùn)練,使單詞學(xué)習(xí)了很好的特征表示,在文本分類任務(wù)中,可以直接使用該特征表示作為詞嵌入特征。由于基于海量語料庫的預(yù)訓(xùn)練時間非常漫長,而且對GPU顯存的要求很高,因此,Google針對大部分語言都發(fā)布了BERT預(yù)訓(xùn)練模型。由于硬件條件限制,本文在Google發(fā)布的參數(shù)較少的中文BERT預(yù)訓(xùn)練模型上進(jìn)行微調(diào),模型基本參數(shù):層數(shù)(Transformer塊)表示為 L=12,將隱藏尺寸表示為 H=768、自注意力頭數(shù)表示為 A=12,總參數(shù)=110M。需要說明的是,Google發(fā)布的參數(shù)較多的BERT預(yù)訓(xùn)練模型在所有任務(wù)中都明顯優(yōu)于參數(shù)較少的模型,因此在應(yīng)用參數(shù)較多的預(yù)訓(xùn)練模型后,本文提出的模型性能還可以得到進(jìn)一步提升。

    微調(diào)主要分為兩步:①對健康信息文本的數(shù)據(jù)集進(jìn)行處理,并詞例(token)化,以適應(yīng)BERT的數(shù)據(jù)格式;②通過訓(xùn)練對一些參數(shù)進(jìn)行定制。

    3 實(shí)驗與分析

    本文實(shí)驗環(huán)境如下:Intel? Xeon? W-2145 CPU@ 3.70Hz*16,Nvidia GTX 1080Ti顯卡,32GB內(nèi)存,操作系統(tǒng)為Ubuntu16.04,開發(fā)環(huán)境為Anaconda4.5.4 + Tensorflow-gpu1.9.0,開發(fā)工具為PyCharm。

    3.1 數(shù)據(jù)收集及預(yù)處理

    “流言百科”是果殼網(wǎng)站開發(fā)的最新辟謠平臺,該平臺上匯集了常見的健康相關(guān)信息,包括食品安全、醫(yī)療健康等方面。本次實(shí)驗數(shù)據(jù)集通過ScraPy、BeautifulSoup等網(wǎng)頁爬蟲工具,爬取“流言百科”上發(fā)布的健康相關(guān)信息文本(截至2018年10月23日),主要是頁面上留言標(biāo)簽、流言內(nèi)容?!傲餮园倏啤鄙系牧粞詷?biāo)簽分為4類:真、假、新、論。由于標(biāo)簽為“新”與“論”的流言都是未經(jīng)證實(shí)的,標(biāo)簽為“真”和“假”的流言文本比例相差較大,因此在本實(shí)驗中,正例數(shù)據(jù)集由標(biāo)簽為“真”的文本和標(biāo)簽為“假”的文本相應(yīng)的真相內(nèi)容組成,負(fù)例數(shù)據(jù)集由標(biāo)簽為假的文本組成,最終數(shù)據(jù)集大小如圖5所示。

    爬蟲爬取的原始數(shù)據(jù)中包含大量HTML標(biāo)簽等無關(guān)數(shù)據(jù),故在提取本文所需的有用信息時,要通過調(diào)用BeautifulSoup庫函數(shù),以及運(yùn)用正則表達(dá)式進(jìn)行數(shù)據(jù)清洗。與英文文本不同,中文文本字與字之間沒有空格分隔,因此在進(jìn)行中文文本預(yù)處理時,需要先進(jìn)行分詞處理。本實(shí)驗主要運(yùn)用Jieba分詞工具進(jìn)行分詞,并去除文本中的標(biāo)點(diǎn)符號。

    3.2 實(shí)驗設(shè)置

    3.2.1 文本向量化表示

    首先將數(shù)據(jù)集進(jìn)行隨機(jī)切分,其中80%作為訓(xùn)練集,20%作為測試集。使用Word2vec模型對文本進(jìn)行向量化操作,生成文本向量矩陣,模型中參數(shù)設(shè)置如圖6所示。

