• <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
    大话2 男鬼变身卡| 亚洲av电影在线进入| 久久久亚洲精品成人影院| 国产成人一区二区三区免费视频网站 | 久久人妻熟女aⅴ| 婷婷色综合大香蕉| 中文字幕av电影在线播放| 99热全是精品| 欧美变态另类bdsm刘玥| 亚洲精品自拍成人| 男女边吃奶边做爰视频| 欧美成人午夜精品| 亚洲少妇的诱惑av| 少妇粗大呻吟视频| 91九色精品人成在线观看| 黄色片一级片一级黄色片| 久久久久久亚洲精品国产蜜桃av| 一级毛片 在线播放| 首页视频小说图片口味搜索 | 91成人精品电影| 国产91精品成人一区二区三区 | 亚洲专区国产一区二区| 在线观看www视频免费| 亚洲av在线观看美女高潮| 少妇精品久久久久久久| 搡老岳熟女国产| 美女中出高潮动态图| 男女床上黄色一级片免费看| 尾随美女入室| 欧美成狂野欧美在线观看| 欧美另类一区| 麻豆乱淫一区二区| www.999成人在线观看| 一级片免费观看大全| 高清av免费在线| 我要看黄色一级片免费的| 久久久久久久大尺度免费视频| 黄片小视频在线播放| 亚洲人成电影观看| 亚洲欧美日韩高清在线视频 | 亚洲欧美中文字幕日韩二区| 精品一区二区三卡| 欧美xxⅹ黑人| www.熟女人妻精品国产| 免费看av在线观看网站| 久久久国产精品麻豆| 别揉我奶头~嗯~啊~动态视频 | 亚洲专区中文字幕在线| 免费高清在线观看日韩| 可以免费在线观看a视频的电影网站| 亚洲国产欧美网| 午夜精品国产一区二区电影| 成人亚洲欧美一区二区av| 视频区图区小说| 热re99久久国产66热| 国产深夜福利视频在线观看| 欧美激情高清一区二区三区| 美女扒开内裤让男人捅视频| 秋霞在线观看毛片| 精品人妻熟女毛片av久久网站| 国产黄频视频在线观看| 国产av国产精品国产| 999精品在线视频| 欧美黑人欧美精品刺激| 高清不卡的av网站| 成人国产一区最新在线观看 | 国产在视频线精品| 精品亚洲成国产av| 欧美xxⅹ黑人| av天堂久久9| 秋霞在线观看毛片| 亚洲,欧美精品.| 亚洲人成电影观看| 亚洲精品久久午夜乱码| 18禁观看日本| 国产成人精品在线电影| 色婷婷av一区二区三区视频| 国产片特级美女逼逼视频| 十八禁高潮呻吟视频| 90打野战视频偷拍视频| 亚洲视频免费观看视频| 菩萨蛮人人尽说江南好唐韦庄| 老汉色av国产亚洲站长工具| 午夜激情久久久久久久| 后天国语完整版免费观看| 激情五月婷婷亚洲| 久久国产精品影院| a级毛片黄视频| 性色av一级| 嫩草影视91久久| 精品一区二区三卡| 亚洲,欧美精品.| 国产高清不卡午夜福利| 人人妻人人澡人人爽人人夜夜| 日本av免费视频播放| 免费av中文字幕在线| 国产成人精品久久二区二区免费| 侵犯人妻中文字幕一二三四区| 午夜影院在线不卡| 国产又色又爽无遮挡免| 成人亚洲欧美一区二区av| 欧美在线一区亚洲| 一本—道久久a久久精品蜜桃钙片| 精品第一国产精品| 亚洲精品第二区| av天堂在线播放| 日本欧美视频一区| av欧美777| 久久人妻福利社区极品人妻图片 | 只有这里有精品99| 别揉我奶头~嗯~啊~动态视频 | 欧美日韩视频精品一区| 亚洲美女黄色视频免费看| 只有这里有精品99| 精品国产乱码久久久久久小说| 国产亚洲午夜精品一区二区久久| 午夜日韩欧美国产| 欧美精品啪啪一区二区三区 | 多毛熟女@视频| 久久久亚洲精品成人影院| 