• <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 ?

    基于大數(shù)據(jù)挖掘技術(shù)的文本分類研究

    2020-09-21 08:48:49孟鑫淼
    現(xiàn)代電子技術(shù) 2020年17期

    孟鑫淼

    摘? 要: 文本數(shù)據(jù)具有規(guī)模大、特征維數(shù)高等特點,當前文本分類方法無法刻畫文本變化特點,使得文本分類正確率低、誤差大、分類時間長,為了獲得理想的文本分類效果,設(shè)計基于大數(shù)據(jù)挖掘技術(shù)的文本分類方法。首先對當前文本分類的研究進展進行分析,找出導(dǎo)致當前文本分類效果差的原因;然后,提取文本分類原始特征,并引入核主成分分析算法對原始特征進行處理,降低特征維數(shù),簡化文本分類器的結(jié)構(gòu);最后,采用大數(shù)據(jù)挖掘技術(shù)構(gòu)建文本分類器,并與其他文本分類方法進行對比測試。測試結(jié)果表明,所提方法可以更好地描述文本變化特點,能夠?qū)Ω鞣N類型文本進行準確識別和分類,文本分類精度超過95%,明顯高于當前其他文本分類方法,并且所提方法的文本分類時間顯著減少,具有更好的文本分類效果。

    關(guān)鍵詞: 大規(guī)模文本數(shù)據(jù); 高維特征; 大數(shù)據(jù)挖掘技術(shù); 文本分類器; 分類精度; 分類時間

    中圖分類號: TN911.1?34; TP391.9? ? ? ? ? ? ? ? ?文獻標識碼: A? ? ? ? ? ? ? ? ? ?文章編號: 1004?373X(2020)17?0126?04

    Abstract: Text data are of characteristics of large scale and high feature dimension. The current text classification methods fail to depict the characteristics of text change, which results in low accuracy, large error and long duration of the classification. In order to get an ideal text classification effect, a text classification method based on big data mining technology is designed. The current research progress of text classification is analyzed to find out the reasons for the poor effect of current text classification. And then, the original features of text classification are extracted, and the kernel principal component analysis (KPCA) algorithm is introduced to process the original features, reduce the feature dimension and simplify the structure of text categorizer. Finally, the text categorizer is constructed with big data mining technology and compared with other text classifiers. The results of contrastive test show that the proposed method can better describe the characteristics of text change, and accurately recognize and classify various types of texts. The accuracy of text classification of the proposed method is above 95%, which is significantly higher than other current text classification methods. Moreover, the classification duration is significantly reduced and the classification effect is better.

    Keywords: large?scale text data; high?dimensional feature; big data mining technology; text classifier; classification accuracy; classification duration

    0? 引? 言

    隨著互聯(lián)網(wǎng)技術(shù)的不斷成熟和迅速發(fā)展,每天會產(chǎn)生大量的數(shù)據(jù),其中電子文本是一種最常用的數(shù)據(jù)形式,可以采用網(wǎng)頁、郵件、微博等形式表示[1?3]。相比普通文本,電子文本是一種自然、非結(jié)構(gòu)的數(shù)據(jù),如何從大量的電子文本中找到用戶真正想要的數(shù)據(jù)至關(guān)重要。文本分類是快速、準確搜索電子文本的基礎(chǔ),因此,如何建立更優(yōu)的文本分類方法具有十分重要的意義[4?6]。

