• <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 ?

    融合詞性和注意力機(jī)制的輿情本體非分類關(guān)系抽取研究

    2021-03-27 01:18:44劉勝全魏浩皓
    關(guān)鍵詞:輿情注意力語義

    張 敏,劉勝全,劉 艷,魏浩皓

    (1.新疆大學(xué)信息科學(xué)與工程學(xué)院,新疆 烏魯木齊 830046;2.新疆大學(xué)軟件學(xué)院,新疆 烏魯木齊 830091)

    0 引言

    大數(shù)據(jù)時(shí)代的來臨,社會輿情信息也凸顯出海量、瞬刻、全息、價(jià)值低密、虛實(shí)莫辨的大數(shù)據(jù)特征,當(dāng)前數(shù)據(jù)來源越來越復(fù)雜,同時(shí)不同的數(shù)據(jù)處理和存儲方式使得這些海量信息在不同層次上產(chǎn)生了異構(gòu).對于一些社會熱點(diǎn)事件,往往會激發(fā)網(wǎng)民的集體參與感,并通過新聞、微博、微信、論壇等不同類型的網(wǎng)絡(luò)平臺來表達(dá)對相關(guān)社會事件的群體性情緒、意愿、態(tài)度和意見.因此,這些多源異構(gòu)表達(dá)自由的輿情信息在網(wǎng)民間快速地相互傳播和影響,這促使政府對輿情的監(jiān)控以及引導(dǎo)變得極其重要,同時(shí)也促進(jìn)了輿情本體構(gòu)建相關(guān)技術(shù)的發(fā)展.

    關(guān)系抽取作為信息提取和自然語言處理的核心任務(wù),其目標(biāo)是預(yù)測句子中概念間的關(guān)系.非分類關(guān)系又稱為非層級關(guān)系,反映了概念間的某些語義關(guān)系,其類型多種多樣,同時(shí)也是自然語言處理領(lǐng)域一項(xiàng)重要的語義處理任務(wù).概念間非分類關(guān)系的抽取對本體的構(gòu)建和語義的理解起著重要作用,概念間非分類關(guān)系的準(zhǔn)確抽取有助于本體的構(gòu)建,同時(shí)推動知識圖譜的發(fā)展.

    目前的信息抽取主要集中在概念抽取、關(guān)系抽取、事件抽取等任務(wù)上,非分類關(guān)系抽取研究主要是解決文本中概念間關(guān)系的非分類問題,雖然非分類關(guān)系作為分類關(guān)系的補(bǔ)充,但因其種類繁多,狀態(tài)空間巨大,因此這也為非分類關(guān)系抽取任務(wù)帶來了一定的難度.盡管已經(jīng)有相關(guān)研究工作來提取非分類關(guān)系,這些方法忽略了句法和語義信息,使得提取的非分類關(guān)系準(zhǔn)確率不高.

    輿情本體中非分類關(guān)系的獲取一直是本體構(gòu)建的難點(diǎn),在一個(gè)句子中,包含的相關(guān)動詞是最能表達(dá)句子狀態(tài)的詞匯,適當(dāng)?shù)膭釉~可以很好地表示概念對之間的非分類關(guān)系.對于非分類關(guān)系,本文主要關(guān)注基于動詞的非分類關(guān)系,因此提出結(jié)合詞性信息和注意力機(jī)制的雙向長短時(shí)記憶網(wǎng)絡(luò),來解決輿情本體概念間非分類關(guān)系抽取問題,將富含上下文語義信息的詞向量作為神經(jīng)網(wǎng)絡(luò)的輸入,對句子進(jìn)行編碼,為了消除噪音數(shù)據(jù)帶來的影響,在特征向量上構(gòu)建基于詞級別和基于句子級別的注意力機(jī)制,對重要特征賦予較高權(quán)重[1],通過詞匯和句子信息相結(jié)合以標(biāo)記非分類關(guān)系,最終完成輿情本體概念間的非分類關(guān)系抽取.

    關(guān)系抽取作為自然語言處理重要的子任務(wù)而受到廣泛關(guān)注.何宇等[2]引入句法分析模型獲取句法特征,使用支持向量機(jī)(SVM)在某專利公司的中文新能源汽車領(lǐng)域語料上抽取關(guān)系實(shí)例;董麗麗等[3]使用改進(jìn)的候選關(guān)系標(biāo)簽標(biāo)志方法VF*ICF選擇具有領(lǐng)域的相關(guān)動詞,最后使用對數(shù)似然比評估抽取的非分類關(guān)系.傳統(tǒng)方法手工依賴性較高,導(dǎo)致額外的傳播錯(cuò)誤且增加計(jì)算成本.而隨著深度學(xué)習(xí)[4]的提出,關(guān)系抽取的研究有了進(jìn)一步的進(jìn)展.

    近年來,深度學(xué)習(xí)發(fā)展迅猛,在國內(nèi)外都引起了廣泛的關(guān)注.因此,眾多學(xué)者嘗試將深度學(xué)習(xí)應(yīng)用于自然語言處理任務(wù)中.如:循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、基于圖神經(jīng)網(wǎng)絡(luò)等[5-7];引入注意力機(jī)制和基于張量的遞歸神經(jīng)網(wǎng)絡(luò)模型[8]、對抗訓(xùn)練的正則化方法[9]、卷積GRU模型[10];基于單詞注意和以實(shí)體為中心的遠(yuǎn)程監(jiān)督模型等[11-12].基于深度學(xué)習(xí)的方法在自然語言處理任務(wù)中都取得了比以往研究更好的實(shí)驗(yàn)效果,這些可自動的學(xué)習(xí)簡單的特征,能夠發(fā)現(xiàn)更多隱含的信息,但仍存在不足.

    目前的研究是在結(jié)構(gòu)簡單的英文文本上進(jìn)行關(guān)系抽取,對于輿情文本的關(guān)系抽取針對性不強(qiáng).張曉斌等[13]提出基于CNN和雙向LSTM融合的實(shí)體關(guān)系抽取方法,充分考慮長距離詞之間的依賴性,保留了詞序等特征;蘇錦鈿等[14]將詞性和自注意力機(jī)制相結(jié)合,提出面向句子情感分類方法;高成亮等[15]使用結(jié)合詞性信息的基于注意力機(jī)制的雙向LSTM模型解決文本分類任務(wù).CNN考慮了連續(xù)詞之間的相關(guān)性而忽略了非連續(xù)詞之間的相關(guān)性,LSTM雖然考慮了長距離詞的相關(guān)性,但提取特征不夠充分,同時(shí)核心詞表現(xiàn)弱,對于輿情信息而言,語料中包含大量語義信息,不同詞語對于整個(gè)句子的語義信息影響大小不同,對所有詞一視同仁,影響關(guān)系預(yù)測的結(jié)果.