亚洲激情五月婷婷啪啪| 亚洲欧美成人综合另类久久久| 久久久久精品国产欧美久久久 | 老司机影院毛片| 精品福利永久在线观看| 中文字幕另类日韩欧美亚洲嫩草| 老汉色av国产亚洲站长工具| 亚洲精品一区蜜桃| 免费看av在线观看网站| 久久久久久免费高清国产稀缺| 一级a爱视频在线免费观看| 亚洲国产精品成人久久小说| 无限看片的www在线观看| 一级毛片我不卡| 亚洲精品国产av成人精品| 亚洲成人手机| 啦啦啦视频在线资源免费观看| 一本综合久久免费| av不卡在线播放| 热re99久久国产66热| 成年人午夜在线观看视频| 中国国产av一级| 亚洲精品久久午夜乱码| 黄色怎么调成土黄色| 黄片播放在线免费| 看免费av毛片| 天堂8中文在线网| 丰满迷人的少妇在线观看| 欧美日韩视频高清一区二区三区二| 国产高清videossex| 亚洲精品国产色婷婷电影| 久久综合国产亚洲精品| 精品第一国产精品| 91老司机精品| 色播在线永久视频| 91九色精品人成在线观看| 99久久99久久久精品蜜桃| 不卡av一区二区三区| 欧美国产精品va在线观看不卡| 丁香六月欧美| 精品高清国产在线一区| 久久综合国产亚洲精品| 精品国产国语对白av| 欧美精品啪啪一区二区三区 | 精品人妻在线不人妻| 狂野欧美激情性bbbbbb| 老司机靠b影院| 青春草视频在线免费观看| 宅男免费午夜| 考比视频在线观看| 80岁老熟妇乱子伦牲交| 在线天堂中文资源库| 一级毛片黄色毛片免费观看视频| 免费高清在线观看视频在线观看| 欧美成狂野欧美在线观看| 免费人妻精品一区二区三区视频| 欧美 亚洲 国产 日韩一| 婷婷色麻豆天堂久久| 欧美黑人欧美精品刺激| 精品少妇一区二区三区视频日本电影| 免费看av在线观看网站| 亚洲专区中文字幕在线| 日本五十路高清| 性色av一级| 色播在线永久视频| 亚洲精品久久午夜乱码| 国产高清videossex| 国产片内射在线| 国精品久久久久久国模美| 国产片特级美女逼逼视频| 2021少妇久久久久久久久久久| 日韩制服骚丝袜av| 久久久国产精品麻豆| 免费观看av网站的网址| 国产国语露脸激情在线看| 精品国产一区二区三区久久久樱花| 熟女av电影| 国产一区二区三区综合在线观看| 波野结衣二区三区在线| 久久99一区二区三区| 在线观看免费日韩欧美大片| 精品一区二区三区四区五区乱码 | 性少妇av在线| 精品国产一区二区久久| 男女边吃奶边做爰视频| 精品一区二区三区四区五区乱码 | 91麻豆av在线| 大码成人一级视频| 中文字幕色久视频| 国产激情久久老熟女| 久久综合国产亚洲精品| 亚洲中文日韩欧美视频| 国产免费一区二区三区四区乱码| 欧美 亚洲 国产 日韩一| 欧美日韩av久久| 一区二区三区激情视频| 青青草视频在线视频观看| av天堂久久9| 精品久久久精品久久久| 国产1区2区3区精品| 人妻人人澡人人爽人人| 不卡av一区二区三区| 丝袜美足系列| 亚洲精品国产区一区二| 巨乳人妻的诱惑在线观看| 在线天堂中文资源库| 美女视频免费永久观看网站| 在线观看www视频免费| 美女中出高潮动态图| 欧美日韩综合久久久久久| 又大又爽又粗| 天天添夜夜摸| 亚洲,欧美精品.