    在20世紀中期,一些發(fā)達國家已經(jīng)開始對文本分類問題進行研究,如有學者提出了基于詞頻統(tǒng)計的文本分類方法,有學者提出了基于樸素貝葉斯的文本分類方法,它們均屬于基于傳統(tǒng)統(tǒng)計學理論的概率分類方法,需要一定的專家參與,文本分類自動化程度低、分類效率低、準確性差,具有十分明顯的局限性[7?9]。近年來,隨著機器學習理論研究的不斷深入和快速發(fā)展,其慢慢取代了傳統(tǒng)統(tǒng)計學理論的文本分類方法,成為現(xiàn)代文本分類的主要研究方向[10?12]。當前主要有基于BP神經(jīng)網(wǎng)絡(luò)的文本分類方法、基于支持向量機的文本分類方法。BP神經(jīng)網(wǎng)絡(luò)屬于經(jīng)驗風險的機器學習算法,訓(xùn)練過程中收斂效率低、文本分類結(jié)果不穩(wěn)定,使得文本分類結(jié)果的可信度低;支持向量機屬于結(jié)構(gòu)風險的機器學習算法,文本分類效果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò),但其訓(xùn)練時間耗費長,影響文本分類效率,無法適應(yīng)當前大規(guī)模電子文本計算處理的發(fā)展需求[13?15]。文本分類特征的選擇十分關(guān)鍵,特征太多,使得文本分類結(jié)構(gòu)過于復(fù)雜,當前采用主成分分析算法對文本分類特征進行選擇,認為特征之間有一種線性聯(lián)系,這與實際情況不相符,無法獲得較好的文本特征選擇結(jié)果[16]。

    為了解決當前文本分類方法存在精度低、分類時間長等不足,本文設(shè)計了基于大數(shù)據(jù)挖掘技術(shù)的文本分類方法(KPCA?ELM),并與其他文本分類方法進行對比測試,驗證了KPCA?ELM的文本分類的有效性和優(yōu)越性。

    1? 文本分類的基本原理

    文本分類屬于模式識別的研究范圍,就是根據(jù)文本特征將文本劃分為多種類型。由于文本是一種特殊數(shù)據(jù),因此,首先需要對文本數(shù)據(jù)進行預(yù)處理,主要包括:分詞、去停用詞等操作;然后從預(yù)處理后的文本數(shù)據(jù)中提取文本分類原始特征,并從原始特征選擇最優(yōu)的文本特征,減少文本分類的輸入向量數(shù)量;最后選擇一種算法建立文本分類器,文本分類的基本原理可以采用圖1進行描述。

    2? 大數(shù)據(jù)挖掘技術(shù)的文本分類方法具體設(shè)計

    2.1? 文本預(yù)處理

    文本是一種特殊數(shù)據(jù),其不僅包括文本信息,同時還有超鏈接、動態(tài)圖等其他非文本信息。這些非文本信息對文本分類結(jié)果沒有影響,因此需要對文本進行預(yù)處理,去除這些無效信息,保留有用文本信息,主要包括:分詞操作、去停用詞操作。本文首先采用基于字典匹配的分詞技術(shù),將一個句子拆分成一個個詞語,然后進行去除停用詞操作,去除一些對文本內(nèi)容理解沒有貢獻的詞,如虛詞,減少分類器的時間消耗。

    2.2? 提取文本分類特征

    采用[F]作為文本分類的原始特征,由于[F]包含了許多特征,特征的維數(shù)高,而且一些特征之間會互相干擾,因此,對原始特征進行選擇,減少文本分類特征數(shù)量。

    2.3? 選擇文本分類特征

    當前文本特征選擇的方法比較多,本文采用核主成分分析(KPCA)算法選擇最有效的文本分類特征。KPCA引入函數(shù)[Φ]將原始文本分類特征向量[xk]進行轉(zhuǎn)換,應(yīng)滿足:

    選擇前[k]個值較大的文本分類特征作為有效的特征進行建模。

    2.4? 文本分類算法

    極限學習機(ELM)是只有一個單層的向前神經(jīng)網(wǎng)絡(luò),其工作原理和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同,如BP神經(jīng)網(wǎng)絡(luò)的權(quán)值通過梯度下降算法得到,而ELM的權(quán)值通過解析表達式得到,沒有中間迭代計算,ELM的運行速度更快。設(shè)[x]表示輸入樣本的值,隱藏層的閾值、權(quán)值和節(jié)點分別為[bi],[ai]和[L],那么ELM的輸出值為:

    2.5? 大數(shù)據(jù)挖掘技術(shù)的文本分類步驟

    大數(shù)據(jù)挖掘技術(shù)的文本分類步驟具體如下:

    Step1:從互聯(lián)網(wǎng)上收集大量電子文本數(shù)據(jù),并對每一類型進行分詞和去停用詞處理。

    Step2:計算每一篇電子文本的詞的權(quán)值,所有詞的權(quán)值組成原始特征向量集合。

    Step3:采用KPCA從原始特征向量集合中提取重要特征向量。

    Step4:將重要特征向量作為輸入,文本類型作為輸出,采用ELM對訓(xùn)練樣本集進行學習,建立文本分類器。

    Step5:對于文本分類的測試數(shù)據(jù)集,提取和選擇特征,并用建立的分類器進行分類,輸出文本分類結(jié)果。

    綜上可知,基于大數(shù)據(jù)挖掘技術(shù)的文本分類流程如圖2所示。

    3? 仿真測試

    3.1? 測試環(huán)境設(shè)置

    為了分析基于大數(shù)據(jù)挖掘技術(shù)的文本分類方法(KPCA?ELM)的有效性,采用Python語言編程實現(xiàn)文本分類算法,測試環(huán)境參數(shù)設(shè)置如表1所示。

    本文采集多種類型的文本數(shù)據(jù),包括文化、經(jīng)濟、政治、體育、軍事、旅游,它們的訓(xùn)練樣本和測試樣本數(shù)量具體如表2所示。

    為了測試基于大數(shù)據(jù)挖掘技術(shù)的文本分類方法的優(yōu)越性,選擇基于BP神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量機(SVM)進行對比測試,采用文本分類精度、訓(xùn)練時間和測試時間對文本分類效果進行評價。

    3.2 文本分類精度對比

    采用BPNN,SVM和KPCA?ELM對表2中的文本訓(xùn)練數(shù)據(jù)進行學習,建立文本分類器,并采用文本分類器對表2中的測試樣本進行分類,統(tǒng)計每一類文本的分類精度,得到它們的平均精度如圖3所示。

    對圖3的每一類的文本分類精度進行對比和分析,可以得到:

    1) BPNN的全部文本分類精度最低,這表明其無法描述各種文本的類型,文本分類的錯誤率高,主要是由于BPNN易出現(xiàn)“過擬合”分類結(jié)果,因此,文本分類效果差。

    2) SVM的文本分類精度高于BPNN,這是因為SVM克服了BPNN的“過擬合”分類缺陷,提高了文本正確分類的成功率,減少了文本的分類錯誤次數(shù)。

    3) KPCA?ELM的文本分類精度最高,這主要是因為KPCA?ELM通過KPCA對文本特征進行處理,去掉了一些對文本分類結(jié)果有不利影響的特征,并且采用ELM建立了更優(yōu)的文本分類器,得到了理想的文本分類結(jié)果,對比測試體現(xiàn)了KPCA?ELM的文本分類的優(yōu)越性。

    3.3? 文本分類的訓(xùn)練和測試時間對比

    統(tǒng)計SVM,BPNN和KPCA?ELM的文本分類的訓(xùn)練和測試時間,分別如圖4和圖5所示。

    從圖4可以發(fā)現(xiàn):SVM的文本分類的訓(xùn)練時間最長,這是因為其文本分類的訓(xùn)練時間復(fù)雜度高,BPNN的文本分類訓(xùn)練時間次之,KPCA?ELM的文本分類訓(xùn)練時間最短,加快了文本分類的訓(xùn)練速度。同時,從圖5可以看出:KPCA?ELM的文本分類測試時間明顯少于SVM,BPNN的文本分類訓(xùn)練時間,提升了文本分類效果,可用于大規(guī)模文本分類。

    4? 結(jié)? 語

    結(jié)合文本數(shù)據(jù)的變化特點,以提高文本分類效果為目標,本文設(shè)計了基于KPCA?ELM的文本分類方法,采用KPCA對文本分類原始特征進行處理,簡化特征,然后采用ELM構(gòu)建文本分類器,文本分類測試結(jié)果表明,KPCA?ELM的分類精度高,文本分類時間少,可以滿足文本處理的實際應(yīng)用要求。

