• <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 ?

    基于卷積神經網絡的電視頻道推薦算法

    2020-12-23 05:47:19邵文倩
    軟件 2020年10期
    關鍵詞:推薦算法電視頻道卷積神經網絡

    摘? 要: 隨著網絡和電視服務行業(yè)的發(fā)展,網絡電視平臺可以為用戶提供更豐富的電視頻道,但對于用戶而言,挑選喜愛頻道的難度大幅提高。針對此問題,本文提出了基于文本卷積神經網絡(TextCNN)的電視頻道推薦算法,首先根據用戶歷史觀看行為得到隱性觀看特征,以及根據用戶觀看電視頻道不同時段的節(jié)目簡介得到用戶特征標簽和電視頻道標簽,然后在卷積神經網絡模型中訓練得到預測評分,最后通過預測評分對目標用戶進行推薦個性化推薦,同時考慮了冷啟動問題,使用K-Means方法來解決。我們設計了不同推薦算法的性能對比實驗,最終通過基于廣電運營平臺中真實數據集的實驗表明我們提出的算法優(yōu)于其他幾種基線推薦方法,提高了推薦質量。

    關鍵詞: 電視頻道;推薦算法;卷積神經網絡;K-Means;TextCNN

    中圖分類號: TP391? ? 文獻標識碼: A? ? DOI:10.3969/j.issn.1003-6970.2020.10.039

    本文著錄格式:邵文倩. 基于卷積神經網絡的電視頻道推薦算法[J]. 軟件,2020,41(10):153156

    【Abstract】: Through the development of the Internet and TV service industries, Internet TV platforms can provide users with more abundant TV channels, but for users, the difficulty of choosing favorite channels has also increased significantly. To solve this problem, a TV channel recommendation algorithm based on text convolutional neural network (TextCNN) is proposed. At first, the implicit viewing characteristics are obtained according to historical viewing behavior of users, and the user characteristic labels and TV channel labels are obtained according to the program introduction of different programs of the user watching the TV channel. Then trained in the convolutional neural network model to obtain the prediction score, and finally made personalized recommendations to the target users through the prediction score. At the same time, considering the cold start problem, the k-means method was used to solve it. Performance comparison experiments of various recommendation algorithms under different evaluation indicators are designed. Finally, experiments based on real data sets in the broadcasting and television operation platform show that our proposed algorithm replaces several other optional recommendation methods and improves the recommendation quality.

    【Key words】: TV channel; Recommendation algorithm; K-Means; TextCNN

    0? 引言

    現有的大多數電視服務只提供電子節(jié)目指南(Electronic program guides,EPG),即為用戶提供電視頻道直播和視頻點播服務,用戶可以根據EPG中提供的菜單列表選擇自己喜歡的節(jié)目或者頻道,點播視頻或者節(jié)目等。但普通的EPG并非根據用戶個人偏好設計,面對琳瑯滿目的電視頻道,如何引導用戶快速找到自己喜愛的頻道,從而提高用戶的觀看質量,成為電視服務供應商面對的至關重要的問題。

    電視推薦屬于推薦系統(tǒng)應用的一大領域,文獻[1]中對電視領域推薦系統(tǒng)的研究綜述闡明,在電視領域內很多項目的推薦已經被廣泛應用。文獻[2]中提出了一種基于時間上下文因素和隱式反饋張量分解的個性化電視節(jié)目推薦系統(tǒng)。文獻[3]鑒于在微博平臺上用戶交互和生成內容的可用性,使用協同過濾方法中的概率矩陣分解來提高用戶興趣的相似度。文獻[4-5]基于LDA模型對電視節(jié)目和用戶進行統(tǒng)一建模從而推薦,也取得良好的效果。文獻[6]定義了用戶的可觀察時間間隔,同時提出了一種基于協同過濾的新穎框架。

    雖然當前研究大多數偏向推薦電視領域內的電視節(jié)目或電影,極少部分推薦電視頻道,但仍有部分研究給我們提供參考。例如,文獻[7]分析了用戶切換電視頻道序列的行為,使用了一種集成的方法對用戶進行頻道推薦,通過與各種預測模型,排序方法和數據劃分的模型融合,進一步提高了基本推薦系統(tǒng)的準確性。此外,還有一些其他研究,文獻[8]在文章中指出了電視直播頻道推薦中存在的問題,提出了一種智能的預測方法來為用戶進行預測。除了機器學習的方法,也有深度學習的方法對電視頻道推薦進行改進,文獻[9]使用IPTV頻道觀看序列訓練獨立的LSTM模型。但傳統(tǒng)的電視推薦方法無法完全捕捉用戶的觀看特征和電視頻道特征,因此,本文提出了基于卷積神經網絡的電視頻道推薦算法,對目標用戶進行個性化推薦。

