• <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 ?

    融合圖卷積網(wǎng)絡(luò)模型的無監(jiān)督社區(qū)檢測算法

    2020-10-19 04:40:42姜東明楊火根
    關(guān)鍵詞:標(biāo)簽卷積聚類

    姜東明,楊火根

    江西理工大學(xué) 理學(xué)院,江西 贛州 341000

    1 引言

    近年來,深度學(xué)習(xí)方法在解決諸如圖像目標(biāo)識別、語音識別和自然語言處理等很多問題方面都表現(xiàn)出色。在各種類型的神經(jīng)網(wǎng)絡(luò)當(dāng)中,卷積神經(jīng)網(wǎng)絡(luò)[1]是當(dāng)下研究的熱點(diǎn)之一。但卷積神經(jīng)網(wǎng)絡(luò)的使用目前只局限在具有歐幾里德結(jié)構(gòu)的數(shù)據(jù),原因是歐幾里德結(jié)構(gòu)數(shù)據(jù)具有“平移不變性”的特點(diǎn),如語音(1維)和圖像(2維)數(shù)據(jù)。然而實(shí)際上,很多重要的現(xiàn)實(shí)世界數(shù)據(jù)都是以高維圖結(jié)構(gòu)數(shù)據(jù)和網(wǎng)絡(luò)圖[2]的形式出現(xiàn),比如社交網(wǎng)絡(luò)、知識圖譜、蛋白質(zhì)相互作用網(wǎng)絡(luò)、萬維網(wǎng)等非歐式距離結(jié)構(gòu)數(shù)據(jù),這類數(shù)據(jù)往往無法直接被卷積神經(jīng)網(wǎng)絡(luò)的分類器模型處理[3]。

    圖卷積神經(jīng)網(wǎng)絡(luò)[4]是為了實(shí)現(xiàn)在非歐式距離結(jié)構(gòu)數(shù)據(jù)上使用卷積神經(jīng)網(wǎng)絡(luò)的特征提取分類器模型,可以理解為圖結(jié)構(gòu)數(shù)據(jù)上的卷積操作,彌補(bǔ)了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)很難直接對非歐式距離的數(shù)據(jù)進(jìn)行特征提取的不足。不同結(jié)構(gòu)的卷積分類器對比如圖1 所示。目前主要的圖卷積神經(jīng)網(wǎng)絡(luò)定義可分為空域(spatial domain)[5]和頻域(spectral domain)[6]兩種。空域主要通過對提取高維圖數(shù)據(jù)的空間特征并對其進(jìn)行操作,例如:鄰居節(jié)點(diǎn)的順序選擇[7],和圖中缺失邊的猜測[8]。頻域則借助于圖拉普拉斯(Laplacian)矩陣的特征值和特征向量來研究圖的性質(zhì)[9],即對圖結(jié)構(gòu)中某些特定節(jié)點(diǎn)進(jìn)行卷積操作,使用包含拉普拉斯算子的特殊分類器進(jìn)行參數(shù)共享,來完成局部的特征提取。該種圖卷積網(wǎng)絡(luò)已經(jīng)在半監(jiān)督學(xué)習(xí)任務(wù)中取得了良好效果[10]。

    圖1 不同數(shù)據(jù)結(jié)構(gòu)中的提取特征分類器模型

    圖是抽象數(shù)據(jù)(節(jié)點(diǎn))的集合,它們之間的關(guān)系表示為拓?fù)浣Y(jié)構(gòu)?;趫D的“小世界”理論[11],圖中的數(shù)據(jù)可能包含某些小組結(jié)構(gòu)信息,在小組中的節(jié)點(diǎn)連接通常非常緊密,而小組之間的聯(lián)系相對稀疏。這樣的小組結(jié)構(gòu)被稱為社區(qū)[12]或簇,如何找到這些社區(qū),是社區(qū)檢測的重要任務(wù)[13]。需要通過這些社區(qū)來對圖結(jié)構(gòu)數(shù)據(jù)提取信息并學(xué)習(xí)經(jīng)驗(yàn),圖中每一個(gè)社區(qū)都應(yīng)該包含對應(yīng)的節(jié)點(diǎn)和邊的特征信息。對應(yīng)的社區(qū)劃分算法[14-16]又根據(jù)其是否使用輸入數(shù)據(jù)的原始標(biāo)簽作為數(shù)據(jù)的劃分依據(jù)分為監(jiān)督學(xué)習(xí)算法和無監(jiān)督學(xué)習(xí)算法,監(jiān)督學(xué)習(xí)算法要求算法的結(jié)果擁有預(yù)測作用,可將具有同樣屬性的數(shù)據(jù)劃分到已知的類別中達(dá)到分類效果,而無監(jiān)督學(xué)習(xí)算法對輸出結(jié)果沒有特定要求,算法的目的是在數(shù)據(jù)中尋找潛在的模式或結(jié)構(gòu)。所以社區(qū)劃分算法度量要求也有很多種,例如K-means算法[17]是通過節(jié)點(diǎn)的空間距離進(jìn)行社區(qū)劃分,對輸入數(shù)據(jù)要求較為具體且分類結(jié)果固定。往往不適用于高維度結(jié)構(gòu)的數(shù)據(jù)和動(dòng)態(tài)網(wǎng)絡(luò)圖;K-L算法[18],通過將圖結(jié)構(gòu)數(shù)據(jù)分割成若干個(gè)子集的方式尋找社區(qū),這種方式需要預(yù)先給出每個(gè)社區(qū)的數(shù)量,這種需要較強(qiáng)先驗(yàn)知識的算法在沒有標(biāo)簽的數(shù)據(jù)集中效果較差;譜聚類[19]算法,使用圖的鄰接矩陣作為輸入,這種使用拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)進(jìn)行劃分的算法在現(xiàn)實(shí)世界的抽象數(shù)據(jù)集中更加適用。比如社交網(wǎng)絡(luò)和路由器拓?fù)渚W(wǎng)絡(luò)[20]。在此類圖結(jié)構(gòu)數(shù)據(jù)中若圖中兩個(gè)節(jié)點(diǎn)之間有邊連接,那么盡管兩個(gè)節(jié)點(diǎn)之間的距離很遠(yuǎn)或空間相似度很低,這兩個(gè)節(jié)點(diǎn)相比于其他的節(jié)點(diǎn)也具有更強(qiáng)的關(guān)系。但是,因其需要計(jì)算拉普拉斯矩陣并特征分解后再進(jìn)行聚類劃分,所以算法的復(fù)雜度極高。

    本文結(jié)合圖卷積網(wǎng)絡(luò)分類器實(shí)現(xiàn)的“參數(shù)共享”的性質(zhì)以及社區(qū)檢測的定義,提出一種基于圖卷積網(wǎng)絡(luò)模型的無監(jiān)督社區(qū)檢測算法。算法基于圖數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)進(jìn)行劃分,通過模擬在圖上的信號卷積過程,使被標(biāo)記標(biāo)簽的節(jié)點(diǎn)可以將自身的標(biāo)簽順序傳遞到其他鄰居節(jié)點(diǎn)上。這樣不僅保留了圖的拓?fù)浣Y(jié)構(gòu)的信息,也符合社會(huì)學(xué)中的信息傳播規(guī)則[21],更適用于現(xiàn)實(shí)世界中的數(shù)據(jù)。接下來會(huì)對圖卷積網(wǎng)絡(luò)如何應(yīng)用到社區(qū)檢測模型進(jìn)行詳細(xì)介紹,并使用改進(jìn)后的圖卷積網(wǎng)絡(luò)模型進(jìn)行社區(qū)檢測,最后將算法應(yīng)用到幾個(gè)現(xiàn)實(shí)世界數(shù)據(jù)集中,對實(shí)驗(yàn)結(jié)果進(jìn)行了對比和分析。

    2 圖卷積網(wǎng)絡(luò)(GCN)模型與適用性改進(jìn)