| 亚洲男人天堂网一区| 少妇 在线观看| 多毛熟女@视频| 国产免费视频播放在线视频| 欧美日韩国产mv在线观看视频| 亚洲成人免费电影在线观看 | 大香蕉久久成人网| 一本—道久久a久久精品蜜桃钙片| 欧美成狂野欧美在线观看| 1024视频免费在线观看| 亚洲激情五月婷婷啪啪| 亚洲熟女精品中文字幕| 别揉我奶头~嗯~啊~动态视频 | 99香蕉大伊视频| 大香蕉久久成人网| 麻豆av在线久日| a级毛片在线看网站| 天天躁夜夜躁狠狠久久av| 久久久久国产一级毛片高清牌| 午夜久久久在线观看| 大码成人一级视频| 啦啦啦在线免费观看视频4| 日韩 亚洲 欧美在线| 成人国产一区最新在线观看 | 国产麻豆69| 欧美久久黑人一区二区| 美女福利国产在线| 在线 av 中文字幕| 超碰97精品在线观看| 久久亚洲国产成人精品v| 国产精品九九99| 国产在线免费精品| 欧美在线一区亚洲| bbb黄色大片| 免费av中文字幕在线| 亚洲av片天天在线观看| 午夜福利视频精品| 色播在线永久视频| 免费看av在线观看网站| 99国产精品一区二区三区| 2021少妇久久久久久久久久久| 国产精品三级大全| 国产精品一区二区免费欧美 | 一级,二级,三级黄色视频| 波多野结衣一区麻豆| 可以免费在线观看a视频的电影网站| 高清欧美精品videossex| 午夜激情av网站| 自线自在国产av| 日韩电影二区| 在线看a的网站| xxx大片免费视频| 一本久久精品| 国产在线观看jvid| 叶爱在线成人免费视频播放| 男人操女人黄网站| 精品国产乱码久久久久久小说| 中文字幕色久视频| 久久国产精品人妻蜜桃| 无限看片的www在线观看| 国产亚洲精品第一综合不卡| 久久精品人人爽人人爽视色| 亚洲一卡2卡3卡4卡5卡精品中文| 美女主播在线视频| 精品欧美一区二区三区在线| 大片免费播放器 马上看| 黄色视频在线播放观看不卡| 少妇粗大呻吟视频| 19禁男女啪啪无遮挡网站| 欧美日韩一级在线毛片| 精品少妇内射三级| 黑人巨大精品欧美一区二区蜜桃| 国产av一区二区精品久久| 国产精品久久久人人做人人爽| 国产主播在线观看一区二区 | 欧美另类一区| 欧美精品亚洲一区二区| 少妇粗大呻吟视频| 久久国产精品男人的天堂亚洲| 久久精品人人爽人人爽视色| 成人黄色视频免费在线看| 激情五月婷婷亚洲| 欧美日韩av久久| 巨乳人妻的诱惑在线观看| 精品国产乱码久久久久久男人| 女警被强在线播放| 91精品国产国语对白视频| 另类精品久久| 亚洲精品久久成人aⅴ小说| cao死你这个sao货| 99香蕉大伊视频| 亚洲欧洲日产国产| av电影中文网址| 999精品在线视频| 国产91精品成人一区二区三区 | 国产成人精品久久二区二区免费| 啦啦啦啦在线视频资源| 国产精品麻豆人妻色哟哟久久| 日韩熟女老妇一区二区性免费视频| 只有这里有精品99| 夫妻午夜视频| 欧美人与性动交α欧美软件| 涩涩av久久男人的天堂| 亚洲,欧美,日韩| 日韩av在线免费看完整版不卡| 日韩大片免费观看网站| a级毛片黄视频| 国产精品久久久人人做人人爽| 只有这里有精品99| 精品欧美一区二区三区在线| 黄色毛片三级朝国网站| 在线观看www视频免费| av在线老鸭窝| 亚洲九九香蕉| 天天操日日干夜夜撸| 亚洲综合色网址| 久热爱精品视频在线9| 精品少妇黑人巨大在线播放| 99精品久久久久人妻精品| 久久青草综合色| 老司机影院成人| www.