• <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 ?

    融合用戶長(zhǎng)短期偏好的基于強(qiáng)化學(xué)習(xí)的推薦算法

    2021-04-25 05:23:24杜子文
    現(xiàn)代計(jì)算機(jī) 2021年6期
    關(guān)鍵詞:細(xì)粒度會(huì)話關(guān)注度

    杜子文

    (四川大學(xué)計(jì)算機(jī)學(xué)院,成都610065)

    0 引言

    隨著科技的進(jìn)步與互聯(lián)網(wǎng)的蓬勃發(fā)展,推薦系統(tǒng)在人們的生活中占據(jù)了重要的地位[7-10]。其中基于強(qiáng)化學(xué)習(xí)的推薦系統(tǒng)由于具有靈活的推薦策略以及考慮了用戶的長(zhǎng)期交互體驗(yàn)從而吸引了越來(lái)越多的研究者的關(guān)注。例如,用戶在TikTok 上瀏覽視頻,推薦系統(tǒng)根據(jù)用戶的瀏覽記錄來(lái)改變推薦視頻的策略,從而推薦出不同的視頻,同時(shí)提高了用戶的瀏覽體驗(yàn),以便盡可能地將用戶留在TikTok 中。

    基于強(qiáng)化學(xué)習(xí)的推薦算法的關(guān)鍵就是要捕捉用戶的偏好[1-4]?,F(xiàn)有的基于強(qiáng)化學(xué)習(xí)的推薦算法編碼用戶的近期交互記錄來(lái)得到用戶的短期偏好并且將用戶的人口統(tǒng)計(jì)信息作為用戶的長(zhǎng)期偏好[10-11],從而將短期偏好和長(zhǎng)期偏好進(jìn)行融合得到用戶的動(dòng)態(tài)偏好。這種做法存在以下兩個(gè)問題:

    (1)忽略了用戶的長(zhǎng)期偏好是在隨著用戶的交互記錄的變化而變化的。

    (2)沒有細(xì)粒度的建模用戶的長(zhǎng)期偏好,即用戶每個(gè)時(shí)期的偏好對(duì)用戶當(dāng)前交互的商品產(chǎn)生的影響是不同的。

    因此本文提出一種細(xì)粒度地建模用戶長(zhǎng)期偏好并且融合用戶長(zhǎng)短期偏好的基于強(qiáng)化學(xué)習(xí)的推薦模型,名稱為L(zhǎng)SR。本模型使用分層注意力的方法[5]首先在底層編碼用戶對(duì)不同商品的關(guān)注度,融合每個(gè)時(shí)期加權(quán)后的商品嵌入得到用戶的每個(gè)時(shí)期的偏好,然后在高層編碼用戶對(duì)不同時(shí)期偏好的關(guān)注度,再融合加權(quán)后的每個(gè)時(shí)期的偏好進(jìn)而得到用戶的長(zhǎng)期偏好;同時(shí)使用自注意力的方法融合用戶近期交互的商品得到用戶的短期偏好,最終將短期偏好和長(zhǎng)期偏好融合得到用戶的動(dòng)態(tài)偏好,即用戶的狀態(tài),然后采用深度Q 網(wǎng)絡(luò)的方法[6]將推薦的商品與用戶的狀態(tài)融合送入多層感知機(jī),得到累積獎(jiǎng)勵(lì)值。我們的貢獻(xiàn)主要有以下三個(gè):

    (1)我們提出了一個(gè)融合用戶長(zhǎng)短期偏好的基于強(qiáng)化學(xué)習(xí)的推薦模型,該模型可以細(xì)粒度地建模用戶的長(zhǎng)期偏好,從而提高模型的推薦效果。

    (2)我們采用分層注意力的方法來(lái)區(qū)分用戶對(duì)不同商品的關(guān)注度以及對(duì)不同時(shí)期偏好的關(guān)注度,細(xì)粒度地建模用戶的長(zhǎng)期偏好。

    (3)我們?cè)谡鎸?shí)的數(shù)據(jù)集上與baseline 進(jìn)行對(duì)比,驗(yàn)證了本模型的有效性。

    1 強(qiáng)化學(xué)習(xí)

    1.1 馬爾科夫決策過程

    基于強(qiáng)化學(xué)習(xí)的推薦算法將推薦任務(wù)視為一個(gè)馬爾科夫決策過程,通過try-error 機(jī)制來(lái)獲取最優(yōu)的推薦策略。我們可以用一個(gè)五元組來(lái)描述馬爾科夫決策過程:

    (1)狀態(tài)空間S:狀態(tài)st代表用戶u在t時(shí)刻的偏好。st={Il,Is},其中Il代表了用戶的長(zhǎng)期偏好,Il中包含了用戶在當(dāng)前會(huì)話之前的所有會(huì)話中交互的商品。Is代表了用戶的短期偏好,Is中包含了用戶在當(dāng)前會(huì)話中交互的所有商品。兩個(gè)集合中的商品都是按照時(shí)間順序排列的。