    現(xiàn)階段對輿情信息關(guān)系抽取的研究不夠深入,尤其是對非分類關(guān)系的研究更是不足.詞性通常作為一種輔助特征,用于特征選擇,而在以往的關(guān)系方法中,忽略了詞性之間的依賴關(guān)系.因此,針對目前大多數(shù)非分類關(guān)系抽取方法忽略詞性和部分局部特征的問題,本文提出結(jié)合詞性信息和注意力機(jī)制的BiLSTM模型(簡稱本文模型).通過結(jié)合詞性信息和詞注意力機(jī)制關(guān)注句子中相關(guān)動詞的語義特征,能夠從語法的角度進(jìn)一步豐富句子中詞的信息,同時(shí)引入句子層注意力機(jī)制,計(jì)算包含相同概念的句子和預(yù)測關(guān)系的相關(guān)性,結(jié)合BiLSTM模型充分利用整個(gè)句子的序列信息,提取句子中2個(gè)概念之間的動詞作為非分類關(guān)系標(biāo)簽,完成輿情本體概念間非分類關(guān)系的抽取.

    1 非分類關(guān)系抽取問題描述

    本文研究概念對抽取合適的動詞表示非分類關(guān)系,非分類關(guān)系的抽取分為2個(gè)步驟,即非分類關(guān)系的識別和非分類關(guān)系的抽取.非分類關(guān)系的識別是指識別出有關(guān)系的概念對;非分類關(guān)系的標(biāo)注是指為識別出的有關(guān)系概念對抽取合適的動詞,其中動詞作為非分類關(guān)系類型名稱,對于輿情信息進(jìn)行非分類關(guān)系的識別和非分類關(guān)系的標(biāo)注,在一定程度上忽視了句法信息和語義信息,導(dǎo)致在非分類關(guān)系的識別階段容易抽取出沒有關(guān)系的概念對,在非分類關(guān)系的標(biāo)注階段,容易造成概念對標(biāo)注的動詞不合理.

    問題的輸入是網(wǎng)絡(luò)輿情文本信息,已經(jīng)過預(yù)處理得到了包含概念及非分類關(guān)系標(biāo)簽的句子,輸出是非分類關(guān)系的語義表示.

    定義語義關(guān)系,語義關(guān)系可以用一個(gè)三元組(ei,rij,ej)來描述,其中ei,ej表示句子中包含的概念對,rij∈y表示關(guān)系的語義標(biāo)簽,y是所有標(biāo)簽的集合.

    輿情信息中包含的非分類關(guān)系可能是無向的,例如從文本信息中發(fā)現(xiàn)A和B的朋友關(guān)系,在另一些文本中概念對之間的關(guān)系是有向的,例如,2018年8月1號,長征四號乙運(yùn)載火箭在太原發(fā)射中心發(fā)射成功,其中,太原發(fā)射中心與運(yùn)載火箭是“施力者-受力者”關(guān)系.因此,隨著網(wǎng)絡(luò)信息的發(fā)展,非分類關(guān)系可能是主動的(如訪問關(guān)系)或是被動的(被訪問關(guān)系).這里主要考慮主動的非分類關(guān)系.

    例如非分類關(guān)系類型預(yù)測的例子.1879年愛迪生在實(shí)驗(yàn)室創(chuàng)造了第一批白熾燈.

    主動的關(guān)系表示:(愛迪生,創(chuàng)造,白熾燈).

    被動的關(guān)系表示:(白熾燈,被創(chuàng)造,愛迪生).

    針對問題輸入的文本信息,目標(biāo)是預(yù)測出這個(gè)句子包含的非分類關(guān)系類型,最終通過最大概率分類器預(yù)測最大非分類關(guān)系類型的置信度.

    2 非分類關(guān)系抽取模型

    2.1 非分類關(guān)系抽取

    本文將輿情本體概念間非分類關(guān)系抽取問題轉(zhuǎn)化為根據(jù)輿情信息定義概念間非分類關(guān)系,在已知概念對的情況下,輿情語料中的概念間非分類關(guān)系抽取模型如圖1所示.

    圖1 結(jié)合注意力機(jī)制的BiLSTM非分類關(guān)系抽取模型

    為使模型更好地描述輿情文本的內(nèi)部結(jié)構(gòu)信息,通過詞嵌入技術(shù)(Word2vec)將手工標(biāo)注得到的輿情文本輸入到模型中.將句子中每個(gè)詞語和詞性標(biāo)簽映射到向量空間中,用以生成能夠表示詞語語義和詞性含義的向量表示,并采用BiLSTM網(wǎng)絡(luò)對詞向量進(jìn)行編碼獲取句子的高維語義信息.通過計(jì)算上下文詞語與概念對的相關(guān)性,建立詞注意力機(jī)制來充分捕捉句子上下文關(guān)鍵詞語的語義信息.并結(jié)合詞性信息獲取關(guān)鍵詞的重要特征,同時(shí)通過計(jì)算句子與關(guān)系的相關(guān)程度來建立句子層注意力機(jī)制,減少錯(cuò)誤標(biāo)簽帶來的噪音問題.對提取的語義信息進(jìn)行加權(quán)求和以及非線性映射和歸一化處理,實(shí)現(xiàn)信息流的整合,提高輿情本體非分類關(guān)系抽取的效率,并用Softmax實(shí)現(xiàn)非分類關(guān)系抽取任務(wù).用H代表模型的隱含層,且由BiLSTM構(gòu)成;w和s分別表示輿情文本中的詞組和簡短句子.

    本文結(jié)合注意力機(jī)制BiLSTM模型,完成輿情本體概念間非分類關(guān)系的抽取,利用注意力機(jī)制為不同特征分配注意力權(quán)重,最后通過分類器獲取非分類關(guān)系抽取結(jié)果.其中進(jìn)行輿情本體概念間非分類抽取的結(jié)合注意力機(jī)制的BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

    該結(jié)構(gòu)包含5個(gè)部分:(1)輸入層將句子輸入到該模型中;(2)嵌入層將每一個(gè)詞映射成低維向量;(3) LSTM層利用雙向的長短時(shí)記憶網(wǎng)絡(luò)獲取句子的高級特征;(4)注意力層產(chǎn)生權(quán)重向量,關(guān)注句子中相關(guān)動詞的語義特征,將由LSTM得到的詞級特征合并到句子級特征向量;(5)輸出層經(jīng)過注意力機(jī)制得到的特征向量將用于非分類關(guān)系抽取,從而得到最終的非分類關(guān)系結(jié)果.