    1? 基于卷積神經網絡的電視節(jié)目推薦算法

    1.1? Text-CNN模型框架

    卷積神經網絡(Convolutional Neural Networks,CNN)主要由卷積和池化操作構成,經常用來處理具有類似網格拓撲結構的數據,例如圖像可以視為二維網格的像素點,事實上自然語言可以視為一維的詞序列。卷積神經網絡可以提取多種局部特征,并對其進行組合抽象得到更高級的特征表示。

    在深度學習的研究中,對于類別字段常采用一位有效編碼方式編碼。由于數據集中有類別繁多的用戶號、電視頻道標識號,使得該編碼方式無法滿足神經網絡輸入維度的合理控制,因此,在網絡的第一層使用了嵌入層,將用戶號、電視頻道標識號作為嵌入矩陣的索引。每個用戶號與相應的用戶特征標簽輸入嵌入層,映射為維度大小為1×32的向量表示,輸入全連接層得到用戶特征。同時,將每個頻道標識號與對應頻道標簽輸入嵌入層,由于某些電視頻道可能有多個標簽,因此需要對嵌入矩陣進行求和,同樣映射為維度大小為1×32的向量表示,卷積神經網絡模型如圖1所示。對于電視頻道名稱,則利用文本卷積神經網絡進行處理,如圖2所示。網絡第一層為詞嵌入層,由電視頻道名稱的每一個字符的嵌入向量組成嵌入矩陣,下一層使用多個不同尺寸的卷積核在嵌入矩陣上做卷積,第三層網絡為池化層,利用池化操作得到一個一維向量并使Dropout做正則化處理,最終得到電視頻道名稱的特征。

    1.2? 評分體系與特征標簽

    我們使用隱性評分對數據進行篩選和打分得到真實評分,對節(jié)目推薦系統(tǒng)輸出節(jié)目評分矩陣。針對所給數據分析后可知,電視用戶對于頻道評分的影響因素主要為兩點。首先是電視觀看時間,這是主要的影響因素,觀看時間很大程度代表了用戶的喜好程度[10]。當然這里的時間必須歸一化處理,最終采用頻道觀看時間占總時間的比例。其次是頻道觀看頻率,觀看頻率是最重要影響因素,可以一定程度上體現出用戶對該頻道的喜好程度。

    本文采用基于電視頻道的觀看頻率與平均觀看時長作為評分的測度指標, 定義為用戶對電視頻道的觀看時長,觀看頻率為,其中電視頻道時長是頻道除了廣告之外的所有時長。我們根據用戶平均觀看時長與電視頻道時長的比值,將收視用戶對于不同電視頻道的評分劃分為10個分數等級,記為用戶對電視頻道的評分,收視用戶的隱性評分公式見式(1)和式(2):

    1.3? Text-CNN卷積層

    針對文本向量進行卷積操作是提取文本向量高層次特征的一個重要過程。算法的性能與該層的卷積窗口大小、學習速率、卷積步長有關[11],本文卷積窗口的尺寸設置為,卷積窗口個數 ,學習速率,卷積步長設置為。詳細的文本卷積如式(3)-式(5)所示:

    我們提取了用戶收視信息中的有效信息,該信息中共包含245個電視頻道,由于embedding函數需要為對嵌入矩陣的索引進行匹配,因此我們建立了245個電視頻道標識號的匹配索引。嵌入層矩陣W為擴展后的電視頻道名稱矩陣,其維度為24532,其中表示第個節(jié)目名稱中第個字符的特征向量,表示卷積窗口到卷積窗口進行拼接得到的特征向量,卷積核可表示為一個維度為的矩陣,即,特征圖可得到個特征。矩陣G為卷積核函數矩陣,該矩陣的維度與輸入的電視頻道名稱數和卷積窗口有關。

    矩陣H為輸入矩陣W與卷積核函數矩陣G卷積的結果。其中,代表第個節(jié)名稱通過次卷積得到的向量。將矩陣H進行非線性處理需要非線性激活函數,本文采用ReLu激活函數。

    1.4? TextCNN池化層

    池化層又被稱為子采樣層或下采樣層,在卷積層之后添加一個池化層對卷積層得到每一個特征圖進行池化操作,常用的池化操作包括最大池化和平均池化,最大值池化操作選擇特征圖中的最大值[12-13],平均值池化選擇特征圖中的平均值,本文采用最大值池化操作。池化層旨在對特征圖進行縮放同時降低網絡的復雜度,通過最大值池化操作可以得到該卷積核的主要特征,至此每一個卷積核可以提取出一個特征。假設在卷積層第個卷積核得到的特征圖為 具體池化操作如式(6)表示,其中表示池化操作。

    1.5? 冷啟動問題

    針對用戶冷啟動問題,我們首先進行統(tǒng)計分析,找出每個用戶觀看的電視頻道類型,然后再對這些電道類標簽進行K-Means聚類,找出相同的電視頻道類別,在相同的電視頻道類別中,給新用戶推薦其他老所評價較高的電視頻道。