    3.2.2 模型參數(shù)設(shè)置

    基于CNN、Att-BiLSTM和BERT的文本分類模型都通過TensorFlow實(shí)現(xiàn),各模型中參數(shù)設(shè)置如表1所示。

    3.2.3 結(jié)果分析

    為了檢驗本文基于深度學(xué)習(xí)的健康信息分類方法的有效性,將以下5種基于深度學(xué)習(xí)的方法與一種傳統(tǒng)的文本分類方法應(yīng)用于上文數(shù)據(jù)集,識別其中的虛假健康信息。5種基于深度學(xué)習(xí)的方法分別基于token級CNN模型、token級Att-BiLSTM模型、融合Word2vec的CNN模型、融合Word2vec的Att-BiLSTM模型和BERT模型,一種傳統(tǒng)的文本分類方法基于TF-IDF進(jìn)行特征提取,并使用Na?ve Bayes方法進(jìn)行分類。實(shí)驗結(jié)果如表2所示,采用傳統(tǒng)的方法進(jìn)行分類與采用深度學(xué)習(xí)模型相比,后者性能明顯優(yōu)于前者。融合Word2vec的深度神經(jīng)網(wǎng)絡(luò)模型比單獨(dú)的CNN或Att-BiLSTM模型在分類性能上表現(xiàn)更好。無論是否融合Word2vec模型,CNN模型較Att-BiLSTM模型表現(xiàn)都略優(yōu),可能與數(shù)據(jù)集中文本較短、上下文信息不豐富有關(guān)。BERT模型相較于傳統(tǒng)的文本分類模型和神經(jīng)網(wǎng)絡(luò)模型,性能提升非常明顯。

    4 結(jié)語

    互聯(lián)網(wǎng)上虛假健康信息泛濫,對于利用文本分類實(shí)現(xiàn)自動識別需求非常迫切。文本分類是自然語言處理領(lǐng)域的研究熱點(diǎn)之一,傳統(tǒng)文本分類方法不適用于互聯(lián)網(wǎng)上常見健康信息的短文本分類。鑒于此,本文提出了基于深度學(xué)習(xí)的虛假健康信息識別方法,采用基于詞向量的深度神經(jīng)網(wǎng)絡(luò)模型和基于雙向編碼的語言表征模型,對健康相關(guān)信息文本進(jìn)行自動分類。實(shí)驗結(jié)果表明,該方法表現(xiàn)良好,在測試集上的準(zhǔn)確率最高可達(dá)88.1%,具備一定可行性。但由于目前訓(xùn)練和測試數(shù)據(jù)集較小,后續(xù)將收集更多的健康信息文本數(shù)據(jù),構(gòu)建更為復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)模型,并結(jié)合其它方法進(jìn)一步改進(jìn)模型性能。同時,將探索本方法在互聯(lián)網(wǎng)健康信息文本類型之外數(shù)據(jù)上的表現(xiàn),以及將其應(yīng)用于醫(yī)學(xué)自然語言處理等其它領(lǐng)域的可能性。

    參考文獻(xiàn):

    [1]中華人民共和國國務(wù)院. “健康中國2030”規(guī)劃綱要[EB/OL]. https://baike.baidu.com/item/“健康中國2030”規(guī)劃綱要/19926077?fr=Aladdin.

    [2]陳娟. 網(wǎng)絡(luò)環(huán)境下健康信息的可理解性研究[D]. 重慶:重慶醫(yī)科大學(xué),2017.

    [3]MCKELVEY K R,MENCZER F.Truthy: Enabling the study of online social networks[C]. Proceedings of the 2013 Conference on Computer Supported Cooperative Work Companion,2013:23-26.

    [4]微信安全團(tuán)隊. 八月朋友圈十大謠言盤點(diǎn)[J]. 中國信息安全,2017(9):18-19.

    [5]LECUN Y,BENGIO Y,HINTON G.Deep learning[J].? Nature, 2015,521(7553):436-444.

    [6]劉敬學(xué),孟凡榮,周勇,等. 字符級卷積神經(jīng)網(wǎng)絡(luò)短文本分類算法[J]. 計算機(jī)工程與應(yīng)用,2019(5):135-142.

    [7]王楓飛. 文本分類中KNN算法優(yōu)化問題的研究[D]. 天津:天津理工大學(xué),2018.

    [8]KIM Y. Convolutional neural networks for sentence classification[C]. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP),2014:1746-1751.

