• <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BiLSTM-IDCNN-CRF模型的生態(tài)治理技術(shù)領(lǐng)域命名實(shí)體識(shí)別

    2021-03-16 13:57:56馬建霞
    關(guān)鍵詞:分詞實(shí)體卷積

    蔣 翔 馬建霞 袁 慧

    1(中國(guó)科學(xué)院西北生態(tài)環(huán)境資源研究院 甘肅 蘭州 730000) 2(中國(guó)科學(xué)院蘭州文獻(xiàn)情報(bào)中心 甘肅 蘭州 730000) 3(中國(guó)科學(xué)院大學(xué)經(jīng)濟(jì)與管理學(xué)院圖書(shū)情報(bào)與檔案管理系 北京 100190) 4(中國(guó)移動(dòng)通信集團(tuán)北京有限公司 北京 100007)

    0 引 言

    自然語(yǔ)言處理(Nature Language Processing,NLP)是一門融語(yǔ)言學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)于一體的交叉學(xué)科。在大數(shù)據(jù)時(shí)代的背景下,自然語(yǔ)言處理已廣泛應(yīng)用于各個(gè)任務(wù)中,如:信息檢索、機(jī)器翻譯、輿情分析、知識(shí)圖譜構(gòu)建等。命名實(shí)體識(shí)別(Named Entity Recognition,NER)是自然語(yǔ)言處理的基本任務(wù)之一,其目的在于從文本中識(shí)別出專有名詞和有意義的短語(yǔ),是上述較高層次自然語(yǔ)言處理任務(wù)中不可缺少的一部分基礎(chǔ)工作。

    在生態(tài)治理技術(shù)領(lǐng)域中,有大量的文獻(xiàn)數(shù)據(jù)沒(méi)有得到充分的開(kāi)發(fā)與利用。對(duì)生態(tài)治理技術(shù)領(lǐng)域的論文數(shù)據(jù)進(jìn)行充分的挖掘和利用,首先需要自動(dòng)、準(zhǔn)確、快速地識(shí)別和抽取生態(tài)治理文獻(xiàn)中的相關(guān)實(shí)體,如生態(tài)治理技術(shù)名稱、實(shí)施時(shí)間、實(shí)施地點(diǎn)等。抽取出的實(shí)體將應(yīng)用于生態(tài)治理技術(shù)領(lǐng)域后續(xù)的自然語(yǔ)言處理任務(wù)(如:關(guān)系抽取、事件抽取、領(lǐng)域知識(shí)圖譜構(gòu)建等)。使用神經(jīng)網(wǎng)絡(luò)技術(shù)從大量文獻(xiàn)中識(shí)別出生態(tài)治理技術(shù)領(lǐng)域的命名實(shí)體,不僅有助于生態(tài)治理技術(shù)領(lǐng)域的研究人員開(kāi)展相關(guān)的科研工作,也促進(jìn)了文本抽取技術(shù)在資源環(huán)境情報(bào)分析方面的應(yīng)用。

    生態(tài)治理技術(shù)領(lǐng)域中的文獻(xiàn)存在書(shū)寫(xiě)規(guī)范不統(tǒng)一、專有名詞較多等問(wèn)題,在分詞時(shí)會(huì)加入大量的噪聲,降低實(shí)體的識(shí)別效果。本文提出BiLSTM-IDCNN-CRF模型,通過(guò)神經(jīng)網(wǎng)絡(luò)抽取出不同粒度的特征進(jìn)行互補(bǔ),使用更加豐富的特征信息提高命名實(shí)體識(shí)別的效果。同時(shí),使用了基于字嵌入的方法以避免加入錯(cuò)誤的分詞信息,緩解上述問(wèn)題。

    1 相關(guān)研究

    命名實(shí)體識(shí)別任務(wù)最早于MUC-6[1]會(huì)議作為信息抽取任務(wù)的子任務(wù)被提出。信息抽取任務(wù)的目標(biāo)是從文本中抽取出結(jié)構(gòu)化的信息,抽取結(jié)構(gòu)化信息的前提是必須將文本中的相關(guān)實(shí)體(如人名、地名、機(jī)構(gòu)名等)準(zhǔn)確地識(shí)別和抽取。之后的MET會(huì)議、ACE評(píng)測(cè)和CoNLL會(huì)議都將命名實(shí)體識(shí)別作為一項(xiàng)重要的測(cè)評(píng)任務(wù)。目前實(shí)現(xiàn)命名實(shí)體識(shí)別的方法主要有基于規(guī)則的方法、基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法等。

    基于規(guī)則的方法需要專家手工構(gòu)建規(guī)則模板,通過(guò)提取相關(guān)文本中的特征(如:詞頻信息、關(guān)鍵詞、指示詞、位置詞、方向詞和中心詞等)構(gòu)造對(duì)應(yīng)的規(guī)則集?;谝?guī)則的方法是根據(jù)某一種具體的語(yǔ)言,在某一特定的領(lǐng)域中提取相關(guān)特征,導(dǎo)致其可移植性較差;而且手工抽取特征模板的過(guò)程十分耗時(shí),抽取的規(guī)則之間可能會(huì)產(chǎn)生干擾?;诮y(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法是利用人工標(biāo)注的訓(xùn)練語(yǔ)料對(duì)模型進(jìn)行訓(xùn)練,通過(guò)使用訓(xùn)練好的模型識(shí)別出文本中命名實(shí)體,包括基于分類模型的方法和基于序列模型的方法?;诮y(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法能夠處理未出現(xiàn)過(guò)的文本,識(shí)別出沒(méi)有標(biāo)注過(guò)的實(shí)體,可移植性強(qiáng)。但是與深度學(xué)習(xí)相比性能較低,需要大量的訓(xùn)練數(shù)據(jù)保證模型的訓(xùn)練質(zhì)量。

