• <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
    人人澡人人妻人| 97超碰精品成人国产| 欧美成人精品欧美一级黄| 久久久久久久国产电影| 国产69精品久久久久777片| 咕卡用的链子| 国产 精品1| 欧美成人午夜精品| 18禁动态无遮挡网站| 啦啦啦视频在线资源免费观看| 亚洲色图综合在线观看| 国产精品一区www在线观看| 久热久热在线精品观看| 国产老妇伦熟女老妇高清| 午夜精品国产一区二区电影| 久久亚洲国产成人精品v| 免费女性裸体啪啪无遮挡网站| 久久99蜜桃精品久久| 亚洲精品乱久久久久久| 99九九在线精品视频| 三级国产精品片| 亚洲三级黄色毛片| 中文字幕另类日韩欧美亚洲嫩草| 精品国产一区二区久久| 国精品久久久久久国模美| 下体分泌物呈黄色| 日韩精品免费视频一区二区三区 | 高清av免费在线| 视频中文字幕在线观看| 九色亚洲精品在线播放| 日韩欧美一区视频在线观看| 中文字幕人妻丝袜制服| av福利片在线| 日日摸夜夜添夜夜爱| 97人妻天天添夜夜摸| 新久久久久国产一级毛片| 十八禁网站网址无遮挡| 久久99蜜桃精品久久| 黑人猛操日本美女一级片| av国产久精品久网站免费入址| 国产av国产精品国产| 91精品国产国语对白视频| 侵犯人妻中文字幕一二三四区| 91成人精品电影| 亚洲精华国产精华液的使用体验| 亚洲激情五月婷婷啪啪| 久久精品国产鲁丝片午夜精品| 人妻 亚洲 视频| 久久精品人人爽人人爽视色| 久久精品久久久久久噜噜老黄| 黑人欧美特级aaaaaa片| 秋霞在线观看毛片| 国产亚洲精品第一综合不卡 | av国产久精品久网站免费入址| 女的被弄到高潮叫床怎么办| www.av在线官网国产| 精品福利永久在线观看| 有码 亚洲区| 春色校园在线视频观看| tube8黄色片| 大香蕉久久网| 最新中文字幕久久久久| 丰满少妇做爰视频| 午夜福利视频在线观看免费| 欧美xxⅹ黑人| 国产一区亚洲一区在线观看| 成人无遮挡网站| 纯流量卡能插随身wifi吗| 色5月婷婷丁香| 视频在线观看一区二区三区| 国产视频首页在线观看| 99热全是精品| 色5月婷婷丁香| 欧美亚洲 丝袜 人妻 在线| 亚洲内射少妇av| 大香蕉97超碰在线| 巨乳人妻的诱惑在线观看| 99视频精品全部免费 在线| 哪个播放器可以免费观看大片| 中国国产av一级| 色婷婷久久久亚洲欧美| 国产成人精品一,二区| 肉色欧美久久久久久久蜜桃| 在线观看三级黄色| 日韩 亚洲 欧美在线| 日韩精品免费视频一区二区三区 | 久久国产亚洲av麻豆专区| 99热这里只有是精品在线观看| 男女无遮挡免费网站观看| 中文字幕人妻丝袜制服| 亚洲av.av天堂| 十分钟在线观看高清视频www| 国产成人精品婷婷| 中文字幕最新亚洲高清| 王馨瑶露胸无遮挡在线观看| 国产 精品1| 国产无遮挡羞羞视频在线观看| 18禁动态无遮挡网站| 亚洲少妇的诱惑av| 另类亚洲欧美激情| 看十八女毛片水多多多| 伊人亚洲综合成人网| 只有这里有精品99| 国产成人免费观看mmmm| 狂野欧美激情性xxxx在线观看| 亚洲国产精品一区三区| 精品卡一卡二卡四卡免费| 久久韩国三级中文字幕| 免费日韩欧美在线观看| 啦啦啦啦在线视频资源| 亚洲欧美色中文字幕在线| 美女中出高潮动态图| 久久婷婷青草| 久久久久久久久久人人人人人人| 久久久久久久久久人人人人人人| 亚洲精品自拍成人| 最新中文字幕久久久久| 咕卡用的链子| 亚洲精品久久成人aⅴ小说| 