    在算法中,首先初始簇心的選擇是隨機的,然后通過相似度計算,再把數據集中的數據樣本與最近的初始中心歸為一類,不斷重復這一過程,直到各個初始中心在某個精度范圍內不變。我們將用戶號和電視根關的標簽進行聚類。首先在包含1329個用戶中隨機選擇個用戶作為聚類的初始簇心利用式(7)計算出各個用戶到的距離,找到每個樣本數據p的最小距離,將p加入到與相同的簇中,完成所有樣本的遍歷后使用式(8)重新計算的值,作為新的簇心,重復上述步驟直到目標函數E不再變化,目標函數E如式(9)所示。對于沒有歷史數據的用戶,我們保證對其推薦的電視頻道覆蓋到了所有的類別中,以便更加全面地滿足各個用戶的需求。

    2? 實驗析

    2.1? 實驗數據采集

    為了通過實驗證明基于卷積神經網絡的電視頻道推薦算法的有效性,我們使用了某廣電網絡運營公司大數據基礎營銷服務平臺中真實電視頻道觀看歷史數據和電視頻道播放節(jié)目數據,日期為2019年7月1日至2019年9月29日。電視頻道觀看歷史數據統(tǒng)計了561288條數據,由1329個用戶觀看的245個電視頻道的記錄,字段包括用戶設備號、統(tǒng)計日期、頻道號、收看開始時間和收看結束時間。電視頻道播放節(jié)目數據將電視頻道和電視頻道聯系起來,數據包含電視頻道播放的1352個電視節(jié)目,字段包括頻道名稱、日期、節(jié)目名稱、開始時間。為獲取1352個電視節(jié)目信息,我們爬取了節(jié)目名稱、中文名、導演、類型、簡介信息等數據。從電視頻道觀看歷史數據、電視頻道播放節(jié)目數據、電視節(jié)目信息中,我們獲取了所有電視頻道24小時各時段的播放節(jié)目類型信息,從而利用該信息提取各用戶特征標簽。我們爬取了頻道名稱、類型、口號和簡介等數據來獲取245個電視頻道的頻道標簽。

    2.2? 數據預處理與實驗設計

    首先,對數據集中的用戶收視信息進行用戶觀看行為統(tǒng)計分析,共計256個用戶不存在任何收視和點播信息。對此類用戶,我們使用冷啟動問題解決辦法。為了獲得具有更高質量的電視頻道的觀看歷史數據,需要對數據進行預處理。在電視頻道觀看歷史中,有將近90%的數據都是小于160分鐘的,其中1分鐘至11分鐘的數據量達到最大。過長時間觀看的記錄被視為不活躍的記錄,短時間的觀看記錄考慮是用戶暫無感興趣節(jié)目,所以總體考慮保留2分鐘到200分鐘的觀看歷史記錄。

    本文采用留一法交叉驗證假設樣本數據集中有N個樣本數據,將每個樣本單獨作為測試集,其余 個樣本作為訓練集,這樣得到了N個模型,用這N個模型的分類準確率的平均數作為此模型的性能指標。對于個性化推薦算法的主要評價標準一般選用準確率、召回率以及F1。

    2.3? 實驗結果及分析

    模型的訓練基于Tensorflow開源框架,對用戶評分的擬合可規(guī)約于回歸問題。經過神經網絡對用戶信息和頻道信息的特征提取后,將兩個特征作為輸入信息,傳入下一層全連接層,損失函數采用RMSE進行計算,采用隨機梯度下降法對網絡的參數進行更新。

    算法的測試數據集為清洗規(guī)約后的標準結構化數據集,本文主要測試算法運行的終止準則為Epochs= 100,模型損失函數采用隨機梯度下降法(Stochastic Gradient Descent,SGD)進行迭代優(yōu)化,SGD學習速率設置為0.005。本節(jié)給出了五種推薦算法KNN、SVD、協同過濾、LSTM和TextCNN在準確率、召回率和F1指標上的性能對比,詳細對比結果見圖3所示。

    本文所提出的基于文本卷積神經網絡的推薦算法在5-Folds交叉測試的平均精確率和F1指標明顯優(yōu)于其他算法,說明我們提出的基于文本的卷積神經網絡方法能夠精準地推薦用戶需要的電視頻道。此外,LSTM算法在F1指數上也明顯占優(yōu),說明該算法也是一種解決電視產品營銷推薦問題的有效推薦算法。

    3? 結論

    當前研究大多數偏向推薦電視領域內的電視節(jié)目或電影,較少探究電視頻道推薦的內容。本文利用了卷積神經網絡局部特征提取的功能,根據用戶歷史觀看記錄進行分析得到隱性觀看評分,同時通過電視頻道不同時段的節(jié)目簡介得到用戶特征標簽和電視頻道標簽,將標簽和在卷積神經網絡模型中進行訓練得到預測評分,最后通過預測評分對目標用戶進行推薦個性化推薦,同時考慮了冷啟動問題。實驗結果表明本文的算法能夠對用戶進行比較精確的推薦,優(yōu)于其他幾種基線推薦方法。

    參考文獻

    [1]Veras D, Prota T, Bispo A, et al. A literature review of recommender systems in the television domain[J]. Expert Systems with Application, 2015, 42(22下): 9046-9076.

