• <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 ?

    神經(jīng)因子分解機(jī)推薦模型改進(jìn)研究

    2020-06-19 08:45:58吳韋俊李燁
    軟件導(dǎo)刊 2020年4期
    關(guān)鍵詞:推薦系統(tǒng)

    吳韋俊 李燁

    摘 要:因子分解機(jī)對特征各維度之間的一階線性關(guān)系和二階線性關(guān)系建模,在推薦系統(tǒng)中已有較多應(yīng)用。神經(jīng)因子分解機(jī)模型(NFM)是因子分解機(jī)與神經(jīng)網(wǎng)絡(luò)的結(jié)合模型,它能捕獲特征之間的高階交互信息,使得模型預(yù)測效果更佳。但由于神經(jīng)因子分解機(jī)模型一般都是采用全連接的前饋神經(jīng)網(wǎng)絡(luò),使得整個推薦網(wǎng)絡(luò)過于復(fù)雜,存在過擬合風(fēng)險(xiǎn)。為了降低神經(jīng)因子分解機(jī)模型的整體復(fù)雜度,提高推薦模型的泛化性能,提出一種基于交叉網(wǎng)絡(luò)的因子分解機(jī)模型(CFM),降低模型復(fù)雜度,提高模型泛化性能。實(shí)驗(yàn)表明,該模型在數(shù)據(jù)集上的預(yù)測準(zhǔn)確度為77%左右,相比NrM預(yù)測準(zhǔn)確度提高了約2%,整體模型泛化性能也有所提高。

    關(guān)鍵詞:推薦系統(tǒng);交叉網(wǎng)絡(luò):神經(jīng)因子分解機(jī)

    DOI: 10. 11907/rjdk.191717

    開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

    中圖分類號:TP301

    文獻(xiàn)標(biāo)識碼:A

    文章編號:1672-7800(2020)004-0115-04

    Research on Improvement of Recommendation Model Based on Neural

    Factorization Machines

    WU Wei-jun , LI Ye

    (kSch.001 0f Optical Elect.rical and Compu t.er Engineerirzg , University of Slzangh.aifor Scie. nce. and Teclz nology , .Sh.angh.ai 200093 . Clzina )

    Abstract: The factorization machine models the first-order linear relationship and the second-order linear relationship hetween thevarious dimensions of the f'eature . and it has been widely used in the recommendation system. The neuron factorization machine model( NFM ) is a combination model of factorization machine and neural network. It can capture high-order interaction information betweenfeatures. ,,-hich makes the prediction eff'ect better. However. since the neural factorization machine model generally uses a fully con-nected feedforward neural network . the entire recomruendation network is too complicated and there is a risk of overfitting. In order toreduce the overall complexity of the neural f'actorization machine model and improve the generalization performance of the proposedmodel, this paper proposes a cross-network-based factorization machine model ( CFM) to reduce the complexity of the model and im-prove the generalization performance of the model. Experiments show that the prediction accuracy of the model on the data set is about77% . which is about 2% higher than the NFM prediction accuracy, and the generalization performance of' the overall model is im-proved.Key Words : recommendation systeru ; cross network ; fa ctorization machine

    O 引言

    隨著“互聯(lián)網(wǎng)+”時(shí)代的到來,互聯(lián)網(wǎng)被海量數(shù)據(jù)和信息充斥,互聯(lián)網(wǎng)用戶在面對各種購物網(wǎng)站或其它服務(wù)網(wǎng)站時(shí)會面臨巨大的選擇范圍,從而導(dǎo)致信息過載問題…。在有限時(shí)間內(nèi),用戶不可能瀏覽所有信息,因而越來越多的零售商和電商關(guān)注推薦系統(tǒng)模型應(yīng)用,重視用戶潛在需求、行為模式、興趣愛好等[2],將用戶滿意的信息和產(chǎn)品推薦給用戶。

    推薦系統(tǒng)模型大致可以分為3類:基于內(nèi)容的推薦、協(xié)同過濾推薦和混合推薦。目前運(yùn)用較為成功的是協(xié)同過濾模型,它主要是根據(jù)目標(biāo)用戶的歷史行為數(shù)據(jù)在整個數(shù)據(jù)庫中尋找與目標(biāo)用戶興趣、行為相似的用戶,將他們喜歡或感興趣的信息、物品推薦給目標(biāo)用戶。協(xié)同過濾模型最為核心的步驟就是目標(biāo)用戶最近鄰查詢[3],因而用戶、項(xiàng)目的特征提取和相似度計(jì)算方法變得十分重要。