日本黄大片高清| 极品人妻少妇av视频| 91精品国产国语对白视频| 免费黄网站久久成人精品| 日韩熟女老妇一区二区性免费视频| 两性夫妻黄色片 | 中文字幕免费在线视频6| 在线精品无人区一区二区三| 婷婷色麻豆天堂久久| av播播在线观看一区| 丰满迷人的少妇在线观看| 人妻系列 视频| 久久亚洲国产成人精品v| 两性夫妻黄色片 | tube8黄色片| 插逼视频在线观看| 国产欧美另类精品又又久久亚洲欧美| 97精品久久久久久久久久精品| h视频一区二区三区| 亚洲人成77777在线视频| 欧美日韩成人在线一区二区| 国产成人a∨麻豆精品| 韩国精品一区二区三区 | 国产免费视频播放在线视频| 亚洲精品456在线播放app| 久久久欧美国产精品| 一区二区三区精品91| 欧美少妇被猛烈插入视频| 侵犯人妻中文字幕一二三四区| 欧美激情 高清一区二区三区| 欧美精品一区二区免费开放| 精品少妇内射三级| 久久久久久久亚洲中文字幕| 亚洲一码二码三码区别大吗| av一本久久久久| 黄网站色视频无遮挡免费观看| 美女中出高潮动态图| 亚洲av欧美aⅴ国产| 夫妻午夜视频| 黄网站色视频无遮挡免费观看| 亚洲在久久综合| 五月伊人婷婷丁香| 国产精品一区二区在线不卡| 97精品久久久久久久久久精品| 亚洲精华国产精华液的使用体验| 亚洲av成人精品一二三区| 一本久久精品| 97超碰精品成人国产| 国产 一区精品| 婷婷色综合大香蕉| 午夜老司机福利剧场| 国产成人精品一,二区| 久久久亚洲精品成人影院| 亚洲精品国产色婷婷电影| 97精品久久久久久久久久精品| 高清视频免费观看一区二区| 日本免费在线观看一区| 国产精品免费大片| 黄色 视频免费看| 99re6热这里在线精品视频| 国产一区二区在线观看日韩| 久久国内精品自在自线图片| 日韩在线高清观看一区二区三区| 日本色播在线视频| 99久国产av精品国产电影| 久久这里有精品视频免费| 91国产中文字幕| av国产精品久久久久影院| 亚洲av综合色区一区| 国产探花极品一区二区| av福利片在线| 午夜激情av网站| 热99久久久久精品小说推荐| 欧美日韩精品成人综合77777| 天堂8中文在线网| 中文字幕免费在线视频6| 全区人妻精品视频| 久久午夜综合久久蜜桃| 亚洲第一av免费看| 日本av免费视频播放| 最近中文字幕高清免费大全6| 国产爽快片一区二区三区| 一级毛片黄色毛片免费观看视频| 搡老乐熟女国产| 中文字幕亚洲精品专区| 久久久久久久久久久久大奶| 国产av国产精品国产| 久久久a久久爽久久v久久| 一级片免费观看大全| 男女国产视频网站| 成人二区视频| 精品福利永久在线观看| 精品少妇内射三级| 蜜桃在线观看..| 免费人妻精品一区二区三区视频| 亚洲,一卡二卡三卡| 中文字幕亚洲精品专区| 丝袜人妻中文字幕| 在现免费观看毛片| 99国产精品免费福利视频| 日本vs欧美在线观看视频| 国内精品宾馆在线| 免费看光身美女| 一本色道久久久久久精品综合| 少妇人妻精品综合一区二区| 中文字幕人妻丝袜制服| 色视频在线一区二区三区| 久久久久久人人人人人| 午夜福利在线观看免费完整高清在| 在线观看国产h片| av线在线观看网站| 这个男人来自地球电影免费观看 | 菩萨蛮人人尽说江南好唐韦庄| 欧美日韩av久久| 国产一区二区激情短视频 | 嫩草影院入口| 宅男免费午夜| 亚洲美女视频黄频| 国产精品久久久久久精品古装| 国产有黄有色有爽视频| av国产精品久久久久影院| 成人综合一区亚洲| 免费播放大片免费观看视频在线观看| 