    1.1 基于深度學(xué)習(xí)的命名實(shí)體識(shí)別方法

    深度學(xué)習(xí)對(duì)于硬件設(shè)備的運(yùn)算性能要求較高,隨著近年來(lái)硬件設(shè)備的快速發(fā)展,深度學(xué)習(xí)方法逐漸成為主流。深度學(xué)習(xí)早期主要用于圖像處理領(lǐng)域,近年來(lái)在語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域的應(yīng)用也取得了大量成果。Collobert等[2]提出使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)對(duì)文本中的句子進(jìn)行建模,結(jié)合CRF層進(jìn)行序列標(biāo)注實(shí)現(xiàn)命名實(shí)體識(shí)別。Zeng等[3]提出了使用CNN將詞匯向量和詞位置向量作為輸入,通過(guò)卷積層、池化層和分類層得到句子的表示。Huang等[4]使用循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network)作為文本建模工具,提出了LSTM-CRF模型和BiLSTM-CRF模型,首次將雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型(Bi-directional Long Short-Term Memory)結(jié)合CRF層的BiLSTM-CRF模型用于命名實(shí)體識(shí)別任務(wù)。Ma等[5]引入了一種將BiLSTM、CNN和CRF結(jié)合的神經(jīng)網(wǎng)絡(luò)架構(gòu),可以從詞和字符級(jí)別提取文本中的深層特征,不需要特征工程和預(yù)處理。袁慧[6]使用相關(guān)領(lǐng)域論文中的摘要進(jìn)行詞向量訓(xùn)練,結(jié)合BiLSTM-CRF模型對(duì)生態(tài)治理技術(shù)領(lǐng)域進(jìn)行了命名實(shí)體識(shí)別研究,從數(shù)據(jù)集中抽取出了時(shí)間實(shí)體、地點(diǎn)實(shí)體和生態(tài)治理技術(shù)實(shí)體。Zeng等[7]使用LSTM-CRF實(shí)現(xiàn)了生物醫(yī)學(xué)文獻(xiàn)中藥物名稱的準(zhǔn)確識(shí)別。為解決BiLSTM模型無(wú)法充分利用硬件設(shè)備導(dǎo)致訓(xùn)練速度較慢的問(wèn)題,Strubell等[8]提出使用迭代膨脹卷積神經(jīng)網(wǎng)絡(luò)(Iterated Dilated Convolutions,IDCNN)替代BiLSTM,與CRF層結(jié)合組成IDCNN-CRF模型,在提高了訓(xùn)練速度的同時(shí)獲得了更好的性能表現(xiàn)。Qiu等[9]在膨脹卷積神經(jīng)網(wǎng)絡(luò)的每一層中加入原始信息,組成殘差膨脹卷積神經(jīng)網(wǎng)絡(luò)(Residual Dilated Convolutional Neural Networks,RDCNN)對(duì)文本進(jìn)行建模,最后結(jié)合CRF層對(duì)中文病歷進(jìn)行命名實(shí)體識(shí)別。表1對(duì)三種不同類型的命名實(shí)體識(shí)別方法和模型進(jìn)行了整理。

    表1 命名實(shí)體識(shí)別相關(guān)研究

    隨著算法的進(jìn)步以及計(jì)算機(jī)運(yùn)算性能的提高,命名實(shí)體識(shí)別的主流方法從早期的基于規(guī)則的方法轉(zhuǎn)變?yōu)榛诮y(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法,再由基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法轉(zhuǎn)變?yōu)榛谏疃葘W(xué)習(xí)的方法。本文在前人研究的基礎(chǔ)上,將基于字嵌入的BiLSTM-CRF模型和IDCNN-CRF模型應(yīng)用于生態(tài)治理技術(shù)領(lǐng)域的命名實(shí)體識(shí)別任務(wù)中,都超過(guò)了文獻(xiàn)[6]方法在相同數(shù)據(jù)集上所取得的最好成績(jī)。通過(guò)將BiLSTM模型和IDCNN模型分別抽取到的不同粒度的文本特征進(jìn)行融合,再結(jié)合CRF層構(gòu)成BiLSTM-IDCNN-CRF模型,相比前兩個(gè)模型獲得了更好的性能。

    1.2 BiLSTM模型

    循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)由Elman[22]于1990年提出,該模型可以對(duì)序列數(shù)據(jù)進(jìn)行處理,按照時(shí)間序列將數(shù)據(jù)逐條輸入模型。但RNN輸出的語(yǔ)義會(huì)偏向于較為靠后輸入的數(shù)據(jù),而且由于RNN中的權(quán)重矩陣復(fù)用,當(dāng)序列長(zhǎng)度過(guò)長(zhǎng)時(shí)會(huì)出現(xiàn)梯度消失或梯度爆炸的問(wèn)題。為解決上述問(wèn)題,Hochreiter等[23]于 1997年提出了長(zhǎng)短期記憶模型(Long Short-Term Memory,LSTM),以RNN單元為基礎(chǔ),通過(guò)輸入門、輸出門和遺忘門實(shí)現(xiàn)對(duì)歷史信息的選擇性利用,可以有效地捕獲較長(zhǎng)序列數(shù)據(jù)的信息。

    令X=[x1,x2,…,xT]為輸入的文本, LSTM神經(jīng)元內(nèi)部結(jié)構(gòu)的實(shí)現(xiàn)如下:

    it=σ(Wxixt+Whiht-1+Wcict-1+bi)

    (1)

    ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)

    (2)

    ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)

    (3)

    ot=σ(Wxoxt+Whoht-1+Wcoct+bo)

    (4)

    ht=ottanh(ct)

    (5)

    式中:it、ht、ft、ct、ot分別為記憶門、隱藏層、遺忘門、細(xì)胞核和輸出門在輸入第t個(gè)文本時(shí)的狀態(tài);W為模型的參數(shù);b為偏置向量;σ為Sigmoid函數(shù);tanh為雙曲正切函數(shù)。

    雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(Bidirectional LSTM,BiLSTM)通過(guò)兩層LSTM神經(jīng)元分別從左至右和從右至左對(duì)序列數(shù)據(jù)進(jìn)行學(xué)習(xí),可以學(xué)習(xí)到某一字或詞的歷史信息和未來(lái)信息。將兩種信息進(jìn)行結(jié)合,可以更好地描述上下文內(nèi)容。

    1.3 IDCNN模型

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)與RNN相比,能夠充分利用GPU的并行性,從而獲得更快的訓(xùn)練速度。于是越來(lái)越多的研究人員將CNN模型用于NLP領(lǐng)域的任務(wù)中。

    為了使一次卷積能夠獲取更多的上下文信息,同時(shí)避免由于卷積核的窗口過(guò)大導(dǎo)致內(nèi)存溢出和運(yùn)算效率降低等問(wèn)題,Yu等[24]提出了膨脹卷積神經(jīng)網(wǎng)絡(luò)(Dilated Convolutions Neural Network,Dilated CNN)。膨脹卷積神經(jīng)網(wǎng)絡(luò)并不是使用膨脹的卷積核,而是在卷積核中增加了一個(gè)膨脹距離d。令卷積核的權(quán)重矩陣k=[k-l,k-l+1,…,kl],卷積操作可寫(xiě)作:

    (6)

    Strubell等[8]將膨脹卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到命名實(shí)體識(shí)別任務(wù)中,提出了IDCNN-CRF模型。在IDCNN網(wǎng)絡(luò)中包含多個(gè)膨脹卷積塊,一個(gè)膨脹卷積塊為一個(gè)多層的膨脹卷積神經(jīng)網(wǎng)絡(luò)。令X=[x1,x2,…,xT]為輸入的文本,膨脹卷積塊的內(nèi)部結(jié)構(gòu)的實(shí)現(xiàn)如下:

    (7)

    (8)

    (9)

    2 方法設(shè)計(jì)

    2.1 字向量表示

    神經(jīng)網(wǎng)絡(luò)輸入的數(shù)據(jù)格式是向量或者矩陣,所以在訓(xùn)練之前需要將文本中的字或詞使用向量進(jìn)行表示,這個(gè)過(guò)程稱為嵌入。

    由于生態(tài)治理技術(shù)領(lǐng)域?qū)S忻~較多,且不同論文在書(shū)寫(xiě)規(guī)范上不統(tǒng)一,使得分詞工具無(wú)法正確對(duì)實(shí)施地點(diǎn)、技術(shù)名詞等進(jìn)行正確分詞,數(shù)據(jù)被加入了大量的錯(cuò)誤分詞信息。在具有大量錯(cuò)誤分詞信息的數(shù)據(jù)集中使用目前主流的Word2vec模型[25]訓(xùn)練出的詞向量質(zhì)量較低,無(wú)法有效表達(dá)詞語(yǔ)之間的語(yǔ)義聯(lián)系。而且Word2vec默認(rèn)忽略頻次小于5的詞,而大量有效詞匯的出現(xiàn)頻次較少,導(dǎo)致很多詞匯沒(méi)有對(duì)應(yīng)的詞向量生成,無(wú)法準(zhǔn)確獲取大量低頻詞和未登錄詞的上下文語(yǔ)義。經(jīng)測(cè)試,文獻(xiàn)[6]訓(xùn)練的詞向量?jī)H能覆蓋數(shù)據(jù)集中約24%的詞匯。

    Gridach[26]為解決生物醫(yī)學(xué)領(lǐng)域文本的專業(yè)性較強(qiáng)、詞匯復(fù)雜多變導(dǎo)致的低頻詞和未登錄詞等問(wèn)題,提出使用BiLSTM神經(jīng)網(wǎng)絡(luò)獲取單詞的字符級(jí)信息,并與預(yù)訓(xùn)練的詞向量結(jié)合,使得詞向量能同時(shí)包含詞匯的語(yǔ)義學(xué)信息和形態(tài)學(xué)信息,減少了無(wú)法準(zhǔn)確獲取低頻詞和未登錄詞上下文語(yǔ)義所帶來(lái)的影響。本文借鑒其思路,使用字嵌入結(jié)合分詞信息的方式對(duì)生態(tài)治理技術(shù)領(lǐng)域的文本進(jìn)行表示,不僅能減少錯(cuò)誤分詞帶來(lái)的影響,而且也不需要額外的時(shí)間進(jìn)行詞向量的訓(xùn)練。

    2.2 標(biāo)注文本

    在生態(tài)治理技術(shù)領(lǐng)域中,需要抽取的實(shí)體類型包括:技術(shù)實(shí)施時(shí)間、技術(shù)實(shí)施地點(diǎn)和技術(shù)名稱,分別使用Time、Plcae和Tech標(biāo)簽進(jìn)行標(biāo)注。本文使用IOBES標(biāo)注法,相較于目前主流的IOB2標(biāo)注法具有更多的標(biāo)簽信息。實(shí)體分類及標(biāo)注方法如表2所示。

    表2 數(shù)據(jù)集實(shí)體分類及標(biāo)注體系

    本文使用了jieba分詞,將分詞信息作為特征加入數(shù)據(jù)集中輔助實(shí)體識(shí)別,使用0代表單字詞,1代表一個(gè)詞的第一個(gè)字,2代表詞的中間部分,3代表詞的末尾字符。

    以句子“在毛烏素沙漠應(yīng)推行灌草橋相結(jié)合以…” 為例,數(shù)據(jù)集的具體標(biāo)注方法如表3所示。

    將文本的分詞信息映射為低維向量,與文本的字向量進(jìn)行拼接得到每個(gè)字的表示。圖1以一個(gè)字向量為4,分詞信息向量為1的文本矩陣為例,矩陣的每一行是一個(gè)字的向量表示。

    圖1 文本的向量表示

    2.3 BiLSTM-IDCNN-CRF模型

    BiLSTM網(wǎng)絡(luò)和IDCNN網(wǎng)絡(luò)分別對(duì)不同粒度的文本進(jìn)行特征提取,如果將兩種模型獲取的特征進(jìn)行整合,相對(duì)于單一模型而言可以利用更充分的信息用于實(shí)體的識(shí)別。對(duì)每一個(gè)字的標(biāo)簽進(jìn)行預(yù)測(cè)的過(guò)程可以看作是一個(gè)分類任務(wù),即每一個(gè)字或詞應(yīng)該被分為哪個(gè)標(biāo)簽的類。在分類時(shí)需要考慮到文本的上下文特征以及長(zhǎng)距離依賴,一般使用由Lafferty等[21]提出的條件隨機(jī)場(chǎng)(Conditional Random Fields,CRF)實(shí)現(xiàn)序列標(biāo)注任務(wù)。本文提出BiLSTM-IDCNN-CRF模型,首先使用BiLSTM-IDCNN神經(jīng)網(wǎng)絡(luò)對(duì)文本信息中的特征進(jìn)行抽取,將BiLSTM-IDCNN神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的結(jié)果作為特征,再使用CRF對(duì)每一個(gè)字或詞進(jìn)行分類。

    (10)

    式中:⊕表示向量的拼接。

    BiLSTM網(wǎng)絡(luò)整體可寫(xiě)作:

    H=fθ(X)

    (11)

    式中:矩陣fθ(X)為BiLSTM網(wǎng)絡(luò)的輸出;θ為BiLSTM網(wǎng)絡(luò)中的參數(shù)。

    由于BiLSTM網(wǎng)絡(luò)和IDCNN網(wǎng)絡(luò)的神經(jīng)元數(shù)量可能不一致,為盡量減少feature map數(shù)量變化導(dǎo)致的分辨率損失,因此將BiLSTM網(wǎng)絡(luò)學(xué)習(xí)到的上下文特征H使用一層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積(輸入通道數(shù)量為BiLSTM的神經(jīng)元數(shù)量,輸出通道數(shù)量為IDCNN的神經(jīng)元個(gè)數(shù)),將卷積結(jié)果H′=[h′1,h′2,…,h′T]作為IDCNN網(wǎng)絡(luò)的輸入。

    (12)

    gθ′(H′)=gθ′1(H′)⊕gθ′2(H′)⊕…⊕gθ′N(H′)

    (13)

    得到特征gθ′(H′)后再通過(guò)一個(gè)全連接層便可得到每個(gè)標(biāo)簽的打分。

    (14)