自偷自拍.com| 天天添夜夜摸| 2018国产大陆天天弄谢| 亚洲成人免费电影在线观看 | 免费不卡黄色视频| 国产成人av激情在线播放| 9191精品国产免费久久| 在线亚洲精品国产二区图片欧美| 国产不卡av网站在线观看| 最新的欧美精品一区二区| 我的亚洲天堂| 嫩草影视91久久| 欧美在线一区亚洲| 久久久精品94久久精品| 久久久久网色| 亚洲人成网站在线观看播放| 一区在线观看完整版| av国产精品久久久久影院| 亚洲精品国产区一区二| 高清视频免费观看一区二区| 美女主播在线视频| 最近手机中文字幕大全| 久久毛片免费看一区二区三区| 一区二区三区精品91| 男女边吃奶边做爰视频| 色播在线永久视频| 悠悠久久av| 亚洲成av片中文字幕在线观看| 国产一区二区在线观看av| 一本大道久久a久久精品| 十八禁高潮呻吟视频| 亚洲九九香蕉| 成人三级做爰电影| 久热爱精品视频在线9| 国产又色又爽无遮挡免| 后天国语完整版免费观看| 久久国产亚洲av麻豆专区| 国产亚洲精品第一综合不卡| 亚洲一码二码三码区别大吗| 国产日韩欧美亚洲二区| 欧美av亚洲av综合av国产av| h视频一区二区三区| 免费观看人在逋| 国产精品秋霞免费鲁丝片| 亚洲中文日韩欧美视频| 乱人伦中国视频| 人体艺术视频欧美日本| 一级毛片 在线播放| 超碰成人久久| 亚洲精品久久成人aⅴ小说| 亚洲一区二区三区欧美精品| svipshipincom国产片| 侵犯人妻中文字幕一二三四区| 国产又色又爽无遮挡免| 两性夫妻黄色片| 一级毛片女人18水好多 | 交换朋友夫妻互换小说| av一本久久久久| 国产精品国产三级国产专区5o| 亚洲,欧美精品.| 99精品久久久久人妻精品| 色播在线永久视频| 午夜影院在线不卡| 久久久久久久久久久久大奶| 男女高潮啪啪啪动态图| 妹子高潮喷水视频| 啦啦啦 在线观看视频| 精品一区二区三区四区五区乱码 | 久久人人97超碰香蕉20202| 99精国产麻豆久久婷婷| 久久久久视频综合| 国产片特级美女逼逼视频| 亚洲视频免费观看视频| 婷婷色综合大香蕉| 美国免费a级毛片| 国产真人三级小视频在线观看| 免费人妻精品一区二区三区视频| www.熟女人妻精品国产| 另类精品久久| 午夜福利免费观看在线| 国产高清国产精品国产三级| 亚洲av成人不卡在线观看播放网 | 亚洲国产精品999| 亚洲天堂av无毛| 亚洲成人手机| 免费黄频网站在线观看国产| 国产成人精品无人区| 亚洲,一卡二卡三卡| 精品一品国产午夜福利视频| 亚洲欧洲国产日韩| 老司机深夜福利视频在线观看 | 国产高清视频在线播放一区 | 国产有黄有色有爽视频| av天堂久久9| 亚洲精品在线美女| 国产av一区二区精品久久| 国产有黄有色有爽视频| 国产一区亚洲一区在线观看| 国产精品久久久久成人av| 尾随美女入室| av又黄又爽大尺度在线免费看| 老司机靠b影院| 久久久久久久久久久久大奶| 亚洲,一卡二卡三卡| 男人添女人高潮全过程视频| 这个男人来自地球电影免费观看| 人妻人人澡人人爽人人| 午夜免费男女啪啪视频观看| 日本一区二区免费在线视频| 国产av国产精品国产| 国产日韩欧美在线精品| 最黄视频免费看| 美女国产高潮福利片在线看| 国产熟女欧美一区二区| 看免费成人av毛片| 黑人巨大精品欧美一区二区蜜桃| 日韩 欧美 亚洲 中文字幕| 在线观看免费午夜福利视频| 一本久久精品| 午夜免费男女啪啪视频观看| 两人在一起打扑克的视频| 99热全是精品| 国产精品av久久久久免费| 搡老乐熟女国产| 国产亚洲av片在线观看秒播厂| 成人午夜精彩视频在线观看| 国产精品秋霞免费鲁丝片| 亚洲五月色婷婷综合| 视频区欧美日本亚洲| av网站在线播放免费| 18禁观看日本| 麻豆av在线久日| 欧美性长视频在线观看| 色网站视频免费| 精品高清国产在线一区| 国产精品久久久av美女十八| 久久精品亚洲av国产电影网| 久久 成人 