    目前,隨著深度學(xué)習(xí)的興起,該項(xiàng)技術(shù)在圖像處理、白然語言處理領(lǐng)域已有了廣泛應(yīng)用,如人臉識別、機(jī)器翻譯、問答系統(tǒng)、情感分析等[4]同時(shí),深度學(xué)習(xí)技術(shù)為推薦系統(tǒng)領(lǐng)域研究提供了新思路。①深度學(xué)習(xí)模型是一種端到端的學(xué)習(xí)模式,白動學(xué)習(xí)數(shù)據(jù)特征,而無需手動提取;②深度學(xué)習(xí)通過一個可學(xué)習(xí)的網(wǎng)絡(luò)模型,可以提取海量信息的數(shù)據(jù)特征,具有強(qiáng)大的數(shù)據(jù)表征能力[5];③深度學(xué)習(xí)可以接受多源異構(gòu)數(shù)據(jù)進(jìn)行學(xué)習(xí),得到數(shù)據(jù)的統(tǒng)一表征,可以有效緩解推薦系統(tǒng)的數(shù)據(jù)稀疏問題[6]。很多時(shí)候,推薦可以被視為是用戶偏好的項(xiàng)目特征之間的雙向交互,He等[7]提出的NCF(Neu ral Collaborative Filtering)模型就是一種旨在捕獲用戶和項(xiàng)目之間的非線性關(guān)系框架。CCCFNet(Cross-clomain Content-hoosted Collahorative Filtering neu-ral Network)8是它的一個擴(kuò)展,其基本組件也是針對用戶和項(xiàng)目雙網(wǎng)絡(luò),構(gòu)建多視圖網(wǎng)絡(luò)框架進(jìn)行跨域推薦。卷積神經(jīng)網(wǎng)絡(luò)和對時(shí)間序列建模的循環(huán)神經(jīng)網(wǎng)絡(luò)在推薦系統(tǒng)領(lǐng)域也有應(yīng)用[9-1]。Gong等[12]提出了一種基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)模型用于微博的標(biāo)簽推薦,他們將標(biāo)簽推薦視為一個多分類問題,所提出的模型由一個全局通道和一個局部注意力通道組成,全方位提取重要特征。然而在許多網(wǎng)站中,系統(tǒng)無法訪問用戶的長期消費(fèi)習(xí)慣或者長期興趣,只能通過會話或Cookie機(jī)制獲得用戶的短期偏好。Hidas等[13]提出了一種基于會話的GRU推薦模型用來捕獲用戶點(diǎn)擊行為的短期變化特征,從而達(dá)到預(yù)測用戶未來點(diǎn)擊行為偏好。

    雖然各種深度學(xué)習(xí)模型都在推薦系統(tǒng)領(lǐng)域有一定的應(yīng)用和研究,但是用戶和項(xiàng)目特征的有效提取及特征之間的交互一直都是深度學(xué)習(xí)在該領(lǐng)域應(yīng)用和發(fā)展的難點(diǎn)[14]。本文提出基于因子分解機(jī)的高階特征交互模型,使用一種交叉網(wǎng)絡(luò)實(shí)現(xiàn)特征各維度之間的高階交互信息提取,相比復(fù)雜度高的基于全連接神經(jīng)網(wǎng)絡(luò)的因子分解機(jī)模型(NeuralFactorization Machines,NFM)[15],該模型降低了模型復(fù)雜度,提高了模型泛化性能。

    1相關(guān)理論

    1.1 因子分解機(jī)

    用戶對項(xiàng)目的行為可以視為用戶和項(xiàng)目的交互過程,進(jìn)而獲取用戶和項(xiàng)目特征,它們之間的線性交互可能會更好地捕捉用戶對項(xiàng)目偏好程度相關(guān)信息,給定一個實(shí)值特征向量 ,有線性模型:

    對于非線性的情形,可以使用二階多項(xiàng)式組合特征擬合數(shù)據(jù)集:

    可以看出,線性模型的參數(shù)個數(shù)為n,而二次多項(xiàng)式模型的參數(shù)數(shù)量為0(N2)級別。對于高維問題,訓(xùn)練模型的代價(jià)很大。Rendle等[16]引入了一種因子分解機(jī)(FactorizationMachines,F(xiàn)M)策略,通過低秩擴(kuò)展而不是一般的高維擴(kuò)展來緩解該問題。其模型為:

    其中, 為特征i的低維向量嵌入表示??梢?,F(xiàn)M使用一個低維嵌入將特征映射到更小的K維空間中。與高維多項(xiàng)式模型相比,F(xiàn)M模型能夠?qū)?shù)數(shù)量從指數(shù)級降到線性級O(k×n)。

    1.2 交叉網(wǎng)絡(luò)

    交叉網(wǎng)絡(luò)( Cross Network)[17]是人工神經(jīng)網(wǎng)絡(luò)模型的一種形式,其每一層的網(wǎng)絡(luò)表達(dá)式如下:

    其中, 分別表示交叉網(wǎng)絡(luò)第,層和第l+I層的輸出向量, 表示該網(wǎng)絡(luò)第,層的權(quán)重和偏置參數(shù)。每一個交叉網(wǎng)路層是在特征交叉函數(shù)廠后,添加該層的輸入,映射函數(shù) 實(shí)現(xiàn) 殘差的擬合。交叉網(wǎng)絡(luò)一層結(jié)構(gòu)如圖1所示。

    1.3交叉網(wǎng)絡(luò)復(fù)雜度分析

    令L。表示交叉網(wǎng)絡(luò)層數(shù),d表示輸入維度,在每層交叉網(wǎng)絡(luò)中需要學(xué)習(xí)的參數(shù) ,且 ,則在整個交叉網(wǎng)絡(luò)中需要學(xué)習(xí)的參數(shù)個數(shù)為:dx/。x2。

    交叉網(wǎng)絡(luò)的時(shí)間和空間復(fù)雜度在輸入維度上都是線性的,每層之間則是一個權(quán)重向量。而對于一般前饋神經(jīng)網(wǎng)絡(luò),由于其全連接結(jié)構(gòu),層與層之間參數(shù)都是權(quán)重矩陣[19]。若一個前饋神經(jīng)網(wǎng)絡(luò)輸入維度為d,每層神經(jīng)元個數(shù)為m,共有Ld層[20],那么學(xué)習(xí)的參數(shù)個數(shù)為dxm+m+(M2+m)×(LA-1)。顯然,與前饋神經(jīng)網(wǎng)絡(luò)相比,交叉網(wǎng)絡(luò)的復(fù)雜度非常小,因此,交叉網(wǎng)絡(luò)的引入可以在很大程度上降低推薦模型的復(fù)雜度。