    免费在线观看黄色视频的| 亚洲欧美激情在线| 午夜免费观看性视频| 国产男女超爽视频在线观看| 亚洲国产av新网站| 真人做人爱边吃奶动态| 亚洲熟女毛片儿| 国产在线观看jvid| 色网站视频免费| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美久久黑人一区二区| 黄网站色视频无遮挡免费观看| 欧美在线黄色| 大型av网站在线播放| 亚洲人成电影观看| 免费观看a级毛片全部| 午夜av观看不卡| 美女主播在线视频| 亚洲天堂av无毛| 男女免费视频国产| 美女脱内裤让男人舔精品视频| 老司机靠b影院| 丁香六月天网| 亚洲欧美色中文字幕在线| 搡老岳熟女国产| av线在线观看网站| 另类精品久久| 亚洲精品国产区一区二| 另类精品久久| 男女午夜视频在线观看| 一区福利在线观看| 大陆偷拍与自拍| 亚洲精品自拍成人| 汤姆久久久久久久影院中文字幕| 成年女人毛片免费观看观看9 | 无限看片的www在线观看| av国产精品久久久久影院| 啦啦啦中文免费视频观看日本| 精品国产国语对白av| 在线 av 中文字幕| 国产精品国产三级国产专区5o| 亚洲国产欧美日韩在线播放| 日本91视频免费播放| 精品一品国产午夜福利视频| 十八禁网站网址无遮挡| 国产高清不卡午夜福利| 美女大奶头黄色视频| 69精品国产乱码久久久| 大码成人一级视频| 啦啦啦中文免费视频观看日本| 无限看片的www在线观看| 亚洲精品在线美女| 久热爱精品视频在线9| 你懂的网址亚洲精品在线观看| 久久人妻福利社区极品人妻图片 | 精品国产乱码久久久久久小说| 制服诱惑二区| 午夜av观看不卡| 国产亚洲av高清不卡| 国产福利在线免费观看视频| 99国产精品一区二区蜜桃av | 亚洲国产精品国产精品| 国产成人系列免费观看| 国产日韩欧美在线精品| 欧美人与善性xxx| 叶爱在线成人免费视频播放| 麻豆av在线久日| 国产国语露脸激情在线看| 欧美中文综合在线视频| 午夜免费鲁丝| 高清欧美精品videossex| 蜜桃国产av成人99| 90打野战视频偷拍视频| 少妇人妻久久综合中文| 亚洲精品日本国产第一区| 国产日韩欧美在线精品| 亚洲精品久久久久久婷婷小说| 激情五月婷婷亚洲| 亚洲精品在线美女| 天天添夜夜摸| 免费不卡黄色视频| 国产老妇伦熟女老妇高清| 亚洲第一av免费看| 满18在线观看网站| 久久国产精品人妻蜜桃| 亚洲精品国产区一区二| 国产av精品麻豆| 亚洲av男天堂| 中文乱码字字幕精品一区二区三区| 国产在线观看jvid| 嫁个100分男人电影在线观看 | 尾随美女入室| 亚洲欧美一区二区三区黑人| 久久久国产一区二区| 曰老女人黄片| 亚洲,欧美,日韩| 成人黄色视频免费在线看| 久久久久久久精品精品| 男女午夜视频在线观看| 1024视频免费在线观看| 国产av国产精品国产| 国产爽快片一区二区三区| 久久精品人人爽人人爽视色| 成年女人毛片免费观看观看9 | 欧美日韩亚洲综合一区二区三区_| 日韩大片免费观看网站| 国产精品99久久99久久久不卡| 免费看不卡的av| 亚洲五月婷婷丁香| netflix在线观看网站| 国产亚洲精品第一综合不卡| 老鸭窝网址在线观看| 一区二区三区精品91| 国产成人影院久久av| 欧美人与性动交α欧美精品济南到| 人人妻人人澡人人看| 首页视频小说图片口味搜索 | 久久天堂一区二区三区四区| 成在线人永久免费视频| 国产精品偷伦视频观看了| 亚洲综合色网址| 国产免费视频播放在线视频| 