• <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。

    午夜两性在线视频| 欧美在线一区亚洲| 狂野欧美激情性xxxx| 搡女人真爽免费视频火全软件 | 国产乱人伦免费视频| 91麻豆av在线| 亚洲无线观看免费| 天堂影院成人在线观看| 国产精品亚洲av一区麻豆| av黄色大香蕉| 亚洲色图av天堂| 免费看光身美女| 手机成人av网站| 免费av观看视频| 亚洲国产精品合色在线| 一级黄色大片毛片| 97碰自拍视频| 国产黄a三级三级三级人| 亚洲aⅴ乱码一区二区在线播放| 狂野欧美白嫩少妇大欣赏| 日韩欧美在线二视频| 成人永久免费在线观看视频| 国产三级在线视频| 久久香蕉国产精品| 亚洲国产色片| 窝窝影院91人妻| 成人特级黄色片久久久久久久| 色噜噜av男人的天堂激情| 最近视频中文字幕2019在线8| 青草久久国产| 淫妇啪啪啪对白视频| 亚洲av二区三区四区| 日本一二三区视频观看| 色尼玛亚洲综合影院| 日本熟妇午夜| 国产真人三级小视频在线观看| 乱人视频在线观看| 成人鲁丝片一二三区免费| 少妇的逼水好多| 悠悠久久av| 国产精品,欧美在线| 99久久无色码亚洲精品果冻| 法律面前人人平等表现在哪些方面| 国产亚洲精品一区二区www| 午夜福利高清视频| 国产精品爽爽va在线观看网站| 好男人在线观看高清免费视频| 精品久久久久久久久久久久久| 国产精品乱码一区二三区的特点| 18禁黄网站禁片免费观看直播| 俄罗斯特黄特色一大片| 女人被狂操c到高潮| 欧美高清成人免费视频www| ponron亚洲| 深夜精品福利| 麻豆国产av国片精品| 日韩欧美国产在线观看| 精品国产亚洲在线| www.999成人在线观看| 桃红色精品国产亚洲av| 最近最新中文字幕大全电影3| av天堂中文字幕网| 美女黄网站色视频| 国产精华一区二区三区| 亚洲欧美日韩高清在线视频| 午夜福利高清视频| 叶爱在线成人免费视频播放| 色综合欧美亚洲国产小说| 老司机深夜福利视频在线观看| 久久人人精品亚洲av| 欧美性感艳星| 亚洲第一欧美日韩一区二区三区| 国产精品国产高清国产av| 成人三级黄色视频| 亚洲黑人精品在线| 国产又黄又爽又无遮挡在线| 国产午夜福利久久久久久| 丰满人妻一区二区三区视频av | netflix在线观看网站| 在线观看av片永久免费下载| 国产一区二区三区在线臀色熟女| 日本黄色片子视频| 又黄又爽又免费观看的视频| 黄色女人牲交| 亚洲成av人片免费观看| 国产成人av激情在线播放| 日本黄色视频三级网站网址| 国产精品三级大全| 亚洲一区高清亚洲精品| 国产黄片美女视频| 久久久久久久久大av| 中国美女看黄片| www.熟女人妻精品国产| 身体一侧抽搐| or卡值多少钱| 亚洲人成网站在线播| 成人国产综合亚洲| 18禁国产床啪视频网站| 久久天躁狠狠躁夜夜2o2o| www.熟女人妻精品国产| 成人av一区二区三区在线看| 嫩草影院精品99| 久久亚洲精品不卡| 久久久久九九精品影院| 人妻丰满熟妇av一区二区三区| 人妻夜夜爽99麻豆av| 亚洲av成人av| 国产成人aa在线观看| 一区二区三区国产精品乱码| 麻豆久久精品国产亚洲av| 老汉色av国产亚洲站长工具| 欧美黄色淫秽网站| 在线观看66精品国产| 色综合亚洲欧美另类图片| 俺也久久电影网| 天堂影院成人在线观看| 91字幕亚洲| 精品久久久久久久毛片微露脸| 国产69精品久久久久777片| 特级一级黄色大片| 精品国产三级普通话版| 精品一区二区三区视频在线 | 日本免费a在线| 国产精品亚洲av一区麻豆| 亚洲国产精品合色在线| 五月玫瑰六月丁香| 国产日本99.