    2.1 圖卷積網(wǎng)絡(luò)的傳播規(guī)則

    定義圖數(shù)據(jù)格式為G=(V,E),其中V={v1,v2,…,vn}表示圖中節(jié)點(diǎn)的集合,E是圖中邊的集合。則圖G可以表示為一個(gè)大小為N×N的鄰接矩陣A,若節(jié)點(diǎn)i與點(diǎn)j之間有邊相連,則Aij=1。反之,若沒有邊相連,則Aij=0。鄰接矩陣是圖的拓?fù)湫畔⒃诰仃囆问街械拇硇悦枋?。將矩陣每行的元素求和就得到該?jié)點(diǎn)的度,即從該節(jié)點(diǎn)出發(fā)有幾條邊與其他節(jié)點(diǎn)相連,表示為Di=。

    可以將在圖上的卷積操作可以定義為一個(gè)多維信號x,x∈ ?N和一個(gè)帶有參數(shù)θ的分類器gθ,θ∈ ?N在傅里葉領(lǐng)域的乘積。Y表示正則化拉普拉斯矩,因?yàn)槔绽咕仃嚲哂刑厥獾奶卣鞣纸庑问剑篖=UΛUT,Λ是有拉普拉斯矩陣特征值組成的對角矩陣,則這個(gè)輸入信號的卷積形式可以表示為:

    ?表示卷積過程,gθ′(L)是一個(gè)含有拉普拉斯特征值的函數(shù),由于上式的計(jì)算復(fù)雜度較高,Kipf 等人[22]根據(jù)使用切比雪夫多項(xiàng)式擬合來簡化其復(fù)雜度,使:gθ′(L)≈其中Tk代表k階切比雪夫多項(xiàng)式,并取k=1。θ為切比雪夫系數(shù)。最終得到的圖卷積網(wǎng)絡(luò)的卷積形式為:

    其中,D=diag(Di),IN是大小為節(jié)點(diǎn)數(shù)量N的單位矩陣。而可以進(jìn)一步簡化為其中A?=A+IN。通過卷積核(分類器)與輸入信號的卷積,便可以實(shí)現(xiàn)在圖結(jié)構(gòu)數(shù)據(jù)上的局部參數(shù)共享。對于監(jiān)督學(xué)習(xí)的預(yù)測和分類任務(wù)而言,參數(shù)共享的結(jié)果可以是判斷輸入數(shù)據(jù)特征與分類器的相似程度,而對于無監(jiān)督學(xué)習(xí)任務(wù),由于節(jié)點(diǎn)本身不存在特征信息,所以文中使用人工標(biāo)簽來模擬需要共享的參數(shù),這個(gè)人工標(biāo)簽在周圍鄰居不存在標(biāo)簽的情況下進(jìn)行參數(shù)共享操作,反觀就是一種參數(shù)傳播過程。

    于是,可以定義圖上的信號傳播模型為:

    其中,H(l+1)表示圖卷積網(wǎng)絡(luò)中第l+1 層的參數(shù),H(0)=x,x是在圖上的信號,A是圖的鄰接矩陣,f(?,?)是圖卷積網(wǎng)絡(luò)分類器與信號的卷積形式。結(jié)合上文的卷積公式可以得到可以直接應(yīng)用于分類任務(wù)的圖卷積網(wǎng)絡(luò)的信號傳播規(guī)則,即:

    公式(4)常被用在半監(jiān)督算法中,由于半監(jiān)督學(xué)習(xí)中數(shù)據(jù)只有部分節(jié)點(diǎn)含有標(biāo)簽,所以在圖上的輸入信號x直接使用帶有原始標(biāo)簽的節(jié)點(diǎn)表示。通過卷積操作便可以將節(jié)點(diǎn)標(biāo)簽共享到其他不存在標(biāo)簽的節(jié)點(diǎn)上,之后通過訓(xùn)練權(quán)重參數(shù)來完成分類或預(yù)測任務(wù)。

    2.2 圖卷積網(wǎng)絡(luò)模型的無監(jiān)督改進(jìn)

    本節(jié)對圖卷積網(wǎng)絡(luò)的傳播規(guī)則進(jìn)行適用性改進(jìn),使其可以適用于無監(jiān)督的社區(qū)劃分領(lǐng)域中[23]。圖卷積網(wǎng)絡(luò)目前在監(jiān)督學(xué)習(xí)任務(wù)中使用完全隨機(jī)的權(quán)重W參與運(yùn)算,通過訓(xùn)練調(diào)整權(quán)重值,得到最優(yōu)模型后預(yù)測分類結(jié)果。而本文的社區(qū)檢測算法處理的是不存在原始標(biāo)簽的數(shù)據(jù),屬于無監(jiān)督學(xué)習(xí),每個(gè)節(jié)點(diǎn)默認(rèn)擁有相同的屬性。這意味著每個(gè)節(jié)點(diǎn)對這個(gè)圖結(jié)構(gòu)數(shù)據(jù)的貢獻(xiàn)度相同,相對于其他算法來說更著重考慮圖數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)。因此,這里使用固定相同權(quán)重取代權(quán)重訓(xùn)練,以確保社區(qū)劃分效果只與圖網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)有關(guān)。由于權(quán)重值大小本質(zhì)上不影響社區(qū)劃分結(jié)果,為方便計(jì)算,令權(quán)重值均為1。實(shí)際上,對于不需要訓(xùn)練優(yōu)化函數(shù)或輸入數(shù)據(jù)性質(zhì)相同的模型,權(quán)重固定具有合理性,也可減小計(jì)算復(fù)雜度。

    基于此,本文將圖卷積網(wǎng)絡(luò)傳播規(guī)則(4)修改如下:

    又因?yàn)闆]有標(biāo)簽的數(shù)據(jù)無法通過自身信息模擬輸入信號。所以在這里,首先需要通過標(biāo)記圖中的某些特定節(jié)點(diǎn)來模擬在圖上的輸入信號x,算法中可以表示為圖的輸入信號:x=N×C,N為節(jié)點(diǎn)數(shù)目,C表示聚類的個(gè)數(shù)。其次,通過算法中給出的方法選取模擬信號的初始點(diǎn)后,最后使用本文改進(jìn)的圖卷積網(wǎng)絡(luò)傳播規(guī)則對其進(jìn)行參數(shù)共享。

    令Vi為初始信號節(jié)點(diǎn),其信號值為Xi,Vj為其一階鄰居節(jié)點(diǎn)。這里定義X的聚合為節(jié)點(diǎn)i處的信號值與其一階鄰居節(jié)點(diǎn)j的和的平均,即:

    基于上述聚合定義,對圖卷積網(wǎng)絡(luò)傳播規(guī)則的參數(shù)共享過程作如下解釋:

    將本文的傳播規(guī)則公式(5),改寫為信號值與圖卷積網(wǎng)絡(luò)分類器在節(jié)點(diǎn)i聚合的形式:

    因?yàn)镈是以節(jié)點(diǎn)的度組成的對角矩陣,所以簡化上式可得:

    由式(7)可知,有人工標(biāo)簽?zāi)M的信號通過本文修改的圖卷積網(wǎng)絡(luò)傳播規(guī)則實(shí)現(xiàn)參數(shù)共享。參數(shù)共享的本質(zhì)其實(shí)可以理解為是一種加權(quán)平均,因?yàn)樵跓o監(jiān)督學(xué)習(xí)任務(wù)中。輸入數(shù)據(jù)是不存在原始標(biāo)簽的,所以節(jié)點(diǎn)的人工標(biāo)簽與不存在標(biāo)簽的鄰居節(jié)點(diǎn)的加權(quán)平均的參數(shù)共享方式就可以看作是一種標(biāo)簽傳遞過程。傳播的有效信息值為人工標(biāo)簽的加權(quán)平均,其權(quán)重與節(jié)點(diǎn)及其一階鄰居節(jié)點(diǎn)的度(拓?fù)浣Y(jié)構(gòu)信息)相關(guān),有效信息的加權(quán)平均共享過程如圖2 所示。對于不需要訓(xùn)練且輸入數(shù)據(jù)屬性相同的情況,固定權(quán)重可以確保信息傳遞只與圖的拓?fù)浣Y(jié)構(gòu)相關(guān),因此在輸入的鄰接矩陣不變的情況下,可以保證信息傳遞的準(zhǔn)確性。模擬信號節(jié)點(diǎn)的人工標(biāo)簽以此方式擴(kuò)散,每一次傳播一階鄰居節(jié)點(diǎn),也可以理解為輸入信號x在圖中的拉普拉斯平滑[24]。又因?yàn)樯鐓^(qū)檢測算法的目的就是在圖結(jié)構(gòu)數(shù)據(jù)中尋找內(nèi)部有強(qiáng)相關(guān)性的社區(qū),所以這種根據(jù)節(jié)點(diǎn)及其鄰居拓?fù)浣Y(jié)構(gòu)之間信息傳遞的劃分方式,自然會(huì)有更好的結(jié)果。而且這種根據(jù)節(jié)點(diǎn)的拓?fù)浣Y(jié)構(gòu)傳遞標(biāo)簽方式與社會(huì)學(xué)中的信息傳播方式十分類似,因此依照此方法劃分的社區(qū)結(jié)構(gòu)也理應(yīng)具有更真實(shí)的社會(huì)性質(zhì)。