国产成人aa在线观看| 91精品三级在线观看| 777米奇影视久久| 国产无遮挡羞羞视频在线观看| 制服丝袜香蕉在线| 国产深夜福利视频在线观看| 国产爽快片一区二区三区| 亚洲中文av在线| 免费不卡的大黄色大毛片视频在线观看| 亚洲av综合色区一区| 男女免费视频国产| 欧美日韩视频高清一区二区三区二| 高清在线视频一区二区三区| av播播在线观看一区| 欧美 亚洲 国产 日韩一| 亚洲精品一二三| 国产麻豆69| 国产黄色视频一区二区在线观看| 久久久久国产网址| 欧美精品av麻豆av| 狠狠精品人妻久久久久久综合| 免费女性裸体啪啪无遮挡网站| 最近中文字幕高清免费大全6| h视频一区二区三区| 日韩制服骚丝袜av| 青春草国产在线视频| 制服丝袜香蕉在线| 毛片一级片免费看久久久久| 久久久精品免费免费高清| 少妇被粗大猛烈的视频| 久久久久国产精品人妻一区二区| 免费看光身美女| 国产激情久久老熟女| 免费黄网站久久成人精品| 汤姆久久久久久久影院中文字幕| 在现免费观看毛片| 全区人妻精品视频| 国产免费一区二区三区四区乱码| 欧美激情极品国产一区二区三区 | 99re6热这里在线精品视频| 一边亲一边摸免费视频| 欧美 日韩 精品 国产| 一级,二级,三级黄色视频| av电影中文网址| 亚洲久久久国产精品| 波多野结衣一区麻豆| 国产成人aa在线观看| 国产有黄有色有爽视频| 9191精品国产免费久久| 色5月婷婷丁香| 国产男女内射视频| 久久久a久久爽久久v久久| 国产一区二区在线观看日韩| 亚洲精品成人av观看孕妇| 欧美老熟妇乱子伦牲交| 一本色道久久久久久精品综合| 欧美日韩亚洲高清精品| 亚洲精品久久久久久婷婷小说| 欧美 亚洲 国产 日韩一| 国产白丝娇喘喷水9色精品| 亚洲人成77777在线视频| 黑人猛操日本美女一级片| 又黄又爽又刺激的免费视频.| 日韩伦理黄色片| 一级黄片播放器| 久久人妻熟女aⅴ| 日韩成人av中文字幕在线观看| 精品一品国产午夜福利视频| 中国三级夫妇交换| 精品亚洲乱码少妇综合久久| 亚洲天堂av无毛| 亚洲精品第二区| 免费观看av网站的网址| 咕卡用的链子| 99国产综合亚洲精品| 最近中文字幕高清免费大全6| 国产又色又爽无遮挡免| 国产男人的电影天堂91| 在线观看人妻少妇| 精品久久久久久电影网| 内地一区二区视频在线| 男人操女人黄网站| 黄色 视频免费看| 欧美亚洲 丝袜 人妻 在线| av女优亚洲男人天堂| 欧美日韩一区二区视频在线观看视频在线| 久久午夜福利片| 亚洲中文av在线| 校园人妻丝袜中文字幕| 亚洲精华国产精华液的使用体验| 男女边吃奶边做爰视频| 在线观看人妻少妇| 亚洲av成人精品一二三区| 国产精品久久久久久久久免| 国产黄频视频在线观看| av不卡在线播放| 国产又色又爽无遮挡免| 中文字幕最新亚洲高清| 国产不卡av网站在线观看| 国产精品免费大片| 日韩电影二区| 日本wwww免费看| 啦啦啦啦在线视频资源| 日本av免费视频播放| 韩国av在线不卡| 交换朋友夫妻互换小说| 丝袜脚勾引网站| 寂寞人妻少妇视频99o| 国产成人免费无遮挡视频| kizo精华| 亚洲情色 制服丝袜| 免费少妇av软件| 亚洲一级一片aⅴ在线观看| 亚洲伊人色综图| 欧美bdsm另类| 久久精品国产亚洲av天美| 最新的欧美精品一区二区| 国产精品99久久99久久久不卡 | 精品少妇黑人巨大在线播放| 久久久久视频综合| 久久久a久久爽久久v久久| 少妇人妻久久综合中文| 麻豆乱淫一区二区| 精品人妻在线不人妻| 日本午夜av视频| 