免费观看| 欧美乱色亚洲激情| 精品国产美女av久久久久小说| 日韩高清综合在线| 亚洲av中文字字幕乱码综合| 3wmmmm亚洲av在线观看| 亚洲成av人片免费观看| 成人永久免费在线观看视频| 免费电影在线观看免费观看| 少妇人妻精品综合一区二区 | 老司机在亚洲福利影院| 欧美一区二区亚洲| 亚洲欧美日韩高清专用| 搡老熟女国产l中国老女人| 国产成人系列免费观看| 成年人黄色毛片网站| 国产激情欧美一区二区| 少妇人妻一区二区三区视频| 一本久久中文字幕| 亚洲成av人片在线播放无| 美女大奶头视频| 久久精品91无色码中文字幕| 一级毛片女人18水好多| 日本五十路高清| 亚洲av第一区精品v没综合| 法律面前人人平等表现在哪些方面| 又紧又爽又黄一区二区| a级毛片a级免费在线| 国产97色在线日韩免费| 亚洲电影在线观看av| 欧美日韩中文字幕国产精品一区二区三区| 人妻久久中文字幕网| h日本视频在线播放| 久久中文看片网| 欧美日韩福利视频一区二区| 成人国产综合亚洲| 国产精品三级大全| 欧美极品一区二区三区四区| 两个人的视频大全免费| 日本a在线网址| 尤物成人国产欧美一区二区三区| 久久久久久九九精品二区国产| 亚洲激情在线av| 精品一区二区三区视频在线 | 九九热线精品视视频播放| 欧美3d第一页| 国产99白浆流出| 淫秽高清视频在线观看| 国产av一区在线观看免费| 国产极品精品免费视频能看的| 欧美一区二区国产精品久久精品| 色尼玛亚洲综合影院| 99久久久亚洲精品蜜臀av| 国产精品自产拍在线观看55亚洲| 制服人妻中文乱码| 亚洲精品日韩av片在线观看 | 熟妇人妻久久中文字幕3abv| 国产精品免费一区二区三区在线| av天堂中文字幕网| 久久亚洲精品不卡| 午夜激情欧美在线| 成人特级黄色片久久久久久久| 久久久久久大精品| 亚洲国产中文字幕在线视频| 久久精品人妻少妇| 99riav亚洲国产免费| 中文字幕av在线有码专区| 欧美bdsm另类| 无人区码免费观看不卡| 亚洲成人免费电影在线观看| 淫秽高清视频在线观看| 国产精品一区二区免费欧美| 国产午夜精品久久久久久一区二区三区 | 国产午夜精品久久久久久一区二区三区 | 国内久久婷婷六月综合欲色啪| 日韩欧美 国产精品| 一夜夜www| 久久人妻av系列| 国产精品综合久久久久久久免费| 欧美国产日韩亚洲一区| 国产高潮美女av| 51午夜福利影视在线观看| 九色国产91popny在线| av天堂在线播放| 久久天躁狠狠躁夜夜2o2o| 看黄色毛片网站| 久久婷婷人人爽人人干人人爱| 欧美日韩一级在线毛片| 国产亚洲精品久久久久久毛片| 成人特级av手机在线观看| 人妻久久中文字幕网| 国产精品综合久久久久久久免费| 久久精品91无色码中文字幕| 日韩国内少妇激情av| 国产精品一区二区三区四区久久| 亚洲欧美精品综合久久99| 成年女人看的毛片在线观看| 精品免费久久久久久久清纯| 午夜日韩欧美国产| 亚洲国产欧洲综合997久久,| 国产高清videossex| 2021天堂中文幕一二区在线观| 久久久久国内视频| 99久久九九国产精品国产免费| 中文字幕人妻丝袜一区二区| 成人亚洲精品av一区二区| 91久久精品电影网| 久久性视频一级片| 国产乱人伦免费视频| or卡值多少钱| 国产av麻豆久久久久久久| 九九久久精品国产亚洲av麻豆| 51国产日韩欧美| 欧美乱妇无乱码| 丁香六月欧美| 精品国产美女av久久久久小说| 51国产日韩欧美| 亚洲最大成人中文| 黄色视频,在线免费观看| 