    [9]MANDELBAUM A,SHALEV A.Word embeddings and their use in sentence classification tasks[DB/OL]. https://arxiv.org/abs/1610.08229,2016.

    [10]李洋,董紅斌. 基于CNN和BiLSTM網(wǎng)絡(luò)特征融合的文本情感分析[J]. 計算機(jī)應(yīng)用,2018,38(11):3075-3080.

    [11]宋祖康,閻瑞霞. 基于CNN-BIGRU的中文文本情感分類模型[J/OL]. 計算機(jī)技術(shù)與發(fā)展,2020(2):1-7[2019-12-09]. http://kns.cnki.net/kcms/detail/61.1450.TP.20191107.0912.042.html.

    [12]劉政,衛(wèi)志華,張韌弦. 基于卷積神經(jīng)網(wǎng)絡(luò)的謠言檢測[J]. 計算機(jī)應(yīng)用,2017,37(11):3053-3056,3100.

    [13]DEVLIN J,CHANG M W, LEE K,et al.BERT:Pre-training of deep bidirectional transformers for language understanding[DB/OL]. https://arxiv.org/abs/1810.04805,2018.

    [14]胡春濤,秦錦康,陳靜梅,等. 基于BERT模型的輿情分類應(yīng)用研究[J]. 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2019(11):41-44.

    [15]MIKOLOV T,CHEN K,CORRADO G,et al.Efficient estimation of word representations in vector space[DB/OL]. https://arxiv.org/abs/1301.3781,2013.

    [16]唐明,朱磊,鄒顯春. 基于Word2Vec的一種文檔向量表示[J]. 計算機(jī)科學(xué),2016,43(6):214-217,269.

    [17]孫嘉琪,王曉曄,周曉雯. 基于神經(jīng)網(wǎng)絡(luò)模型的文本分類研究綜述[J]. 天津理工大學(xué)學(xué)報,2019,35(5):29-33.

    [18]李靜. 基于卷積神經(jīng)網(wǎng)絡(luò)的虛假評論的識別[J]. 軟件,2016,37(10):79-81.

    [19]趙宏,王樂,王偉杰. 基于BiLSTM-CNN串行混合模型的文本情感分析[J/OL]. 計算機(jī)應(yīng)用:1-9[2019-12-09]. http://kns.cnki.net/kcms/detail/51.1307.TP.20191009.1421.022.html.

    [20]孫承愛,丁宇,田剛. 基于GLU-CNN和Attention-BiLSTM的神經(jīng)網(wǎng)絡(luò)情感傾向性分析[J]. 軟件,2019,40(7):62-66.

    [21]王英杰,謝彬,李寧波. ALICE:面向科技文本分析的預(yù)訓(xùn)練語言表征模型[J/OL]. 計算機(jī)工程:1-8[2019-12-09]. http://kns.cnki.net/kcms/detail/31.1289.TP.20190821.1541.009.html.

    (責(zé)任編輯:孫 娟)

    收稿日期:2019-12-11

    基金項目:國家自然科學(xué)基金項目(81674099,81804219);國家重點(diǎn)研發(fā)計劃項目(2017YFC1703500,2017YFC1703501,2017YFC1703503,2017YFC1703506);江蘇省自然科學(xué)基金項目(BK20180822);江蘇省“六大人才高峰”高層次人才項目(2016-XYDXXJS-047)

    作者簡介:於張閑(1995-),女,南京中醫(yī)藥大學(xué)人工智能與信息技術(shù)學(xué)院碩士研究生,研究方向為文本分類;冒宇清(1976-),男,博士,南京中醫(yī)藥大學(xué)人工智能與信息技術(shù)學(xué)院教授,研究方向為自然語言處理;胡孔法(1970-),男,博士,南京中醫(yī)藥大學(xué)人工智能與信息技術(shù)學(xué)院教授,研究方向為物聯(lián)網(wǎng)與云計算、中醫(yī)藥人工智能與大數(shù)據(jù)分析。本文通訊作者:冒宇清、胡孔法。