    圖2 非分類關(guān)系結(jié)合注意力機(jī)制的BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)

    2.2 向量表示層

    給定T個(gè)字組成的句子S={x1,x2,…,xT},使用word2vec將每一個(gè)字xi轉(zhuǎn)換為實(shí)數(shù)向量ei.首先,對于句子S中的每一個(gè)字,將其轉(zhuǎn)換成嵌入矩陣Wword∈Rdw|V|,其中:V是固定大小的詞匯表;dw是字嵌入的大小,是用戶要選擇的超參數(shù);矩陣Wword是要學(xué)習(xí)的參數(shù),然后,通過使用矩陣向量將字xi轉(zhuǎn)換為字嵌入向量ei,公式為

    ei=Wwordvi.

    (1)

    其中vi是一個(gè)大小為|V|的向量,其值在ei的位置為1,其他位置均為0.然后,將該句子作為實(shí)值向量embs={e1,e2,…,eT}送入下一層.

    2.3 編碼層

    長短時(shí)記憶網(wǎng)絡(luò)(LSTM)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò),由S.Hochreiter等[16]于1997年提出,主要用于解決梯度消失問題以及針對一般的循環(huán)神經(jīng)網(wǎng)絡(luò)存在的長期依賴問題而專門設(shè)計(jì)出來的(如圖3 所示).LSTM神經(jīng)網(wǎng)絡(luò)模型包含3個(gè)門:輸入門it,遺忘門ft以及輸出門ot.

    圖3 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

    公式為:

    ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf);

    (2)

    it=σ(Wxixt+Whiht-1+Wcict-1+bi);

    (3)

    (4)

    (5)

    ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo).

    (6)

    最終該單元的輸出,計(jì)算公式為

    ht=ot*tanh(ct).

    (7)

    式中:Wx(f,i,c,o)∈Rd×d,Wh(f,i,c,o)∈Rd×d,Wc(f,i,c,o)∈Rd×d表示LSTM的權(quán)重矩陣;b(f,i,c,o)表示偏置項(xiàng);ct和ht分別表示在t時(shí)刻的LSTM的記憶表示和隱含層狀態(tài)表示.因此,當(dāng)前狀態(tài)單元ct通過加權(quán)和生成,它使用以前的狀態(tài)單元,也使用當(dāng)前時(shí)刻單元產(chǎn)生的信息.

    循環(huán)神經(jīng)網(wǎng)絡(luò)[17]在序列學(xué)習(xí)問題中獲得廣泛應(yīng)用,并且成果顯著.然而由于常見的梯度消失和梯度爆炸問題,循環(huán)神經(jīng)網(wǎng)絡(luò)通常難以訓(xùn)練.對于一個(gè)輸入序列,在一個(gè)時(shí)間節(jié)點(diǎn)t,LSTM網(wǎng)絡(luò)只包含t以前的信息,卻不包含t以后的,但訪問過去和未來的上下文信息都是有益的,因此,本文使用雙向LSTM網(wǎng)絡(luò),其思想是提出一個(gè)訓(xùn)練序列向前和向后2個(gè)循環(huán)網(wǎng)絡(luò),其具有相同的結(jié)構(gòu)但權(quán)重參數(shù)不同,將2個(gè)序列相加得到最終通過雙向LSTM網(wǎng)絡(luò)的最后結(jié)果.

    本文為了學(xué)習(xí)文本中包含的詞語之間、詞性之間的依賴特征,通過結(jié)合注意力機(jī)制的雙向LSTM的文本表示模型處理文本數(shù)據(jù)(如圖1所示).該網(wǎng)絡(luò)包含向前和向后上下文的2個(gè)子網(wǎng)絡(luò),同時(shí)向前和向后隱含層之間沒有信息流,這使得網(wǎng)絡(luò)展開圖是非循環(huán)的.第ith個(gè)字的輸出表示為

    (8)

    2.4 注意力層

    注意力模型最近幾年在深度學(xué)習(xí)各個(gè)領(lǐng)域被廣泛使用,并取得了不錯(cuò)的進(jìn)展.因此,本文使用注意力機(jī)制[18],給不同的特征賦予不同的權(quán)重,學(xué)習(xí)不同局部特征的重要性,摒棄一些噪音數(shù)據(jù),以此來提高非分類關(guān)系抽取結(jié)果的高效性和準(zhǔn)確性.

    2.4.1 詞注意力機(jī)制

    在非分類關(guān)系抽取任務(wù)中,對于語義信息并不是所有詞語都有相同的重要性,不同的概念對上下文詞語的重要程度也是不同.尤其是概念對之間的動詞至關(guān)重要,因此,使用詞語層注意力機(jī)制來充分捕捉重要的語義信息.

    設(shè)由BiLSTM層產(chǎn)生的輸出向量組成的矩陣H=[h1,h2,…,hT]和概念表示〈he1,he2〉,其中T是句子長度,通過一個(gè)待訓(xùn)練的權(quán)重參數(shù)w生成對每一個(gè)hi的注意力權(quán)重.用句子r表示由輸出向量的加權(quán)和構(gòu)成,計(jì)算公式為

    (9)

    μi=tanh(Wwt+Wwthe1+Wwthe2+bwt).

    (10)

    其中:Wwt為詞語相關(guān)性權(quán)重矩陣,bwt為偏置.通過Softmax函數(shù)將計(jì)算的評分結(jié)果μ1,μ2,…,μT進(jìn)行歸一化,從而得到權(quán)重值αi,計(jì)算公式為

    (11)

    最后,采用最大池化策略,得到句子的顯著特征.其句子表示為

    S=maxpool(r).

    (12)

    2.4.2 句子注意力機(jī)制

    為了減少錯(cuò)誤標(biāo)注帶來的噪音問題,采用句子層注意力機(jī)制的多實(shí)例學(xué)習(xí)[19],計(jì)算包含相同概念的所有句子和預(yù)測關(guān)系的相關(guān)性,與關(guān)系向量相關(guān)性高的句子賦予更高的權(quán)重,從而降低噪音句子對關(guān)系預(yù)測的影響.

    設(shè)S={s1,s2,…,sk}是包含相同概念k個(gè)句子組成的句子集,為了表示所有句子與預(yù)測關(guān)系的相關(guān)程度,將句子向量表示為S中所有句子向量的加權(quán)和,公式表示為

    (13)

    βi=Softmax(siAer).

    (14)

    其中A是隨機(jī)初始化加權(quán)對角矩陣,er為關(guān)系r的向量表示.

    2.5 解碼層

    結(jié)合詞性信息和注意力機(jī)制的BiLSTM模型用于動態(tài)捕獲與非分類關(guān)系抽取任務(wù)相關(guān)句子信息,并生成上下文表示,將詞性向量和其他特征結(jié)合,充分利用整個(gè)句子的序列信息,獲取輿情文本的語義特征,完成輿情本體概念間非分類關(guān)系的抽取.