    2基于交叉網(wǎng)絡(luò)的因子分解機(jī)模型

    2.1模型框架

    基于深度學(xué)習(xí)的高階特征交互模型框架如圖2所示,整個模型由3個基本模塊組成:因子分解機(jī)模型、交互池化層和交叉網(wǎng)絡(luò)層。

    給定一個輸入數(shù)據(jù) ,CFM模型的估計(jì)目標(biāo)函數(shù)可以表示為:式中前兩項(xiàng)為因子分解機(jī)模型的線性部分,f(X)表示特征之間的高階交互信息。

    2.2嵌入層

    嵌入層是各維度特征到一個向量空間之間的映射,令 為輸人數(shù)據(jù)第i個特征的嵌入表示,經(jīng)嵌入向量表示后,獲得的嵌入向量集合可表示為 。

    2.3交互池化層

    將嵌入層集合V輸入到交互層,一個將嵌入向量轉(zhuǎn)化成一個向量的表達(dá)式:

    其中,“?!北硎鞠蛄繉?yīng)元素的乘積 ,交互層的輸出為一個K維向量,編碼了特征在嵌入空間的二階交互信息。

    2.4交叉網(wǎng)絡(luò)層

    將因子分解機(jī)模型的池化輸出數(shù)據(jù)輸入到多層交叉網(wǎng)絡(luò)中。多層交叉網(wǎng)絡(luò)定義如下:

    式中 ,交叉網(wǎng)絡(luò)的每層輸出 ,其中,為交叉網(wǎng)絡(luò)層數(shù)。

    2.5預(yù)測層

    將交叉網(wǎng)絡(luò)的最后一層輸出向量x1轉(zhuǎn)化為最終預(yù)測:

    其中, 表示預(yù)測層的權(quán)重向量。因此,基于交叉網(wǎng)絡(luò)的因子分解機(jī)模型預(yù)測表達(dá)式為:

    整個模型參數(shù)為

    3 實(shí)驗(yàn)與結(jié)果分析

    3.1 數(shù)據(jù)集與實(shí)驗(yàn)方法

    系統(tǒng)環(huán)境為Windows 10,編程語言采用Pvthon 3.5,深度學(xué)習(xí)框架采用TensorfloW l.3。

    Frapper數(shù)據(jù)集包含96 203個用戶在不同上下義中APP的使用日志,除用戶編號和APP編號外,還包含8個上下文變量,如天氣、城市和時(shí)間等,使用one-hot編碼實(shí)現(xiàn)日志到特征向量的編碼,共有5382個特征。目標(biāo)值為1表示用戶使用過該APP,0表示未使用過。

    與NFM模型進(jìn)行對比研究,進(jìn)行10次實(shí)驗(yàn),每次實(shí)驗(yàn)采用10折交叉驗(yàn)證(10-fold IOCross-Validation),取各次實(shí)驗(yàn)均方誤差( Mean Square Error,MSE)的平均值評估算法性能。

    其中,k為總樣本數(shù), 為輸入數(shù)據(jù)xi的真實(shí)標(biāo)簽。

    3.2 實(shí)驗(yàn)結(jié)果分析

    3.2.1 模型超參數(shù)的影響

    使用梯度下降法訓(xùn)練CFM模型網(wǎng)絡(luò),超參數(shù)七和,由實(shí)驗(yàn)調(diào)參確定,不同取值會對該模型的性能產(chǎn)生影響。超參數(shù)七是輸人數(shù)據(jù)每一維的嵌入維度,亦即交叉網(wǎng)絡(luò)每一層的節(jié)點(diǎn)數(shù),它們是相同的。

    七對本文模型性能的影響如圖3所示??梢钥闯?,當(dāng)k值較小時(shí),模型無法提取有效的特征信息;當(dāng)七值較大時(shí),又會在特征編碼時(shí)引入干擾信息,導(dǎo)致預(yù)測精準(zhǔn)度降低;k=64時(shí),模型性能最佳。

    ,對模型性能的影響如圖4所示??梢钥闯觯?dāng)l較小時(shí)模型有欠擬合現(xiàn)象,泛化性能較差;,較大時(shí)有過擬合現(xiàn)象,泛化性能也不佳;當(dāng),L=4時(shí)模型的泛化性能最好。

    CFM模型的超參數(shù)取值如表1所示。

    NFM模型的超參數(shù)取值如表2所示。

    3.2.2模型間性能對比

    NFM和CFM模型分別在訓(xùn)練集、測試集上的性能表現(xiàn)如圖5所示??梢钥闯?,NFM模型在訓(xùn)練集上的表現(xiàn)優(yōu)于CFM模型,但在測試集上的表現(xiàn)則不及CFM模型。這是由于NFM模型的復(fù)雜度高,導(dǎo)致該模型產(chǎn)生了過擬合,泛化性能不佳。對于收斂速度,NFM模型在訓(xùn)練集上的表現(xiàn)略優(yōu)于CFM模型,但在測試集上則略差。