亚洲欧美精品综合一区二区三区| 成年av动漫网址| 男女床上黄色一级片免费看| 亚洲黑人精品在线| 色婷婷av一区二区三区视频| 爱豆传媒免费全集在线观看| 国产一区二区 视频在线| 亚洲欧美日韩另类电影网站| 美女高潮到喷水免费观看| 视频区图区小说| 亚洲精品国产av成人精品| 男女无遮挡免费网站观看| a级毛片在线看网站| 黑人欧美特级aaaaaa片| 无遮挡黄片免费观看| 精品福利永久在线观看| 亚洲精品av麻豆狂野| 自线自在国产av| 国产亚洲精品久久久久5区| 多毛熟女@视频| 丰满饥渴人妻一区二区三| 国产欧美日韩精品亚洲av| 最近最新中文字幕大全免费视频 | 老汉色∧v一级毛片| 国产精品久久久av美女十八| 久久国产精品大桥未久av| 免费高清在线观看视频在线观看| 免费av中文字幕在线| 久久影院123| 2021少妇久久久久久久久久久| 悠悠久久av| 考比视频在线观看| 纵有疾风起免费观看全集完整版| 少妇的丰满在线观看| 777米奇影视久久| www.熟女人妻精品国产| 亚洲,一卡二卡三卡| 老司机深夜福利视频在线观看 | 国产免费视频播放在线视频| 国产精品熟女久久久久浪| 咕卡用的链子| av不卡在线播放| 精品一区二区三区四区五区乱码 | 两人在一起打扑克的视频| 一区二区三区精品91| 免费女性裸体啪啪无遮挡网站| 黄色视频不卡| 精品福利永久在线观看| 日韩大片免费观看网站| av国产久精品久网站免费入址| 亚洲欧美一区二区三区久久| 少妇 在线观看| 久久狼人影院| 久久中文字幕一级| 亚洲少妇的诱惑av| 久久亚洲精品不卡| 久久精品人人爽人人爽视色| 免费观看a级毛片全部| 亚洲色图 男人天堂 中文字幕| 最新在线观看一区二区三区 | 男男h啪啪无遮挡| 水蜜桃什么品种好| 精品国产超薄肉色丝袜足j| 男女无遮挡免费网站观看| 中文字幕另类日韩欧美亚洲嫩草| 美女主播在线视频| 国产精品久久久久久人妻精品电影 | 一区二区日韩欧美中文字幕| 午夜福利免费观看在线| 两性夫妻黄色片| 最新的欧美精品一区二区| 久久久久久亚洲精品国产蜜桃av| 国产精品免费大片| 成人亚洲精品一区在线观看| 美女中出高潮动态图| 欧美日韩综合久久久久久| 免费观看a级毛片全部| 国产片内射在线| 国产精品99久久99久久久不卡| 午夜影院在线不卡| 你懂的网址亚洲精品在线观看| 十分钟在线观看高清视频www| 大片免费播放器 马上看| 天堂俺去俺来也www色官网| 日韩电影二区| 51午夜福利影视在线观看| 亚洲欧洲国产日韩| 久久人人爽av亚洲精品天堂| 一级黄片播放器| 两个人免费观看高清视频| 亚洲国产精品一区二区三区在线| 久久精品久久精品一区二区三区| 午夜福利一区二区在线看| 亚洲一卡2卡3卡4卡5卡精品中文| 久热爱精品视频在线9| 五月开心婷婷网| 色综合欧美亚洲国产小说| 婷婷成人精品国产| 黄频高清免费视频| 高清不卡的av网站| 尾随美女入室| 日韩av免费高清视频| 亚洲精品国产区一区二| 亚洲激情五月婷婷啪啪| 亚洲国产欧美网| 成人午夜精彩视频在线观看| 狂野欧美激情性xxxx| 亚洲精品在线美女| 性色av乱码一区二区三区2| 亚洲av电影在线观看一区二区三区| 涩涩av久久男人的天堂| 欧美亚洲 丝袜 人妻 在线| 天天躁日日躁夜夜躁夜夜| 国产一卡二卡三卡精品| 国产一区二区在线观看av| 亚洲欧美日韩另类电影网站| 久久99一区二区三区| 啦啦啦中文免费视频观看日本| 亚洲国产看品久久| 操美女的视频在线观看| 激情视频va一区二区三区| 