    (2)動(dòng)作空間A:動(dòng)作at表示推薦系統(tǒng)在t時(shí)刻向用戶u推薦的一個(gè)商品it。

    (3)狀態(tài)轉(zhuǎn)移概率P:當(dāng)用戶u交互商品it后,我們就將這個(gè)商品it添加到Is集合中,得到下一個(gè)狀態(tài)st+1。

    (4)當(dāng)前獎(jiǎng)勵(lì)值rt:用戶u會(huì)對(duì)商品it有不同的反饋,例如點(diǎn)擊、收藏、購(gòu)買等,用戶通過不同的反饋行為來(lái)評(píng)價(jià)這次推薦系統(tǒng)推薦商品it的效果。我們根據(jù)用戶給出的反饋計(jì)算得到當(dāng)前的獎(jiǎng)勵(lì)值rt。

    (5)折扣因子γ:折扣因子γ衡量當(dāng)前獎(jiǎng)勵(lì)值rt在累積獎(jiǎng)勵(lì)值Q中占據(jù)的比重。折扣因子γ的取值范圍為[0,1],當(dāng)折扣因子越接近1,表示當(dāng)前獎(jiǎng)勵(lì)值rt在累積獎(jiǎng)勵(lì)值Q中占據(jù)的比重越?。划?dāng)折扣因子越接近0,表示當(dāng)前獎(jiǎng)勵(lì)值rt在累積獎(jiǎng)勵(lì)值Q中占據(jù)的比重越大。其中Q=rt+γrt+1+γ2rt+2+…。

    1.2 問題定義

    根據(jù)用戶u在t時(shí)刻的交互記錄st,我們的模型LSR 需要向用戶u推薦一個(gè)商品it,這個(gè)商品it可以使得推薦平臺(tái)獲得的累積獎(jiǎng)勵(lì)值Q最大。

    2 模型

    在下文中,我們首先對(duì)模型進(jìn)行概括描述,然后介紹模型中編碼用戶短期偏好和編碼用戶長(zhǎng)期偏好以及深度Q 網(wǎng)絡(luò)的技術(shù)細(xì)節(jié)。

    2.1 模型概述

    圖1 展示我們的模型的整體結(jié)構(gòu)。為了得到用戶動(dòng)態(tài)的長(zhǎng)期偏好,我們將用戶在當(dāng)前會(huì)話之前的所有會(huì)話中交互的商品進(jìn)行融合得到隨著用戶交互歷史記錄改變而發(fā)生變化的長(zhǎng)期偏好。為了細(xì)粒度地對(duì)用戶的長(zhǎng)期偏好建模,我們采用分層注意力的方法編碼用戶對(duì)不同商品的關(guān)注度,得到用戶對(duì)不同會(huì)話的偏好{pS1,…,pSj,…,pSn},其中pSj是用戶的第Sj會(huì)話的嵌入向量,用戶的長(zhǎng)期交互記錄中一共有Sn個(gè)會(huì)話。然后我們編碼用戶對(duì)不同會(huì)話的關(guān)注度,從而細(xì)粒度地建模得到了用戶的長(zhǎng)期偏好plong。同時(shí),我們?nèi)圆捎米⒁饬Φ姆椒▽?duì)用戶當(dāng)前會(huì)話中的商品進(jìn)行融合得到用戶的動(dòng)態(tài)的短期偏好pcur。然后將長(zhǎng)期偏好plong和短期偏好pcur進(jìn)行融合得到用戶的動(dòng)態(tài)偏好,即用戶的狀態(tài)st。然后我們采用一般的深度Q-learning 方法[6]中的?-greedy策略來(lái)選擇推薦系統(tǒng)要執(zhí)行的動(dòng)作at,即推薦系統(tǒng)向用戶推薦的商品it,然后將用戶狀態(tài)st和商品it送入到深度Q-network 神經(jīng)網(wǎng)絡(luò)得到在狀態(tài)st下采取動(dòng)作it所獲得的累積獎(jiǎng)勵(lì)值Q(st,at;θ)。然后將商品it加入到當(dāng)前會(huì)話中得到下個(gè)時(shí)刻的狀態(tài)st+1。

    圖1 模型

    2.2 編碼用戶短期偏好

    由于用戶對(duì)當(dāng)前會(huì)話中的商品具有不同的關(guān)注度,因此我們采用自注意力的方法[5]對(duì)當(dāng)前會(huì)話中的商品{i1,…,it-1}進(jìn)行融合得到用戶的短期偏好pcur。自注意力的方法包含三部分,分別是查詢矩陣qn×d,索引矩陣kn×d和值矩陣vn×d。自注意力的計(jì)算公式如下:

    其中,d是商品的嵌入維度大小,n是當(dāng)前會(huì)話中用戶交互商品的個(gè)數(shù)。g是計(jì)算得到的注意力系數(shù),g∈Rn×d。pcur是 用 戶 的 短 期 偏 好 嵌 入 向 量,pcur∈R1×d,average(?)為求平均操作。在本文中查詢矩陣q,索引矩陣k和值矩陣v都是相同的,即都是包含了當(dāng)前會(huì)話中用戶已交互的商品的嵌入,如下:

    其中,i1×d是商品的嵌入向量。在本文中,我們將每個(gè)商品作為一個(gè)單詞,每個(gè)會(huì)話作為一個(gè)句子,采用Word2Vec 的方法[12]對(duì)商品進(jìn)行預(yù)訓(xùn)練得到低維的稠密的商品嵌入向量i。

    2.3 編碼用戶長(zhǎng)期偏好

    考慮到用戶對(duì)歷史會(huì)話中的商品的關(guān)注度不同,于是我們?nèi)匀徊捎米宰⒁饬Φ姆绞綄?duì)不同會(huì)話內(nèi)的商品進(jìn)行融合得到用戶不同會(huì)話的嵌入表達(dá){pS1,…,pSj,…,pSn}。融合用戶對(duì)不同會(huì)話中商品的關(guān)注度的計(jì)算公式如下:

    其中d是商品i的嵌入維度,l∈R|Sj|×d,pSj是用戶的第Sj會(huì)話的嵌入向量,pSj∈R1×d,由于用戶對(duì)不同會(huì)話的關(guān)注度也是不同的,于是我們?cè)俅尾捎米⒁饬Φ姆椒ńS脩舳唐谄脤?duì)于不同會(huì)話的關(guān)注度。我們將短期偏好pcur作為查詢向量,將不同會(huì)話的嵌入向量作為索引向量和值向量,計(jì)算得到用戶對(duì)于不同會(huì)話的注意力得分α,然后將注意力得分α與每個(gè)會(huì)話的偏好進(jìn)行融合得到用戶的長(zhǎng)期偏好plong∈R1×d。計(jì)算公式如下:

    2.4 Q-network

    在得到用戶的長(zhǎng)期偏好plong和短期偏好pshort后,我們將長(zhǎng)期偏好和短期偏好進(jìn)行拼接操作得到用戶的動(dòng)態(tài)偏好,也就是用戶的狀態(tài)st∈R1×2d。然后將用戶的狀態(tài)st和推薦系統(tǒng)向用戶推薦的商品it一起送入深度Q-network 神經(jīng)網(wǎng)絡(luò)中,計(jì)算得到在狀態(tài)st下,執(zhí)行動(dòng)作at,所獲得的累積獎(jiǎng)勵(lì)值Q∈R。我們采用一般的DQN 的五層全連接神經(jīng)網(wǎng)絡(luò)來(lái)得到累積獎(jiǎng)勵(lì)值Q(st,at;θ),其中θ為網(wǎng)絡(luò)的參數(shù)。

    2.5 損失函數(shù)

    在真實(shí)的推薦系統(tǒng)中,狀態(tài)空間和動(dòng)作空間是巨大的,因此對(duì)于每一個(gè)狀態(tài)-動(dòng)作對(duì),估計(jì)其狀態(tài)值函數(shù)Q(s,a)是很困難的。另外很多狀態(tài)-動(dòng)作對(duì)并沒有出現(xiàn)過,因此很難去得到這些狀態(tài)-動(dòng)作對(duì)所對(duì)應(yīng)的狀態(tài)值函數(shù)。因此,我們需要使用近似函數(shù)來(lái)估計(jì)狀態(tài)值函數(shù),即Q( )s,a≈Q(s,a;θ)。由于狀態(tài)動(dòng)作值函數(shù)是高度非線性的,于是我們采用深度神經(jīng)網(wǎng)絡(luò)作為近似函數(shù)。在本文中,我們利用貝爾曼方程來(lái)訓(xùn)練模型。我們采用隨機(jī)梯度下降的方法最小化下面的損失函數(shù):

    其中yt=Est+1[rt+γQ(st+1,at+1;θ)|st,at]。rt是根據(jù)用戶的反饋計(jì)算得到的當(dāng)前獎(jiǎng)勵(lì)值。