    久久精品久久久久久噜噜老黄| 最近中文字幕高清免费大全6| 欧美一区二区亚洲| 高清欧美精品videossex| 久久久久性生活片| 亚洲人成网站在线观看播放| 欧美精品人与动牲交sv欧美| 国产精品一及| 久久韩国三级中文字幕| 欧美极品一区二区三区四区| 亚洲最大成人中文| av免费观看日本| a级毛片免费高清观看在线播放| 免费观看性生交大片5| 一个人观看的视频www高清免费观看| 男男h啪啪无遮挡| 色播亚洲综合网| 亚洲av一区综合| 欧美人与善性xxx| 久久久久久国产a免费观看| 久久久久久伊人网av| 亚洲内射少妇av| 高清av免费在线| 国产一区亚洲一区在线观看| 亚洲国产精品专区欧美| 在线观看一区二区三区| 亚洲精品日韩av片在线观看| 日本色播在线视频| 国产精品偷伦视频观看了| 亚洲精品视频女| 三级国产精品欧美在线观看| 精品国产一区二区三区久久久樱花 | 亚洲欧美日韩无卡精品| 国产爱豆传媒在线观看| 蜜臀久久99精品久久宅男| av播播在线观看一区| 2021天堂中文幕一二区在线观| 制服丝袜香蕉在线| 九九在线视频观看精品| 国产白丝娇喘喷水9色精品| 人妻一区二区av| 国产成人一区二区在线| 中国美白少妇内射xxxbb| 免费少妇av软件| 国产日韩欧美在线精品| 大又大粗又爽又黄少妇毛片口| a级一级毛片免费在线观看| 亚洲欧美成人精品一区二区| 亚洲三级黄色毛片| av在线老鸭窝| 久久精品国产亚洲av天美| 韩国高清视频一区二区三区| 女人被狂操c到高潮| 亚洲精品国产av蜜桃| 欧美97在线视频| 亚洲性久久影院| 波野结衣二区三区在线| 男的添女的下面高潮视频| 久久国产乱子免费精品| 少妇的逼好多水| 国产黄片视频在线免费观看| 亚洲成人久久爱视频| 高清毛片免费看| 国产午夜精品一二区理论片| 成年版毛片免费区| 汤姆久久久久久久影院中文字幕| 国产精品国产三级国产av玫瑰| 观看美女的网站| 中文乱码字字幕精品一区二区三区| 超碰97精品在线观看| 天堂网av新在线| 日韩,欧美,国产一区二区三区| 国内精品美女久久久久久| 亚洲自拍偷在线| 日韩不卡一区二区三区视频在线| 九九久久精品国产亚洲av麻豆| 最近最新中文字幕免费大全7| 中文精品一卡2卡3卡4更新| 日日撸夜夜添| 大片电影免费在线观看免费| 搡老乐熟女国产| 校园人妻丝袜中文字幕| 免费观看性生交大片5| 一级毛片我不卡| av女优亚洲男人天堂| 免费黄色在线免费观看| 香蕉精品网在线| 日本三级黄在线观看| 午夜精品一区二区三区免费看| 免费人成在线观看视频色| 国产免费福利视频在线观看| 亚洲怡红院男人天堂| 2018国产大陆天天弄谢| 亚洲av中文字字幕乱码综合| 全区人妻精品视频| 国产av不卡久久| 男男h啪啪无遮挡| 久热久热在线精品观看| 黄色一级大片看看| 久久99热这里只有精品18| 日韩成人av中文字幕在线观看| 97精品久久久久久久久久精品| 午夜精品一区二区三区免费看| 99视频精品全部免费 在线| 欧美bdsm另类| 校园人妻丝袜中文字幕| 九九爱精品视频在线观看| 久久鲁丝午夜福利片| 国产亚洲5aaaaa淫片| 亚洲精品国产色婷婷电影| 国产精品久久久久久精品电影小说 | 免费观看性生交大片5| 久久精品久久久久久久性| 人人妻人人看人人澡| 男的添女的下面高潮视频| 啦啦啦在线观看免费高清www| 97热精品久久久久久| 中文字幕亚洲精品专区| 人妻制服诱惑在线中文字幕| 亚洲av成人精品一二三区| 亚洲国产精品成人综合色| 亚洲精品中文字幕在线视频 | 最近中文字幕2019免费版| 国产高清不卡午夜福利| 人体艺术视频欧美日本| av.