    [2]Almutairi F M, Sidiropoulos N D, Karypis G. Context-Aware Recommendation-Based Learning Analytics Using Tensor and Coupled Matrix Factorization[J]. Selected Topics in Signal Processing, IEEE Journal of, 2017, 11(5): 729-741.

    [3]Zhang Y, Chen W, Yin Z. Collaborative filtering with social regularization for tv program recommendation. Knowledge-Based Systems, 54(dec.), 310-317(2013).

    [4]Pyo S, Kim E, Kim M. LDA-Based Unified Topic Modeling for Similar TV User Grouping and TV Program Recommendation[J]. Cybernetics, IEEE Transactions on, 2015, 45(8): 1476-1490.

    [5]Zhang J, Li Y, Chen M, et al. An implicit feedback integrated LDA-based topic model for IPTV program recommendation[C]// 2016 16th International Symposium on Communications and Information Technologies (ISCIT). IEEE, 2016.

    [6]Cho, K., Lee, Y., Han, K., Choi, J., Kim, S.: No Thats Not My Feedback: TV Show Recommendation Using Watchable Interval[C]// 2019 IEEE 35th International Conference on Data Engineering. Macao: ICDE, 2019: 316-327. (2019).

    [7]Yu C, Ding H,Cao H, Liu Y, and Yang C. 2017. Follow Me: Personalized IPTV Channel Switching Guide. In Proceedings of the 8th ACM on Multimedia Systems Conference (MMSys17). Association for Computing Machine-ry, New York, NY, USA, 147–157.

    [8]Ning L, Zhao Z, Zhou R, Zhang Y, Feng S: Realtime Channel Recommendation: Switch Smartly While Watching TV. International Workshop on Frontiers in Algorithmics. Springer International Publishing (2016).

    [9]Yang C, Ren S, Liu Y, et al. Personalized Channel Recommendation Deep Learning From a Switch Sequence[J]. IEEE Access, 2018, 6: 50824-50838.

    [10]任思璇. 網絡電視用戶個性化直播頻道推薦方法研究[D].華南理工大學, 2018.

    [11]陶文靜. 基于卷積神經網絡的新聞文本分類研究[D]. 北京交通大學, 2019.

    [12]康雁, 楊其越, 李浩, 等. 基于主題相似性聚類的自適應文本分類[J/OL]. 計算機工程: 1-7 [2020-03-13].

    [13]Guo B, Zhang C, Liu J, et al. Improving text classification with weighted word embeddings via a multi-channel TextCNN model[J]. Elsevier B.V., 2019, 363.