    2.6 訓(xùn)練過程

    本模型采用基本的DQN 的訓(xùn)練過程,我們的訓(xùn)練過程可以分為兩個(gè)部分,分別是樣本存儲(chǔ)階段和采樣訓(xùn)練階段。我們首先介紹樣本存儲(chǔ)階段:在t時(shí)刻,推薦系統(tǒng)觀察用戶的交互記錄st,根據(jù)用戶u 的交互記錄,采用ε-greedy策略,以小概率隨機(jī)選擇一個(gè)商品進(jìn)行推薦或者以一個(gè)大概率推薦對(duì)應(yīng)累積獎(jiǎng)勵(lì)值最大的商品。接著用戶給出反饋,例如點(diǎn)擊、收藏、購(gòu)買等行為。我們將反饋計(jì)算得到獎(jiǎng)勵(lì)值。然后我們將商品添加到用戶的交互記錄中更新用戶的狀態(tài),得到用戶的下一個(gè)時(shí)刻的狀態(tài),并將樣本(st,at,rt,st+1)存儲(chǔ)起來(lái);采樣訓(xùn)練階段:在訓(xùn)練樣本存儲(chǔ)后,我們隨機(jī)選擇batch size 大小的訓(xùn)練樣本,然后采用隨機(jī)梯度下降的方法最小化損失函數(shù)。

    3 實(shí)驗(yàn)

    3.1 實(shí)驗(yàn)?zāi)康?/h3>

    我們?cè)趦蓚€(gè)真實(shí)的數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),并驗(yàn)證了兩個(gè)問題:

    (1)我們的模型與baseline 相比,推薦效果如何。

    (2)我們的模型中細(xì)粒度建模用戶長(zhǎng)期偏好的有效性。

    我們首先介紹實(shí)驗(yàn)的設(shè)置,然后我們會(huì)根據(jù)實(shí)驗(yàn)結(jié)果回答以上兩個(gè)問題,最后我們研究了模型中關(guān)鍵超參數(shù)的影響。

    3.2 實(shí)驗(yàn)設(shè)置

    我們采用了MovieLens(1M)數(shù)據(jù)集和MovieLens(100k)數(shù)據(jù)集。數(shù)據(jù)集的統(tǒng)計(jì)信息如表1。

    表1 實(shí)驗(yàn)數(shù)據(jù)集說明

    由于我們的模型沒有解決冷啟動(dòng)的問題,因此我們過濾掉了交互商品數(shù)量少于3 個(gè)的用戶。過濾后的每個(gè)數(shù)據(jù)集我們都選取80%的數(shù)據(jù)作為訓(xùn)練集,剩余20%的數(shù)據(jù)作為測(cè)試集。我們將每個(gè)商品作為一個(gè)單詞,每個(gè)會(huì)話作為一個(gè)句子,采用Word2Vec 的方法預(yù)訓(xùn)練得到商品的低維稠密的嵌入向量,其中我們按天數(shù)來(lái)劃分會(huì)話,每一天都是一個(gè)會(huì)話。折扣因子γ=0.99 。我們將用戶對(duì)商品的評(píng)分作為當(dāng)前獎(jiǎng)勵(lì)值rt。

    (1)Baselines

    ①GRU4Rec[13]:該模型使用循環(huán)神經(jīng)網(wǎng)絡(luò)的方法將用戶交互的商品進(jìn)行融合,然后給用戶推薦商品。

    ②DQN[6]:該模型融合了用戶的短期偏好,并且使用深度神經(jīng)網(wǎng)絡(luò)來(lái)近似獲得累積獎(jiǎng)勵(lì)值。

    ③DEERS[10]:該模型使用GRU 分別對(duì)用戶的正反饋信息和負(fù)反饋信息融合得到用戶的短期偏好,利用DQN 的訓(xùn)練方式來(lái)進(jìn)行訓(xùn)練。

    ④LSR-short:該模型是我們LSR 模型的變體。該模型沒有考慮用戶的長(zhǎng)期偏好,只采用注意力的方式融合了用戶當(dāng)前會(huì)話交互過的商品。

    ⑤LSR-long:該模型是我們LSR 模型的變體。該模型沒有細(xì)粒度地建模用戶對(duì)不同會(huì)話時(shí)期的偏好,而是將用戶的每個(gè)會(huì)話的偏好以求平均的方式得到用戶的長(zhǎng)期偏好。在建模短期偏好時(shí),方法和LSR-short保持一致。

    (2)評(píng)價(jià)指標(biāo)

    本文采用了兩個(gè)評(píng)價(jià)指標(biāo)來(lái)衡量模型的推薦效果,分別是Recall和MRR。Recall評(píng)價(jià)的是所有測(cè)試樣例中真實(shí)樣例在top-k 列表中出現(xiàn)次數(shù)的情況的比例。MRR評(píng)價(jià)的是所有測(cè)試樣例中真實(shí)樣例在top-k列表中被正確排序的情況的比例。這兩個(gè)評(píng)價(jià)指標(biāo)的計(jì)算公式如下:

    其中Rank(ig,n')是商品ig在第n' 個(gè)測(cè)試會(huì)話中的排名。

    其中Ntest和#hit分別是測(cè)試會(huì)話的數(shù)量和測(cè)試商品出現(xiàn)在top-k 推薦列表的個(gè)數(shù)。值得注意的是,所有的評(píng)價(jià)指標(biāo)的取值范圍都是[0,1],值越大表示推薦效果越好,值越小表示推薦效果越差。