亚洲综合精品二区| 欧美激情国产日韩精品一区| 99热国产这里只有精品6| av不卡在线播放| 亚洲久久久国产精品| 免费不卡的大黄色大毛片视频在线观看| a级毛色黄片| 黑丝袜美女国产一区| 伦理电影免费视频| 一个人免费看片子| 国产熟女午夜一区二区三区| 国产亚洲精品久久久com| 一区二区日韩欧美中文字幕 | av国产久精品久网站免费入址| 久久久精品免费免费高清| 亚洲美女视频黄频| 激情视频va一区二区三区| 国产成人精品福利久久| 日韩大片免费观看网站| 国产精品蜜桃在线观看| 欧美最新免费一区二区三区| 多毛熟女@视频| 亚洲美女搞黄在线观看| 你懂的网址亚洲精品在线观看| 制服人妻中文乱码| 日本欧美视频一区| 免费观看a级毛片全部| 国产精品久久久久成人av| 国产伦理片在线播放av一区| 一级片'在线观看视频| 丝袜在线中文字幕| 日本-黄色视频高清免费观看| 国产高清国产精品国产三级| 亚洲五月色婷婷综合| 国产一区有黄有色的免费视频| 街头女战士在线观看网站| 国产精品熟女久久久久浪| 精品国产露脸久久av麻豆| 亚洲精品国产av成人精品| 欧美日韩一区二区视频在线观看视频在线| 老司机影院成人| 亚洲欧美一区二区三区黑人 | 国产又爽黄色视频| 日韩av免费高清视频| 国产成人精品一,二区| 自拍欧美九色日韩亚洲蝌蚪91| 久久久久久久亚洲中文字幕| 国产精品三级大全| 中国美白少妇内射xxxbb| 中文字幕最新亚洲高清| 久久久久精品人妻al黑| 美女内射精品一级片tv| 午夜福利在线观看免费完整高清在| www日本在线高清视频| 免费女性裸体啪啪无遮挡网站| 色婷婷久久久亚洲欧美| 亚洲精品自拍成人| 成人二区视频| 亚洲美女视频黄频| 国产精品麻豆人妻色哟哟久久| 日韩制服骚丝袜av| 免费少妇av软件| 色哟哟·www| 日本欧美视频一区| 欧美精品av麻豆av| 在线天堂中文资源库| av卡一久久| videosex国产| 亚洲综合精品二区| 一级片免费观看大全| 国产精品国产三级国产专区5o| 两性夫妻黄色片 | 亚洲精品自拍成人| 欧美亚洲日本最大视频资源| 免费在线观看黄色视频的| 亚洲精品一区蜜桃| 黑人高潮一二区| 亚洲国产毛片av蜜桃av| 成人国产av品久久久| 97在线视频观看| 国产xxxxx性猛交| 国产精品免费大片| 亚洲,欧美,日韩| 男女高潮啪啪啪动态图| 国产一区二区三区综合在线观看 | 国产成人精品久久久久久| 国产精品无大码| 久久国内精品自在自线图片| 1024视频免费在线观看| 亚洲av免费高清在线观看| 永久免费av网站大全| 欧美日韩av久久| 只有这里有精品99| 自线自在国产av| 精品人妻熟女毛片av久久网站| 少妇猛男粗大的猛烈进出视频| 久久国产精品大桥未久av| av不卡在线播放| 1024视频免费在线观看| 国产精品久久久久久精品古装| 免费播放大片免费观看视频在线观看| 亚洲欧美色中文字幕在线| 国产男女内射视频| 80岁老熟妇乱子伦牲交| www.熟女人妻精品国产 | av国产精品久久久久影院| 国产白丝娇喘喷水9色精品| 我要看黄色一级片免费的| 久久人妻熟女aⅴ| 97精品久久久久久久久久精品| 久久99蜜桃精品久久| 精品99又大又爽又粗少妇毛片| 日韩不卡一区二区三区视频在线| 久久国产精品男人的天堂亚洲 | 99re6热这里在线精品视频| 啦啦啦视频在线资源免费观看| 国产有黄有色有爽视频| 水蜜桃什么品种好| 国产精品无大码| 国产在线一区二区三区精| 亚洲成国产人片在线观看| 精品国产一区二区三区四区第35| 