亚洲| avwww免费| 精品一区二区三区四区五区乱码 | 大片免费播放器 马上看| 国产午夜精品一二区理论片| 亚洲av成人精品一二三区| 黄色视频在线播放观看不卡| 色94色欧美一区二区| 久久久久国产一级毛片高清牌| 三上悠亚av全集在线观看| 一级片免费观看大全| 丝袜美足系列| 1024香蕉在线观看| 亚洲精品乱久久久久久| 飞空精品影院首页| 一级片免费观看大全| 91九色精品人成在线观看| 欧美老熟妇乱子伦牲交| 精品久久蜜臀av无| 天天躁夜夜躁狠狠躁躁| 亚洲精品日韩在线中文字幕| 真人做人爱边吃奶动态| 宅男免费午夜| 亚洲免费av在线视频| 超碰97精品在线观看| 纵有疾风起免费观看全集完整版| 人人澡人人妻人| 亚洲中文av在线| 国产激情久久老熟女| 丝袜在线中文字幕| 国产精品久久久久久人妻精品电影 | 欧美精品一区二区大全| 免费一级毛片在线播放高清视频 | 亚洲精品久久成人aⅴ小说| 最黄视频免费看| 欧美日韩视频高清一区二区三区二| 美女中出高潮动态图| 成人国语在线视频| 自线自在国产av| 99热国产这里只有精品6| 丝袜在线中文字幕| 免费人妻精品一区二区三区视频| 欧美 亚洲 国产 日韩一| 亚洲av日韩精品久久久久久密 | 国产精品免费视频内射| 人成视频在线观看免费观看| 欧美国产精品va在线观看不卡| 香蕉丝袜av| 亚洲自偷自拍图片 自拍| 国产av精品麻豆| 我的亚洲天堂| 国产午夜精品一二区理论片| 啦啦啦在线观看免费高清www| 欧美日韩黄片免| 国产成人精品无人区| 亚洲精品日本国产第一区| 欧美日韩综合久久久久久| 大片免费播放器 马上看| 久久鲁丝午夜福利片| 看免费av毛片| 国产一区二区三区综合在线观看| 欧美精品av麻豆av| 80岁老熟妇乱子伦牲交| 中文精品一卡2卡3卡4更新| av天堂在线播放| av片东京热男人的天堂| 好男人电影高清在线观看| 69精品国产乱码久久久| 热re99久久精品国产66热6| 欧美日韩成人在线一区二区| 久久国产精品影院| av网站免费在线观看视频| 曰老女人黄片| 母亲3免费完整高清在线观看| 一边摸一边抽搐一进一出视频| 久久99一区二区三区| 中文乱码字字幕精品一区二区三区| 免费观看人在逋| 欧美日韩国产mv在线观看视频| 久久精品人人爽人人爽视色| av在线播放精品| 亚洲男人天堂网一区| 中文字幕最新亚洲高清| 亚洲专区国产一区二区| 母亲3免费完整高清在线观看| 黄色视频在线播放观看不卡| a级毛片在线看网站| 久久人人爽人人片av| 这个男人来自地球电影免费观看| 午夜激情av网站| 久久免费观看电影| 国产精品免费视频内射| 男女边摸边吃奶| 97人妻天天添夜夜摸| 老鸭窝网址在线观看| a 毛片基地| 日韩av在线免费看完整版不卡| 一二三四在线观看免费中文在| 麻豆av在线久日| 麻豆乱淫一区二区| 免费高清在线观看视频在线观看| 国产精品久久久久久精品电影小说| 老鸭窝网址在线观看| 国产精品国产三级国产专区5o| 欧美精品一区二区免费开放| 老司机靠b影院| 少妇人妻 视频| 999久久久国产精品视频| 国产国语露脸激情在线看| 黑人巨大精品欧美一区二区蜜桃| 少妇人妻 视频| 亚洲少妇的诱惑av| 最新在线观看一区二区三区 | 一区二区日韩欧美中文字幕| 欧美少妇被猛烈插入视频| 赤兔流量卡办理| 在线观看国产h片| 亚洲久久久国产精品| 亚洲色图综合在线观看| 五月开心婷婷网| 午夜日韩欧美国产| 亚洲九九香蕉| 色婷婷久久久亚洲欧美| av网站免费在线观看视频|