    3.3 實(shí)驗(yàn)結(jié)果

    實(shí)驗(yàn)結(jié)果展示在表2 和表3 中。我們從表中有以下的發(fā)現(xiàn):

    (1)我們的模型LSR 在兩個(gè)數(shù)據(jù)集上的表現(xiàn)是最好的。LSR 模型的效果比GRU4Rec 模型的效果好,表明強(qiáng)化學(xué)習(xí)優(yōu)秀的序列決策能力以及融合用戶長(zhǎng)期短期偏好可以提高模型的推薦效果。LSR 模型比DQN模型和DEERS 模型的效果好,表明了融合用戶長(zhǎng)短期偏好可以提高模型的推薦效果。

    (2)DQN 模型的效果比GRU4Rec 模型的效果好,說明了強(qiáng)化學(xué)習(xí)的優(yōu)秀的序列決策能力可以提高模型的推薦效果。

    (3)DEERS 模型的效果比DQN 模型的效果好,表明了融合用戶的負(fù)反饋信息得到用戶的短期偏好可以提高模型的推薦效果。

    (4)LSR-short 模型效果比DEERS 效果差,因?yàn)長(zhǎng)SR-short 模型沒有考慮用戶的長(zhǎng)期偏好以及沒有融合用戶的負(fù)反饋信息,因此效果差。但是LSR-short 模型比DQN 模型效果好,因?yàn)長(zhǎng)SR-short 模型采用注意力的方法,編碼了用戶對(duì)不同商品的關(guān)注度,但是DQN模型是將不同商品平等看待,沒有區(qū)分不同商品對(duì)當(dāng)前用戶的貢獻(xiàn)不同。

    (5)LSR-long 模型效果比DEERS 效果差,因?yàn)長(zhǎng)SR-long 模型沒有細(xì)粒度的建模用戶的長(zhǎng)期偏好。從LSR-long 模型的效果比LSR-short 模型的效果好可以看出,建模用戶的長(zhǎng)期偏好是可以提高模型的推薦效果的。

    (6)LSR 模型的效果比LSR-short 模型的效果好,說明融合用戶長(zhǎng)短期偏好可以提高模型推薦效果。LSR 模型比LSR-long 模型效果好,說明細(xì)粒度地建模用戶的長(zhǎng)短期偏好可以提高模型的推薦效果。這也驗(yàn)證了我們實(shí)驗(yàn)的兩個(gè)目的。

    表2 所有模型在MovieLens(1M)數(shù)據(jù)集上的表現(xiàn)

    表3 所有模型在MovieLens(100k)數(shù)據(jù)集上的表現(xiàn)

    3.4 超參數(shù)分析

    我們?cè)谶@個(gè)章節(jié)驗(yàn)證了超參數(shù)商品維度d對(duì)模型效果的影響。結(jié)果如圖2 所示。

    從圖2 可以看出商品的維度d可以影響到模型的效果。隨著d的增大,模型的效果先提高再下降。當(dāng)d比較小的時(shí)候,網(wǎng)絡(luò)的參數(shù)少,模型會(huì)出現(xiàn)欠擬合的問題,從而導(dǎo)致最后的效果不好;當(dāng)d過大時(shí),網(wǎng)絡(luò)的參數(shù)會(huì)增多,模型會(huì)出現(xiàn)過擬合的問題,因此模型的效果會(huì)降低。從圖2 可以看出,對(duì)于MovieLens(1M)數(shù)據(jù)集來(lái)說,d=100 時(shí),模型的效果表現(xiàn)最好;對(duì)于Movie Lens(100k)數(shù)據(jù)集來(lái)說,當(dāng)d=128 時(shí),模型的效果表現(xiàn)最好。

    圖2 超參數(shù)分析——d 是商品的嵌入維度

    4 結(jié)語(yǔ)

    本文提出了一個(gè)融合用戶長(zhǎng)短期偏好的基于強(qiáng)化學(xué)習(xí)的推薦模型,該模型細(xì)粒度地建模了用戶的長(zhǎng)期偏好,從而提高了模型的推薦效果。本模型編碼了用戶對(duì)于不同商品的關(guān)注度以及不同會(huì)話的偏好關(guān)注度。在實(shí)際應(yīng)用中,商品還有很多屬性信息,因此如何編碼用戶對(duì)商品不同的屬性的關(guān)注度是本文的未來(lái)的關(guān)注點(diǎn)。