    (15)

    (16)

    模型在訓(xùn)練時(shí)使用動(dòng)態(tài)規(guī)劃算法[27]對(duì)[A]i,j以及最佳標(biāo)記序列進(jìn)行計(jì)算和推理。

    圖2以“甘肅省準(zhǔn)備…”為例,展示BiLSTM-IDCNN-CRF模型的結(jié)構(gòu)以及標(biāo)簽預(yù)測(cè)流程。

    圖2 BiLSTM-IDCNN-CRF模型總體結(jié)構(gòu)

    3 實(shí) 驗(yàn)

    3.1 實(shí)驗(yàn)數(shù)據(jù)

    生態(tài)治理技術(shù)數(shù)據(jù)集中共包含6 304個(gè)句子,總共標(biāo)注了實(shí)體11 667個(gè)。其中:時(shí)間實(shí)體有1 687個(gè);地名實(shí)體3 892個(gè)。生態(tài)治理技術(shù)實(shí)體5 894個(gè)。將數(shù)據(jù)集按照18∶1∶1的比例分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,句子數(shù)和實(shí)體數(shù)詳見(jiàn)表4。

    表4 數(shù)據(jù)集詳細(xì)信息

    3.2 實(shí)驗(yàn)流程

    本文首先將基于字嵌入的模型和基于詞嵌入模型的訓(xùn)練時(shí)的損失變化進(jìn)行對(duì)比,分析字嵌入方法對(duì)模型訓(xùn)練速度的影響。然后分別將有無(wú)分詞信息的BiLSTM-IDCNN-CRF模型的訓(xùn)練損失和測(cè)試結(jié)果進(jìn)行對(duì)比,分析分詞信息對(duì)模型的準(zhǔn)確性和訓(xùn)練速度的影響。最后將基于字嵌入的BiLSTM-CRF模型[4]和IDCNN-CRF模型[8]與基于詞嵌入模型[6]的測(cè)試結(jié)果進(jìn)行對(duì)比,以驗(yàn)證基于字嵌入的文本表示方法和IOBES標(biāo)注法帶來(lái)的性能提升。同時(shí),本文將BiLSTM-IDCNN-CRF模型應(yīng)用于生態(tài)治理技術(shù)領(lǐng)域的命名實(shí)體識(shí)別任務(wù),并將其與目前主流模型的識(shí)別結(jié)果進(jìn)行對(duì)比,以驗(yàn)證該模型的有效性。本文實(shí)驗(yàn)的總體框架如圖3所示。

    圖3 實(shí)驗(yàn)總體框架

    訓(xùn)練語(yǔ)料中包含訓(xùn)練集和驗(yàn)證集。首先將訓(xùn)練語(yǔ)料的文本進(jìn)行字嵌入,再將文本矩陣分別輸入BiLSTM-CRF模型、IDCNN-CRF模型或BiLSTM-IDCNN-CRF模型中進(jìn)行訓(xùn)練,經(jīng)過(guò)不斷迭代得到訓(xùn)練好的命名實(shí)體識(shí)別模型;將測(cè)試集語(yǔ)料映射為文本矩陣,使用訓(xùn)練好的命名實(shí)體識(shí)別模型進(jìn)行測(cè)試,得到最終的實(shí)驗(yàn)結(jié)果用于對(duì)比。

    3.3 實(shí)驗(yàn)設(shè)置

    本次實(shí)驗(yàn)使用目前較為常用的準(zhǔn)確率(Precision,P)、召回率(Recall,R)和綜合評(píng)價(jià)指標(biāo)(F1-Measure,F(xiàn)1)作為實(shí)驗(yàn)結(jié)果的評(píng)價(jià)指標(biāo)。

    實(shí)驗(yàn)環(huán)境為Tensorflow[28]1.11.0版本,使用Adam優(yōu)化器進(jìn)行訓(xùn)練。BiLSTM-IDCNN-CRF模型的超參數(shù)設(shè)置如表5所示。膨脹卷積塊層數(shù)、膨脹距離、膨脹卷積塊個(gè)數(shù)等參數(shù)通過(guò)驗(yàn)證集調(diào)參得到。

    表5 BiLSTM-IDCNN-CRF模型超參數(shù)設(shè)置

    3.4 模型訓(xùn)練損失的變化

    將基于詞嵌入的BiLSTM-CRF模型、基于字嵌入的BiLSTM-CRF模型和BiLSTM-IDCNN-CRF模型訓(xùn)練時(shí)的損失變化進(jìn)行對(duì)比。

    詞是一個(gè)或多個(gè)字的組合,因此基于字嵌入模型的每一個(gè)句子的長(zhǎng)度遠(yuǎn)遠(yuǎn)大于基于詞嵌入模型的句子長(zhǎng)度,導(dǎo)致基于字嵌入的模型在訓(xùn)練時(shí)損失的值相對(duì)較大,下降速度也相對(duì)較慢。但總體而言,基于字嵌入模型的訓(xùn)練速度仍然是比較快的。當(dāng)?shù)降?0輪時(shí),兩種基于字嵌入的模型的損失均下降到1以下。訓(xùn)練損失的具體變化如圖4所示。

    圖4 損失變化圖

    為避免過(guò)擬合,同時(shí)提高訓(xùn)練效率,節(jié)約訓(xùn)練時(shí)間,本文將實(shí)驗(yàn)的迭代輪次設(shè)置為600,同時(shí)設(shè)置提前停止機(jī)制:當(dāng)模型在驗(yàn)證集中連續(xù)50輪性能沒(méi)有提升時(shí),停止訓(xùn)練并在測(cè)試集中進(jìn)行測(cè)試。

    3.5 分詞信息的影響

    本節(jié)將無(wú)分詞信息的BiLSTM-IDCNN-CRF模型與有分詞信息的BiLSTM-IDCNN-CRF模型的訓(xùn)練損失和訓(xùn)練結(jié)果進(jìn)行對(duì)比,分析分詞信息的加入對(duì)模型訓(xùn)練時(shí)間和識(shí)別效果的影響。

    首先對(duì)兩種訓(xùn)練策略的損失變化進(jìn)行分析。在前20輪迭代中,有分詞信息的模型在訓(xùn)練時(shí)的損失明顯低于無(wú)分詞信息的模型;在20輪之后兩種模型的損失均下降到較低的水平,但有分詞信息的模型的訓(xùn)練損失仍略低于無(wú)分詞信息的模型。兩種模型的損失變化如圖5所示。

    圖5 分詞信息對(duì)損失的影響

    將兩種模型在測(cè)試集中的表現(xiàn)進(jìn)行對(duì)比。與無(wú)分詞信息的模型相比,有分詞信息模型的準(zhǔn)確率提高了0.025 2,召回率提高了0.002,F(xiàn)1值提高了0.013 6。對(duì)比結(jié)果如表6所示。