    (15)

    (16)

    (17)

    其中:ti∈Rm為使用one-hot表示的真實(shí)值;yi∈Rm為使用Softmax函數(shù)估計(jì)每個(gè)關(guān)系類別的概率;m為關(guān)系類別的數(shù)量;λ為L2正則化超參數(shù),同時(shí),將L2正則化和dropout相結(jié)合來緩解隱藏單元過擬合問題.

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)

    實(shí)驗(yàn)中選取百度、新浪等中文網(wǎng)頁信息作為語料來源.利用網(wǎng)絡(luò)爬蟲技術(shù)下載輿情文本,對其進(jìn)行去重、去噪等一系列處理,篩選出包含實(shí)體和關(guān)系的新聞報(bào)道文本,作為實(shí)驗(yàn)語料.該實(shí)驗(yàn)共生成了11 227條樣本數(shù)據(jù),其中8 560條用作訓(xùn)練集,共包含27種非分類關(guān)系,如圖4所示,2 667條用作測試集,每條語句中的概念和概念間的非分類關(guān)系均已標(biāo)記,數(shù)據(jù)結(jié)構(gòu)如表1所示.

    圖4 非分類關(guān)系類別及數(shù)量

    表1 數(shù)據(jù)集樣本示例

    3.2 實(shí)驗(yàn)超參數(shù)設(shè)置

    不合理的超參數(shù)設(shè)置會影響輿情本體概念間非分類關(guān)系抽取的結(jié)果.超參數(shù)設(shè)置如表2所示.

    表2 超參數(shù)設(shè)置

    2012年,G.E.Hinton[20]提出了Dropout策略.在深度學(xué)習(xí)的模型中,如果模型的參數(shù)太多,而訓(xùn)練樣本又太少,訓(xùn)練出來的模型很容易產(chǎn)生過擬合的現(xiàn)象.為了防止過擬合,在正向傳播過程中,Dropout策略通過從網(wǎng)絡(luò)中隨機(jī)省略特征檢測器的共同作用阻止隱藏單元的自適應(yīng)性,來提高神經(jīng)網(wǎng)絡(luò)的性能.

    因此,在該網(wǎng)絡(luò)結(jié)構(gòu)中,Dropout策略主要用于嵌入層、LSTM編碼層,在保持輸入輸出神經(jīng)元不變的情況下,隨機(jī)丟棄隱含層部分神經(jīng)元.同時(shí)在梯度下降后,使用L2正則化進(jìn)一步減小過擬合問題.模型使用sigmoid作為激活函數(shù),隱含層節(jié)點(diǎn)數(shù)取200,采用Softmax作為分類器.為防止模型計(jì)算過程中出現(xiàn)過擬合現(xiàn)象,利用L2正則化方法對網(wǎng)絡(luò)參數(shù)進(jìn)行約束,系數(shù)取0.001,訓(xùn)練過程中引入Dropout策略,丟碼率取0.3,數(shù)據(jù)批處理量取128,訓(xùn)練輪數(shù)取100.

    3.3 實(shí)驗(yàn)評價(jià)標(biāo)準(zhǔn)

    本文采用準(zhǔn)確率(P)、召回率(R)及衡量模型整體性能(F1值)[21]等3種重要指標(biāo)評測非分類關(guān)系實(shí)驗(yàn)結(jié)果,P反應(yīng)模型的準(zhǔn)確程度,R反應(yīng)模型的完備性,F(xiàn)1值是P和R的調(diào)和平均.

    3.4 實(shí)驗(yàn)分析

    3.4.1 對特征的有效性驗(yàn)證

    實(shí)驗(yàn)中使用多個(gè)特征進(jìn)行特征表示,如PF(位置特征)、POS(詞性特征),為了研究每個(gè)特征對本文模型的貢獻(xiàn),依次加入不同的特征對模型的性能進(jìn)行比較,結(jié)果如表3和4所示.

    表3 以詞向量RV作為比較基線添加其他特征對于訓(xùn)練模型的影響效果 %

    表4 以詞向量WV作為比較基線添加其他特征對于訓(xùn)練模型的影響效果 %

    表3以通用詞向量(RV)作為比較的基線(RV:百度百科通用領(lǐng)域300維詞向量).依次添加其他特征.其中位置特征使F1值提高了3.86%.詞性包含了潛在的語義信息,使F1值提高了3.97%.相比于位置特征,實(shí)驗(yàn)結(jié)果表明影響不明顯,但也有所提高.

    表4使用詞訓(xùn)練模型預(yù)先訓(xùn)練好的輿情信息詞向量(WV)以代替隨機(jī)向量.相較于使用通用詞向量,F(xiàn)1值提高了7.03%.加入特征實(shí)驗(yàn)F1值均有所提高.實(shí)驗(yàn)結(jié)果同樣驗(yàn)證了多個(gè)特征對于捕獲句子中的詞與目標(biāo)實(shí)體的關(guān)系信息起著重要作用.

    3.4.2 與同類實(shí)驗(yàn)對比

    為了驗(yàn)證結(jié)合注意力機(jī)制的BiLSTM神經(jīng)網(wǎng)絡(luò)模型在輿情本體概念間非分類關(guān)系抽取的效果,使用3.1節(jié)的實(shí)驗(yàn)數(shù)據(jù)和3.2節(jié)的參數(shù)進(jìn)行實(shí)驗(yàn),各模型在測試集上的P,R和F1值如表5所示.

    表5 模型性能對比 %

    由表5可以得出以下結(jié)論:

    (1) BiLSTM與RNN對比.使用詞向量和詞性向量作為非分類關(guān)系特征的輸入,BiLSTM神經(jīng)網(wǎng)絡(luò)模型的效果優(yōu)于循環(huán)神經(jīng)網(wǎng)絡(luò)模型.RNN能夠處理短距離依賴,對于長距離依賴存在局限性,同時(shí)當(dāng)序列較長時(shí),RNN易產(chǎn)生梯度消失問題.與RNN相比,BiLSTM模型P,R以及F1值分別提高了3.15%,4.71%,3.97%.說明BiLSTM有了記憶模塊,緩解了長距離依賴問題,能夠充分利用整個(gè)句子的序列信息,獲取更多的上下文語義知識,使提取到的文本特征更有效,從而使得BiLSTM模型的實(shí)驗(yàn)結(jié)果均高于RNN神經(jīng)網(wǎng)絡(luò)模型.