    猜你喜歡
    細(xì)粒度會(huì)話關(guān)注度
    融合判別性與細(xì)粒度特征的抗遮擋紅外目標(biāo)跟蹤算法
    細(xì)粒度的流計(jì)算執(zhí)行效率優(yōu)化方法
    基于雙線性卷積網(wǎng)絡(luò)的細(xì)粒度圖像定位
    雄安新區(qū)媒體關(guān)注度
    全國(guó)兩會(huì)媒體關(guān)注度
    有意冒犯性言語(yǔ)的會(huì)話含義分析
    漢語(yǔ)教材中的會(huì)話結(jié)構(gòu)特征及其語(yǔ)用功能呈現(xiàn)——基于85個(gè)會(huì)話片段的個(gè)案研究
    暴力老媽
    支持細(xì)粒度權(quán)限控制且可搜索的PHR云服務(wù)系統(tǒng)
    “王者”泛海發(fā)布會(huì)聚焦百萬(wàn)關(guān)注度
    日本免费在线观看一区| 老司机影院毛片| 精品卡一卡二卡四卡免费| 美女高潮到喷水免费观看| 看免费av毛片| 青青草视频在线视频观看| 婷婷成人精品国产| 五月伊人婷婷丁香| 午夜福利乱码中文字幕| 国产精品女同一区二区软件| 精品人妻在线不人妻| 成人国语在线视频| 欧美日韩亚洲高清精品| 日韩伦理黄色片| 91精品三级在线观看| 日本91视频免费播放| 日本91视频免费播放| 丝瓜视频免费看黄片| 一边摸一边做爽爽视频免费| 嫩草影院入口| 国产精品女同一区二区软件| 2018国产大陆天天弄谢| 国产黄频视频在线观看| 18禁国产床啪视频网站| a级毛片黄视频| 爱豆传媒免费全集在线观看| 亚洲av中文av极速乱| 久久久久久久久久久免费av| 午夜福利乱码中文字幕| 老熟女久久久| 三级国产精品片| 精品久久蜜臀av无| 欧美日韩视频精品一区| 性高湖久久久久久久久免费观看| 亚洲伊人色综图| 在现免费观看毛片| 国产成人免费观看mmmm| av在线观看视频网站免费| 日本黄色日本黄色录像| 飞空精品影院首页| 亚洲国产精品成人久久小说| 人人澡人人妻人| 成人国产av品久久久| 久久国产精品男人的天堂亚洲| 免费av中文字幕在线| 日本av免费视频播放| 亚洲精品aⅴ在线观看| 欧美激情极品国产一区二区三区| 在线观看一区二区三区激情| 不卡av一区二区三区| 两个人看的免费小视频| 国产一区亚洲一区在线观看| 日本av免费视频播放| 永久网站在线| 久久久久国产网址| 国产日韩欧美亚洲二区| 999精品在线视频| 老司机影院成人| 性色avwww在线观看| 亚洲,一卡二卡三卡| 看免费av毛片| 亚洲一级一片aⅴ在线观看| 欧美亚洲 丝袜 人妻 在线| 亚洲欧美一区二区三区黑人 | 不卡视频在线观看欧美| 青春草国产在线视频| 精品卡一卡二卡四卡免费| 天美传媒精品一区二区| 亚洲欧洲精品一区二区精品久久久 | 日本-黄色视频高清免费观看| 婷婷色av中文字幕| 国产精品熟女久久久久浪| 观看美女的网站| 欧美国产精品一级二级三级| 亚洲综合色惰| 久久精品国产自在天天线| av免费观看日本| 成人手机av| 久久精品国产亚洲av高清一级| 在线观看免费视频网站a站| 国产在线一区二区三区精| 日韩中文字幕欧美一区二区 | 人人妻人人爽人人添夜夜欢视频| 97人妻天天添夜夜摸| 亚洲成人手机| 黄片播放在线免费| 国产精品 欧美亚洲| 七月丁香在线播放| 看十八女毛片水多多多| 久久久欧美国产精品| 久久精品熟女亚洲av麻豆精品| 亚洲国产欧美日韩在线播放| 天堂俺去俺来也www色官网| 日韩中文字幕欧美一区二区 | 欧美 日韩 精品 国产| 青春草国产在线视频| 国产老妇伦熟女老妇高清| 青春草亚洲视频在线观看| 欧美日韩精品网址| 成人18禁高潮啪啪吃奶动态图| 欧美日韩亚洲国产一区二区在线观看 | av在线播放精品| 两个人看的免费小视频| 亚洲成国产人片在线观看| 99热国产这里只有精品6| 午夜av观看不卡| 亚洲精品视频女| 久久精品人人爽人人爽视色| 亚洲经典国产精华液单| 90打野战视频偷拍视频| 久久久久久久久久人人人人人人| 免费在线观看完整版高清| kizo精华| 国产野战对白在线观看| 精品国产超薄肉色丝袜足j| 国产高清国产精品国产三级| 