男女之事视频高清在线观看 | 精品人妻一区二区三区麻豆| 久久九九热精品免费| 2021少妇久久久久久久久久久| 久久久久精品人妻al黑| 久久午夜综合久久蜜桃| 精品一品国产午夜福利视频| 亚洲精品乱久久久久久| 乱人伦中国视频| 男女边摸边吃奶| 一级毛片我不卡| 国产伦理片在线播放av一区| 中文字幕色久视频| av线在线观看网站| 欧美日韩一级在线毛片| 另类精品久久| 亚洲人成电影观看| 97人妻天天添夜夜摸| 久久国产精品大桥未久av| 国产一区二区 视频在线| 午夜影院在线不卡| 七月丁香在线播放| 男人舔女人的私密视频| 成年人黄色毛片网站| 久久久久网色| 丝袜美腿诱惑在线| 91精品国产国语对白视频| 国产欧美日韩一区二区三 | 国产成人啪精品午夜网站| 伊人久久大香线蕉亚洲五| 亚洲精品自拍成人| a 毛片基地| 亚洲av电影在线进入| 中国国产av一级| 国产一区有黄有色的免费视频| 亚洲熟女精品中文字幕| 韩国高清视频一区二区三区| 中国美女看黄片| 午夜福利影视在线免费观看| 精品久久久久久久毛片微露脸 | 91九色精品人成在线观看| 精品少妇黑人巨大在线播放| 精品一区在线观看国产| 欧美黑人精品巨大| 可以免费在线观看a视频的电影网站| 欧美 日韩 精品 国产| 中国美女看黄片| 日本欧美国产在线视频| 国产精品一区二区在线观看99| 亚洲情色 制服丝袜| 国产真人三级小视频在线观看| 国产极品粉嫩免费观看在线| 久久久精品区二区三区| 国产男女超爽视频在线观看| 日本猛色少妇xxxxx猛交久久| 丰满饥渴人妻一区二区三| 成在线人永久免费视频| 最黄视频免费看| 一级毛片我不卡| 亚洲,欧美精品.| 一区二区av电影网| a 毛片基地| 黄色视频不卡| 美女扒开内裤让男人捅视频| 超碰97精品在线观看| 国产免费现黄频在线看| 精品一区二区三区四区五区乱码 | 亚洲国产毛片av蜜桃av| 亚洲激情五月婷婷啪啪| 中国国产av一级| 中文字幕人妻丝袜制服| 一区二区三区精品91| 91精品伊人久久大香线蕉| 搡老岳熟女国产| 麻豆av在线久日| xxx大片免费视频| 国产精品免费视频内射| 看免费成人av毛片| 亚洲人成电影免费在线| 亚洲中文日韩欧美视频| 国产成人系列免费观看| 亚洲一码二码三码区别大吗| 搡老乐熟女国产| 国产精品国产三级国产专区5o| 久久鲁丝午夜福利片| 日韩一卡2卡3卡4卡2021年| 久久久久国产精品人妻一区二区| 亚洲精品久久成人aⅴ小说| 婷婷色麻豆天堂久久| 国产免费视频播放在线视频| 成人国产一区最新在线观看 | 黄色怎么调成土黄色| 天天躁夜夜躁狠狠躁躁| 男女免费视频国产| 亚洲情色 制服丝袜| 黑人巨大精品欧美一区二区蜜桃| 国产伦人伦偷精品视频| 国产亚洲午夜精品一区二区久久| 热99国产精品久久久久久7| 999久久久国产精品视频| 欧美xxⅹ黑人| 91老司机精品| 精品亚洲乱码少妇综合久久| 男女下面插进去视频免费观看| 老司机午夜十八禁免费视频| 中文欧美无线码| 99九九在线精品视频| 亚洲av成人不卡在线观看播放网 | 久久久国产精品麻豆| av网站在线播放免费| 国产亚洲av高清不卡| 中文字幕人妻丝袜制服| 久久国产亚洲av麻豆专区| 热99久久久久精品小说推荐| 精品国产一区二区久久| 日韩 亚洲 欧美在线| 人人妻人人澡人人爽人人夜夜| 国产欧美日韩综合在线一区二区| 欧美 亚洲 国产 日韩一| 精品人妻在线不人妻| 麻豆国产av国片精品| 日本欧美国产在线视频| 深夜精品福利| 