    4 結(jié)語

    針對NFM模型復(fù)雜度高的問題,本文CFM模型使用具有較低復(fù)雜度的交叉網(wǎng)絡(luò)代替前饋神經(jīng)網(wǎng)絡(luò),實(shí)驗(yàn)表明,CFM模型具有更好的泛化性能。通過本文研究可以得出,傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型屬于全連接網(wǎng)絡(luò),模型復(fù)雜度較高,在訓(xùn)練階段容易出現(xiàn)過擬合風(fēng)險(xiǎn),簡化神經(jīng)網(wǎng)絡(luò)模型,降低網(wǎng)絡(luò)復(fù)雜度可以提高整體模型的泛化性能。后續(xù)研究可以關(guān)注不同特征在精度預(yù)測上的重要性,提高特征提取效率,以進(jìn)一步提高預(yù)測精度。

    參考文獻(xiàn):

    [1]王國霞,劉賀平.個性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用,2012.48(7):66-76

    [2]劉建國,周濤,汪秉宏個性化推薦系統(tǒng)的研究進(jìn)展[J].自然科學(xué)進(jìn)展,2009. 19(1):1-15.

    [3]馬宏偉,張光衛(wèi),李鵬協(xié)同過濾推薦算法綜述[J].小型微型計(jì)算機(jī)系統(tǒng),2009, 30(7):1282-1288

    [4]黃立威,江碧濤,呂守業(yè),等.基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]計(jì)算機(jī)學(xué)報(bào),2018,427(7):191-219

    [5]王濤,李明.深度學(xué)習(xí)下的推薦系統(tǒng)研究[j]電腦知識與技術(shù), 2017,13(25):180-181

    [6] 陳先昌基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D].杭州:浙江工商大學(xué),2014.

    [7]HE X N. LIAO L Z, ZHANG H W,et al. Neural collaborative filtering[C]. Perth: Proceedings of the 26th International Conference on WorldWide Weh, 2017.

    [8]LIAN J,ZHANC F, XIE X. et al. CCCFNet:a content-hoosted cnl-lahorative filtering neural network for cross domain recommender svs-tems ECl. International Conference on World Wide Weh Companion.International World Wide Web Conferences Steering Committee,2017

    [9]TAN Y K. XU X, LIU Y. Impmved recurrent neural networks for ses-sion-hased recommendations[C].Proceedings of the lst Workshnp onDeep Learning fnr Recommender Svstems, 2016: 17-22.

    [10]WU S,REN W,YU C, et al. Personal recommendation using deeprecurrent neural networks in NetEase[C].IEEE International Confer-ence on Data Engineering, 2016

    [11]RAWAT Y S,KANKANHALLI M S.CnnTagNet: exploiting user con-text for image tag recommendatioii [C]. Amsterdam: Proceedings ofthe 24th ACM International Conference on Multimedia. 2016:1102-1106.

    [12]GONC Y,ZHANG Q Hashtag recornmendation using attention-basedconvolutional neural network[C].International Joint Conference onArtificial Intelligence, 2016.

    [13]HIDASI, BALAZS. KARATZOGLOU A. BALTRUNAS L. et al. Ses-sion-based recommendations with recurrent neural networks[J]. Com-puter Science, 2015

    [14]王俊淑,張國明,胡斌基于深度學(xué)習(xí)的推薦算法研究綜述[J].南

    京師范大學(xué)學(xué)報(bào):工程技術(shù)版,2018(4):33-43.

    [15]HE X. CHUA T S Neural factorization machines for sparse predic-tive anah-tics[C].Proceedings of the 40th International ACM SIGIRConference on Research and Development in Information Retrieval,2017:355-364.

    [16]RENDLE S. Factorization Machines[C].IEEE International Cnnfer-ence on Data Mining. 2011

    [17]]SHAN Y, HOENS T R. JIAO J,et al. Deep Crossing: weh-scalemodeling withnut manualLLY crafted combinatorial features[C].ACMSIGKDD International Conference on Knowledge Discovery&DataMining, 2016.

    [18]WANG R. FU B, FU G,et al. Deep&cross network for ad clickpredictionsEC]Halifax: Proceedings of the ADKDD'17, 2017.

    [19]尹寶才,王文通,王立春深度學(xué)習(xí)研究綜述[J]北京工業(yè)大學(xué)學(xué)報(bào),2015(1):48-59.

    [20]王濤,李明.深度學(xué)習(xí)下的推系統(tǒng)研究[J]電腦知識與技術(shù),2017,13(25):180-181.

    (責(zé)任編輯:孫娟)

    收稿日期:2019-05-30

    作者簡介:吳韋?。?994-),男,上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院碩士研究生,研究方向?yàn)樯疃葘W(xué)習(xí)、推薦系統(tǒng);李燁(1974-),

    男,上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院高級工程師、碩士生導(dǎo)師,研究方向?yàn)闄C(jī)器學(xué)習(xí)、大數(shù)據(jù)、工業(yè)控制與監(jiān)測。