日本wwww免费看| 可以免费在线观看a视频的电影网站 | 亚洲精品成人av观看孕妇| 麻豆乱淫一区二区| 免费日韩欧美在线观看| 最近手机中文字幕大全| 欧美国产精品va在线观看不卡| 国产成人aa在线观看| 成人18禁高潮啪啪吃奶动态图| 爱豆传媒免费全集在线观看| 亚洲伊人久久精品综合| 黄色一级大片看看| 国产白丝娇喘喷水9色精品| 久久精品人人爽人人爽视色| 久久久久久久久久人人人人人人| 成人免费观看视频高清| 日本免费在线观看一区| 高清视频免费观看一区二区| 亚洲男人天堂网一区| 热99久久久久精品小说推荐| 日韩欧美一区视频在线观看| 日韩视频在线欧美| 欧美+日韩+精品| 十八禁网站网址无遮挡| 99re6热这里在线精品视频| 极品少妇高潮喷水抽搐| 秋霞在线观看毛片| 国产精品久久久久久久久免| 精品卡一卡二卡四卡免费| 亚洲精品国产av成人精品| 毛片一级片免费看久久久久| 中文字幕精品免费在线观看视频| 一二三四中文在线观看免费高清| 色播在线永久视频| 青春草亚洲视频在线观看| 日日撸夜夜添| 日韩一卡2卡3卡4卡2021年| 亚洲成国产人片在线观看| 91久久精品国产一区二区三区| 成人漫画全彩无遮挡| 综合色丁香网| 欧美日韩国产mv在线观看视频| 爱豆传媒免费全集在线观看| 成人毛片60女人毛片免费| 美女脱内裤让男人舔精品视频| 日韩欧美一区视频在线观看| 两个人免费观看高清视频| 亚洲久久久国产精品| 国产高清不卡午夜福利| 国产福利在线免费观看视频| 免费高清在线观看视频在线观看| 最近最新中文字幕大全免费视频 | 成人影院久久| 久久人人爽av亚洲精品天堂| 久久99热这里只频精品6学生| 亚洲av电影在线观看一区二区三区| av网站免费在线观看视频| 久久这里只有精品19| 色婷婷av一区二区三区视频| 成年美女黄网站色视频大全免费| av视频免费观看在线观看| 亚洲国产精品国产精品| 高清视频免费观看一区二区| 国产欧美亚洲国产| 免费在线观看完整版高清| 夫妻性生交免费视频一级片| 欧美xxⅹ黑人| 亚洲精品日韩在线中文字幕| 91国产中文字幕| 十分钟在线观看高清视频www| 亚洲av福利一区| 少妇猛男粗大的猛烈进出视频| 夫妻午夜视频| 国产免费视频播放在线视频| 久久精品夜色国产| 极品少妇高潮喷水抽搐| 久久精品熟女亚洲av麻豆精品| 午夜免费观看性视频| 在线精品无人区一区二区三| 性高湖久久久久久久久免费观看| 夫妻性生交免费视频一级片| 天堂中文最新版在线下载| 男女下面插进去视频免费观看| 久久鲁丝午夜福利片| 少妇精品久久久久久久| 亚洲美女搞黄在线观看| 国产日韩欧美视频二区| 最近的中文字幕免费完整| 午夜激情av网站| 亚洲欧美清纯卡通| 成人漫画全彩无遮挡| 人人澡人人妻人| 各种免费的搞黄视频| 欧美人与性动交α欧美精品济南到 | 色婷婷av一区二区三区视频| 国产熟女午夜一区二区三区| 如日韩欧美国产精品一区二区三区| 色网站视频免费| 亚洲,欧美,日韩| 欧美在线黄色| 欧美精品高潮呻吟av久久| 国产日韩欧美在线精品| 午夜福利视频在线观看免费| 国产日韩欧美在线精品| tube8黄色片| 男女无遮挡免费网站观看| 欧美在线黄色| 日本欧美视频一区| 欧美变态另类bdsm刘玥| 国产一区二区三区综合在线观看| 久久久久国产网址| 美女脱内裤让男人舔精品视频| 人成视频在线观看免费观看| 日本色播在线视频| 亚洲av福利一区| 成人18禁高潮啪啪吃奶动态图| 日日爽夜夜爽网站| 亚洲欧美中文字幕日韩二区| 女人被躁到高潮嗷嗷叫费观| 久久精品久久久久久久性| 国产精品麻豆人妻色哟哟久久| 美女中出高潮动态图| 亚洲精华国产精华液的使用体验| 中文字幕人妻丝袜一区二区 | 亚洲国产精品国产精品| 九九爱精品视频在线观看| 男女无遮挡免费网站观看| 成年人免费黄色播放视频| 久久鲁丝午夜福利片| 国产又爽黄色视频| 久久精品aⅴ一区二区三区四区 | 欧美激情高清一区二区三区 | 精品国产露脸久久av麻豆| 久久久久久久久久人人人人人人| 欧美xxⅹ黑人| 91aial.com中文字幕在线观看| 91精品国产国语对白视频| 在线观看美女被高潮喷水网站| 国产一区亚洲一区在线观看| 成年av动漫网址| 精品人妻一区二区三区麻豆| 