    圖2 一次加權(quán)平均的參數(shù)共享過程

    3 基于圖卷積網(wǎng)絡(luò)的無監(jiān)督社區(qū)檢測算法

    基于改進(jìn)后的圖卷積神經(jīng)網(wǎng)絡(luò)的傳播規(guī)則(5),本章分四步實(shí)現(xiàn)無監(jiān)督社區(qū)檢測算法。整個(gè)算法的偽代碼如算法1所示。

    具體步驟如下:

    步驟1圖數(shù)據(jù)的初始化和對模擬信號節(jié)點(diǎn)的選擇。

    算法首先需要處理輸入的數(shù)據(jù),即:劃分社區(qū)數(shù)量,GCN 層數(shù)和圖結(jié)構(gòu)數(shù)據(jù)集。其次算法要對給予的圖數(shù)據(jù)參數(shù)化,根據(jù)圖中的節(jié)點(diǎn)之間的關(guān)系計(jì)算算法所需的鄰接矩陣A,并通過鄰接矩陣計(jì)算的度矩陣D。

    又根據(jù)節(jié)點(diǎn)數(shù)量生成單位矩陣IN,分別與鄰接矩陣和度矩陣相加之后便可得到A?和D?。在對圖數(shù)據(jù)完成初始化操作之后便可以根據(jù)輸入劃分?jǐn)?shù)量選擇初始點(diǎn)并為其添加人工標(biāo)簽來模擬輸入信號。初始點(diǎn)的選取在本社區(qū)劃分算法中尤為重要,作為初始標(biāo)簽的攜帶者,初始點(diǎn)在一定程度上決定了最后社區(qū)劃分的結(jié)果。本文提出兩種初始點(diǎn)的選擇方法:

    (1)按需求劃分個(gè)數(shù)依次選取圖中度最大的節(jié)點(diǎn),即:initial_node=max( )D。

    因?yàn)樵诒疚乃惴ㄖ械臉?biāo)簽是依靠節(jié)點(diǎn)的鄰接矩陣進(jìn)行傳播的,所以圖中度值大的節(jié)點(diǎn)最容易將人工標(biāo)簽信息擴(kuò)散。同樣,這樣的節(jié)點(diǎn)在現(xiàn)實(shí)世界網(wǎng)絡(luò)中也往往是圖結(jié)構(gòu)網(wǎng)絡(luò)的組織者或是有重要影響的節(jié)點(diǎn)。且度較大的節(jié)點(diǎn)在運(yùn)算中會(huì)保留較小的標(biāo)簽值,若作為被傳播節(jié)點(diǎn)很容易保留從擁有較小度的節(jié)點(diǎn)傳遞來的標(biāo)簽值。

    (2)結(jié)合度和圖中最遠(yuǎn)跳躍數(shù)來選擇初始節(jié)點(diǎn)。如算法1.1所示。

    考慮到在某些圖中最大度的節(jié)點(diǎn)可能會(huì)聚集在整個(gè)圖邊緣或圖中一些不重要的位置。所以初始點(diǎn)的選擇要結(jié)合圖中節(jié)點(diǎn)的度和兩節(jié)點(diǎn)之間的深度,即一個(gè)節(jié)點(diǎn)到另一個(gè)節(jié)點(diǎn)之間的最短路徑。算法首先在圖中找出最遠(yuǎn)的節(jié)點(diǎn)距離,然后在距離最遠(yuǎn)的節(jié)點(diǎn)中隨機(jī)選擇其中一個(gè)節(jié)點(diǎn)作為最遠(yuǎn)路徑的開始節(jié)點(diǎn)。然后在相鄰兩階的節(jié)點(diǎn)之中選擇出度最大的節(jié)點(diǎn),因?yàn)槊窟\(yùn)行一次GCN 模型只對節(jié)點(diǎn)的一階鄰居節(jié)點(diǎn)參數(shù)共享,所以選擇初始標(biāo)簽節(jié)點(diǎn)時(shí)要求距離盡量大于2。使用這樣的方式選擇初始節(jié)點(diǎn),能有效避免在劃分大量社區(qū)時(shí)發(fā)生的不同社區(qū)覆蓋的現(xiàn)象。

    步驟2應(yīng)用圖神經(jīng)網(wǎng)絡(luò)的傳播規(guī)則,使節(jié)點(diǎn)信息得以有效擴(kuò)散。

    根據(jù)上一階段生成的模擬信號矩陣,結(jié)合GCN 的傳播規(guī)則,含有自定義標(biāo)簽的節(jié)點(diǎn)就可以將其本身攜帶的標(biāo)簽通過加權(quán)平均的方式傳遞出去,讓沒有標(biāo)簽的節(jié)點(diǎn)擁有標(biāo)簽。因?yàn)楣剑?)中使用一階切比雪夫多項(xiàng)式簡化,所以節(jié)點(diǎn)標(biāo)簽每次傳遞范圍為節(jié)點(diǎn)的一階鄰居。第一次傳播時(shí)使用模擬信號的初始節(jié)點(diǎn)矩陣,之后每次傳播會(huì)使用上次一次傳播后得到的結(jié)果矩陣,如此循環(huán)直到達(dá)到輸入要求層數(shù)。

    步驟3計(jì)算結(jié)果歸類及對歸類結(jié)果的優(yōu)化與分析。

    因每運(yùn)行一次圖卷積網(wǎng)絡(luò)的傳播規(guī)則后,節(jié)點(diǎn)會(huì)接收一個(gè)或多個(gè)確定的包含了拓?fù)浣Y(jié)構(gòu)有效信息加權(quán)平均值,所以在完成節(jié)點(diǎn)標(biāo)簽的傳播過程后,同一節(jié)點(diǎn)難免會(huì)擁有多個(gè)不同標(biāo)簽。對于每一個(gè)節(jié)點(diǎn)來說,這個(gè)值在每一層傳播后會(huì)逐層累加。所以在計(jì)算歸類結(jié)果時(shí),算法會(huì)選擇節(jié)點(diǎn)獲得的標(biāo)簽中最大的值作為社區(qū)劃分的標(biāo)準(zhǔn)。這樣不僅可以保證讓最先獲得有效信息的鄰居節(jié)點(diǎn)在每次傳播中依然保持其原有劃分,而且也讓傳播過程更符合信息傳播模型。但由于標(biāo)簽值是根據(jù)節(jié)點(diǎn)拓?fù)浣Y(jié)構(gòu)的加權(quán)平均傳播的,這樣可能會(huì)導(dǎo)致某些度很大的節(jié)點(diǎn)共享很小的標(biāo)簽值,而度較小節(jié)點(diǎn)共享的標(biāo)簽值較大。而算法通常選擇度較大的節(jié)點(diǎn)作為模擬信號的初始節(jié)點(diǎn),在疊加多層卷積層后這個(gè)初始節(jié)點(diǎn)剩余的標(biāo)簽值有可能會(huì)小于從度較小節(jié)點(diǎn)傳播來的標(biāo)簽值,這樣就會(huì)導(dǎo)致度較大的初始節(jié)點(diǎn)被錯(cuò)誤劃分到平均度較小的社區(qū)中。