亚洲av男天堂| 亚洲三区欧美一区| 成在线人永久免费视频| 亚洲精品国产色婷婷电影| 嫩草影视91久久| 亚洲精品自拍成人| 丰满少妇做爰视频| 免费看不卡的av| 亚洲国产av新网站| 侵犯人妻中文字幕一二三四区| 国产在线免费精品| 男女高潮啪啪啪动态图| avwww免费| 国产成人啪精品午夜网站| 精品一品国产午夜福利视频| 亚洲七黄色美女视频| 欧美人与善性xxx| 国产高清videossex| 国产又色又爽无遮挡免| 国产高清国产精品国产三级| 人妻一区二区av| 天堂中文最新版在线下载| 久久天躁狠狠躁夜夜2o2o | 老司机影院毛片| 亚洲成人手机| 岛国毛片在线播放| 国产高清国产精品国产三级| 久久狼人影院| 男女国产视频网站| 国产淫语在线视频| 桃花免费在线播放| 十八禁高潮呻吟视频| 菩萨蛮人人尽说江南好唐韦庄| 天天躁夜夜躁狠狠躁躁| 黄色片一级片一级黄色片| 成人国产一区最新在线观看 | 日韩 欧美 亚洲 中文字幕| 爱豆传媒免费全集在线观看| 精品视频人人做人人爽| 亚洲精品国产色婷婷电影| 久久久欧美国产精品| 男女国产视频网站| 高清视频免费观看一区二区| 天堂8中文在线网| 国产精品二区激情视频| 亚洲精品av麻豆狂野| av有码第一页| netflix在线观看网站| 国产有黄有色有爽视频| 亚洲午夜精品一区,二区,三区| 电影成人av| 99热全是精品| 欧美成狂野欧美在线观看| 欧美成人精品欧美一级黄| 精品熟女少妇八av免费久了| 黄色一级大片看看| 精品高清国产在线一区| 精品国产一区二区三区久久久樱花| 9191精品国产免费久久| 亚洲七黄色美女视频| 97人妻天天添夜夜摸| 国产黄色免费在线视频| 悠悠久久av| 午夜老司机福利片| 国产精品麻豆人妻色哟哟久久| 亚洲成国产人片在线观看| 男人添女人高潮全过程视频| 国产高清国产精品国产三级| 国产欧美亚洲国产| 99久久99久久久精品蜜桃| 美女脱内裤让男人舔精品视频| 欧美 亚洲 国产 日韩一| 欧美精品一区二区大全| 欧美成人午夜精品| 一区在线观看完整版| 成人国产一区最新在线观看 | 国产av一区二区精品久久| 中国国产av一级| 日本黄色日本黄色录像| 丰满少妇做爰视频| 亚洲黑人精品在线| 另类精品久久| 少妇人妻久久综合中文| 国产淫语在线视频| 国产精品一区二区免费欧美 | 国产极品粉嫩免费观看在线| 无遮挡黄片免费观看| 国产精品免费大片| 亚洲国产精品999| 亚洲精品久久午夜乱码| 午夜福利在线免费观看网站| 男人爽女人下面视频在线观看| 日韩人妻精品一区2区三区| 日韩免费高清中文字幕av| 久久亚洲国产成人精品v| 熟女少妇亚洲综合色aaa.| 一个人免费看片子| 久久久精品国产亚洲av高清涩受| 在线亚洲精品国产二区图片欧美| 久久性视频一级片| 亚洲精品在线美女| 成年人黄色毛片网站| 日韩中文字幕欧美一区二区 | www日本在线高清视频| 免费高清在线观看日韩| 91精品国产国语对白视频| 精品少妇黑人巨大在线播放| 91老司机精品| a级片在线免费高清观看视频| av又黄又爽大尺度在线免费看| 欧美成人精品欧美一级黄| 国产色视频综合| 少妇 在线观看| 男的添女的下面高潮视频| 91精品伊人久久大香线蕉| 捣出白浆h1v1| 亚洲国产精品一区三区| 1024香蕉在线观看| 国产人伦9x9x在线观看| 蜜桃在线观看..