    (2) 本文模型和BiLSTM對比.使用詞向量和詞性向量作為非分類關(guān)系特征的輸入,本文模型的效果優(yōu)于BiLSTM神經(jīng)網(wǎng)絡(luò)模型.與BiLSTM相比,P,R以及F1值分別提高了4.77%,6.95%,5.875%.本文模型結(jié)合了詞性信息和詞、句子注意力機(jī)制的優(yōu)點(diǎn),利用詞注意力機(jī)制捕獲訓(xùn)練句子中關(guān)鍵動詞的語義信息,通過句子注意力利用包含相同概念句子間的相關(guān)性,減少錯(cuò)誤標(biāo)注帶來的噪音問題.由此說明,本文模型選擇性地關(guān)注句子中重要信息,提高了非分類關(guān)系抽取的準(zhǔn)確率.從而證實(shí)了該方法的有效性.

    (3) 基于雙向GRU+CATT+SATT模型[22].該模型采納了只使用字向量作為文本的輸入特征,用雙向GRU進(jìn)行訓(xùn)練,并加入基于字級別和基于句子級別的注意力機(jī)制,完成中文文本中人物關(guān)系的抽取任務(wù).

    (4) BGRU+2ATT模型[23].模型采納了使用字向量作為文本的輸入特征,用雙向GRU進(jìn)行訓(xùn)練,在字符級和實(shí)例級兩個(gè)層面中引入了注意力機(jī)制,完成中文文本中人物關(guān)系的抽取任務(wù).

    本文模型的P,R和F1隨迭代次數(shù)變化曲線 見圖5.由圖5可知,每訓(xùn)練一定次數(shù),在測試集上驗(yàn)證數(shù)據(jù),并統(tǒng)計(jì)P,R和F1值在訓(xùn)練過程中的變化.當(dāng)epoch值在0~30之間,P,R和F1以及train_acc值上升速率特別快,由于在訓(xùn)練數(shù)據(jù)上隨著訓(xùn)練次數(shù)的增加,模型初始權(quán)重不斷更新,訓(xùn)練集上的準(zhǔn)確率不斷增加,模型學(xué)習(xí)到的知識越多,使得模型在測試集上的準(zhǔn)確率不斷提高.當(dāng)epoch值為100時(shí),結(jié)合注意力機(jī)制的BiLSTM神經(jīng)網(wǎng)絡(luò)模型的train_acc值收斂趨于穩(wěn)定,訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練的準(zhǔn)確率達(dá)到穩(wěn)定,同時(shí)測試數(shù)據(jù)的P,R和F1的值收斂趨于穩(wěn)定,達(dá)到了測試過程中的最優(yōu)結(jié)果.由圖5可知,雖然P,R和F1值有一定的波動,但波動不大,最后均收斂趨于穩(wěn)定.

    本文模型的P,R和F1隨訓(xùn)練準(zhǔn)確率變化曲線見圖6.從圖6中可以看出,開始階段train_acc值很低,說明模型學(xué)習(xí)到的知識少,使得測試集的結(jié)果P,R和F1值很低.隨著模型不斷優(yōu)化,訓(xùn)練準(zhǔn)確率的提高,測試集P和R也逐漸增加,最后收斂趨于穩(wěn)定,當(dāng)訓(xùn)練P達(dá)到92.24%時(shí),測試集的P和R取得最優(yōu),分別為 64.19% 和64.74%.

    圖5 P,R和F1隨迭代次數(shù)變化曲線

    4 結(jié)束語

    輿情本體概念間非分類關(guān)系的抽取研究有助于推動依賴于本體相關(guān)技術(shù)的發(fā)展,現(xiàn)有的研究多在英文等公開的語料集上進(jìn)行關(guān)系抽取,對于輿情本體的非分類關(guān)系研究較少,且現(xiàn)有的輿情語料數(shù)據(jù)集更少.本文提出結(jié)合詞性信息和注意力機(jī)制的雙向長短時(shí)記憶網(wǎng)絡(luò)來抽取輿情本體概念間的非分類關(guān)系,通過注意力機(jī)制動態(tài)地學(xué)習(xí)不同隱式特征信息在文本分類任務(wù)中的貢獻(xiàn)程度,分類函數(shù)預(yù)測非分類關(guān)系類別標(biāo)簽.

    通過與傳統(tǒng)RNN模型、BiLSTM模型進(jìn)行對比實(shí)驗(yàn),說明本文模型緩解了長距離依賴問題,同時(shí)充分利用詞和句子注意力機(jī)制的優(yōu)點(diǎn),結(jié)合詞性信息和詞注意力機(jī)制捕獲訓(xùn)練句子中關(guān)鍵詞語的語義信息,增強(qiáng)包含相同概念句子間的相關(guān)性,減少錯(cuò)誤標(biāo)注帶來的噪聲問題,進(jìn)而提取了更有效的文本特征,提高了非分類關(guān)系抽取的準(zhǔn)確性.雖然實(shí)驗(yàn)效果有進(jìn)一步的提高,但仍然存在不足之處.手工標(biāo)注的數(shù)據(jù)集太少且存在標(biāo)注錯(cuò)誤,同時(shí)一個(gè)包含多個(gè)逗號的長句子,存在多種非分類關(guān)系如何正確界定問題.接下來將在增加語料的同時(shí)可以引入強(qiáng)化學(xué)習(xí)方法,對模型做進(jìn)一步的優(yōu)化,來提高非分類關(guān)系抽取的準(zhǔn)確性,同時(shí)如何將具有相同含義的動詞聚類形成一種新的非分類關(guān)系類型也是下一步的研究任務(wù).