    猜你喜歡
    推薦算法電視頻道卷積神經網絡
    服務與節(jié)目的深度融合——少兒電視頻道的一點思考
    傳媒評論(2018年6期)2018-08-29 01:14:46
    少兒電視頻道現狀與融合發(fā)展途徑
    傳媒評論(2017年9期)2017-12-20 08:08:04
    電視頻道形象宣傳片探析
    傳播力研究(2017年5期)2017-03-28 09:08:30
    融媒體時代地面電視頻道推廣新路徑
    市場周刊(2017年1期)2017-02-28 14:13:36
    基于深度卷積神經網絡的物體識別算法
    基于相似傳播和情景聚類的網絡協同過濾推薦算法研究
    現代情報(2016年11期)2016-12-21 23:35:01
    社交網絡推薦系統(tǒng)
    混合推薦算法在電影推薦中的研究與評述
    深度學習算法應用于巖石圖像處理的可行性研究
    軟件導刊(2016年9期)2016-11-07 22:20:49
    一種改進的基于位置的推薦算法
    軟件導刊(2016年9期)2016-11-07 17:58:16
    大又大粗又爽又黄少妇毛片口| 色婷婷av一区二区三区视频| 丁香六月天网| 亚洲精品乱码久久久v下载方式| 在线亚洲精品国产二区图片欧美 | 亚州av有码| 久久精品久久久久久噜噜老黄| 我的女老师完整版在线观看| 各种免费的搞黄视频| 免费久久久久久久精品成人欧美视频 | 亚洲精品aⅴ在线观看| 中文天堂在线官网| 日产精品乱码卡一卡2卡三| av免费观看日本| 成人国产av品久久久| 欧美激情国产日韩精品一区| 日本与韩国留学比较| 黑人猛操日本美女一级片| 大香蕉97超碰在线| 伊人久久国产一区二区| 女人久久www免费人成看片| 黄片无遮挡物在线观看| 男女国产视频网站| 人妻少妇偷人精品九色| 赤兔流量卡办理| 国产免费福利视频在线观看| 18禁裸乳无遮挡动漫免费视频| 国产精品久久久久久av不卡| 韩国高清视频一区二区三区| 黄色欧美视频在线观看| 午夜福利网站1000一区二区三区| 大片电影免费在线观看免费| 老司机亚洲免费影院| 丁香六月天网| 精品国产露脸久久av麻豆| 国产亚洲5aaaaa淫片| 女人精品久久久久毛片| 国产精品人妻久久久影院| 欧美性感艳星| 人妻少妇偷人精品九色| 午夜精品国产一区二区电影| 一级毛片aaaaaa免费看小| 国产欧美亚洲国产| h日本视频在线播放| 国产有黄有色有爽视频| 日本黄大片高清| 国产精品成人在线| 久久久久久伊人网av| 国产精品免费大片| 天堂8中文在线网| 国语对白做爰xxxⅹ性视频网站| 人妻少妇偷人精品九色| 亚洲国产欧美日韩在线播放 | 国产精品秋霞免费鲁丝片| av又黄又爽大尺度在线免费看| 免费av中文字幕在线| 国产黄片视频在线免费观看| av国产久精品久网站免费入址| 少妇人妻久久综合中文| 亚洲国产精品999| 亚洲图色成人| 久久久久久久亚洲中文字幕| 久久精品熟女亚洲av麻豆精品| 中国美白少妇内射xxxbb| 国产精品一区二区三区四区免费观看| 欧美最新免费一区二区三区| 男的添女的下面高潮视频| 欧美日韩视频精品一区| 女人精品久久久久毛片| 91久久精品国产一区二区三区| av在线播放精品| 午夜福利影视在线免费观看| 国产精品一二三区在线看| av线在线观看网站| 日本91视频免费播放| 九九在线视频观看精品| 五月玫瑰六月丁香| 97精品久久久久久久久久精品| 日韩精品免费视频一区二区三区 | 乱系列少妇在线播放| 精品一品国产午夜福利视频| 亚洲精品,欧美精品| 国产精品女同一区二区软件| 中文字幕免费在线视频6| 亚洲国产日韩一区二区| 十分钟在线观看高清视频www | 人妻 亚洲 视频| 亚洲激情五月婷婷啪啪| 亚洲av电影在线观看一区二区三区| 一级黄片播放器| 欧美变态另类bdsm刘玥| 亚洲天堂av无毛| 日日爽夜夜爽网站| 亚洲av成人精品一区久久| 中文天堂在线官网| av天堂久久9| 久久99热6这里只有精品| 国产伦在线观看视频一区| 欧美日韩精品成人综合77777| 免费观看性生交大片5| 如何舔出高潮| 国产高清不卡午夜福利| 国产精品免费大片| 18禁动态无遮挡网站| 久久女婷五月综合色啪小说| 18禁裸乳无遮挡动漫免费视频| 国产精品久久久久久精品电影小说| 秋霞伦理黄片| 日韩中字成人| 热99国产精品久久久久久7| 99久久精品一区二区三区| 在线观看av片永久免费下载| 嫩草影院新地址| 中文字幕免费在线视频6| 99精国产麻豆久久婷婷| 丰满乱子伦码专区| 女的被弄到高潮叫床怎么办| 亚洲经典国产精华液单| 国产亚洲91精品色在线| 