国国产精品蜜臀av免费| 99国产精品免费福利视频| 91精品伊人久久大香线蕉| 国产av精品麻豆| 国产成人aa在线观看| 香蕉国产在线看| av在线app专区| 2018国产大陆天天弄谢| 午夜视频国产福利| av国产精品久久久久影院| 色网站视频免费| 欧美 亚洲 国产 日韩一| 日韩av不卡免费在线播放| 一二三四在线观看免费中文在 | 九色亚洲精品在线播放| 国产 一区精品| 精品亚洲乱码少妇综合久久| 国产精品三级大全| 亚洲,欧美精品.| 免费观看无遮挡的男女| 成年美女黄网站色视频大全免费| 免费黄色在线免费观看| 日韩不卡一区二区三区视频在线| 成年女人在线观看亚洲视频| 久久午夜综合久久蜜桃| 国产高清不卡午夜福利| 免费黄色在线免费观看| 一区二区av电影网| 秋霞伦理黄片| 精品少妇久久久久久888优播| 精品国产露脸久久av麻豆| 免费黄色在线免费观看| 国产极品粉嫩免费观看在线| 久久久久久久亚洲中文字幕| 人人澡人人妻人| 九九在线视频观看精品| av女优亚洲男人天堂| 日本色播在线视频| 91成人精品电影| 搡老乐熟女国产| 女性生殖器流出的白浆| 99久国产av精品国产电影| 成人手机av| 欧美日韩av久久| av福利片在线| 巨乳人妻的诱惑在线观看| 综合色丁香网| 99视频精品全部免费 在线| 亚洲人与动物交配视频| 精品国产乱码久久久久久小说| av在线老鸭窝| 久久热在线av| 90打野战视频偷拍视频| 9热在线视频观看99| 国产一区二区在线观看日韩| 夜夜爽夜夜爽视频| 国产成人av激情在线播放| 亚洲人成网站在线观看播放| 一级毛片电影观看| 国产白丝娇喘喷水9色精品| 97人妻天天添夜夜摸| 美女主播在线视频| 国产免费又黄又爽又色| 一区二区三区四区激情视频| 天天操日日干夜夜撸| 午夜精品国产一区二区电影| 亚洲成国产人片在线观看| 尾随美女入室| 2021少妇久久久久久久久久久| 亚洲精品久久久久久婷婷小说| av在线app专区| 精品第一国产精品| 免费女性裸体啪啪无遮挡网站| 欧美3d第一页| 中文精品一卡2卡3卡4更新| 亚洲国产日韩一区二区| 丝袜脚勾引网站| 亚洲欧美成人综合另类久久久| 国产色婷婷99| 国产综合精华液| 香蕉丝袜av| 久久99热6这里只有精品| 国产成人免费观看mmmm| 深夜精品福利| 国产精品久久久久成人av| 日本av免费视频播放| 亚洲欧美色中文字幕在线| 日本爱情动作片www.在线观看| 亚洲欧美一区二区三区黑人 | 亚洲性久久影院| 日韩免费高清中文字幕av| 只有这里有精品99| 久久久久久久亚洲中文字幕| 国产成人av激情在线播放| 在线看a的网站| 热re99久久精品国产66热6| xxx大片免费视频| 日本黄色日本黄色录像| 男人爽女人下面视频在线观看| 日韩中字成人| 国产又爽黄色视频| 亚洲欧美日韩卡通动漫| 黑丝袜美女国产一区| 久久久精品区二区三区| 免费不卡的大黄色大毛片视频在线观看| 久久精品国产亚洲av涩爱| 老司机亚洲免费影院| 五月伊人婷婷丁香| 久久婷婷青草| av国产久精品久网站免费入址| 亚洲精品久久久久久婷婷小说| 少妇精品久久久久久久| 五月玫瑰六月丁香| 欧美变态另类bdsm刘玥| 亚洲综合精品二区| 亚洲美女黄色视频免费看| 美女中出高潮动态图| 卡戴珊不雅视频在线播放| 美女大奶头黄色视频| 亚洲图色成人| 国产亚洲最大av| 99视频精品全部免费 在线| 啦啦啦啦在线视频资源| 九色成人免费人妻av| 90打野战视频偷拍视频| 久久精品久久久久久久性|