| 亚洲国产中文字幕在线视频| 女人高潮潮喷娇喘18禁视频| 亚洲欧美成人综合另类久久久| 国产高清视频在线播放一区 | 久久性视频一级片| 久久久久国产精品人妻一区二区| 男的添女的下面高潮视频| 亚洲自偷自拍图片 自拍| 人人妻人人澡人人爽人人夜夜| av网站在线播放免费| 亚洲图色成人| 精品国产乱码久久久久久小说| 国产无遮挡羞羞视频在线观看| a级毛片在线看网站| 天天躁日日躁夜夜躁夜夜| 女性生殖器流出的白浆| 亚洲,一卡二卡三卡| 黄色一级大片看看| 久久国产亚洲av麻豆专区| 午夜福利免费观看在线| 久久 成人 亚洲| 看十八女毛片水多多多| 精品少妇久久久久久888优播| 高清视频免费观看一区二区| 两个人看的免费小视频| 国产伦理片在线播放av一区| 亚洲情色 制服丝袜| 人人妻人人爽人人添夜夜欢视频| 国产精品欧美亚洲77777| 精品一区二区三卡| 国产精品人妻久久久影院| 国产又爽黄色视频| 中文精品一卡2卡3卡4更新| 国产精品香港三级国产av潘金莲 | 日韩制服丝袜自拍偷拍| 亚洲欧美成人综合另类久久久| 精品国产超薄肉色丝袜足j| 国产精品成人在线| 亚洲精品国产区一区二| 两性夫妻黄色片| 晚上一个人看的免费电影| 婷婷色综合大香蕉| 国产精品熟女久久久久浪| 视频区欧美日本亚洲| 国产在视频线精品| cao死你这个sao货| 曰老女人黄片| 麻豆av在线久日| 午夜两性在线视频| 成人手机av| 亚洲av综合色区一区| 观看av在线不卡| 成年av动漫网址| 精品久久久久久电影网| 女人高潮潮喷娇喘18禁视频| 精品欧美一区二区三区在线| h视频一区二区三区| 亚洲欧洲精品一区二区精品久久久| 亚洲成人国产一区在线观看 | 亚洲视频免费观看视频| 黄片播放在线免费| 黄色视频不卡| 婷婷色综合www| 亚洲黑人精品在线| 亚洲欧美激情在线| 十八禁人妻一区二区| 黄色视频在线播放观看不卡| 视频在线观看一区二区三区| 国产视频一区二区在线看| 日韩一本色道免费dvd| 欧美性长视频在线观看| 亚洲九九香蕉| 精品卡一卡二卡四卡免费| 大陆偷拍与自拍| 又黄又粗又硬又大视频| 亚洲七黄色美女视频| 黄色视频在线播放观看不卡| 最新的欧美精品一区二区| 老汉色∧v一级毛片| 精品熟女少妇八av免费久了| 精品人妻1区二区| 亚洲国产欧美在线一区| 国产精品香港三级国产av潘金莲 | 午夜免费观看性视频| 亚洲欧洲精品一区二区精品久久久| 蜜桃在线观看..| 高潮久久久久久久久久久不卡| 美女高潮到喷水免费观看| 精品久久久精品久久久| 亚洲七黄色美女视频| 久久国产精品影院| 男人操女人黄网站| 91字幕亚洲| 亚洲精品乱久久久久久| 欧美黑人精品巨大| 精品第一国产精品| 女人久久www免费人成看片| av国产久精品久网站免费入址| 最近最新中文字幕大全免费视频 | 日本wwww免费看| 亚洲成人国产一区在线观看 | 只有这里有精品99| 国产精品久久久av美女十八| 久久99热这里只频精品6学生| 国产成人精品无人区| 成人国产一区最新在线观看 | 色94色欧美一区二区| 亚洲熟女毛片儿| 一本色道久久久久久精品综合| 亚洲久久久国产精品| 丝袜脚勾引网站| 久久久精品国产亚洲av高清涩受| 亚洲成人国产一区在线观看 | 两性夫妻黄色片| 男女无遮挡免费网站观看| 午夜日韩欧美国产| 欧美亚洲 丝袜 人妻 在线| 免费少妇av软件| 久久久久国产一级毛片高清牌| 黄色视频不卡| 亚洲欧美一区二区三区国产| 午夜av观看不卡| 伊人久久大香线蕉亚洲五| 亚洲成国产人片在线观看| 成人午夜精彩视频在线观看| 欧美久久黑人一区二区| 在线天堂中文资源库| 美国免费a级毛片| 久久天躁狠狠躁夜夜2o2o |