    算法1.2根據(jù)以上劃分異常情況進(jìn)行優(yōu)化。優(yōu)化目標(biāo)是將該節(jié)點(diǎn)回歸正確的社區(qū),優(yōu)化方式類似標(biāo)簽傳播算法[25],即依次判斷每個(gè)節(jié)點(diǎn)相鄰節(jié)點(diǎn)的社區(qū),隨后將節(jié)點(diǎn)加入其鄰居中數(shù)量最多的社區(qū)。優(yōu)化過程結(jié)合了其鄰居節(jié)點(diǎn)已經(jīng)從這個(gè)初始節(jié)點(diǎn)獲得的有效信息,并據(jù)此修改了這個(gè)初始節(jié)點(diǎn)在卷積層數(shù)較大時(shí)會(huì)選擇度較小節(jié)點(diǎn)的標(biāo)簽而產(chǎn)生的錯(cuò)誤社區(qū)劃分。

    在多種不同圖數(shù)據(jù)上的實(shí)驗(yàn)表明,這種錯(cuò)誤劃分大多出現(xiàn)在選擇初始節(jié)點(diǎn)之間的度相差較大的社區(qū)中,而對于選擇的初始節(jié)點(diǎn)間度差別不大的情況,歸類結(jié)果一般與優(yōu)化后的劃分結(jié)果相同。優(yōu)化算法一般只改變度值較大的社區(qū)中心節(jié)點(diǎn)的劃分,社區(qū)內(nèi)鄰居節(jié)點(diǎn)及其他節(jié)點(diǎn)的劃分基本保持不變,因此優(yōu)化后節(jié)點(diǎn)劃分保持不變的節(jié)點(diǎn)與社區(qū)內(nèi)除中心節(jié)點(diǎn)外其他節(jié)點(diǎn)所占該社區(qū)節(jié)點(diǎn)總數(shù)的比例大致相當(dāng)。

    步驟4計(jì)算社區(qū)劃分結(jié)果的評價(jià)指標(biāo)模塊度Q。

    在將擁有多個(gè)標(biāo)簽的節(jié)點(diǎn)進(jìn)行歸類并優(yōu)化后,算法的輸出矩陣就可以被轉(zhuǎn)化成節(jié)點(diǎn)與其對應(yīng)社區(qū)的矩陣。進(jìn)而可以評估算法計(jì)算的社區(qū)劃分效果。

    社區(qū)劃分評價(jià)指標(biāo)[26],最早由Newman 等人提出,用來衡量一個(gè)劃分的好壞程度。其形式為:

    式中的評價(jià)指標(biāo)有N個(gè)節(jié)點(diǎn),并且已經(jīng)將這些節(jié)點(diǎn)劃分為了n個(gè)社區(qū),節(jié)點(diǎn)彼此之間共有m個(gè)連接,則2m就是整個(gè)圖中全部的度。i和j是圖中的任意兩個(gè)節(jié)點(diǎn),當(dāng)兩個(gè)節(jié)點(diǎn)直接相連時(shí)Aij=1,否則Aij=0。ki代表的是節(jié)點(diǎn)i的度,δ(ci,cj)是克羅地亞函數(shù),是用來判斷節(jié)點(diǎn)V和W是否在同一個(gè)社區(qū)內(nèi),當(dāng)節(jié)點(diǎn)在同一個(gè)社區(qū)內(nèi)時(shí)δ(ci,cj)=1,否則δ(ci,cj)=0。模塊度越大則表明社區(qū)劃分效果越好。Q的取值為[-0.5,1],其論文表示當(dāng)Q值在0.3~0.7 之間時(shí),說明聚類的效果很好。所以大部分社區(qū)劃分算法的目標(biāo)都是盡量提高模塊度Q。

    在得到上階段對應(yīng)的社區(qū)劃分結(jié)果后,算法會(huì)首先檢查劃分?jǐn)?shù)量是否達(dá)到預(yù)先設(shè)定的社區(qū)數(shù)量,判斷是否出現(xiàn)過擬合的社區(qū)覆蓋現(xiàn)象。算法在達(dá)到指定GCN 層數(shù)或在未指定層數(shù)的情況下自動(dòng)運(yùn)行6 次卷積層后停止并計(jì)算社區(qū)劃分所得模塊度Q,與整個(gè)算法的運(yùn)行時(shí)間。最后算法將劃分結(jié)果繪圖并顯示出來,以更直觀的方式比較社區(qū)劃分結(jié)果。

    4 實(shí)驗(yàn)與結(jié)果分析

    為了客觀全面地評價(jià)聚類效果以及對算法的適用性進(jìn)行分析,本文實(shí)驗(yàn)選用一些經(jīng)典且被廣泛使用的現(xiàn)實(shí)世界數(shù)據(jù)集進(jìn)行算法效果對比。選用的對比方法有:基于層次聚類的GN 算法[2],經(jīng)典的K-means 聚類算法,和同樣使用拉普拉斯矩陣進(jìn)行劃分的譜聚類算法以及基于特征樹的BIRCH 算法[27]。選用的數(shù)據(jù)集如表1所示。

    表1 算法選用的數(shù)據(jù)集信息

    4.1 連通圖數(shù)據(jù)實(shí)驗(yàn)

    4.1.1 空手道俱樂部網(wǎng)絡(luò)圖

    空手道俱樂部作為現(xiàn)實(shí)世界的社交網(wǎng)絡(luò)且?guī)в性紭?biāo)簽的數(shù)據(jù)集,算法的社區(qū)檢測結(jié)果理應(yīng)更加貼近原始社區(qū)劃分(圖3)給出的實(shí)際結(jié)果。于是在這個(gè)帶有原始標(biāo)簽的數(shù)據(jù)集中,可以介紹另一種社區(qū)檢測評估方法:歸一化信息[31](Normalized Mutual Information,NMI),用于計(jì)算實(shí)際劃分與算法計(jì)算劃分之間的相似性。NMI的值越大,表示與數(shù)據(jù)集中的原始分區(qū)和社區(qū)結(jié)構(gòu)越相似。

    在現(xiàn)實(shí)世界的數(shù)據(jù)中作為組織者的節(jié)點(diǎn)根據(jù)其重要性及影響力自然會(huì)擁有最多的度,算法使用第一種初始化方法來選擇初始節(jié)點(diǎn),即選擇節(jié)點(diǎn){0}與節(jié)點(diǎn){33}作為初始節(jié)點(diǎn)。劃分結(jié)果在運(yùn)行第四層GCN 傳播規(guī)則時(shí)達(dá)到最優(yōu)值。圖4 中可以明顯看出:相比于原圖3中的節(jié)點(diǎn)屬性,本文算法將節(jié)點(diǎn){8,2}歸為officer 社區(qū),原因是其與初始設(shè)定的標(biāo)簽節(jié)點(diǎn){33}直接有邊相連,而節(jié)點(diǎn){0}則沒有邊與其直接相連。社區(qū)劃分的模塊度與NMI評價(jià)指標(biāo)如表2所示。結(jié)果表明GCN 社區(qū)檢測算法在處理抽象的現(xiàn)實(shí)世界網(wǎng)絡(luò)數(shù)據(jù)有天然的優(yōu)勢,對于社交網(wǎng)絡(luò)和分子結(jié)構(gòu)數(shù)據(jù)也有很好的適用性。