    猜你喜歡
    推薦系統(tǒng)
    數(shù)據(jù)挖掘在選課推薦中的研究
    軟件(2016年4期)2017-01-20 10:09:33
    基于用戶偏好的信任網(wǎng)絡(luò)隨機(jī)游走推薦模型
    基于個性化的協(xié)同過濾圖書推薦算法研究
    個性化推薦系統(tǒng)關(guān)鍵算法探討
    淺談Mahout在個性化推薦系統(tǒng)中的應(yīng)用
    關(guān)于協(xié)同過濾推薦算法的研究文獻(xiàn)綜述
    商(2016年29期)2016-10-29 15:22:08
    一種基于自適應(yīng)近鄰選擇的協(xié)同過濾推薦算法
    UGC標(biāo)簽推薦系統(tǒng)的一種新的標(biāo)簽清理方法
    商(2016年15期)2016-06-17 17:39:50
    網(wǎng)上商品推薦系統(tǒng)設(shè)計(jì)研究
    基于消費(fèi)者視角的在線推薦系統(tǒng)研究綜述
    中國市場(2016年2期)2016-01-16 10:16:10
    美女主播在线视频| 免费看av在线观看网站| 欧美激情 高清一区二区三区| 欧美激情高清一区二区三区| 国产麻豆69| 久久久久久久精品精品| 美女视频免费永久观看网站| 日韩电影二区| 亚洲一码二码三码区别大吗| 国产男人的电影天堂91| 成年人午夜在线观看视频| 久久久久久久大尺度免费视频| 亚洲成人国产一区在线观看 | 国产精品欧美亚洲77777| 精品国产国语对白av| 免费在线观看影片大全网站 | 欧美日韩亚洲国产一区二区在线观看 | 看免费av毛片| 欧美日韩黄片免| 黄片小视频在线播放| cao死你这个sao货| 成年女人毛片免费观看观看9 | 亚洲精品美女久久久久99蜜臀 | 亚洲精品一区蜜桃| 国产精品av久久久久免费| 视频区图区小说| 啦啦啦中文免费视频观看日本| 亚洲欧美一区二区三区国产| 在线观看免费视频网站a站| 亚洲欧美精品自产自拍| 亚洲精品乱久久久久久| 中文乱码字字幕精品一区二区三区| 国产亚洲av片在线观看秒播厂| 国产精品一区二区在线观看99| 精品熟女少妇八av免费久了| 热re99久久国产66热| 纯流量卡能插随身wifi吗| 亚洲成人国产一区在线观看 | 成人国产一区最新在线观看 | 五月天丁香电影| 人人妻,人人澡人人爽秒播 | 高潮久久久久久久久久久不卡| 又紧又爽又黄一区二区| 另类亚洲欧美激情| 国产色视频综合| 精品第一国产精品| 欧美成人午夜精品| 国产欧美日韩精品亚洲av| 国产精品偷伦视频观看了| 久久ye,这里只有精品| 亚洲专区国产一区二区| 久久av网站| 亚洲五月婷婷丁香| 日日爽夜夜爽网站| 日本五十路高清| 午夜福利免费观看在线| 亚洲av成人精品一二三区| 久久99热这里只频精品6学生| 激情视频va一区二区三区| 欧美亚洲日本最大视频资源| 中文字幕人妻丝袜一区二区| 男的添女的下面高潮视频| 18禁黄网站禁片午夜丰满| 日本av手机在线免费观看| 热re99久久精品国产66热6| 欧美激情 高清一区二区三区| 久久精品亚洲av国产电影网| 国产成人免费无遮挡视频| 18禁观看日本| 久久人妻熟女aⅴ| 各种免费的搞黄视频| 无限看片的www在线观看| av在线老鸭窝| 日韩一本色道免费dvd| 男女高潮啪啪啪动态图| 老汉色∧v一级毛片| 亚洲久久久国产精品| 后天国语完整版免费观看| 看免费av毛片| 国产亚洲精品第一综合不卡| 男女免费视频国产| www.精华液| 狂野欧美激情性bbbbbb| 宅男免费午夜| 久久99精品国语久久久| 美女福利国产在线| 青春草视频在线免费观看| 欧美精品人与动牲交sv欧美| 久久久久久久精品精品| 丁香六月天网| 亚洲精品自拍成人| 91精品国产国语对白视频| 自线自在国产av| 午夜福利在线免费观看网站| 日本猛色少妇xxxxx猛交久久| 777久久人妻少妇嫩草av网站| 考比视频在线观看| 日本午夜av视频| 丁香六月欧美| 国产又爽黄色视频| 亚洲人成电影观看| 99国产精品99久久久久| 男女无遮挡免费网站观看| 日韩一本色道免费dvd| 精品第一国产精品| av天堂在线播放| 你懂的网址亚洲精品在线观看| 久久久久国产一级毛片高清牌| 美女国产高潮福利片在线看| 国产精品国产av在线观看| 一区二区三区精品91| 高潮久久久久久久久久久不卡| 久久久久久久国产电影| 免费女性裸体啪啪无遮挡网站| 熟女少妇亚洲综合色aaa.