    猜你喜歡
    輿情注意力語義
    讓注意力“飛”回來
    語言與語義
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    輿情
    中國民政(2016年16期)2016-09-19 02:16:48
    輿情
    中國民政(2016年10期)2016-06-05 09:04:16
    “上”與“下”語義的不對稱性及其認(rèn)知闡釋
    輿情
    中國民政(2016年24期)2016-02-11 03:34:38
    認(rèn)知范疇模糊與語義模糊
    微博的輿情控制與言論自由
    无限看片的www在线观看| 精品乱码久久久久久99久播| 亚洲黑人精品在线| 欧美成人免费av一区二区三区| 精品久久久久久久人妻蜜臀av| 成人特级黄色片久久久久久久| 亚洲国产看品久久| 国产精品久久久久久人妻精品电影| 99久久精品国产亚洲精品| 啦啦啦韩国在线观看视频| 变态另类成人亚洲欧美熟女| 男女下面进入的视频免费午夜| 俄罗斯特黄特色一大片| 最近在线观看免费完整版| 中文字幕精品亚洲无线码一区| 亚洲avbb在线观看| 99久久成人亚洲精品观看| 婷婷亚洲欧美| avwww免费| 91在线精品国自产拍蜜月 | 国产高清三级在线| 精品国产超薄肉色丝袜足j| 精品国产美女av久久久久小说| 国产成人精品久久二区二区91| 国产单亲对白刺激| 老司机在亚洲福利影院| 国产免费av片在线观看野外av| 国产黄色小视频在线观看| 精品一区二区三区四区五区乱码| 亚洲无线观看免费| 国产野战对白在线观看| 欧美zozozo另类| 国产成人欧美在线观看| 免费在线观看视频国产中文字幕亚洲| 国产一区在线观看成人免费| 成人午夜高清在线视频| 法律面前人人平等表现在哪些方面| 亚洲欧美日韩东京热| 日本与韩国留学比较| 亚洲狠狠婷婷综合久久图片| 亚洲精品456在线播放app | 色精品久久人妻99蜜桃| av黄色大香蕉| 日韩中文字幕欧美一区二区| 久久香蕉国产精品| 欧美色欧美亚洲另类二区| 一级毛片高清免费大全| 在线视频色国产色| cao死你这个sao货| 日韩欧美国产在线观看| 精品国产超薄肉色丝袜足j| 岛国视频午夜一区免费看| 黄片大片在线免费观看| 真实男女啪啪啪动态图| 亚洲avbb在线观看| 老司机在亚洲福利影院| 他把我摸到了高潮在线观看| 真人一进一出gif抽搐免费| 精品一区二区三区av网在线观看| 日韩中文字幕欧美一区二区| 亚洲av日韩精品久久久久久密| 国产真实乱freesex| 啦啦啦韩国在线观看视频| 每晚都被弄得嗷嗷叫到高潮| 99国产综合亚洲精品| 成年免费大片在线观看| 手机成人av网站| 午夜a级毛片| 欧美黑人巨大hd| 国产久久久一区二区三区| 国产精品99久久99久久久不卡| 一区福利在线观看| 亚洲成av人片免费观看| 亚洲av片天天在线观看| 18禁黄网站禁片免费观看直播| 日本a在线网址| 欧美一级毛片孕妇| 国产精品亚洲一级av第二区| 变态另类丝袜制服| 首页视频小说图片口味搜索| 国产精品一区二区精品视频观看| 亚洲精品色激情综合| 最近在线观看免费完整版| 窝窝影院91人妻| 波多野结衣高清无吗| 国产亚洲欧美在线一区二区| 日本撒尿小便嘘嘘汇集6| 国产熟女xx| 人人妻人人澡欧美一区二区| 偷拍熟女少妇极品色| 欧美黄色淫秽网站| 少妇熟女aⅴ在线视频| 搡老岳熟女国产| cao死你这个sao货| 人妻丰满熟妇av一区二区三区| 人妻夜夜爽99麻豆av| 日韩三级视频一区二区三区| 性欧美人与动物交配| 无限看片的www在线观看| 99re在线观看精品视频| 又大又爽又粗| 成人欧美大片| 欧美av亚洲av综合av国产av| 日韩高清综合在线| 脱女人内裤的视频| 一区二区三区高清视频在线| 日韩欧美免费精品| 特大巨黑吊av在线直播| 欧美日韩综合久久久久久 | 国产久久久一区二区三区| 精品不卡国产一区二区三区| 日韩三级视频一区二区三区| 99久久综合精品五月天人人| 不卡一级毛片| 黄色视频,在线免费观看| 中出人妻视频一区二区| 国语自产精品视频在线第100页| 香蕉av资源在线| 国产亚洲精品久久久com| 国产欧美日韩精品一区二区| 男人舔奶头视频| 国产黄色小视频在线观看| 亚洲国产中文字幕在线视频| 身体一侧抽搐| 一个人免费在线观看的高清视频| 午夜福利成人在线免费观看| 欧美日韩黄片免| 九色成人免费人妻av| 国产成人av教育| 亚洲一区二区三区不卡视频| 18禁国产床啪视频网站| tocl精华| 欧美绝顶高潮抽搐喷水| 国产高清激情床上av| 久久久久九九精品影院| 欧美日本视频| 国产欧美日韩一区二区三| 久久九九热精品免费| 国产伦精品一区二区三区四那| 最好的美女福利视频网| 嫩草影院入口| 欧美一级a爱片免费观看看| 嫩草影视91久久| 少妇裸体淫交视频免费看高清| 亚洲av电影不卡..在线观看| 亚洲一区二区三区色噜噜| 午夜福利免费观看在线| 精品久久久久久成人av| 成人av一区二区三区在线看| 日本a在线网址| 精品久久久久久久久久久久久| 国产99白浆流出| 一个人免费在线观看的高清视频| 亚洲国产中文字幕在线视频| 国内少妇人妻偷人精品xxx网站 | 国产一区二区三区视频了| 琪琪午夜伦伦电影理论片6080| 成年免费大片在线观看| 国产乱人伦免费视频| 国产成年人精品一区二区| 午夜激情欧美在线| 国产精品一区二区三区四区免费观看 | 成人av一区二区三区在线看| 国产成人精品久久二区二区91| 国产aⅴ精品一区二区三区波| 国产高清视频在线播放一区| 国产成人精品无人区| 国产aⅴ精品一区二区三区波| ponron亚洲| 黄频高清免费视频| 淫妇啪啪啪对白视频| 日韩精品青青久久久久久| 91在线精品国自产拍蜜月 | 老汉色∧v一级毛片| 国内毛片毛片毛片毛片毛片| 男女那种视频在线观看| 久久国产乱子伦精品免费另类| 老鸭窝网址在线观看| 欧美一级a爱片免费观看看| 午夜免费成人在线视频| 国产精华一区二区三区| 免费看光身美女| 精品乱码久久久久久99久播| 精品午夜福利视频在线观看一区| 国产高潮美女av| 性色av乱码一区二区三区2| 