    表6 分詞信息對(duì)結(jié)果的影響

    分詞信息的加入豐富了模型可以利用的文本特征,使模型可以在更少的訓(xùn)練輪次中取得更低的訓(xùn)練損失。同時(shí),分詞信息有效地輔助了模型對(duì)實(shí)體的推斷,使實(shí)體識(shí)別的準(zhǔn)確率和召回率得到了提高。

    3.6 實(shí)驗(yàn)結(jié)果及對(duì)比分析

    將基于詞嵌入的BiLSTM-CRF模型、基于字嵌入的BiLSTM-CRF模型、IDCNN-CRF模型和BiLSTM-IDCNN-CRF模型的測(cè)試結(jié)果進(jìn)行對(duì)比(基于字嵌入的模型均包含分詞信息),并對(duì)結(jié)果進(jìn)行分析和討論。對(duì)比結(jié)果如表7所示。

    表7 模型結(jié)果對(duì)比

    基于詞嵌入的BiLSTM-CRF模型在準(zhǔn)確率上取得了較高的成績(jī),其中時(shí)間和地點(diǎn)兩類實(shí)體的識(shí)別準(zhǔn)確率(0.786 3和0.820 2)均高于其他3個(gè)模型。通過(guò)對(duì)模型進(jìn)行分析發(fā)現(xiàn),基于詞嵌入的模型在對(duì)文本進(jìn)行分詞時(shí)加入了外部詞典,包括時(shí)間、地名和實(shí)施技術(shù)等詞匯,使得各個(gè)實(shí)體的邊界更加清晰。但是該模型對(duì)生態(tài)治理技術(shù)實(shí)體識(shí)別的準(zhǔn)確率較低(僅為0.660 2,遠(yuǎn)低于時(shí)間實(shí)體的0.786 3和地點(diǎn)實(shí)體的0.820 2),原因在于文獻(xiàn)中對(duì)于生態(tài)治理技術(shù)的寫(xiě)法標(biāo)準(zhǔn)不統(tǒng)一,加入的實(shí)施技術(shù)詞典無(wú)法有效地對(duì)于技術(shù)實(shí)體進(jìn)行準(zhǔn)確分詞,引入了大量噪聲信息。基于字嵌入的BiLSTM-CRF模型避免了引入噪聲的問(wèn)題,使得模型可以有效地對(duì)文本進(jìn)行特征學(xué)習(xí),結(jié)合上下文信息和分詞信息實(shí)現(xiàn)命名實(shí)體識(shí)別,在召回率上相對(duì)于基于詞嵌入的模型得到了明顯的提升,因此在綜合評(píng)價(jià)指標(biāo)F1值上超過(guò)了基于詞嵌入的模型。

    在基于字嵌入的模型中,BiLSTM-CRF模型對(duì)整個(gè)句子的特征進(jìn)行學(xué)習(xí),從而能從整體上把握實(shí)體的上下文信息,從句子中識(shí)別出更多的實(shí)體,取得了更高的召回率;而IDCNN-CRF模型更關(guān)注于實(shí)體周圍的信息和特征,能夠更好地區(qū)分實(shí)體的邊界,因此在準(zhǔn)確率上獲得了相對(duì)更高的結(jié)果。

    BiLSTM神經(jīng)網(wǎng)絡(luò)和IDCNN神經(jīng)網(wǎng)絡(luò)獲取到的不同粒度的特征可以相互補(bǔ)充,從BiLSTM-IDCNN-CRF模型的實(shí)驗(yàn)結(jié)果中也可以得到驗(yàn)證。BiLSTM-IDCNN-CRF模型雖然在召回率上相對(duì)前兩個(gè)模型得到了一個(gè)折中的結(jié)果,但是由于獲得的特征更加豐富,因此準(zhǔn)確率高于前兩種模型,最后的F1值也超越了前兩種模型。IDCNN網(wǎng)絡(luò)的輸入為BiLSTM網(wǎng)絡(luò)得到的具有上下文語(yǔ)義的特征,因此在對(duì)某一個(gè)字的周圍字符信息進(jìn)行學(xué)習(xí)時(shí)會(huì)同時(shí)得到上下文信息和該字周圍的語(yǔ)義信息。也就是說(shuō),模型在預(yù)測(cè)某個(gè)字是否是實(shí)體的一部分時(shí),不僅會(huì)利用整個(gè)句子的語(yǔ)義特征,還將重點(diǎn)關(guān)注該字周圍字符的語(yǔ)義特征,因此在整體性能上取得了更好的成績(jī)。

    4 結(jié) 語(yǔ)

    命名實(shí)體識(shí)別可以快速、準(zhǔn)確、自動(dòng)地從大規(guī)模文本中抽取出有意義的實(shí)體。本文提出了基于字嵌入的BiLSTM-IDCNN-CRF模型,可以充分學(xué)習(xí)到上下文信息和局部信息中的特征,將兩種特征進(jìn)行互補(bǔ)提高實(shí)體的抽取效果。目前已經(jīng)抽取出的實(shí)體可用于進(jìn)行統(tǒng)計(jì)分析,如:生態(tài)治理實(shí)踐分布分析、生態(tài)治理地域分析和生態(tài)治理技術(shù)名稱分析等。如何得到生態(tài)治理的實(shí)施時(shí)間、實(shí)施地點(diǎn)和生態(tài)治理技術(shù)之間的關(guān)系將是下一步重點(diǎn)探索和研究的方向。