国产精品一区二区免费欧美| 男女视频在线观看网站免费| 怎么达到女性高潮| 日韩欧美三级三区| 国产69精品久久久久777片| 精品一区二区三区人妻视频| 男女之事视频高清在线观看| 91九色精品人成在线观看| 国产成年人精品一区二区| 欧美极品一区二区三区四区| 亚洲真实伦在线观看| 一本一本综合久久| 在线观看免费视频日本深夜| 性色av乱码一区二区三区2| 怎么达到女性高潮| 88av欧美| 国内久久婷婷六月综合欲色啪| 国产三级在线视频| 精品无人区乱码1区二区| 国产午夜福利久久久久久| 亚洲国产精品成人综合色| 看黄色毛片网站| 岛国视频午夜一区免费看| 一卡2卡三卡四卡精品乱码亚洲| 成人国产一区最新在线观看| 成人性生交大片免费视频hd| 国产一区二区三区视频了| 老鸭窝网址在线观看| 韩国av一区二区三区四区| 深夜精品福利| 两个人看的免费小视频| 搡女人真爽免费视频火全软件 | 国产老妇女一区| 一夜夜www| 亚洲中文日韩欧美视频| 国产黄a三级三级三级人| 国产精品 欧美亚洲| 亚洲真实伦在线观看| 1024手机看黄色片| 国产99白浆流出| 亚洲精品影视一区二区三区av| 好看av亚洲va欧美ⅴa在| 国产黄a三级三级三级人| 精品人妻一区二区三区麻豆 | 一级黄片播放器| 亚洲一区二区三区色噜噜| 亚洲黑人精品在线| 老熟妇乱子伦视频在线观看| 91在线精品国自产拍蜜月 | 日韩av在线大香蕉| 亚洲国产精品sss在线观看| 狂野欧美白嫩少妇大欣赏| 亚洲电影在线观看av| 欧美黑人巨大hd| 一本综合久久免费| 亚洲性夜色夜夜综合| 两个人看的免费小视频| 97超视频在线观看视频| 久久人妻av系列| 国产精品av视频在线免费观看| 少妇的丰满在线观看| 久久欧美精品欧美久久欧美| 国产成人av教育| 人妻夜夜爽99麻豆av| 十八禁人妻一区二区| 日韩精品中文字幕看吧| 少妇裸体淫交视频免费看高清| 国产av麻豆久久久久久久| 亚洲,欧美精品.| 国内久久婷婷六月综合欲色啪| 国产真人三级小视频在线观看| 夜夜夜夜夜久久久久| 精品电影一区二区在线| 国产麻豆成人av免费视频| 三级国产精品欧美在线观看| 毛片女人毛片| 国产一级毛片七仙女欲春2| 色精品久久人妻99蜜桃| av福利片在线观看| 在线观看午夜福利视频| 黄色日韩在线| 亚洲欧美日韩卡通动漫| 欧美精品啪啪一区二区三区| 天美传媒精品一区二区| 欧美乱色亚洲激情| 制服丝袜大香蕉在线| 午夜视频国产福利| 麻豆国产97在线/欧美| 天堂影院成人在线观看| 精品乱码久久久久久99久播| 最近最新中文字幕大全电影3| 九九久久精品国产亚洲av麻豆| 国产v大片淫在线免费观看| 午夜福利18| 一级黄片播放器| 日韩免费av在线播放| 麻豆成人午夜福利视频| 国产极品精品免费视频能看的| 成人无遮挡网站| 老司机在亚洲福利影院| 欧美黑人巨大hd| 欧美激情久久久久久爽电影| 一个人观看的视频www高清免费观看| 欧美日韩国产亚洲二区| 亚洲av一区综合| 久久精品国产综合久久久| www.999成人在线观看| 精品久久久久久久久久免费视频| 欧美午夜高清在线| 亚洲精品乱码久久久v下载方式 | 精品一区二区三区av网在线观看| 欧美午夜高清在线| 国产成人a区在线观看| 男女下面进入的视频免费午夜| 日本黄色片子视频| 精华霜和精华液先用哪个| 老司机午夜十八禁免费视频| 嫩草影视91久久| 亚洲人与动物交配视频| 一进一出抽搐gif免费好疼| tocl精华| 久久久久久九九精品二区国产| 亚洲最大成人手机在线| 亚洲国产高清在线一区二区三| 俺也久久电影网| 