| 97精品久久久久久久久久精品| 亚洲男人天堂网一区| 亚洲天堂av无毛| 热re99久久国产66热| av在线老鸭窝| 欧美精品一区二区免费开放| 天天躁日日躁夜夜躁夜夜| 久久国产精品男人的天堂亚洲| 人成视频在线观看免费观看| 免费在线观看日本一区| 国产亚洲av片在线观看秒播厂| 久久99一区二区三区| 久久久精品94久久精品| 嫩草影视91久久| 国产熟女欧美一区二区| 亚洲国产精品一区三区| 十八禁高潮呻吟视频| 天堂中文最新版在线下载| 国产精品 欧美亚洲| 午夜两性在线视频| 成人亚洲欧美一区二区av| av网站在线播放免费| 亚洲专区国产一区二区| 精品久久久久久久毛片微露脸 | 亚洲情色 制服丝袜| 午夜精品国产一区二区电影| 美女大奶头黄色视频| 亚洲欧洲精品一区二区精品久久久| 亚洲精品国产区一区二| 亚洲欧美精品自产自拍| 国产99久久九九免费精品| 精品亚洲成a人片在线观看| 国产精品久久久久久人妻精品电影 | 美女大奶头黄色视频| 黄片播放在线免费| 精品亚洲乱码少妇综合久久| 精品人妻在线不人妻| 制服诱惑二区| 五月天丁香电影| 欧美黄色片欧美黄色片| 菩萨蛮人人尽说江南好唐韦庄| 不卡av一区二区三区| 人妻 亚洲 视频| 亚洲精品自拍成人| 一本久久精品| 高清视频免费观看一区二区| 一区二区av电影网| 成人三级做爰电影| 亚洲国产欧美网| 建设人人有责人人尽责人人享有的| 亚洲国产日韩一区二区| 一本色道久久久久久精品综合| 777久久人妻少妇嫩草av网站| 99re6热这里在线精品视频| 久久这里只有精品19| 在线 av 中文字幕| 高清视频免费观看一区二区| 国产成人91sexporn| a 毛片基地| 国产精品二区激情视频| 美女扒开内裤让男人捅视频| 久久人人97超碰香蕉20202| 国产成人精品久久久久久| 久久热在线av| 国产免费又黄又爽又色| 别揉我奶头~嗯~啊~动态视频 | 亚洲国产毛片av蜜桃av| 婷婷色综合大香蕉| 水蜜桃什么品种好| 久久久久精品人妻al黑| www.熟女人妻精品国产| 99久久人妻综合| 交换朋友夫妻互换小说| 欧美日韩国产mv在线观看视频| 亚洲欧美色中文字幕在线| 国产黄频视频在线观看| av电影中文网址| 另类亚洲欧美激情| 爱豆传媒免费全集在线观看| 少妇粗大呻吟视频| 18在线观看网站| 大片免费播放器 马上看| h视频一区二区三区| 别揉我奶头~嗯~啊~动态视频 | 在线观看免费视频网站a站| 亚洲一卡2卡3卡4卡5卡精品中文| www日本在线高清视频| 亚洲国产精品999| av片东京热男人的天堂| 亚洲欧美日韩另类电影网站| 国产伦人伦偷精品视频| 国产av国产精品国产| 美女午夜性视频免费| 成人手机av| 男男h啪啪无遮挡| 久久精品aⅴ一区二区三区四区| 最黄视频免费看| 免费日韩欧美在线观看| 国产一区二区三区综合在线观看| 国产精品欧美亚洲77777| 亚洲 国产 在线| 电影成人av| 99久久综合免费| 国产精品久久久人人做人人爽| 久久这里只有精品19| 亚洲五月色婷婷综合| 波野结衣二区三区在线| 日本av手机在线免费观看| 巨乳人妻的诱惑在线观看| 久久九九热精品免费| 夜夜骑夜夜射夜夜干| 欧美黄色片欧美黄色片| 欧美少妇被猛烈插入视频| 韩国精品一区二区三区| 久久九九热精品免费| 国产精品熟女久久久久浪| 国产在线视频一区二区| 国产人伦9x9x在线观看| 精品一区二区三卡| 操美女的视频在线观看| 丰满饥渴人妻一区二区三| 你懂的网址亚洲精品在线观看| 人人妻人人添人人爽欧美一区卜| 免费看不卡的av| 国产97色在线日韩免费| 三上悠亚av全集在线观看| 伊人亚洲综合成人网| 午夜福利视频精品| 欧美人与善性xxx| 大码成人一级视频| 亚洲av在线观看美女高潮| 18在线观看网站| 无限看片的www在线观看| 老汉色av国产亚洲站长工具| 亚洲欧洲精品一区二区精品久久久| 精品亚洲成国产av| 国产极品粉嫩免费观看在线| 热re99久久精品国产66热6| 在线看a的网站| 国产成人免费无遮挡视频| 久久天堂一区二区三区四区| 一边亲一边摸免费视频| 在线观看人妻少妇| 亚洲一卡2卡3卡4卡5卡精品中文| 一级黄色大片毛片| 老鸭窝网址在线观看| 99久久99久久久精品蜜桃| 亚洲第一青青草原| 免费av中文字幕在线| 精品人妻一区二区三区麻豆| 亚洲欧美成人综合另类久久久| 久久人人爽人人片av| 欧美激情高清一区二区三区| 亚洲,一卡二卡三卡| 午夜免费男女啪啪视频观看| 国产精品免费大片| 亚洲欧美色中文字幕在线| 视频区图区小说| 日韩中文字幕欧美一区二区 | 999精品在线视频| 久久免费观看电影| 欧美性长视频在线观看| 99国产综合亚洲精品| 亚洲色图综合在线观看| 精品人妻在线不人妻| 亚洲av成人精品一二三区| 美国免费a级毛片| 日本vs欧美在线观看视频| 亚洲欧美成人综合另类久久久| 国产日韩一区二区三区精品不卡| 水蜜桃什么品种好| h视频一区二区三区| 