美女视频免费永久观看网站| 久久女婷五月综合色啪小说| 免费久久久久久久精品成人欧美视频 | 欧美人与善性xxx| 3wmmmm亚洲av在线观看| 亚洲婷婷狠狠爱综合网| 两个人免费观看高清视频 | 高清在线视频一区二区三区| 你懂的网址亚洲精品在线观看| 大片电影免费在线观看免费| 国产精品久久久久久久久免| 国产成人精品久久久久久| 99re6热这里在线精品视频| 观看av在线不卡| 99久久综合免费| 亚洲av成人精品一区久久| 伊人亚洲综合成人网| 91久久精品国产一区二区三区| 国产精品久久久久久精品古装| 岛国毛片在线播放| 国产成人精品婷婷| 另类精品久久| 日本免费在线观看一区| 成人18禁高潮啪啪吃奶动态图 | 免费少妇av软件| 国产永久视频网站| 久久精品久久精品一区二区三区| 久久精品国产亚洲av天美| 夜夜看夜夜爽夜夜摸| 日韩av免费高清视频| 国产视频内射| 亚洲电影在线观看av| 多毛熟女@视频| 国产无遮挡羞羞视频在线观看| 少妇高潮的动态图| av一本久久久久| 晚上一个人看的免费电影| 精品国产一区二区三区久久久樱花| 久久人人爽人人爽人人片va| 特大巨黑吊av在线直播| 三级国产精品欧美在线观看| 久久国产亚洲av麻豆专区| 国产日韩欧美在线精品| 91aial.com中文字幕在线观看| 热re99久久国产66热| 欧美精品高潮呻吟av久久| 亚洲av中文av极速乱| 久久 成人 亚洲| 欧美精品高潮呻吟av久久| av在线观看视频网站免费| 少妇猛男粗大的猛烈进出视频| 国产日韩欧美亚洲二区| 最新的欧美精品一区二区| 日日爽夜夜爽网站| 97超碰精品成人国产| 日韩伦理黄色片| 色婷婷久久久亚洲欧美| 国产探花极品一区二区| √禁漫天堂资源中文www| 少妇 在线观看| 成年女人在线观看亚洲视频| 女性生殖器流出的白浆| 久久久午夜欧美精品| 18禁裸乳无遮挡动漫免费视频| 午夜福利视频精品| 国产精品久久久久久久久免| 色5月婷婷丁香| 黄片无遮挡物在线观看| 少妇裸体淫交视频免费看高清| 人妻系列 视频| 欧美变态另类bdsm刘玥| 日韩一本色道免费dvd| 2018国产大陆天天弄谢| 国产淫片久久久久久久久| 成人综合一区亚洲| 日本黄大片高清| 一级片'在线观看视频| 国产淫片久久久久久久久| 成年女人在线观看亚洲视频| 久久热精品热| 午夜福利视频精品| 欧美老熟妇乱子伦牲交| 国产国拍精品亚洲av在线观看| 国产无遮挡羞羞视频在线观看| 你懂的网址亚洲精品在线观看| 成人漫画全彩无遮挡| 国产亚洲av片在线观看秒播厂| 日韩av不卡免费在线播放| 男男h啪啪无遮挡| 免费人成在线观看视频色| 欧美日韩精品成人综合77777| 男人和女人高潮做爰伦理| 国产探花极品一区二区| 伦理电影免费视频| 精品99又大又爽又粗少妇毛片| 边亲边吃奶的免费视频| 美女内射精品一级片tv| 国产在线视频一区二区| 欧美另类一区| 又爽又黄a免费视频| 亚洲av国产av综合av卡| 大香蕉97超碰在线| 夫妻性生交免费视频一级片| 日韩成人av中文字幕在线观看| 国产色爽女视频免费观看| 国产精品无大码| 老司机亚洲免费影院| 国产一区二区三区综合在线观看 | 深夜a级毛片| 日韩免费高清中文字幕av| a级片在线免费高清观看视频| 亚洲伊人久久精品综合| 国产一级毛片在线| 国产黄色免费在线视频| 国产精品久久久久久精品电影小说| 99国产精品免费福利视频| 国产成人精品婷婷| 亚洲国产精品成人久久小说| 久久婷婷青草| 亚洲av.av天堂| 18禁在线无遮挡免费观看视频| 精品亚洲乱码少妇综合久久| 一区在线观看完整版| 热99国产精品久久久久久7| 人妻制服诱惑在线中文字幕| 久久久久久伊人网av| 美女cb高潮喷水在线观看| av专区在线播放| 国内揄拍国产精品人妻在线| 国产亚洲一区二区精品| 22中文网久久字幕| 一本一本综合久久| 欧美区成人在线视频| 日本av手机在线免费观看| 亚洲不卡免费看| 亚洲av二区三区四区| 日韩精品有码人妻一区| 免费观看的影片在线观看| 青春草视频在线免费观看| 国产熟女欧美一区二区| 国产成人免费无遮挡视频| 午夜影院在线不卡| 我的老师免费观看完整版| 欧美性感艳星| 久久这里有精品视频免费| 亚洲国产精品专区欧美| 亚洲国产成人一精品久久久| 日本与韩国留学比较| 亚洲av免费高清在线观看| 日韩熟女老妇一区二区性免费视频| 亚洲精品国产成人久久av| 欧美精品高潮呻吟av久久| 免费播放大片免费观看视频在线观看| 男人狂女人下面高潮的视频| 久久99蜜桃精品久久| 亚洲国产色片| 免费观看在线日韩| 人妻人人澡人人爽人人| 国产男女超爽视频在线观看| 91精品国产国语对白视频| 