在线天堂| 午夜福利网站1000一区二区三区| 91午夜精品亚洲一区二区三区| 欧美日韩在线观看h| 亚洲av男天堂| 亚洲最大成人av| 久久久久久九九精品二区国产| 麻豆成人av视频| 精品酒店卫生间| 中文字幕av成人在线电影| 日韩欧美 国产精品| av免费在线看不卡| 国产视频首页在线观看| 国产免费一区二区三区四区乱码| 国产精品99久久99久久久不卡 | 精品午夜福利在线看| 最近中文字幕高清免费大全6| 日韩 亚洲 欧美在线| 精品久久久噜噜| 精品国产一区二区三区久久久樱花 | 99热这里只有精品一区| 老女人水多毛片| 成人综合一区亚洲| 不卡视频在线观看欧美| 三级男女做爰猛烈吃奶摸视频| 国产精品一二三区在线看| 女的被弄到高潮叫床怎么办| 别揉我奶头 嗯啊视频| 午夜视频国产福利| 亚洲国产日韩一区二区| 三级男女做爰猛烈吃奶摸视频| 久久久久久九九精品二区国产| 美女主播在线视频| 精品午夜福利在线看| 一级毛片久久久久久久久女| 好男人视频免费观看在线| 人妻系列 视频| 极品少妇高潮喷水抽搐| 欧美日本视频| 美女脱内裤让男人舔精品视频| 午夜日本视频在线| 国产男女内射视频| 欧美 日韩 精品 国产| 99视频精品全部免费 在线| 久久久国产一区二区| 国产精品国产三级国产专区5o| 国产一区有黄有色的免费视频| 少妇高潮的动态图| 人妻夜夜爽99麻豆av| 2021天堂中文幕一二区在线观| 国产精品久久久久久精品电影| 麻豆国产97在线/欧美| 国精品久久久久久国模美| 大香蕉97超碰在线| 免费看日本二区| 免费人成在线观看视频色| 国产精品一区二区在线观看99| 久久久午夜欧美精品| 精品一区二区免费观看| 丰满乱子伦码专区| 欧美xxxx黑人xx丫x性爽| 又爽又黄无遮挡网站| 国产亚洲av片在线观看秒播厂| 人妻一区二区av| 日本黄大片高清| 成人黄色视频免费在线看| 国产精品秋霞免费鲁丝片| 男女边吃奶边做爰视频| 91精品伊人久久大香线蕉| 色婷婷久久久亚洲欧美| 蜜桃亚洲精品一区二区三区| 久久精品熟女亚洲av麻豆精品| 一个人看的www免费观看视频| 只有这里有精品99| 亚洲精品色激情综合| 久久精品久久精品一区二区三区| 麻豆成人午夜福利视频| 成年免费大片在线观看| 日本-黄色视频高清免费观看| 成人漫画全彩无遮挡| 欧美成人午夜免费资源| 久久久午夜欧美精品| 毛片一级片免费看久久久久| 小蜜桃在线观看免费完整版高清| 国产伦精品一区二区三区视频9| 99久国产av精品国产电影| 久久久欧美国产精品| 久久久久精品久久久久真实原创| 少妇熟女欧美另类| 全区人妻精品视频| 一区二区三区四区激情视频| 精品视频人人做人人爽| 国产成人91sexporn| 亚洲国产精品成人综合色| 国产91av在线免费观看| 国产成人午夜福利电影在线观看| 人体艺术视频欧美日本| 国产一区二区在线观看日韩| 国产视频首页在线观看| 男人爽女人下面视频在线观看| 日本三级黄在线观看| 日韩,欧美,国产一区二区三区| 汤姆久久久久久久影院中文字幕| 2018国产大陆天天弄谢| 毛片女人毛片| 亚洲av在线观看美女高潮| 少妇高潮的动态图| 亚洲人成网站在线播| 在线精品无人区一区二区三 | 欧美老熟妇乱子伦牲交| 久久精品人妻少妇| 日本与韩国留学比较| 国产精品爽爽va在线观看网站| 亚洲最大成人手机在线| 久久精品国产亚洲av天美| 