伊人亚洲综合成人网| 丰满迷人的少妇在线观看| 999精品在线视频| 久久精品人人爽人人爽视色| 日韩制服骚丝袜av| 曰老女人黄片| 一本一本久久a久久精品综合妖精| 欧美黄色淫秽网站| 老司机亚洲免费影院| 中文字幕亚洲精品专区| 国产一区二区激情短视频 | 人人妻人人澡人人爽人人夜夜| 成人国产av品久久久| 精品福利永久在线观看| 久久99热这里只频精品6学生| 久久天堂一区二区三区四区| 国产一区亚洲一区在线观看| 日本a在线网址| 日本vs欧美在线观看视频| 一本综合久久免费| 国产xxxxx性猛交| 麻豆av在线久日| 欧美精品av麻豆av| 亚洲欧美激情在线| 黄色视频不卡| 人人妻人人澡人人看| 久久久久网色| 国产精品久久久人人做人人爽| 国产成人欧美在线观看 | 亚洲国产中文字幕在线视频| 巨乳人妻的诱惑在线观看| 国产97色在线日韩免费| 免费黄频网站在线观看国产| 精品国产一区二区久久| 伊人久久大香线蕉亚洲五| 亚洲美女黄色视频免费看| 一级黄片播放器| 午夜福利在线免费观看网站| 伦理电影免费视频| 久久久久久久大尺度免费视频| 性高湖久久久久久久久免费观看| 亚洲av成人精品一二三区| 一本综合久久免费| tube8黄色片| 麻豆av在线久日| 国产1区2区3区精品| 日韩电影二区| 久9热在线精品视频| 欧美人与性动交α欧美软件| 亚洲视频免费观看视频| 菩萨蛮人人尽说江南好唐韦庄| 亚洲欧美激情在线| 丝袜美腿诱惑在线| 午夜91福利影院| av有码第一页| 久久久久久久精品精品| 久久天堂一区二区三区四区| 七月丁香在线播放| 久久精品亚洲熟妇少妇任你| 成年动漫av网址| 最新的欧美精品一区二区| 成人18禁高潮啪啪吃奶动态图| 黑人巨大精品欧美一区二区蜜桃| 中文字幕人妻丝袜制服| 精品一区在线观看国产| 午夜视频精品福利| 男女免费视频国产| 脱女人内裤的视频| 精品视频人人做人人爽| 在线观看免费午夜福利视频| 国产片特级美女逼逼视频| 日韩,欧美,国产一区二区三区| 高清av免费在线| 亚洲精品在线美女| 两性夫妻黄色片| 妹子高潮喷水视频| 男人操女人黄网站| 丝袜在线中文字幕| 国产成人av教育| 亚洲av成人不卡在线观看播放网 | 在线观看国产h片| 一区二区日韩欧美中文字幕| 久久精品久久久久久噜噜老黄| 天天躁日日躁夜夜躁夜夜| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲国产精品一区二区三区在线| 欧美黄色淫秽网站| 性色av一级| 精品免费久久久久久久清纯 | 婷婷成人精品国产| 51午夜福利影视在线观看| 美国免费a级毛片| 欧美激情高清一区二区三区| 亚洲一区中文字幕在线| av网站免费在线观看视频| 欧美精品亚洲一区二区| 一级片免费观看大全| 精品福利观看| 超色免费av| 亚洲中文字幕日韩| 麻豆国产av国片精品| 中文字幕亚洲精品专区| 亚洲国产av新网站| 亚洲成人免费av在线播放| 首页视频小说图片口味搜索 | 久久热在线av| 成年人免费黄色播放视频| 91精品国产国语对白视频| 亚洲av电影在线进入| 丰满少妇做爰视频| 大型av网站在线播放| 9热在线视频观看99| 久久天躁狠狠躁夜夜2o2o | 黄色片一级片一级黄色片| 亚洲av成人不卡在线观看播放网 | 一本大道久久a久久精品| 免费女性裸体啪啪无遮挡网站| 在现免费观看毛片| 免费看十八禁软件| 悠悠久久av| 女警被强在线播放| 啦啦啦啦在线视频资源| 国产成人精品无人区| 激情五月婷婷亚洲| 国产高清视频在线播放一区 | 成在线人永久免费视频| 久久国产精品人妻蜜桃| 国产淫语在线视频| 99热网站在线观看| 美女视频免费永久观看网站| 1024视频免费在线观看| av不卡在线播放| 国产精品av久久久久免费| 色视频在线一区二区三区| 久久久久久人人人人人| 飞空精品影院首页| 美女大奶头黄色视频| 在现免费观看毛片| 黄频高清免费视频| 一级毛片我不卡| 亚洲av电影在线进入| 日日爽夜夜爽网站| 亚洲成av片中文字幕在线观看| 久久综合国产亚洲精品| 欧美老熟妇乱子伦牲交| 精品久久蜜臀av无| 韩国精品一区二区三区| 欧美成狂野欧美在线观看| 亚洲欧美精品综合一区二区三区| 久久99一区二区三区| 老司机深夜福利视频在线观看 | 国产三级黄色录像| 可以免费在线观看a视频的电影网站| 精品少妇一区二区三区视频日本电影| 你懂的网址亚洲精品在线观看| 好男人视频免费观看在线| 欧美激情极品国产一区二区三区| 校园人妻丝袜中文字幕| 两个人免费观看高清视频| 桃花免费在线播放| 亚洲熟女毛片儿| 最近最新中文字幕大全免费视频 | 国产精品香港三级国产av潘金莲 | 丁香六月天网| 中文字幕人妻熟女乱码| 