    猜你喜歡
    分詞實(shí)體卷積
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    前海自貿(mào)區(qū):金融服務(wù)實(shí)體
    結(jié)巴分詞在詞云中的應(yīng)用
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    實(shí)體的可感部分與實(shí)體——兼論亞里士多德分析實(shí)體的兩種模式
    兩會(huì)進(jìn)行時(shí):緊扣實(shí)體經(jīng)濟(jì)“釘釘子”
    振興實(shí)體經(jīng)濟(jì)地方如何“釘釘子”
    值得重視的分詞的特殊用法
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    一区二区三区激情视频| 久久久精品大字幕| 日本成人三级电影网站| 精品国产三级普通话版| 欧美成人性av电影在线观看| xxxwww97欧美| 在线国产一区二区在线| 12—13女人毛片做爰片一| 国产高清激情床上av| 性色av乱码一区二区三区2| 亚洲国产色片| 级片在线观看| 成年女人看的毛片在线观看| 国产成年人精品一区二区| 一区二区三区免费毛片| 午夜久久久久精精品| 熟妇人妻久久中文字幕3abv| 国产午夜精品久久久久久一区二区三区 | 91在线观看av| 国产91精品成人一区二区三区| 国内精品一区二区在线观看| 麻豆国产97在线/欧美| 99视频精品全部免费 在线| 欧美成人免费av一区二区三区| 国产精品爽爽va在线观看网站| 免费av不卡在线播放| 国产成+人综合+亚洲专区| 91在线观看av| 亚洲成人久久爱视频| 国产精品免费一区二区三区在线| 黄色日韩在线| 久久精品国产亚洲av天美| 亚洲精华国产精华精| 丰满人妻一区二区三区视频av| 国产精品一区二区性色av| 真人做人爱边吃奶动态| 免费在线观看成人毛片| 国内毛片毛片毛片毛片毛片| 五月伊人婷婷丁香| 一级黄色大片毛片| 最近在线观看免费完整版| 男女床上黄色一级片免费看| 日本黄色视频三级网站网址| 国产av一区在线观看免费| 午夜老司机福利剧场| www.色视频.com| 在线观看舔阴道视频| 色视频www国产| 51午夜福利影视在线观看| 日韩欧美一区二区三区在线观看| 欧美三级亚洲精品| 99热精品在线国产| av女优亚洲男人天堂| 欧美性猛交╳xxx乱大交人| 久久亚洲精品不卡| 国语自产精品视频在线第100页| 亚洲不卡免费看| 能在线免费观看的黄片| 久久久久性生活片| 无人区码免费观看不卡| 免费观看人在逋| 少妇丰满av| 日本成人三级电影网站| 十八禁国产超污无遮挡网站| 一级黄片播放器| 夜夜爽天天搞| 国产精品日韩av在线免费观看| 午夜免费成人在线视频| 在线播放无遮挡| 99久国产av精品| 久久久久九九精品影院| www.999成人在线观看| АⅤ资源中文在线天堂| av在线天堂中文字幕| 午夜亚洲福利在线播放| 天堂av国产一区二区熟女人妻| 青草久久国产| 国产av不卡久久| 啦啦啦韩国在线观看视频| 亚洲成a人片在线一区二区| 亚洲性夜色夜夜综合| 久久精品久久久久久噜噜老黄 | 国产精品爽爽va在线观看网站| 亚洲欧美日韩无卡精品| 看十八女毛片水多多多| 黄色丝袜av网址大全| 精品久久久久久久人妻蜜臀av| 久久午夜福利片| 婷婷六月久久综合丁香| 在线观看66精品国产| 久久久久久久精品吃奶| 1000部很黄的大片| 亚洲精品乱码久久久v下载方式| 国产色爽女视频免费观看| 亚洲精华国产精华精| 深夜精品福利| 在线观看av片永久免费下载| 特级一级黄色大片| 日本三级黄在线观看| 亚洲成av人片免费观看| 国产精品女同一区二区软件 | 日韩精品中文字幕看吧| 久久草成人影院| 成人午夜高清在线视频| 精品一区二区免费观看| 在线天堂最新版资源| 赤兔流量卡办理| 成人亚洲精品av一区二区| 欧美性感艳星| 亚洲成人中文字幕在线播放| 亚洲成人中文字幕在线播放| 黄色女人牲交| 亚洲成人久久性| 一本一本综合久久| 69av精品久久久久久| 成年女人永久免费观看视频| 熟妇人妻久久中文字幕3abv| 国产视频内射| 亚洲精华国产精华精| 国产精品爽爽va在线观看网站| 国产主播在线观看一区二区| 91字幕亚洲| 久久精品91蜜桃| 757午夜福利合集在线观看| 又黄又爽又刺激的免费视频.| 色av中文字幕| 国产精品伦人一区二区| bbb黄色大片| 精品久久久久久久末码| 国产黄a三级三级三级人| 国产伦精品一区二区三区视频9| 国产伦精品一区二区三区视频9| 午夜福利18| 日本免费一区二区三区高清不卡| 国产精品亚洲美女久久久| 高潮久久久久久久久久久不卡| 日韩 亚洲 欧美在线| 午夜福利在线观看吧| 舔av片在线| 床上黄色一级片| 一a级毛片在线观看| 国产高清视频在线播放一区| 国产精品亚洲一级av第二区| 国产亚洲精品综合一区在线观看| 啦啦啦韩国在线观看视频| 色av中文字幕| 国产美女午夜福利| 性色avwww在线观看| 深爱激情五月婷婷| 久久精品影院6| 3wmmmm亚洲av在线观看| 成人国产一区最新在线观看| 网址你懂的国产日韩在线| 在线国产一区二区在线| 尤物成人国产欧美一区二区三区| 最近在线观看免费完整版| 69av精品久久久久久| 18禁在线播放成人免费| 免费电影在线观看免费观看| 日韩人妻高清精品专区| 一级黄色大片毛片| 欧美不卡视频在线免费观看| 赤兔流量卡办理| 精品久久久久久久久久久久久| 国产单亲对白刺激| 国产精品美女特级片免费视频播放器| 久久久久国内视频| 最新在线观看一区二区三区| 国产免费av片在线观看野外av| 一本综合久久免费| 免费看日本二区| 色精品久久人妻99蜜桃| 嫩草影院入口| 乱人视频在线观看| 国产黄a三级三级三级人| 宅男免费午夜| 色综合亚洲欧美另类图片| 一区福利在线观看| 日韩中字成人| 深夜a级毛片| 波多野结衣高清无吗| av天堂在线播放| ponron亚洲| 精品一区二区三区人妻视频| 一区二区三区激情视频| 国产黄片美女视频| 黄色一级大片看看| 