日韩,欧美,国产一区二区三区| 国产精品偷伦视频观看了| 成人特级av手机在线观看| 国产 精品1| 国产日韩欧美在线精品| 制服丝袜香蕉在线| 七月丁香在线播放| 成人无遮挡网站| 99久久人妻综合| 色综合色国产| 欧美日韩视频精品一区| 51国产日韩欧美| 99久久九九国产精品国产免费| 国产亚洲91精品色在线| 亚洲精品乱码久久久v下载方式| 男女啪啪激烈高潮av片| 亚洲四区av| 不卡视频在线观看欧美| 嫩草影院精品99| av在线老鸭窝| 亚洲怡红院男人天堂| 麻豆乱淫一区二区| 欧美精品一区二区大全| 春色校园在线视频观看| 看十八女毛片水多多多| 在线观看国产h片| 精品99又大又爽又粗少妇毛片| 久久热精品热| 高清欧美精品videossex| 不卡视频在线观看欧美| 在线观看国产h片| 国产成人a区在线观看| av免费观看日本| 国产精品一区www在线观看| 欧美最新免费一区二区三区| 久久精品久久精品一区二区三区| 中文资源天堂在线| av国产免费在线观看| 亚洲欧美一区二区三区国产| 人人妻人人爽人人添夜夜欢视频 | 国内精品美女久久久久久| 一区二区三区四区激情视频| 国产又色又爽无遮挡免| 精品久久久久久久久av| 男女那种视频在线观看| 国产成人91sexporn| 青春草国产在线视频| 成年女人看的毛片在线观看| 精品少妇久久久久久888优播| 精品一区二区三卡| 日韩大片免费观看网站| 亚洲图色成人| 日韩伦理黄色片| 韩国av在线不卡| 大话2 男鬼变身卡| 久久久久九九精品影院| 老司机影院毛片| 国产综合精华液| 久久这里有精品视频免费| www.色视频.com| 国产精品伦人一区二区| 免费看a级黄色片| 日韩免费高清中文字幕av| 久久精品国产亚洲av涩爱| 夫妻午夜视频| 国产色婷婷99| 精品午夜福利在线看| 九九爱精品视频在线观看| 精品人妻偷拍中文字幕| 亚洲最大成人手机在线| 波野结衣二区三区在线| 免费观看性生交大片5| 久久久欧美国产精品| 在线观看三级黄色| 久久久a久久爽久久v久久| 久久精品久久久久久噜噜老黄| a级毛色黄片| 欧美精品一区二区大全| 久久久色成人| 亚洲欧美一区二区三区黑人 | 超碰av人人做人人爽久久| 赤兔流量卡办理| 大码成人一级视频| 国产乱人偷精品视频| 亚洲成人中文字幕在线播放| 男人狂女人下面高潮的视频| 精品人妻偷拍中文字幕| 人妻少妇偷人精品九色| 国产午夜福利久久久久久| 亚洲婷婷狠狠爱综合网| 成人高潮视频无遮挡免费网站| 亚洲av电影在线观看一区二区三区 | freevideosex欧美| 日韩 亚洲 欧美在线| 大话2 男鬼变身卡| 久久久色成人| 我的老师免费观看完整版| 能在线免费看毛片的网站| 色综合色国产| 久久韩国三级中文字幕| 久久久久久久久久久免费av| 午夜福利视频精品| 色综合色国产| 校园人妻丝袜中文字幕| 中国美白少妇内射xxxbb| 久久精品综合一区二区三区| 99久久精品一区二区三区| 国产男人的电影天堂91| 亚洲人成网站高清观看| 少妇人妻久久综合中文| av线在线观看网站| 日韩制服骚丝袜av| 久久精品国产亚洲av天美| 日日啪夜夜爽| 亚洲精品成人久久久久久| 建设人人有责人人尽责人人享有的 | 看十八女毛片水多多多| 少妇猛男粗大的猛烈进出视频 | 18禁裸乳无遮挡免费网站照片| www.av在线官网国产| 青青草视频在线视频观看| 午夜免费男女啪啪视频观看| 男女边吃奶边做爰视频| av线在线观看网站| 午夜福利高清视频| 欧美xxxx性猛交bbbb| av.