    圖3 空手道俱樂部圖的原始社區(qū)劃分

    圖4 使用GCN區(qū)檢測算法的劃分結(jié)果

    表2 不同算法的NMI和模塊度比較

    4.1.2 悲慘世界網(wǎng)絡(luò)圖

    為了比較不同圖卷積層數(shù)與模塊度的關(guān)系,先將悲慘世界人物網(wǎng)絡(luò)劃分成4 個(gè)社區(qū),如圖5 所示。模塊度Q會(huì)隨著圖卷積網(wǎng)絡(luò)的層數(shù)而增加,社區(qū)劃分效果會(huì)隨著模塊度Q的變化很快達(dá)到峰值,隨后出現(xiàn)一定波動(dòng),最后模塊度在第7 層以后有所下降。原因是過多的圖卷積層會(huì)使得標(biāo)簽數(shù)據(jù)過擬合,會(huì)使那些度較小節(jié)點(diǎn)的標(biāo)簽傳播到不該傳播的地方,破壞了原有的社區(qū)結(jié)構(gòu),使原本的劃分標(biāo)簽被某一種標(biāo)簽替代。在發(fā)生過擬合的情況時(shí)不僅可能達(dá)不到預(yù)先要求的劃分?jǐn)?shù)量,而且還會(huì)失去圖中之前良好的社區(qū)劃分結(jié)構(gòu),從而減小社區(qū)評價(jià)指標(biāo)的值。

    圖5 分類效果隨GCN層數(shù)變化效果圖

    所以,如上文提到的,算法要盡量減少圖卷積網(wǎng)絡(luò)的層數(shù)。在一般情況下,少量的卷積層不會(huì)出現(xiàn)過擬合的現(xiàn)象,但過擬合現(xiàn)象同時(shí)也受到圖數(shù)據(jù)的深度和節(jié)點(diǎn)的數(shù)量約束。

    圖6 是不同社區(qū)劃分?jǐn)?shù)量對比其他類型的社區(qū)劃分算法的效果圖,實(shí)驗(yàn)中圖卷積網(wǎng)絡(luò)的社區(qū)劃分結(jié)果是在同一劃分?jǐn)?shù)量下運(yùn)行5 層GCN 傳播規(guī)則,計(jì)算模塊度并取最優(yōu)值作為結(jié)果比較。如圖所示GCN 模型在整個(gè)社區(qū)劃分結(jié)果中相比其他算法均有一定的優(yōu)勢,在第5和第8 個(gè)劃分時(shí)略低于譜聚類算法劃分結(jié)果。相比于譜聚類使用拉普拉斯的特征空間進(jìn)行劃分,本文算法可以直接使用圖數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)進(jìn)行劃分,在減少了算法復(fù)雜程度的同時(shí)也能保持較好的劃分效果。

    圖6 悲慘世界人物圖的社區(qū)劃分結(jié)果對比圖

    4.1.3 arXiv引文網(wǎng)絡(luò)圖

    arXiv 數(shù)據(jù)集是來自其同名出版社1991 年至1993年電子出版的科學(xué)論文及其引文,節(jié)點(diǎn)與邊分別對應(yīng)每篇文章與它的引文。由于這個(gè)數(shù)據(jù)集中包含的節(jié)點(diǎn)數(shù)量較多,且圖的深度較大,在這里使用第二種方法選擇初始節(jié)點(diǎn),并設(shè)定用來對比的社區(qū)劃分?jǐn)?shù)量為18 至28。對于這類關(guān)系明確且節(jié)點(diǎn)數(shù)量龐大的數(shù)據(jù)集,使用鄰接矩陣作為輸入?yún)?shù)的算法會(huì)有一定的優(yōu)勢。因?yàn)槭褂每臻g坐標(biāo)的社區(qū)檢測算法往往會(huì)丟失節(jié)點(diǎn)之間邊的信息,這樣的劃分結(jié)果往往會(huì)出現(xiàn)很多不穩(wěn)定的問題。另外,大多數(shù)高維數(shù)據(jù)的空間的坐標(biāo)以及很多現(xiàn)實(shí)世界的抽象數(shù)據(jù)的坐標(biāo)都無法直接獲得。

    因此,這類數(shù)據(jù)對于譜聚類以及同樣使用鄰接矩陣作為輸入的GCN 社區(qū)檢測算法有著相對穩(wěn)定的結(jié)果,但區(qū)別在于前者使用鄰接矩陣和相似矩陣來計(jì)算拉普拉斯矩陣并對其進(jìn)行特征分解,將節(jié)點(diǎn)抽象到高維空間后再進(jìn)行劃分,而后者僅使用鄰接矩陣來計(jì)算標(biāo)簽傳播規(guī)則,劃分本質(zhì)是標(biāo)簽的傳播。而譜聚類又在面對社區(qū)之間節(jié)點(diǎn)數(shù)量差異過大時(shí)會(huì)出現(xiàn)劃分效果變差的情況。所以,如圖7所示,GCN 社區(qū)檢測算法擁有比譜聚類算法更好且穩(wěn)定的劃分。相對于其他算法本文算法在這個(gè)數(shù)據(jù)集中仍然有很明顯的優(yōu)勢。

    圖7 arXiv引文網(wǎng)絡(luò)的社區(qū)劃分結(jié)果對比圖

    4.2 不連通圖數(shù)據(jù)實(shí)驗(yàn)

    蛋白質(zhì)相互作用數(shù)據(jù)集是對芽酵母菌中的蛋白質(zhì)相互進(jìn)行檢測并記錄觀察得到的數(shù)據(jù)。通過對觀察到的已知數(shù)據(jù)分析并尋找規(guī)律,仍是現(xiàn)今生物界發(fā)現(xiàn)新型蛋白質(zhì)的常用方法。這類數(shù)據(jù)往往屬于不連通的圖數(shù)據(jù)[32]。

    圖8是蛋白質(zhì)相互作用網(wǎng)絡(luò)圖的圖像,由圖可見大部分蛋白質(zhì)聚集在圖結(jié)構(gòu)的中心區(qū)域,只有少量分布在中心周圍的其他區(qū)域,對于這樣的圖結(jié)構(gòu)數(shù)據(jù),中心部分的數(shù)據(jù)才是真正需要分析和計(jì)算的。然而譜聚類算法卻無法達(dá)到此效果,因?yàn)樽V聚類算法使用的特征向量空間會(huì)優(yōu)先聚類圖中周邊的節(jié)點(diǎn)。如圖8(a)所示。這樣的劃分結(jié)果很明顯地破壞了圖結(jié)構(gòu)原本所具有的社區(qū)結(jié)構(gòu),劃分的社區(qū)都在圖結(jié)構(gòu)的邊緣。之后的模塊度數(shù)據(jù)也說明了這一點(diǎn)。而本文提出GCN 算法則可以直接對圖中的中心數(shù)據(jù)進(jìn)行社區(qū)劃分,原因是GCN 算法使用鄰接矩陣參與運(yùn)算實(shí)現(xiàn)標(biāo)簽的傳遞,那些圖中的邊緣節(jié)點(diǎn)由于不與圖結(jié)構(gòu)中的主要部分連通,所以都劃分成一個(gè)社區(qū),如圖8(b)所示。對于這樣節(jié)點(diǎn)分布不均勻且不連通的數(shù)據(jù)集,只有對該圖數(shù)據(jù)的中心節(jié)點(diǎn)進(jìn)行社區(qū)劃分,才可以從劃分結(jié)果中獲得有效的數(shù)據(jù)。這樣的劃分結(jié)果才具有實(shí)際意義。

    圖9 是本文介紹的四種算法在蛋白質(zhì)交互網(wǎng)絡(luò)中的社區(qū)評價(jià)指標(biāo)模塊度對比,由于BIRCH 算法使用節(jié)點(diǎn)特征樹來計(jì)算社區(qū)劃分,對于非連通圖無法進(jìn)行有效劃分,其模塊度低于譜聚類算法,故不在圖中進(jìn)行對比。由圖可見本文使用的GCN 社區(qū)劃分算法在不同劃分?jǐn)?shù)量上的模塊度Q都優(yōu)于其他算法。體現(xiàn)了GCN算法在特殊類型的圖數(shù)據(jù)上也依然有較好的適用性,有相對更廣泛的應(yīng)用空間。