国产精品99久久99久久久不卡| 国产高清有码在线观看视频| 国产精品98久久久久久宅男小说| 天天躁日日操中文字幕| 日本成人三级电影网站| 青草久久国产| 身体一侧抽搐| 亚洲人成电影免费在线| 精品电影一区二区在线| 操出白浆在线播放| 最好的美女福利视频网| 欧美色欧美亚洲另类二区| 97碰自拍视频| 久久精品国产99精品国产亚洲性色| 好男人电影高清在线观看| 无人区码免费观看不卡| 女人高潮潮喷娇喘18禁视频| 成年免费大片在线观看| 日韩 欧美 亚洲 中文字幕| 国产单亲对白刺激| 色噜噜av男人的天堂激情| 欧洲精品卡2卡3卡4卡5卡区| 黄色女人牲交| 真实男女啪啪啪动态图| 免费高清视频大片| 欧美最黄视频在线播放免费| 国产黄a三级三级三级人| 麻豆一二三区av精品| 天堂√8在线中文| 免费一级毛片在线播放高清视频| 成人特级av手机在线观看| 国产精品野战在线观看| 一个人免费在线观看的高清视频| 亚洲午夜理论影院| 午夜福利免费观看在线| 国产伦一二天堂av在线观看| 日韩欧美免费精品| 欧美激情久久久久久爽电影| 性色avwww在线观看| 又紧又爽又黄一区二区| 青草久久国产| 12—13女人毛片做爰片一| 欧美日韩福利视频一区二区| 午夜影院日韩av| 少妇的丰满在线观看| 97人妻精品一区二区三区麻豆| 成熟少妇高潮喷水视频| 最新中文字幕久久久久| 日本在线视频免费播放| 中文字幕人妻丝袜一区二区| 丁香六月欧美| 精品欧美国产一区二区三| 一区二区三区高清视频在线| 国产日本99.免费观看| 成人三级黄色视频| 蜜桃久久精品国产亚洲av| 搡女人真爽免费视频火全软件 | 在线视频色国产色| 国产精品久久电影中文字幕| 久久中文看片网| 午夜精品一区二区三区免费看| 亚洲熟妇中文字幕五十中出| 在线播放无遮挡| 18禁在线播放成人免费| 国产亚洲精品一区二区www| 我要搜黄色片| 日韩精品中文字幕看吧| 国产亚洲av嫩草精品影院| 在线天堂最新版资源| 精品欧美国产一区二区三| 免费在线观看影片大全网站| 麻豆成人午夜福利视频| 国产午夜精品久久久久久一区二区三区 | 精品国内亚洲2022精品成人| 午夜福利高清视频| 在线观看免费午夜福利视频| 亚洲欧美日韩无卡精品| 亚洲国产中文字幕在线视频| 欧美黄色片欧美黄色片| 欧美高清成人免费视频www| 观看美女的网站| 国产精品98久久久久久宅男小说| 黄片大片在线免费观看| 悠悠久久av| 最新在线观看一区二区三区| 91av网一区二区| 国产av一区在线观看免费| 99精品欧美一区二区三区四区| 国内精品久久久久精免费| 久久久国产精品麻豆| 中文资源天堂在线| 久久天躁狠狠躁夜夜2o2o| 国产精品久久久久久久电影 | 男女午夜视频在线观看| 人妻久久中文字幕网| 午夜免费观看网址| 精品久久久久久久人妻蜜臀av| 偷拍熟女少妇极品色| 99久久九九国产精品国产免费| 在线观看午夜福利视频| 国产乱人视频| 国产单亲对白刺激| 久久精品国产清高在天天线| 免费人成在线观看视频色| 综合色av麻豆| 国产精品亚洲美女久久久| 免费人成视频x8x8入口观看| 国产亚洲精品久久久久久毛片| 亚洲成人久久爱视频| 欧美又色又爽又黄视频| 亚洲av不卡在线观看| 18禁国产床啪视频网站| 美女被艹到高潮喷水动态| 国产精品女同一区二区软件 | 香蕉久久夜色| 免费搜索国产男女视频| 人妻夜夜爽99麻豆av| 国产97色在线日韩免费| 91麻豆精品激情在线观看国产| 成人一区二区视频在线观看| 亚洲七黄色美女视频| 精品国产亚洲在线| 久久久久性生活片| 男女做爰动态图高潮gif福利片| 