国产成+人综合+亚洲专区| 欧美日韩国产亚洲二区| 欧美高清成人免费视频www| 免费一级毛片在线播放高清视频| 精品一区二区三区av网在线观看| 久久国产精品人妻蜜桃| av黄色大香蕉| 尤物成人国产欧美一区二区三区| 久久久久精品国产欧美久久久| 欧美成人免费av一区二区三区| 亚洲美女搞黄在线观看 | 亚洲va日本ⅴa欧美va伊人久久| 99久久精品一区二区三区| 成人亚洲精品av一区二区| 国产中年淑女户外野战色| 亚洲最大成人手机在线| 99国产极品粉嫩在线观看| 黄色一级大片看看| 一本综合久久免费| 成人欧美大片| 亚洲在线自拍视频| 亚洲人成网站高清观看| 在线播放国产精品三级| 日韩欧美在线二视频| 日韩欧美在线二视频| 老司机福利观看| 欧美丝袜亚洲另类 | 国产一区二区亚洲精品在线观看| 久久精品国产清高在天天线| 婷婷六月久久综合丁香| 亚洲美女视频黄频| 久久精品久久久久久噜噜老黄 | 天天躁日日操中文字幕| 俄罗斯特黄特色一大片| 90打野战视频偷拍视频| 成人特级av手机在线观看| 国产黄a三级三级三级人| 久久精品综合一区二区三区| 国产一区二区在线av高清观看| 天堂√8在线中文| 国产精品三级大全| 九九热线精品视视频播放| a级毛片a级免费在线| 免费高清视频大片| 亚洲自偷自拍三级| 精品乱码久久久久久99久播| 日本 av在线| 一级a爱片免费观看的视频| 最好的美女福利视频网| 国产乱人视频| 国产精品影院久久| ponron亚洲| 亚洲中文字幕一区二区三区有码在线看| 精品一区二区三区视频在线观看免费| 国产老妇女一区| 日韩中文字幕欧美一区二区| 99久久九九国产精品国产免费| 成年版毛片免费区| 99视频精品全部免费 在线| 国产一区二区三区视频了| 成人毛片a级毛片在线播放| 嫩草影视91久久| 无遮挡黄片免费观看| 国产色婷婷99| 老女人水多毛片| 高清在线国产一区| 欧美一级a爱片免费观看看| 亚洲成av人片在线播放无| 综合色av麻豆| www.999成人在线观看| 我要看日韩黄色一级片| 欧美zozozo另类| 久久久久九九精品影院| 午夜精品在线福利| 久久久国产成人免费| 性欧美人与动物交配| 中文资源天堂在线| 日本熟妇午夜| 成人高潮视频无遮挡免费网站| 欧美最新免费一区二区三区 | 日韩中文字幕欧美一区二区| 亚洲精品在线美女| 精品一区二区三区视频在线观看免费| 国产午夜福利久久久久久| 夜夜看夜夜爽夜夜摸| 老熟妇仑乱视频hdxx| 麻豆久久精品国产亚洲av| 嫩草影视91久久| 日韩免费av在线播放| 国产av在哪里看| 欧美日本亚洲视频在线播放| 五月伊人婷婷丁香| 长腿黑丝高跟| 成年女人永久免费观看视频| 欧美在线一区亚洲| 三级毛片av免费| 99久久成人亚洲精品观看| 国产精品野战在线观看| 看十八女毛片水多多多| 中文字幕av成人在线电影| 最新中文字幕久久久久| 99在线人妻在线中文字幕| 嫩草影院新地址| 性色avwww在线观看| 久久久久性生活片| 亚洲第一电影网av| 欧美潮喷喷水| 欧美精品啪啪一区二区三区| 午夜福利在线观看免费完整高清在 | 日本黄大片高清| 国产亚洲最大av| 天堂网av新在线| 成人欧美大片| 国产伦在线观看视频一区| 一个人看的www免费观看视频| 国产精品人妻久久久久久| 老师上课跳d突然被开到最大视频| 80岁老熟妇乱子伦牲交| 国产成人精品福利久久| 亚洲精品aⅴ在线观看| 网址你懂的国产日韩在线| 成人免费观看视频高清| 最近中文字幕2019免费版| 国产爱豆传媒在线观看| 精品久久久久久久久亚洲| 亚洲欧美一区二区三区黑人 | 久久久久久久亚洲中文字幕| 午夜免费观看性视频| 亚洲欧美成人精品一区二区| 色综合色国产| 亚洲最大成人中文| 国产av码专区亚洲av| 日韩av不卡免费在线播放| 3wmmmm亚洲av在线观看| 一级a做视频免费观看| 啦啦啦中文免费视频观看日本| 精品久久国产蜜桃| 亚洲va在线va天堂va国产| 欧美丝袜亚洲另类| 18禁动态无遮挡网站| 久久久a久久爽久久v久久| 亚洲久久久久久中文字幕| 男人添女人高潮全过程视频| 亚洲国产高清在线一区二区三| 国产成年人精品一区二区| 男插女下体视频免费在线播放| 国产成人a区在线观看| 久久6这里有精品| 亚洲va在线va天堂va国产| 女人十人毛片免费观看3o分钟| 亚洲精品影视一区二区三区av| 午夜老司机福利剧场| 久久久久精品性色| 新久久久久国产一级毛片| 又黄又爽又刺激的免费视频.| 亚洲精品中文字幕在线视频 | 全区人妻精品视频| 午夜激情久久久久久久| 亚洲人与动物交配视频| 中文字幕久久专区| 中文字幕av成人在线电影| 一级毛片电影观看| 国产精品99久久99久久久不卡 | 国产男女内射视频| 亚洲精品久久午夜乱码| 天天躁日日操中文字幕| 最近2019中文字幕mv第一页| 免费在线观看成人毛片| 啦啦啦啦在线视频资源| 国产一级毛片在线| 国产爽快片一区二区三区| 国产在线一区二区三区精| 内地一区二区视频在线| 真实男女啪啪啪动态图| 夜夜爽夜夜爽视频| 成年女人在线观看亚洲视频 | 欧美日韩视频精品一区| av国产免费在线观看| 精品国产三级普通话版| 99热网站在线观看| 国产亚洲91精品色在线| 97在线视频观看| 嫩草影院精品99| 国产高清有码在线观看视频| 国产精品久久久久久av不卡| 精品久久久久久久末码| av国产久精品久网站免费入址| 日韩免费高清中文字幕av| 国产精品一区www在线观看| 免费在线观看成人毛片| 美女视频免费永久观看网站| 午夜精品国产一区二区电影 | 高清在线视频一区二区三区| tube8黄色片| 亚洲精华国产精华液的使用体验| 内射极品少妇av片p| 国产成人精品福利久久| 在线看a的网站| 国产黄色免费在线视频| 日韩欧美精品v在线| 亚洲怡红院男人天堂| 黑人高潮一二区| 国产亚洲最大av| 天天躁日日操中文字幕| 国产淫片久久久久久久久| 狂野欧美白嫩少妇大欣赏| 香蕉精品网在线| 日本一本二区三区精品| 国产精品人妻久久久久久| 久久精品国产亚洲av涩爱| 伦理电影大哥的女人| 午夜福利网站1000一区二区三区| 日本与韩国留学比较| 国产免费一级a男人的天堂| 