    圖8 蛋白質(zhì)相互作用網(wǎng)絡(luò)圖的社區(qū)劃分結(jié)果圖

    4.3 算法復(fù)雜度分析

    對GCN 社區(qū)檢測算法的時(shí)空復(fù)雜度進(jìn)行分析,由于圖卷積網(wǎng)絡(luò)的社區(qū)劃分算法是使用圖的鄰接矩陣作為輸入,且整個(gè)運(yùn)算過程幾乎不需要隨機(jī)選取數(shù)值,所以每層圖卷積層運(yùn)行一次的時(shí)間復(fù)雜度可以簡化為O(n)。但是,正是因?yàn)橛捎谒惴ㄊ褂绵徑泳仃?N×N)作為輸入,導(dǎo)致算法的空間復(fù)雜度較高O(n3)。總而言之,GCN 算法的核心就是矩陣相乘,相對于需要隨機(jī)和循環(huán)次數(shù)較多的GN 算法O(n2m)和K-means 算法O(mn),其中m為用來計(jì)算的節(jié)點(diǎn)個(gè)數(shù),以及BICRH 算法O(nlbn)也有一定的優(yōu)勢。而對于譜聚類算法,其在選取特征向量及特征值后還需要二次聚類,所以其理論時(shí)間復(fù)雜度是算法之中最高的。

    5 結(jié)束語

    本文提出了一種基于圖卷積網(wǎng)絡(luò)的社區(qū)檢測方法。將半監(jiān)督學(xué)習(xí)方法擴(kuò)展到非監(jiān)督學(xué)習(xí)領(lǐng)域,在社區(qū)檢測中應(yīng)用圖卷積網(wǎng)絡(luò)模型卷積核高效的參數(shù)共享性質(zhì),通過添加人工標(biāo)簽的節(jié)點(diǎn)矩陣來模擬輸入信號,使用GCN 傳播規(guī)則通過加權(quán)平均傳遞標(biāo)簽,然后比較節(jié)點(diǎn)接收到的每個(gè)標(biāo)簽并將節(jié)點(diǎn)歸類。最后對歸類的數(shù)據(jù)進(jìn)行優(yōu)化進(jìn)而得到最終的社區(qū)劃分。

    在不同類型的數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn),并與許多經(jīng)典的社區(qū)檢測算法進(jìn)行了比較,結(jié)果表明本文算法比所比較的其他社區(qū)檢測算法具有更好的性能。而且由于圖卷積網(wǎng)絡(luò)傳播規(guī)則的性質(zhì),該算法將更適合于現(xiàn)實(shí)世界的圖形數(shù)據(jù)集以及動(dòng)態(tài)圖形數(shù)據(jù)。同時(shí)也發(fā)現(xiàn)卷積層過多會(huì)導(dǎo)致過度擬合的問題和某些節(jié)點(diǎn)劃分異常的情況。接下來的工作是尋找更好的初始點(diǎn)選擇方法,并解決劃分結(jié)果中可能出現(xiàn)某些節(jié)點(diǎn)劃分異常的情況,以及在社區(qū)劃分過程中考慮邊含有的信息,并提高社區(qū)檢測結(jié)果的準(zhǔn)確性和檢測速度。