在线天堂| 性色avwww在线观看| 白带黄色成豆腐渣| 欧美另类一区| 亚洲天堂国产精品一区在线| 色吧在线观看| 亚洲人成网站在线播| 国产精品一区二区性色av| 一二三四中文在线观看免费高清| 少妇高潮的动态图| av卡一久久| 日韩,欧美,国产一区二区三区| 亚洲av一区综合| 尾随美女入室| 久久综合国产亚洲精品| 十八禁网站网址无遮挡 | 国产成人福利小说| 久热这里只有精品99| 国产亚洲91精品色在线| 秋霞伦理黄片| 亚洲最大成人av| 小蜜桃在线观看免费完整版高清| 国产高清国产精品国产三级 | freevideosex欧美| 成年免费大片在线观看| 国产午夜精品久久久久久一区二区三区| 韩国av在线不卡| freevideosex欧美| 热re99久久精品国产66热6| 亚洲欧美日韩无卡精品| 国产爽快片一区二区三区| 亚洲av成人精品一二三区| 99久久人妻综合| 日日撸夜夜添| 联通29元200g的流量卡| 久久久精品欧美日韩精品| 91狼人影院| 观看美女的网站| 欧美激情久久久久久爽电影| 午夜老司机福利剧场| 全区人妻精品视频| 国产 精品1| freevideosex欧美| 欧美成人精品欧美一级黄| 男女下面进入的视频免费午夜| 精品99又大又爽又粗少妇毛片| 九九久久精品国产亚洲av麻豆| 极品少妇高潮喷水抽搐| 少妇的逼好多水| 看黄色毛片网站| 超碰av人人做人人爽久久| 人妻制服诱惑在线中文字幕| 能在线免费看毛片的网站| 永久网站在线| 久久精品夜色国产| 免费看a级黄色片| 香蕉精品网在线| 日本wwww免费看| 免费黄频网站在线观看国产| 国产精品三级大全| 麻豆成人av视频| 久久6这里有精品| 久久女婷五月综合色啪小说 | 伦理电影大哥的女人| av国产久精品久网站免费入址| 欧美区成人在线视频| 99久久精品国产国产毛片| 1000部很黄的大片| 麻豆乱淫一区二区| 男女下面进入的视频免费午夜| 97在线人人人人妻| 国产黄a三级三级三级人| kizo精华| 免费观看无遮挡的男女| 亚洲国产高清在线一区二区三| 好男人在线观看高清免费视频| 亚洲激情五月婷婷啪啪| 欧美成人精品欧美一级黄| 精品一区二区免费观看| 免费人成在线观看视频色| 激情 狠狠 欧美| 国产成人freesex在线| 午夜福利视频精品| 国内精品美女久久久久久| 最近的中文字幕免费完整| 日韩欧美精品v在线| 精品99又大又爽又粗少妇毛片| 色吧在线观看| 国产午夜精品一二区理论片| 国产亚洲最大av| 欧美97在线视频| 亚洲最大成人av| 天天一区二区日本电影三级| 性色avwww在线观看| 亚洲精品aⅴ在线观看| 国产视频内射| 亚洲av成人精品一二三区| 一级爰片在线观看| 亚洲最大成人av| 欧美激情久久久久久爽电影| 久久国内精品自在自线图片| 男女边摸边吃奶| 免费看日本二区| www.色视频.com| 日韩电影二区| 久久人人爽av亚洲精品天堂 | 搡女人真爽免费视频火全软件| 日本一本二区三区精品| 久久久精品欧美日韩精品| 黄色一级大片看看| 国产精品熟女久久久久浪| 亚洲精品久久久久久婷婷小说| 91精品国产九色| 亚洲伊人久久精品综合| 久久久精品免费免费高清| 精品少妇久久久久久888优播| 三级男女做爰猛烈吃奶摸视频| 成年人午夜在线观看视频| 日产精品乱码卡一卡2卡三| 国产爽快片一区二区三区| 亚洲国产欧美在线一区| av在线亚洲专区| 午夜福利视频精品| 亚洲av欧美aⅴ国产| 欧美丝袜亚洲另类| 