在线观看av片永久免费下载| 亚洲精品自拍成人| 免费看a级黄色片| 国产永久视频网站| 午夜福利在线观看免费完整高清在| 国产黄片美女视频| 精品人妻偷拍中文字幕| av国产免费在线观看| 一级片'在线观看视频| 天美传媒精品一区二区| 韩国高清视频一区二区三区| 白带黄色成豆腐渣| 国产男人的电影天堂91| 在现免费观看毛片| 男女那种视频在线观看| 在线观看av片永久免费下载| 超碰av人人做人人爽久久| 超碰97精品在线观看| 欧美人与善性xxx| 街头女战士在线观看网站| 在线观看国产h片| 久久精品国产亚洲av天美| 国产高潮美女av| 欧美zozozo另类| 联通29元200g的流量卡| 久久久久精品久久久久真实原创| 免费观看的影片在线观看| 亚洲人成网站在线观看播放| 久久99热这里只有精品18| 三级国产精品片| 久久女婷五月综合色啪小说 | av国产久精品久网站免费入址| 在线播放无遮挡| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 9热在线视频观看99| 亚洲成人手机| 欧美日韩亚洲国产一区二区在线观看 | 最近最新中文字幕大全电影3| 亚洲成av人片在线播放无| 国产精品自产拍在线观看55亚洲| 天堂影院成人在线观看| 国产精品野战在线观看| 网址你懂的国产日韩在线| 国产蜜桃级精品一区二区三区| 久久精品国产99精品国产亚洲性色| 亚洲熟妇中文字幕五十中出| 久久国内精品自在自线图片| 婷婷亚洲欧美| 深爱激情五月婷婷| 成人一区二区视频在线观看| 免费不卡的大黄色大毛片视频在线观看 | 午夜福利在线在线| 亚洲一级一片aⅴ在线观看| 免费av不卡在线播放| 精品午夜福利在线看| 成年人午夜在线观看视频| 麻豆精品久久久久久蜜桃| 国产精品.久久久| 欧美精品国产亚洲| 国产无遮挡羞羞视频在线观看| 波野结衣二区三区在线| 夫妻午夜视频| 国产高清不卡午夜福利| 日产精品乱码卡一卡2卡三| 国产免费视频播放在线视频| 大又大粗又爽又黄少妇毛片口| 男人舔奶头视频| 一区二区三区免费毛片| 午夜视频国产福利| 亚洲av日韩在线播放| 大码成人一级视频| 一级av片app| 黄色配什么色好看| 亚洲av.av天堂| 内地一区二区视频在线| 日本色播在线视频| 秋霞在线观看毛片| 国产黄片美女视频| 男女边吃奶边做爰视频| 亚洲精品乱码久久久v下载方式| 成年美女黄网站色视频大全免费 | 精品国产一区二区三区久久久樱花 | 久久久久久久久免费视频了| e午夜精品久久久久久久| 超碰成人久久| 亚洲成国产人片在线观看| 亚洲av欧美aⅴ国产| 美女中出高潮动态图| 悠悠久久av| 老司机在亚洲福利影院| 又紧又爽又黄一区二区| 亚洲精品美女久久av网站| 亚洲欧洲国产日韩| 少妇粗大呻吟视频| 97人妻天天添夜夜摸| 中文字幕精品免费在线观看视频| 欧美久久黑人一区二区| 欧美久久黑人一区二区| 国产深夜福利视频在线观看| 久久免费观看电影| 看免费av毛片| 夜夜骑夜夜射夜夜干| 国产成人a∨麻豆精品| 久久久久久久久免费视频了| 亚洲国产精品一区三区| 男女边摸边吃奶| 亚洲七黄色美女视频| 国产有黄有色有爽视频| 免费高清在线观看日韩| 久久国产精品大桥未久av| 国产精品99久久99久久久不卡| 一区二区三区乱码不卡18| 日日夜夜操网爽| 黄色a级毛片大全视频| 亚洲欧洲精品一区二区精品久久久| 丰满人妻熟妇乱又伦精品不卡| 亚洲精品第二区| 啦啦啦 在线观看视频| 亚洲国产av影院在线观看| av网站在线播放免费| 午夜激情久久久久久久| www.熟女人妻精品国产| av在线app专区| 日韩大码丰满熟妇| 午夜福利视频精品| 日韩电影二区| 亚洲人成电影免费在线| 曰老女人黄片| 国产精品九九99| 男女边吃奶边做爰视频| 丝瓜视频免费看黄片| 中国美女看黄片| 久久精品国产综合久久久| 免费看不卡的av| 十分钟在线观看高清视频www| 亚洲中文字幕日韩| 90打野战视频偷拍视频| 黑人欧美特级aaaaaa片| 女人高潮潮喷娇喘18禁视频| 亚洲精品日韩在线中文字幕| 国产高清不卡午夜福利| 91麻豆精品激情在线观看国产 | 日本欧美国产在线视频| 亚洲图色成人| h视频一区二区三区| 一二三四社区在线视频社区8| 午夜福利在线免费观看网站| 在线观看免费日韩欧美大片| 大码成人一级视频| 2021少妇久久久久久久久久久| 亚洲国产成人一精品久久久| 免费高清在线观看视频在线观看| 欧美人与性动交α欧美软件| 女性生殖器流出的白浆| 男女高潮啪啪啪动态图| av在线app专区| 日韩伦理黄色片| 亚洲精品在线美女| 日韩av在线免费看完整版不卡| 老司机深夜福利视频在线观看 | 亚洲人成网站在线观看播放| av片东京热男人的天堂| 免费在线观看影片大全网站 | 爱豆传媒免费全集在线观看| 欧美日韩亚洲高清精品| 亚洲人成电影观看| 亚洲精品一卡2卡三卡4卡5卡 | 韩国精品一区二区三区| 麻豆国产av国片精品| 久久人人爽人人片av| 99国产精品一区二区蜜桃av | 看免费av毛片| 人妻一区二区av| 久久久久精品国产欧美久久久 | 在现免费观看毛片| 国产有黄有色有爽视频| 国产成人精品久久二区二区免费| 亚洲久久久国产精品| 在线观看国产h片| 国产av一区二区精品久久| 欧美激情高清一区二区三区| 熟女少妇亚洲综合色aaa.| 亚洲欧美激情在线| 狠狠婷婷综合久久久久久88av| 中国国产av一级| 国产亚洲av片在线观看秒播厂| 日本色播在线视频| 亚洲欧美激情在线| 99久久人妻综合| 七月丁香在线播放| 亚洲国产看品久久| 欧美另类一区| av视频免费观看在线观看| 大片电影免费在线观看免费| 男人添女人高潮全过程视频| 高清av免费在线| 精品一区二区三卡| 中文字幕色久视频| 国产免费又黄又爽又色| 欧美日韩亚洲国产一区二区在线观看 | 免费看不卡的av| 久久久国产一区二区| 91麻豆av在线| 国产成人a∨麻豆精品| 欧美日韩综合久久久久久| 中文字幕av电影在线播放| 另类精品久久| 欧美在线一区亚洲| 丝袜脚勾引网站| 欧美在线一区亚洲| 欧美性长视频在线观看| 精品免费久久久久久久清纯 | av视频免费观看在线观看| 夫妻午夜视频|