    猜你喜歡
    標(biāo)簽卷積聚類
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    無懼標(biāo)簽 Alfa Romeo Giulia 200HP
    車迷(2018年11期)2018-08-30 03:20:32
    不害怕撕掉標(biāo)簽的人,都活出了真正的漂亮
    海峽姐妹(2018年3期)2018-05-09 08:21:02
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    標(biāo)簽化傷害了誰
    基于改進(jìn)的遺傳算法的模糊聚類算法
    基于多進(jìn)制查詢樹的多標(biāo)簽識別方法
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    久久国产精品男人的天堂亚洲 | 欧美bdsm另类| 人人妻人人爽人人添夜夜欢视频| 一边摸一边做爽爽视频免费| 亚洲内射少妇av| 日本黄大片高清| 天天影视国产精品| 女性被躁到高潮视频| 久久久国产一区二区| 欧美xxⅹ黑人| 大又大粗又爽又黄少妇毛片口| 国产日韩欧美视频二区| 国产高清国产精品国产三级| 国产精品 国内视频| 国产精品国产av在线观看| 国产精品一二三区在线看| 最近中文字幕高清免费大全6| 97超视频在线观看视频| 视频在线观看一区二区三区| 十八禁网站网址无遮挡| 三上悠亚av全集在线观看| 女性被躁到高潮视频| 成人漫画全彩无遮挡| 欧美日韩视频精品一区| 久久久国产精品麻豆| 又黄又爽又刺激的免费视频.| 日韩 亚洲 欧美在线| 综合色丁香网| 日韩制服骚丝袜av| 人妻夜夜爽99麻豆av| 两个人免费观看高清视频| 飞空精品影院首页| 亚洲高清免费不卡视频| 在线观看三级黄色| 国产一区二区三区av在线| 成人亚洲精品一区在线观看| 一级爰片在线观看| 在线免费观看不下载黄p国产| 亚洲精品久久午夜乱码| 国产伦精品一区二区三区视频9| 久久热精品热| 十八禁网站网址无遮挡| 日本91视频免费播放| 狂野欧美激情性bbbbbb| 国产日韩一区二区三区精品不卡 | 我的女老师完整版在线观看| 寂寞人妻少妇视频99o| 欧美激情国产日韩精品一区| 亚洲熟女精品中文字幕| .国产精品久久| 青春草视频在线免费观看| 99热6这里只有精品| 91精品伊人久久大香线蕉| xxx大片免费视频| 欧美日韩精品成人综合77777| 欧美xxⅹ黑人| 99国产精品免费福利视频| 国产亚洲精品第一综合不卡 | 99九九在线精品视频| 男女高潮啪啪啪动态图| 日本wwww免费看| 国产女主播在线喷水免费视频网站| 欧美+日韩+精品| 日本91视频免费播放| 亚洲成人一二三区av| 一级毛片我不卡| 观看美女的网站| 97超视频在线观看视频| 如日韩欧美国产精品一区二区三区 | 日韩 亚洲 欧美在线| 在线观看美女被高潮喷水网站| 亚洲精品乱久久久久久| 美女主播在线视频| 亚洲av欧美aⅴ国产| 成人亚洲精品一区在线观看| 国产不卡av网站在线观看| 亚洲精品一区蜜桃| 日本黄色片子视频| 色婷婷久久久亚洲欧美| 91久久精品国产一区二区成人| 欧美精品国产亚洲| 免费播放大片免费观看视频在线观看| 精品人妻偷拍中文字幕| 在线天堂最新版资源| 国产毛片在线视频| 亚洲三级黄色毛片| 国产爽快片一区二区三区| 国产黄色视频一区二区在线观看| 国产免费视频播放在线视频| 制服人妻中文乱码| 自拍欧美九色日韩亚洲蝌蚪91| 少妇丰满av| 国产精品偷伦视频观看了| 国产免费一级a男人的天堂| 成人免费观看视频高清| 亚洲,欧美,日韩| 久久这里有精品视频免费| 精品人妻一区二区三区麻豆| 日本黄色片子视频| 九色亚洲精品在线播放| 亚洲欧美清纯卡通| 国产成人a∨麻豆精品| 久久午夜综合久久蜜桃| 久久人人爽人人爽人人片va| 国产伦精品一区二区三区视频9| 国产精品无大码| 亚洲激情五月婷婷啪啪| 亚洲欧美精品自产自拍| 成人亚洲欧美一区二区av| 久久久久久久久久成人| 国产淫语在线视频| 免费黄频网站在线观看国产| 欧美亚洲日本最大视频资源| 韩国av在线不卡| 国产精品一区www在线观看| av电影中文网址| 亚洲精品av麻豆狂野| 久久影院123| 一级毛片电影观看| 午夜免费鲁丝| 少妇的逼好多水| 爱豆传媒免费全集在线观看| 国产一区二区在线观看日韩| 国产精品偷伦视频观看了| 亚洲av欧美aⅴ国产| 久久人妻熟女aⅴ| 免费av不卡在线播放| 亚洲久久久国产精品| 国产精品人妻久久久久久| 男人添女人高潮全过程视频| 国产日韩欧美亚洲二区| 久久久久久人妻| 亚洲精品456在线播放app| 少妇熟女欧美另类| 国产精品一区www在线观看| 国产精品久久久久成人av| 丝袜美足系列| 国产成人免费无遮挡视频| 欧美3d第一页| 国产乱来视频区| 最近2019中文字幕mv第一页| 国产老妇伦熟女老妇高清| av电影中文网址| 精品国产国语对白av| 国产免费视频播放在线视频| 欧美日韩视频高清一区二区三区二| 精品久久国产蜜桃| 亚洲综合色网址| 精品午夜福利在线看| 久久久久久久久大av| 人人妻人人澡人人看| 99热国产这里只有精品6| 国产熟女午夜一区二区三区 | 亚洲人与动物交配视频| 蜜桃久久精品国产亚洲av| 97在线人人人人妻| 高清毛片免费看| 亚洲色图综合在线观看| 成人18禁高潮啪啪吃奶动态图 | 男男h啪啪无遮挡| 亚洲欧美日韩卡通动漫| 制服人妻中文乱码| 亚洲精品色激情综合| 街头女战士在线观看网站| 国产精品成人在线| 国产精品成人在线| 午夜av观看不卡| 欧美日韩成人在线一区二区| 亚洲精品aⅴ在线观看| 熟女电影av网| 波野结衣二区三区在线| 久久国产精品大桥未久av| 人人妻人人澡人人爽人人夜夜| 伦理电影大哥的女人| 色5月婷婷丁香| 少妇的逼水好多| 久久毛片免费看一区二区三区| 中文字幕久久专区| 考比视频在线观看| 国产av一区二区精品久久| 午夜影院在线不卡| 丝瓜视频免费看黄片| 乱人伦中国视频| 中文字幕人妻熟人妻熟丝袜美| 久久精品国产鲁丝片午夜精品| 国产色爽女视频免费观看| 新久久久久国产一级毛片| 午夜精品国产一区二区电影| videos熟女内射| 亚洲国产精品国产精品| 在线观看一区二区三区激情| 精品视频人人做人人爽| 成人综合一区亚洲| 高清在线视频一区二区三区| 三级国产精品片| 午夜激情福利司机影院| 丰满饥渴人妻一区二区三| 亚洲精品中文字幕在线视频| 亚洲精品国产av蜜桃| 久久久久久久国产电影| 久热久热在线精品观看| 老熟女久久久| 三上悠亚av全集在线观看| 久久精品国产a三级三级三级| 少妇精品久久久久久久| 免费人成在线观看视频色| 黄色欧美视频在线观看| 亚洲欧美色中文字幕在线| 两个人免费观看高清视频| 99国产精品免费福利视频| 国产免费现黄频在线看| 美女脱内裤让男人舔精品视频| 天天操日日干夜夜撸| 一区在线观看完整版| 3wmmmm亚洲av在线观看| 国产黄频视频在线观看| 午夜av观看不卡| 亚洲国产av新网站| 日韩中文字幕视频在线看片| 中文精品一卡2卡3卡4更新| 国产精品人妻久久久影院| 美女国产视频在线观看| 97超视频在线观看视频| 欧美另类一区| 久久 成人 亚洲| 一区二区三区免费毛片| 国模一区二区三区四区视频| 精品久久久精品久久久| 水蜜桃什么品种好| 欧美3d第一页| av黄色大香蕉| 亚洲第一av免费看| 黄色欧美视频在线观看| 两个人免费观看高清视频| 欧美激情国产日韩精品一区| 亚洲av二区三区四区| 日本黄大片高清| 91午夜精品亚洲一区二区三区| 一级毛片黄色毛片免费观看视频| 五月开心婷婷网| 日本黄大片高清| av在线观看视频网站免费| 亚洲国产av新网站| av又黄又爽大尺度在线免费看| xxx大片免费视频| 国国产精品蜜臀av免费| 91在线精品国自产拍蜜月| 性色avwww在线观看| 51国产日韩欧美| 欧美丝袜亚洲另类| 嘟嘟电影网在线观看| 亚洲美女搞黄在线观看| 男女无遮挡免费网站观看| 亚洲国产精品999| 欧美日韩综合久久久久久| 天堂中文最新版在线下载| 满18在线观看网站| 男女边摸边吃奶| 免费播放大片免费观看视频在线观看| 五月玫瑰六月丁香| 日本av手机在线免费观看| 国产免费一区二区三区四区乱码| 久久久久久人妻| 精品国产一区二区三区久久久樱花| 国产一区亚洲一区在线观看| 日韩一本色道免费dvd| 亚洲少妇的诱惑av| av网站免费在线观看视频| 久久99热这里只频精品6学生| 欧美精品高潮呻吟av久久| 久久99精品国语久久久| 久久韩国三级中文字幕| 国产高清有码在线观看视频| 国产精品国产三级国产专区5o| 黄色配什么色好看| 2018国产大陆天天弄谢| 亚洲精品456在线播放app| 色94色欧美一区二区| 亚洲综合色网址| 国产欧美日韩一区二区三区在线 | 狂野欧美激情性xxxx在线观看| 亚洲图色成人| 亚洲av中文av极速乱| 丝袜美足系列| 久久狼人影院| 观看av在线不卡| 久久久久精品性色| 久久亚洲国产成人精品v| 精品一区二区免费观看| 亚洲人与动物交配视频| 久热久热在线精品观看| 国产高清不卡午夜福利| 亚洲内射少妇av| 