国产探花在线观看一区二区| 欧美性猛交╳xxx乱大交人| 婷婷精品国产亚洲av| 最近在线观看免费完整版| 久久国产乱子伦精品免费另类| 黄色丝袜av网址大全| 亚洲精品粉嫩美女一区| 国产精品乱码一区二三区的特点| 久久久久九九精品影院| av中文乱码字幕在线| 高清在线国产一区| 国产精品日韩av在线免费观看| 国产精品乱码一区二三区的特点| 亚洲成av人片免费观看| 日本与韩国留学比较| 精品日产1卡2卡| 深夜精品福利| 国产探花极品一区二区| 久久久色成人| 亚洲美女黄片视频| 久久国产精品人妻蜜桃| 久久久久久大精品| 又紧又爽又黄一区二区| 免费在线观看成人毛片| 99久久精品热视频| 18+在线观看网站| 久久亚洲真实| 国产高清视频在线播放一区| 亚洲av电影不卡..在线观看| 亚洲av成人av| 色老头精品视频在线观看| 禁无遮挡网站| 午夜福利18| 男女那种视频在线观看| 俄罗斯特黄特色一大片| 亚洲国产高清在线一区二区三| 黄色片一级片一级黄色片| 色噜噜av男人的天堂激情| 国产精品一区二区免费欧美| 国产伦人伦偷精品视频| 国产午夜福利久久久久久| 色视频www国产| 午夜免费观看网址| 天堂av国产一区二区熟女人妻| 91久久精品国产一区二区成人 | 欧美xxxx黑人xx丫x性爽| 免费在线观看影片大全网站| 国产精品亚洲av一区麻豆| 欧美黑人欧美精品刺激| 国产亚洲精品综合一区在线观看| 男女视频在线观看网站免费| 欧美+亚洲+日韩+国产| 蜜桃久久精品国产亚洲av| 欧美日韩中文字幕国产精品一区二区三区| 国内精品一区二区在线观看| 在线观看免费午夜福利视频| 五月伊人婷婷丁香| 精品一区二区三区av网在线观看| 69人妻影院| 麻豆久久精品国产亚洲av| 色av中文字幕| 有码 亚洲区| 婷婷精品国产亚洲av| 黄色片一级片一级黄色片| 国产精品久久久久久精品电影| a级一级毛片免费在线观看| 老鸭窝网址在线观看| 欧美+亚洲+日韩+国产| 欧美国产日韩亚洲一区| 亚洲性夜色夜夜综合| 国产视频一区二区在线看| 亚洲一区高清亚洲精品| 午夜免费观看网址| 久久精品国产亚洲av涩爱 | 精品久久久久久久久久免费视频| 极品教师在线免费播放| 日本黄色视频三级网站网址| 中出人妻视频一区二区| 91麻豆精品激情在线观看国产| 欧美高清成人免费视频www| 免费人成视频x8x8入口观看| 大型黄色视频在线免费观看| 丰满人妻熟妇乱又伦精品不卡| a级毛片a级免费在线| 国产精品99久久99久久久不卡| 国产日本99.免费观看| 丰满的人妻完整版| 无限看片的www在线观看| 免费观看的影片在线观看| 亚洲欧美日韩无卡精品| 日韩大尺度精品在线看网址| 91久久精品国产一区二区成人 | 日韩高清综合在线| 欧美日本亚洲视频在线播放| 精品一区二区三区av网在线观看| 性色av乱码一区二区三区2| 人妻夜夜爽99麻豆av| 欧美丝袜亚洲另类 | 18禁黄网站禁片免费观看直播| 脱女人内裤的视频| 一区二区三区免费毛片| 免费看a级黄色片| 啦啦啦观看免费观看视频高清| 岛国在线免费视频观看| 中文字幕av成人在线电影| 精品久久久久久成人av| 一个人免费在线观看的高清视频| 亚洲专区国产一区二区| 欧美中文日本在线观看视频| 99精品欧美一区二区三区四区| 激情在线观看视频在线高清| 女警被强在线播放| 国产91精品成人一区二区三区| 内射极品少妇av片p| 99精品久久久久人妻精品| 99久久精品热视频| 欧美日韩国产亚洲二区| 国产真实乱freesex| 久久精品夜夜夜夜夜久久蜜豆| 搡老熟女国产l中国老女人| 国产亚洲精品久久久com|