亚洲无线观看免费| 91久久精品国产一区二区三区| 99热这里只有是精品50| 欧美bdsm另类| 国产精品伦人一区二区| 亚洲真实伦在线观看| 曰老女人黄片| 大话2 男鬼变身卡| av不卡在线播放| 人人妻人人爽人人添夜夜欢视频 | 高清在线视频一区二区三区| 国产一区二区在线观看av| 超碰97精品在线观看| 欧美激情国产日韩精品一区| 午夜久久久在线观看| av在线app专区| 欧美日韩精品成人综合77777| 日韩一区二区三区影片| 亚洲av国产av综合av卡| 在线 av 中文字幕| 在线看a的网站| 精品久久久精品久久久| 人体艺术视频欧美日本| 精品久久久精品久久久| 性高湖久久久久久久久免费观看| 国产成人免费无遮挡视频| 国产精品99久久久久久久久| 欧美少妇被猛烈插入视频| 丝袜喷水一区| 97超视频在线观看视频| 丝袜喷水一区| 国产一区亚洲一区在线观看| 又黄又爽又刺激的免费视频.| 久久精品久久久久久噜噜老黄| 欧美3d第一页| av播播在线观看一区| 黄色视频在线播放观看不卡| 国产精品久久久久久久电影| 成人无遮挡网站| 女性生殖器流出的白浆| 国产成人a∨麻豆精品| 免费看光身美女| 偷拍熟女少妇极品色| 国产精品人妻久久久久久| 日本猛色少妇xxxxx猛交久久| 欧美精品高潮呻吟av久久| 亚洲综合色惰| 丁香六月天网| 日韩三级伦理在线观看| 黄色欧美视频在线观看| 一本—道久久a久久精品蜜桃钙片| 狠狠精品人妻久久久久久综合| 少妇人妻一区二区三区视频| 极品教师在线视频| 婷婷色综合大香蕉| 成年av动漫网址| 国产熟女午夜一区二区三区 | 99国产精品免费福利视频| 我要看日韩黄色一级片| 国产色婷婷99| 黄片无遮挡物在线观看| 免费观看的影片在线观看| 久久毛片免费看一区二区三区| 国产精品成人在线| 久久综合国产亚洲精品| 久久久久久久大尺度免费视频| 成人亚洲欧美一区二区av| 又粗又硬又长又爽又黄的视频| 婷婷色av中文字幕| 熟女电影av网| 青春草亚洲视频在线观看| 老熟女久久久| 亚洲精品视频女| 大片免费播放器 马上看| 少妇被粗大的猛进出69影院 | 国产亚洲一区二区精品| 欧美区成人在线视频| 成人漫画全彩无遮挡| 在线观看一区二区三区激情| 91aial.com中文字幕在线观看| 国产精品嫩草影院av在线观看| 黄色配什么色好看| 又粗又硬又长又爽又黄的视频| 中文字幕制服av| 成人毛片a级毛片在线播放| 亚洲成人手机| 老司机影院毛片| 一区二区三区免费毛片| 中文字幕人妻丝袜制服| 最后的刺客免费高清国语| 老司机影院毛片| 国模一区二区三区四区视频| 99视频精品全部免费 在线| 美女内射精品一级片tv| 夜夜看夜夜爽夜夜摸| 美女cb高潮喷水在线观看| 中文字幕人妻丝袜制服| 亚洲国产精品成人久久小说| 亚洲精品视频女| 少妇熟女欧美另类| 久久国产乱子免费精品| 狠狠精品人妻久久久久久综合| 日韩伦理黄色片| 蜜桃久久精品国产亚洲av| 精品国产乱码久久久久久小说| 欧美 日韩 精品 国产| 国产一区二区在线观看日韩| 自线自在国产av| 极品人妻少妇av视频| 国产日韩欧美亚洲二区| 国产亚洲91精品色在线| 国产又色又爽无遮挡免| 校园人妻丝袜中文字幕| 亚洲成色77777| 午夜91福利影院| 一级毛片黄色毛片免费观看视频| 色婷婷久久久亚洲欧美| 亚洲av国产av综合av卡| 另类精品久久| 免费播放大片免费观看视频在线观看| 中文在线观看免费www的网站| 亚洲一级一片aⅴ在线观看| 国产成人精品一,二区| 国产成人精品婷婷| 午夜免费观看性视频| 久久久精品94久久精品| 久久av网站| 人人澡人人妻人| 成年人免费黄色播放视频 | 国产淫语在线视频| 黑人猛操日本美女一级片| av专区在线播放| 久久ye,这里只有精品| 国产伦理片在线播放av一区| 久久 成人 亚洲| 亚洲经典国产精华液单| 国产精品熟女久久久久浪| 美女大奶头黄色视频| 国产日韩欧美视频二区| 日韩中字成人| 观看免费一级毛片| 夫妻午夜视频| 久久亚洲国产成人精品v| 黄色怎么调成土黄色| 女人久久www免费人成看片| 丰满少妇做爰视频| 男女免费视频国产| 黄色视频在线播放观看不卡| 国产一区二区三区av在线| 午夜精品国产一区二区电影| 亚洲国产精品专区欧美| 成年女人在线观看亚洲视频| 18禁在线播放成人免费| 三级经典国产精品| 高清欧美精品videossex| 国产成人精品无人区| 午夜激情福利司机影院| 午夜av观看不卡| 高清毛片免费看| 美女国产视频在线观看| 国产免费视频播放在线视频| 女性生殖器流出的白浆| 亚洲av免费高清在线观看| 日韩人妻高清精品专区| 亚洲av综合色区一区| 