最新美女视频免费是黄的| 日韩免费av在线播放| 日本a在线网址| 国产精品一区二区免费欧美| 亚洲精品一区av在线观看| 国产精品久久视频播放| 真人做人爱边吃奶动态| 黄色女人牲交| 88av欧美| 欧美色欧美亚洲另类二区| 日韩精品中文字幕看吧| 亚洲熟妇熟女久久| 国产成人啪精品午夜网站| 国产高潮美女av| 免费看美女性在线毛片视频| 看免费av毛片| 美女大奶头视频| 午夜免费激情av| 人人妻人人看人人澡| 精品国产三级普通话版| 99久久精品国产亚洲精品| 免费av不卡在线播放| 国产91精品成人一区二区三区| 久久久久九九精品影院| 欧美最黄视频在线播放免费| 国产高清视频在线播放一区| 日韩欧美在线二视频| 国产亚洲精品av在线| 精品国产超薄肉色丝袜足j| 一进一出好大好爽视频| 又大又爽又粗| 精品久久久久久久久久免费视频| 女同久久另类99精品国产91| 在线永久观看黄色视频| 亚洲七黄色美女视频| 亚洲成a人片在线一区二区| 日日摸夜夜添夜夜添小说| 日韩欧美国产一区二区入口| 亚洲av熟女| 夜夜爽天天搞| 久久国产精品人妻蜜桃| 国产一区二区三区视频了| 露出奶头的视频| 桃色一区二区三区在线观看| 看免费av毛片| 久久国产精品影院| 久久99热这里只有精品18| 真人一进一出gif抽搐免费| 欧美高清成人免费视频www| 丁香欧美五月| 亚洲aⅴ乱码一区二区在线播放| 午夜精品久久久久久毛片777| 欧美乱码精品一区二区三区| 99re在线观看精品视频| a级毛片在线看网站| 国产激情久久老熟女| 超碰成人久久| 伊人久久大香线蕉亚洲五| 国产av不卡久久| 两性夫妻黄色片| xxx96com| 国产精品久久久久久久电影 | 欧美av亚洲av综合av国产av| 日本a在线网址| 欧美黄色淫秽网站| 中文资源天堂在线| ponron亚洲| 久久久国产精品麻豆| 狂野欧美白嫩少妇大欣赏| 欧美日本视频| 国产一区二区在线观看日韩 | 最近视频中文字幕2019在线8| 欧美国产日韩亚洲一区| 亚洲自拍偷在线| 1024手机看黄色片| 亚洲av五月六月丁香网| 亚洲中文av在线| 国产久久久一区二区三区| 免费看a级黄色片| 一本一本综合久久| 久久香蕉精品热| 国产精品av久久久久免费| 国产高清videossex| 亚洲真实伦在线观看| 一本一本综合久久| 国产精品久久久久久久电影 | 成人亚洲精品av一区二区| 黄色 视频免费看| 免费人成视频x8x8入口观看| 国产午夜精品论理片| 亚洲熟妇中文字幕五十中出| 99久久成人亚洲精品观看| 日韩成人在线观看一区二区三区| aaaaa片日本免费| 成年女人看的毛片在线观看| 日韩高清综合在线| 婷婷精品国产亚洲av| 俄罗斯特黄特色一大片| 在线国产一区二区在线| 国产三级黄色录像| 国产成人啪精品午夜网站| 女人高潮潮喷娇喘18禁视频| 非洲黑人性xxxx精品又粗又长| 日本熟妇午夜| 99国产综合亚洲精品| 国产激情欧美一区二区| 欧美黑人欧美精品刺激| 久久人妻av系列| 国产一区在线观看成人免费| 国产v大片淫在线免费观看| 嫩草影视91久久| 毛片女人毛片| 国产亚洲精品久久久久久毛片| 午夜亚洲福利在线播放| 香蕉久久夜色| 国产亚洲欧美在线一区二区| 亚洲 欧美一区二区三区| 国产精品久久久人人做人人爽| 桃色一区二区三区在线观看| 此物有八面人人有两片| 午夜激情福利司机影院| 国产视频一区二区在线看| 国产av不卡久久| av女优亚洲男人天堂 | 亚洲精品美女久久av网站| 精品熟女少妇八av免费久了| 国产成人精品久久二区二区免费| 久久精品人妻少妇| 国产一区二区三区在线臀色熟女| 男人和女人高潮做爰伦理| 精品久久久久久久人妻蜜臀av| 久久人人精品亚洲av| 亚洲av日韩精品久久久久久密| 亚洲五月婷婷丁香| 波多野结衣巨乳人妻| 亚洲国产精品999在线| 狠狠狠狠99中文字幕| 色尼玛亚洲综合影院| 国产乱人视频| 亚洲av第一区精品v没综合| 欧洲精品卡2卡3卡4卡5卡区| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲av成人精品一区久久| 亚洲av五月六月丁香网| 国产不卡一卡二| 91av网站免费观看| 久久草成人影院| 99国产精品一区二区蜜桃av| 麻豆成人午夜福利视频| 怎么达到女性高潮| 熟女人妻精品中文字幕| 欧美精品啪啪一区二区三区| 国产精品久久久久久精品电影| 日韩av在线大香蕉| 亚洲,欧美精品.| 亚洲人成电影免费在线| 淫妇啪啪啪对白视频| 日本五十路高清| 亚洲av电影在线进入| 一卡2卡三卡四卡精品乱码亚洲| 日本成人三级电影网站| 最近视频中文字幕2019在线8| 校园春色视频在线观看| 欧美中文综合在线视频| 亚洲专区中文字幕在线| 免费观看人在逋| 国产综合懂色| 欧美又色又爽又黄视频| 中亚洲国语对白在线视频| 国产在线精品亚洲第一网站| 亚洲美女黄片视频| 高清毛片免费观看视频网站| 日韩欧美在线乱码| 免费av毛片视频| 操出白浆在线播放| 欧美日韩国产亚洲二区| 深夜精品福利| 99久久综合精品五月天人人| 国产精品98久久久久久宅男小说| 国产欧美日韩一区二区三| 最近在线观看免费完整版| 搡老熟女国产l中国老女人| 在线永久观看黄色视频| 精品熟女少妇八av免费久了| 国产精品99久久久久久久久| 一区福利在线观看| bbb黄色大片| 国语自产精品视频在线第100页| 亚洲精品粉嫩美女一区| 桃色一区二区三区在线观看| 一区二区三区激情视频| 欧美性猛交╳xxx乱大交人| 国产高清videossex| 日本五十路高清| 国模一区二区三区四区视频 | 巨乳人妻的诱惑在线观看| 久久久国产成人免费| 欧美日韩精品网址| 国产欧美日韩精品亚洲av| 欧美成人免费av一区二区三区| 国内少妇人妻偷人精品xxx网站 | 免费无遮挡裸体视频| 欧美日韩中文字幕国产精品一区二区三区| 欧美极品一区二区三区四区| 大型黄色视频在线免费观看| 色精品久久人妻99蜜桃| 无限看片的www在线观看| 天堂√8在线中文| 日本一本二区三区精品| АⅤ资源中文在线天堂| 中文字幕av在线有码专区| 久久精品影院6| 丁香六月欧美| av在线天堂中文字幕| 欧美绝顶高潮抽搐喷水| a级毛片在线看网站| 