久久久久国产精品人妻一区二区| 免费大片黄手机在线观看| 日本午夜av视频| 亚洲精品色激情综合| 91久久精品国产一区二区成人| 精品人妻一区二区三区麻豆| av有码第一页| 美女主播在线视频| 丰满迷人的少妇在线观看| 日日爽夜夜爽网站| 亚洲精品中文字幕在线视频| 少妇的逼水好多| 久久国产精品大桥未久av| 大又大粗又爽又黄少妇毛片口| 免费看光身美女| 久久久久久久久久久久大奶| 免费播放大片免费观看视频在线观看| 中国三级夫妇交换| 91在线精品国自产拍蜜月| 久久久久精品性色| 久久精品国产鲁丝片午夜精品| 国产成人午夜福利电影在线观看| 男女免费视频国产| 七月丁香在线播放| 国产老妇伦熟女老妇高清| 蜜桃国产av成人99| 天堂中文最新版在线下载| 国产国拍精品亚洲av在线观看| av在线app专区| 成人毛片a级毛片在线播放| 久久影院123| 久久久久久久国产电影| 欧美+日韩+精品| 国产亚洲欧美精品永久| 天堂俺去俺来也www色官网| 色94色欧美一区二区| 亚州av有码| 欧美亚洲日本最大视频资源| 69精品国产乱码久久久| 久热久热在线精品观看| 日韩中字成人| 亚洲美女搞黄在线观看| 菩萨蛮人人尽说江南好唐韦庄| 精品99又大又爽又粗少妇毛片| 国产黄频视频在线观看| 我要看黄色一级片免费的| 国产精品一区二区在线观看99| 精品一区在线观看国产| 亚洲少妇的诱惑av| 制服诱惑二区| 亚洲av免费高清在线观看| 熟女av电影| 91国产中文字幕| 午夜激情av网站| 成人免费观看视频高清| 亚洲内射少妇av| 精品99又大又爽又粗少妇毛片| 日韩中字成人| 日韩 亚洲 欧美在线| 性高湖久久久久久久久免费观看| 观看美女的网站| 青春草视频在线免费观看| 男人操女人黄网站| 2021少妇久久久久久久久久久| 你懂的网址亚洲精品在线观看| av天堂久久9| 免费黄频网站在线观看国产| 七月丁香在线播放| 亚洲成人一二三区av| 国产av码专区亚洲av| 99久久综合免费| 80岁老熟妇乱子伦牲交| 99热网站在线观看| 在线观看一区二区三区激情| 久久久久精品久久久久真实原创| 国产精品国产三级国产专区5o| 18在线观看网站| 亚洲精品国产av成人精品| 中国美白少妇内射xxxbb| 精品久久久久久电影网| 中文字幕人妻熟人妻熟丝袜美| 大香蕉久久成人网| 三级国产精品欧美在线观看| 五月天丁香电影| 欧美日本中文国产一区发布| 国产片内射在线| 考比视频在线观看| 精品一区二区免费观看| 国产一级毛片在线| 日本黄大片高清| 校园人妻丝袜中文字幕| av在线app专区| 亚洲激情五月婷婷啪啪| 一边摸一边做爽爽视频免费| 精品国产一区二区三区久久久樱花| 亚洲精品久久午夜乱码| 国产精品.久久久| 国产视频首页在线观看| 久久久国产欧美日韩av| 国产国拍精品亚洲av在线观看| 亚洲国产成人一精品久久久| 亚洲国产精品专区欧美| 欧美一级a爱片免费观看看| 欧美日韩视频精品一区| 婷婷色av中文字幕| 日韩一本色道免费dvd| 日日爽夜夜爽网站| 亚洲成色77777| 男女高潮啪啪啪动态图| 在线观看一区二区三区激情| 大片电影免费在线观看免费| 极品少妇高潮喷水抽搐| 人体艺术视频欧美日本| 日韩欧美精品免费久久| 亚洲精品美女久久av网站| 一级片'在线观看视频| 亚洲三级黄色毛片| 草草在线视频免费看| 在线免费观看不下载黄p国产| av在线观看视频网站免费| 99久久精品国产国产毛片| 久久精品熟女亚洲av麻豆精品| 日韩av免费高清视频| 九九爱精品视频在线观看| 在线观看免费日韩欧美大片 | 中文字幕人妻丝袜制服| 久久97久久精品| .国产精品久久| 99九九线精品视频在线观看视频| 精品人妻在线不人妻| 国产视频首页在线观看| 精品一品国产午夜福利视频| 日韩三级伦理在线观看| 热99久久久久精品小说推荐| 高清av免费在线| 亚洲美女搞黄在线观看| 99久久中文字幕三级久久日本| 在线观看www视频免费| 欧美+日韩+精品| 国产一区二区在线观看日韩| 亚洲精品中文字幕在线视频| 亚洲精品亚洲一区二区| 2021少妇久久久久久久久久久| 美女大奶头黄色视频| av卡一久久| √禁漫天堂资源中文www| av卡一久久| 国产国语露脸激情在线看| 免费av不卡在线播放| 免费少妇av软件| 久久国产精品男人的天堂亚洲 | 亚洲成人手机| 五月天丁香电影| 日韩一区二区三区影片| 久久久a久久爽久久v久久| 欧美激情 高清一区二区三区| 99re6热这里在线精品视频| 久久精品国产亚洲av涩爱| 亚洲欧美日韩另类电影网站| 建设人人有责人人尽责人人享有的| 成人综合一区亚洲| 夜夜骑夜夜射夜夜干| 新久久久久国产一级毛片| 插逼视频在线观看| 日本vs欧美在线观看视频| 好男人视频免费观看在线| 亚洲国产成人一精品久久久| 在线亚洲精品国产二区图片欧美 | 久久久久久久国产电影| 极品少妇高潮喷水抽搐| 午夜福利,免费看| 亚洲精品亚洲一区二区| 一级毛片电影观看| 中文天堂在线官网| 免费人成在线观看视频色| 波野结衣二区三区在线| 如日韩欧美国产精品一区二区三区 | 国产综合精华液| 精品国产国语对白av| 国产免费一区二区三区四区乱码| 国产黄色视频一区二区在线观看| 亚洲,欧美,日韩| 午夜日本视频在线| 国产精品人妻久久久影院| 亚洲欧美日韩卡通动漫| 久久国内精品自在自线图片| 国产成人freesex在线| 久久热精品热| 亚洲综合色惰| av不卡在线播放| 新久久久久国产一级毛片| 国产男女超爽视频在线观看| 大片电影免费在线观看免费| 性色avwww在线观看| 九九爱精品视频在线观看| 人人妻人人爽人人添夜夜欢视频| 美女大奶头黄色视频| 91在线精品国自产拍蜜月| 一级黄片播放器| 国产色爽女视频免费观看| 久久免费观看电影| 亚洲综合色网址| 婷婷色av中文字幕| 亚洲性久久影院| 亚洲精品久久久久久婷婷小说| 在线观看免费高清a一片| 纯流量卡能插随身wifi吗| 十八禁网站网址无遮挡| 亚洲美女黄色视频免费看| 国产精品一区二区在线不卡| 国产精品久久久久成人av| 亚洲,欧美,日韩| 亚洲欧美成人综合另类久久久| 91精品国产国语对白视频| 久久精品国产鲁丝片午夜精品| 久久精品国产亚洲av涩爱| 日本av免费视频播放| 欧美日韩av久久| 久久久a久久爽久久v久久| 最近中文字幕2019免费版| 免费播放大片免费观看视频在线观看| 黄色怎么调成土黄色| 婷婷色av中文字幕| 免费高清在线观看日韩| 国产一区亚洲一区在线观看| 高清在线视频一区二区三区| 免费av不卡在线播放| 国产成人免费观看mmmm| 午夜福利影视在线免费观看| 免费少妇av软件| 国产精品偷伦视频观看了| 日本av手机在线免费观看| 女的被弄到高潮叫床怎么办| 欧美日韩综合久久久久久| 啦啦啦在线观看免费高清www| 久久久久网色| 丰满饥渴人妻一区二区三| 欧美变态另类bdsm刘玥| 日韩一本色道免费dvd| 好男人视频免费观看在线| 性高湖久久久久久久久免费观看| 国产精品女同一区二区软件| 蜜桃在线观看..| 国产亚洲最大av| 午夜视频国产福利| 久久久久精品久久久久真实原创| 免费观看性生交大片5| 国产精品久久久久久精品古装| 亚洲精品一二三| 最黄视频免费看| 一本大道久久a久久精品| 亚洲国产精品999| 日韩中字成人| 久久久久久久精品精品| 极品少妇高潮喷水抽搐| 在线看a的网站| 激情五月婷婷亚洲| 成年av动漫网址| 插逼视频在线观看| 国产精品女同一区二区软件| 嘟嘟电影网在线观看| 国产熟女欧美一区二区| 久久久久久久久大av| 久久精品夜色国产| 久久久久久久久久久免费av| 久久久久视频综合| 久久久久网色| 精品人妻在线不人妻| 久久人人爽人人爽人人片va| 国产乱来视频区| 色网站视频免费| 人人妻人人添人人爽欧美一区卜| 日韩在线高清观看一区二区三区| 最新的欧美精品一区二区| 午夜免费鲁丝| 九九爱精品视频在线观看| 国产熟女欧美一区二区| 亚洲综合色网址| 中文字幕精品免费在线观看视频 | 一区在线观看完整版| 亚洲色图综合在线观看| 妹子高潮喷水视频| 亚洲成色77777| 久久久国产一区二区| 国产精品一区www在线观看| 91精品三级在线观看| 色婷婷av一区二区三区视频| 老司机亚洲免费影院| 午夜免费男女啪啪视频观看| 婷婷色综合大香蕉| 国产精品久久久久久精品古装| 男女免费视频国产| 欧美 亚洲 国产 日韩一| 国产精品国产av在线观看| 如日韩欧美国产精品一区二区三区 | 母亲3免费完整高清在线观看 | 午夜激情久久久久久久| 免费观看的影片在线观看| 精品一区二区三卡| 中文字幕免费在线视频6| 大陆偷拍与自拍| 国产免费一区二区三区四区乱码| 国产淫语在线视频| 色婷婷av一区二区三区视频| 午夜激情福利司机影院| 一个人看视频在线观看www免费| 欧美bdsm另类| 国产精品99久久99久久久不卡 | 国产成人免费观看mmmm| 亚洲av在线观看美女高潮| 国产免费一级a男人的天堂| 婷婷色综合www| 精品少妇黑人巨大在线播放| 亚洲欧洲国产日韩| 亚洲av不卡在线观看| 国产精品 国内视频| 少妇人妻精品综合一区二区| 黑丝袜美女国产一区| 丰满迷人的少妇在线观看| 国产免费又黄又爽又色| 制服诱惑二区| 久久久精品区二区三区|