久久精品国产自在天天线| av线在线观看网站| 高清av免费在线| 人人妻人人看人人澡| 精品少妇久久久久久888优播| 成人免费观看视频高清| 老司机亚洲免费影院| 在线观看av片永久免费下载| 嘟嘟电影网在线观看| 一区二区av电影网| 亚洲第一av免费看| 99九九线精品视频在线观看视频| 成人亚洲精品一区在线观看| 亚洲av免费高清在线观看| 国产69精品久久久久777片| 日韩中字成人| 国产成人精品一,二区| 国产亚洲最大av| 亚洲久久久国产精品| 在线观看免费高清a一片| 欧美三级亚洲精品| 国产日韩欧美视频二区| 一区二区av电影网| 亚洲三级黄色毛片| 久久久久人妻精品一区果冻| 国产一区二区三区综合在线观看 | 天美传媒精品一区二区| 色网站视频免费| 老司机影院成人| 午夜日本视频在线| 99热全是精品| 九九久久精品国产亚洲av麻豆| 欧美97在线视频| 美女xxoo啪啪120秒动态图| 成人亚洲精品一区在线观看| 下体分泌物呈黄色| 观看av在线不卡| 国产色爽女视频免费观看| 伦理电影免费视频| h日本视频在线播放| 亚洲精品日本国产第一区| av播播在线观看一区| 国产一级毛片在线| 日本av免费视频播放| 国产精品久久久久久久久免| 99热国产这里只有精品6| 久久精品久久久久久久性| 免费人妻精品一区二区三区视频| 亚洲精品成人av观看孕妇| 日韩av不卡免费在线播放| 麻豆成人午夜福利视频| 永久网站在线| 国产精品熟女久久久久浪| 日本黄大片高清| 日本欧美国产在线视频| 亚洲欧美一区二区三区黑人 | 涩涩av久久男人的天堂| 国产一区二区在线观看av| 丝瓜视频免费看黄片| 日韩精品有码人妻一区| 免费黄网站久久成人精品| 看非洲黑人一级黄片| 丝袜在线中文字幕| 日本午夜av视频| 嘟嘟电影网在线观看| 五月伊人婷婷丁香| 久久久久久久国产电影| 少妇人妻 视频| 国产深夜福利视频在线观看| 极品人妻少妇av视频| 精品亚洲成国产av| 久久久久久久久大av| av专区在线播放| 亚洲欧美日韩卡通动漫| 亚洲精品aⅴ在线观看| 亚洲国产欧美日韩在线播放 | 亚洲人成网站在线观看播放| 嫩草影院入口| 一级,二级,三级黄色视频| 极品教师在线视频| 视频区图区小说| 亚洲精品一区蜜桃| 婷婷色综合大香蕉| 国产精品久久久久久久久免| 国产亚洲5aaaaa淫片| 精品人妻熟女av久视频| 成人毛片60女人毛片免费| 丝袜脚勾引网站| 久久免费观看电影| 少妇熟女欧美另类| 国产精品无大码| 欧美日韩亚洲高清精品| 日韩不卡一区二区三区视频在线| 久久影院123| 视频区图区小说| videos熟女内射| 欧美性感艳星| 老司机影院毛片| a级毛色黄片| 一本色道久久久久久精品综合| 亚洲精品一二三| 少妇猛男粗大的猛烈进出视频| 日韩av不卡免费在线播放| 成人二区视频| 国产欧美另类精品又又久久亚洲欧美| 不卡视频在线观看欧美| 麻豆成人午夜福利视频| 国内揄拍国产精品人妻在线| 国产又色又爽无遮挡免| 亚洲精品国产av成人精品| 国产黄频视频在线观看| 日本欧美视频一区| 亚洲情色 制服丝袜| 熟女电影av网| 免费看日本二区| 国产亚洲欧美精品永久| 看十八女毛片水多多多| 少妇熟女欧美另类| 97超视频在线观看视频| 久久鲁丝午夜福利片| 精品人妻熟女av久视频| 亚洲国产精品专区欧美| 久久久久久久久久成人| 曰老女人黄片| 亚洲国产av新网站| 麻豆成人av视频| 精品一区二区三区视频在线| 日韩伦理黄色片| 国产成人午夜福利电影在线观看| videossex国产| 国产亚洲5aaaaa淫片| 国产日韩欧美在线精品| 91精品国产国语对白视频| 婷婷色麻豆天堂久久| 国产高清三级在线| 日日爽夜夜爽网站| 2022亚洲国产成人精品| 国产亚洲av片在线观看秒播厂| 精品少妇久久久久久888优播| 伊人亚洲综合成人网| 亚洲精品一区蜜桃| 观看美女的网站| 制服丝袜香蕉在线| 免费黄网站久久成人精品| 久久影院123| 三级国产精品欧美在线观看| 亚洲精品乱码久久久v下载方式| 亚洲av电影在线观看一区二区三区| 大陆偷拍与自拍| 国产精品久久久久久久久免| 一级毛片电影观看| av.在线天堂| 久久久久久人妻| 一级二级三级毛片免费看| 成人毛片60女人毛片免费| 久久久久久久久久久丰满| 美女xxoo啪啪120秒动态图| 纵有疾风起免费观看全集完整版| 亚洲不卡免费看| 在线观看美女被高潮喷水网站| 美女大奶头黄色视频| 国产亚洲av片在线观看秒播厂| 一区二区三区四区激情视频| 国产黄色免费在线视频| 国产免费又黄又爽又色| 王馨瑶露胸无遮挡在线观看| 国产黄频视频在线观看| 午夜免费观看性视频| 亚洲综合精品二区| 五月伊人婷婷丁香| 在线播放无遮挡|