26uuu在线亚洲综合色| 老女人水多毛片| 国产视频首页在线观看| 一个人看的www免费观看视频| 日韩亚洲欧美综合| 国产精品偷伦视频观看了| 久久精品国产亚洲av天美| 大片电影免费在线观看免费| 国产探花极品一区二区| 国产亚洲精品久久久com| 欧美亚洲 丝袜 人妻 在线| 蜜桃久久精品国产亚洲av| 欧美精品国产亚洲| 国产探花极品一区二区| 国内精品宾馆在线| 国产一区二区三区av在线| 乱码一卡2卡4卡精品| 国产视频首页在线观看| 久久女婷五月综合色啪小说 | 夜夜看夜夜爽夜夜摸| 99热6这里只有精品| 亚洲天堂av无毛| 亚洲人成网站在线播| 亚洲欧洲国产日韩| 又爽又黄a免费视频| 少妇被粗大猛烈的视频| 在现免费观看毛片| 国产白丝娇喘喷水9色精品| 国产高清国产精品国产三级 | 亚洲欧美日韩另类电影网站 | 水蜜桃什么品种好| 亚洲国产精品一区二区三区在线| 校园人妻丝袜中文字幕| 五月开心婷婷网| 黑人猛操日本美女一级片| 久久久久久人妻| 看非洲黑人一级黄片| 亚洲欧美精品综合一区二区三区| 精品福利永久在线观看| 国产精品蜜桃在线观看| 免费观看av网站的网址| 91精品国产国语对白视频| 天天添夜夜摸| 欧美国产精品va在线观看不卡| 在线看a的网站| 精品少妇内射三级| av.在线天堂| 亚洲欧美清纯卡通| 一边摸一边做爽爽视频免费| 久久精品aⅴ一区二区三区四区| 男女免费视频国产| 夫妻午夜视频| 亚洲专区中文字幕在线 | 亚洲国产欧美在线一区| 日韩成人av中文字幕在线观看| 人妻人人澡人人爽人人| 女人久久www免费人成看片| 黄片播放在线免费| 精品人妻熟女毛片av久久网站| 欧美日韩一级在线毛片| 国产在线一区二区三区精| av又黄又爽大尺度在线免费看| 欧美成人精品欧美一级黄| 婷婷色麻豆天堂久久| 国产老妇伦熟女老妇高清| 亚洲欧美精品自产自拍| 久久99热这里只频精品6学生| 国产高清不卡午夜福利| 婷婷色综合www| 1024香蕉在线观看| 校园人妻丝袜中文字幕| 久久天堂一区二区三区四区| 亚洲,一卡二卡三卡| 极品人妻少妇av视频| 国产又爽黄色视频| 人人妻人人澡人人爽人人夜夜| 国产有黄有色有爽视频| 久久久久久久精品精品| 久久久久精品人妻al黑| 成人国语在线视频| 国产日韩欧美在线精品| 中文天堂在线官网| 韩国av在线不卡| av免费观看日本| 一级a爱视频在线免费观看| 美女大奶头黄色视频| 丰满少妇做爰视频| 国产成人精品无人区| 色播在线永久视频| 精品国产露脸久久av麻豆| 大话2 男鬼变身卡| 人人妻人人添人人爽欧美一区卜| 国产亚洲精品第一综合不卡| 国产97色在线日韩免费| 久久久久久人人人人人| 日韩精品有码人妻一区| 一区二区三区乱码不卡18| 满18在线观看网站| 亚洲国产最新在线播放| 午夜福利免费观看在线| 精品一区在线观看国产| 看十八女毛片水多多多| 中文字幕精品免费在线观看视频| 欧美人与善性xxx| 久久久久精品国产欧美久久久 | avwww免费| 69精品国产乱码久久久| 最近2019中文字幕mv第一页| 亚洲av电影在线进入| 亚洲四区av| 欧美最新免费一区二区三区| 99九九在线精品视频| 午夜精品国产一区二区电影| 最新在线观看一区二区三区 | 黄色一级大片看看| 国产在视频线精品| 看免费成人av毛片| 无限看片的www在线观看| 大香蕉久久网| 黄片播放在线免费| 一区福利在线观看| 人人妻人人添人人爽欧美一区卜| 国产精品一区二区在线观看99| 一二三四中文在线观看免费高清|