国产成人欧美在线观看 | 男女边吃奶边做爰视频| 国产精品99久久99久久久不卡| 免费高清在线观看日韩| 美女扒开内裤让男人捅视频| 操美女的视频在线观看| 久久国产精品影院| 久久久久久久久久久久大奶| 欧美精品啪啪一区二区三区 | 99香蕉大伊视频| 欧美精品啪啪一区二区三区 | 中文字幕亚洲精品专区| 青草久久国产| 亚洲精品中文字幕在线视频| 七月丁香在线播放| 精品人妻在线不人妻| 久久久久久久精品精品| 中文字幕另类日韩欧美亚洲嫩草| 亚洲精品成人av观看孕妇| av福利片在线| 欧美在线黄色| 午夜免费鲁丝| 黄频高清免费视频| 一区二区三区激情视频| 午夜老司机福利片| 精品视频人人做人人爽| 久久99热这里只频精品6学生| 精品国产一区二区三区久久久樱花| 9热在线视频观看99| 国产一区二区三区av在线| 十八禁高潮呻吟视频| 多毛熟女@视频| 成年人免费黄色播放视频| 一本大道久久a久久精品| 亚洲av国产av综合av卡| 亚洲专区中文字幕在线| 又粗又硬又长又爽又黄的视频| 欧美黄色片欧美黄色片| 人妻人人澡人人爽人人| 十八禁人妻一区二区| 三上悠亚av全集在线观看| 久久久久国产一级毛片高清牌| 亚洲成人国产一区在线观看 | 老鸭窝网址在线观看| 丝袜在线中文字幕| 91麻豆av在线| 十八禁网站网址无遮挡| 久久精品亚洲熟妇少妇任你| 欧美成狂野欧美在线观看| 涩涩av久久男人的天堂| 国产精品一区二区在线不卡| 国产男女超爽视频在线观看| 又紧又爽又黄一区二区| 亚洲伊人久久精品综合| 另类亚洲欧美激情| 午夜日韩欧美国产| 久久精品成人免费网站| 亚洲 国产 在线| 免费久久久久久久精品成人欧美视频| 日本黄色日本黄色录像| www日本在线高清视频| 亚洲人成电影观看| 国产亚洲精品第一综合不卡| 丰满迷人的少妇在线观看| 啦啦啦 在线观看视频| 日日摸夜夜添夜夜爱| 五月开心婷婷网| 亚洲精品国产av成人精品| 国产精品国产三级专区第一集| 国产成人欧美| 黄色片一级片一级黄色片| 亚洲av成人不卡在线观看播放网 | 亚洲三区欧美一区| 两人在一起打扑克的视频| 日韩精品免费视频一区二区三区| 啦啦啦在线免费观看视频4| 国产女主播在线喷水免费视频网站| 老司机靠b影院| 中文精品一卡2卡3卡4更新| 日本黄色日本黄色录像| 亚洲午夜精品一区,二区,三区| 99香蕉大伊视频| 久久精品熟女亚洲av麻豆精品| 久久久久久久精品精品| 男女下面插进去视频免费观看| 免费在线观看影片大全网站 | 国产亚洲av片在线观看秒播厂| 成人18禁高潮啪啪吃奶动态图| 亚洲九九香蕉| 性色av一级| av又黄又爽大尺度在线免费看| 精品人妻熟女毛片av久久网站| www日本在线高清视频| 99香蕉大伊视频| 亚洲精品久久成人aⅴ小说| 真人做人爱边吃奶动态| 久久免费观看电影| 日本五十路高清| 丰满迷人的少妇在线观看| 肉色欧美久久久久久久蜜桃| 美女视频免费永久观看网站| 国产亚洲欧美精品永久| 看十八女毛片水多多多| 一级黄片播放器| 欧美黄色淫秽网站| 久久久久精品人妻al黑| a 毛片基地| 国产一区二区在线观看av| 亚洲成人国产一区在线观看 | 在线观看免费日韩欧美大片| 欧美av亚洲av综合av国产av| 久久精品久久精品一区二区三区| 亚洲av欧美aⅴ国产| av线在线观看网站| 国产日韩一区二区三区精品不卡| 成年美女黄网站色视频大全免费| 999精品在线视频| 国产男女内射视频| 久久精品人人爽人人爽视色| 亚洲成人免费电影在线观看 | 免费在线观看完整版高清| av不卡在线播放| 操出白浆在线播放| 久久久欧美国产精品| 夜夜骑夜夜射夜夜干| 69精品国产乱码久久久| 考比视频在线观看| 精品少妇久久久久久888优播| 成人免费观看视频高清| 国产在视频线精品| 电影成人av| 一边摸一边做爽爽视频免费| 波多野结衣一区麻豆| 国产亚洲精品第一综合不卡| 久久久国产一区二区| 久久精品aⅴ一区二区三区四区| 亚洲av电影在线观看一区二区三区| 成年人免费黄色播放视频| 精品久久久精品久久久| 亚洲黑人精品在线| 啦啦啦啦在线视频资源| 国产成人一区二区三区免费视频网站 | 999久久久国产精品视频| 国产精品亚洲av一区麻豆| 亚洲久久久国产精品| 水蜜桃什么品种好| 久久久久久亚洲精品国产蜜桃av| 亚洲,欧美,日韩| 一边摸一边抽搐一进一出视频| 老司机午夜十八禁免费视频| www.999成人在线观看| 国产精品一区二区精品视频观看| 七月丁香在线播放| 啦啦啦 在线观看视频| 国产亚洲av高清不卡| 色综合欧美亚洲国产小说| 久久女婷五月综合色啪小说| 国产亚洲一区二区精品| 午夜激情久久久久久久| 国产男女超爽视频在线观看| 丝袜在线中文字幕| 各种免费的搞黄视频| 亚洲,欧美精品.|