国产视频一区二区在线看| 禁无遮挡网站| 大型黄色视频在线免费观看| 国产69精品久久久久777片 | 窝窝影院91人妻| 欧美性猛交黑人性爽| 中文资源天堂在线| 久久久久久久精品吃奶| 亚洲人成网站在线播放欧美日韩| tocl精华| av中文乱码字幕在线| www国产在线视频色| 日韩 欧美 亚洲 中文字幕| 美女扒开内裤让男人捅视频| 九九久久精品国产亚洲av麻豆 | 一a级毛片在线观看| svipshipincom国产片| 免费电影在线观看免费观看| 亚洲 欧美一区二区三区| 久久久国产精品麻豆| 香蕉久久夜色| 嫩草影院入口| 麻豆久久精品国产亚洲av| 黄色片一级片一级黄色片| 国产男靠女视频免费网站| 少妇的丰满在线观看| 国产主播在线观看一区二区| 天堂网av新在线| 19禁男女啪啪无遮挡网站| 午夜日韩欧美国产| 亚洲av熟女| 精品不卡国产一区二区三区| 欧美日韩一级在线毛片| 久久国产乱子伦精品免费另类| 欧美日韩亚洲国产一区二区在线观看| 黄片小视频在线播放| 一级毛片女人18水好多| 嫩草影院精品99| 亚洲国产精品合色在线| 免费观看的影片在线观看| 18禁观看日本| 亚洲欧美精品综合久久99| 国产蜜桃级精品一区二区三区| 日本一本二区三区精品| 亚洲av电影在线进入| 亚洲最大成人中文| 一本久久中文字幕| 欧美+亚洲+日韩+国产| 又爽又黄无遮挡网站| 岛国在线观看网站| 最近最新免费中文字幕在线| 久久香蕉精品热| 在线观看免费午夜福利视频| 国产野战对白在线观看| www.熟女人妻精品国产| 老汉色av国产亚洲站长工具| 无限看片的www在线观看| a级毛片在线看网站| 999精品在线视频| 亚洲人成伊人成综合网2020| 国内揄拍国产精品人妻在线| 国产成人av激情在线播放| 露出奶头的视频| 国产精品国产高清国产av| 在线观看美女被高潮喷水网站 | 美女黄网站色视频| 欧美中文日本在线观看视频| 两个人的视频大全免费| 禁无遮挡网站| 欧美日韩黄片免| 18禁裸乳无遮挡免费网站照片| 老司机在亚洲福利影院| 亚洲av熟女| 白带黄色成豆腐渣| 在线观看美女被高潮喷水网站 | 婷婷六月久久综合丁香| 成年女人毛片免费观看观看9| 精品人妻1区二区| 三级毛片av免费| 999久久久国产精品视频| 午夜精品在线福利| 国产亚洲av高清不卡| 久久精品91无色码中文字幕| 亚洲午夜精品一区,二区,三区| 中文字幕熟女人妻在线| 一级毛片高清免费大全| 国产亚洲欧美在线一区二区| 日日摸夜夜添夜夜添小说| 变态另类丝袜制服| 看免费av毛片| 精品一区二区三区四区五区乱码| 久久久久久九九精品二区国产| 欧美成狂野欧美在线观看| 欧美日韩综合久久久久久 | 精品久久久久久久人妻蜜臀av| 亚洲欧美一区二区三区黑人| 精品国产超薄肉色丝袜足j| 国产日本99.免费观看| 久久精品aⅴ一区二区三区四区| 国产探花在线观看一区二区| 51午夜福利影视在线观看| 精品国产亚洲在线| 欧美丝袜亚洲另类 | 久久香蕉国产精品| 日日干狠狠操夜夜爽| 深夜精品福利| 成人鲁丝片一二三区免费| 男女午夜视频在线观看| 国内精品久久久久久久电影| 波多野结衣高清无吗| 国内精品久久久久久久电影| 午夜免费成人在线视频| 老司机午夜十八禁免费视频| 国产精品影院久久| 99久久国产精品久久久| 又粗又爽又猛毛片免费看| 非洲黑人性xxxx精品又粗又长| 日韩欧美国产一区二区入口| 在线看三级毛片| 人人妻人人澡欧美一区二区| 欧美3d第一页| 日韩成人在线观看一区二区三区| 久久久国产成人精品二区| 最新中文字幕久久久久 | 日韩人妻高清精品专区| 精品久久久久久成人av| 亚洲国产欧美人成| h日本视频在线播放| bbb黄色大片| 精品国产三级普通话版| 小蜜桃在线观看免费完整版高清| 国产精品久久视频播放| 人人妻,人人澡人人爽秒播| 亚洲精品乱码久久久v下载方式 | 国产日本99.免费观看| 国产欧美日韩一区二区三| netflix在线观看网站| 国模一区二区三区四区视频 | 欧美国产日韩亚洲一区| 亚洲av电影在线进入| 麻豆成人av在线观看| 在线免费观看不下载黄p国产 | 久久久久久久久中文| 麻豆av在线久日| 精品人妻1区二区| 国产又黄又爽又无遮挡在线| 黄色视频,在线免费观看| 一区二区三区激情视频| 免费看日本二区| 亚洲精品美女久久久久99蜜臀| 少妇熟女aⅴ在线视频| 99精品久久久久人妻精品| 国产一区二区在线观看日韩 | 亚洲色图av天堂| 亚洲成人久久爱视频| 久久精品夜夜夜夜夜久久蜜豆| 麻豆一二三区av精品| 最近最新免费中文字幕在线| 国产av在哪里看| 国产精品一区二区免费欧美| 日日干狠狠操夜夜爽| 午夜福利高清视频| 国内久久婷婷六月综合欲色啪| 久久久国产精品麻豆| 国产精品亚洲一级av第二区| 又爽又黄无遮挡网站| 天堂√8在线中文| h日本视频在线播放| aaaaa片日本免费| 国产成年人精品一区二区| www日本在线高清视频| 国产精品美女特级片免费视频播放器 | 两性夫妻黄色片| 国产一区二区在线观看日韩 | 免费无遮挡裸体视频| 久久这里只有精品19| 久久天堂一区二区三区四区| 特级一级黄色大片| 午夜精品久久久久久毛片777| 草草在线视频免费看| 亚洲av成人一区二区三| 高清毛片免费观看视频网站| 亚洲成人中文字幕在线播放| 国产精品电影一区二区三区| 午夜福利在线观看吧| 人人妻人人澡欧美一区二区| 精品国产乱子伦一区二区三区| 免费搜索国产男女视频| 最好的美女福利视频网| 成人三级黄色视频| 精品国内亚洲2022精品成人| 精品久久久久久久末码| 亚洲成人精品中文字幕电影| 可以在线观看毛片的网站| 免费看十八禁软件| 国产精品久久久av美女十八| 真人做人爱边吃奶动态| 日本一二三区视频观看| 国产又色又爽无遮挡免费看| 9191精品国产免费久久| 国产精华一区二区三区| 国产野战对白在线观看| 可以在线观看毛片的网站| 99riav亚洲国产免费| 国产精品久久久av美女十八| 一级毛片高清免费大全| 免费观看的影片在线观看| 最新中文字幕久久久久 | 女生性感内裤真人,穿戴方法视频| 日本成人三级电影网站| 欧美一级毛片孕妇| 午夜福利免费观看在线| 亚洲一区二区三区色噜噜|