99re6热这里在线精品视频| 男女边摸边吃奶| 欧美精品国产亚洲| 日日爽夜夜爽网站| 天天躁日日躁夜夜躁夜夜| 日日摸夜夜添夜夜爱| 婷婷色综合www| 国产精品久久久久久久久免| 欧美97在线视频| 亚洲第一区二区三区不卡| 国产黄频视频在线观看| 久久久久国产一级毛片高清牌| 丰满乱子伦码专区| 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| 熟女av电影| 交换朋友夫妻互换小说| 欧美日韩一级在线毛片| 欧美少妇被猛烈插入视频| 午夜老司机福利剧场| 18禁观看日本| 中文字幕人妻丝袜一区二区 | 韩国av在线不卡| 自线自在国产av| 黄色配什么色好看| 久久99蜜桃精品久久| 亚洲综合色网址| 国产av国产精品国产| 在线免费观看不下载黄p国产| 婷婷色av中文字幕| 中文字幕制服av| 成年女人在线观看亚洲视频| 夫妻性生交免费视频一级片| 99香蕉大伊视频| 色视频在线一区二区三区| 一级黄片播放器| 久久这里有精品视频免费| 国产福利在线免费观看视频| 18禁裸乳无遮挡动漫免费视频| 亚洲欧洲精品一区二区精品久久久 | 久久精品久久久久久久性| 欧美变态另类bdsm刘玥| 精品国产乱码久久久久久男人| 精品国产一区二区三区久久久樱花| 男的添女的下面高潮视频| 日韩不卡一区二区三区视频在线| 精品第一国产精品| 侵犯人妻中文字幕一二三四区| 高清欧美精品videossex| 久久精品国产鲁丝片午夜精品| 欧美老熟妇乱子伦牲交| 亚洲精品视频女| 伦理电影免费视频| 人妻系列 视频| av线在线观看网站| 欧美+日韩+精品| 亚洲精品视频女| 午夜激情久久久久久久| 性色avwww在线观看| 丁香六月天网| 国产精品二区激情视频| 男的添女的下面高潮视频| 多毛熟女@视频| av不卡在线播放| 精品亚洲乱码少妇综合久久| 女人久久www免费人成看片| 免费在线观看黄色视频的| 国产成人a∨麻豆精品| 亚洲美女搞黄在线观看| 人妻一区二区av| av网站免费在线观看视频| 777米奇影视久久| 国产免费一区二区三区四区乱码| 日本欧美国产在线视频| 国产乱人偷精品视频| 人人妻人人澡人人爽人人夜夜| 久久久久久久久久久久大奶| 亚洲欧洲日产国产| 中文字幕精品免费在线观看视频| 免费黄网站久久成人精品| 99国产精品免费福利视频| 哪个播放器可以免费观看大片| 伦理电影免费视频| 亚洲国产成人一精品久久久| 大香蕉久久网| 五月伊人婷婷丁香| 日本爱情动作片www.在线观看| 国产精品久久久久久精品电影小说| 精品亚洲成a人片在线观看| 黄色一级大片看看| 2022亚洲国产成人精品| 国产精品人妻久久久影院| av电影中文网址| 国产一区有黄有色的免费视频| 精品少妇黑人巨大在线播放| 久久精品亚洲av国产电影网| 久久综合国产亚洲精品| 久久久精品区二区三区| 精品酒店卫生间| 国产精品一国产av| 国产高清国产精品国产三级| 免费在线观看视频国产中文字幕亚洲 | 人人妻人人澡人人爽人人夜夜| 一本色道久久久久久精品综合| 亚洲国产最新在线播放| 丝袜喷水一区| 欧美 日韩 精品 国产| 久久毛片免费看一区二区三区| 亚洲av中文av极速乱| 一级毛片我不卡| 1024香蕉在线观看| 色吧在线观看| 777久久人妻少妇嫩草av网站| 久久久久久久大尺度免费视频| 伦理电影大哥的女人| 一级毛片 在线播放| 亚洲av综合色区一区| 永久免费av网站大全| 丝袜美足系列| 欧美+日韩+精品| √禁漫天堂资源中文www| 久久久国产欧美日韩av| 亚洲熟女精品中文字幕| www日本在线高清视频| 尾随美女入室| 日日撸夜夜添| 一边摸一边做爽爽视频免费| 久久久久久久久久人人人人人人| 又粗又硬又长又爽又黄的视频| 青春草国产在线视频| 日本免费在线观看一区| 黑人欧美特级aaaaaa片| av在线app专区| 成人手机av| 女性被躁到高潮视频| 国产一区二区激情短视频 | 人体艺术视频欧美日本| av又黄又爽大尺度在线免费看| 性色avwww在线观看| 免费少妇av软件| 麻豆av在线久日| 最近中文字幕高清免费大全6| 欧美成人精品欧美一级黄| 午夜福利在线免费观看网站| 国产男女内射视频| 中文字幕亚洲精品专区| 男女下面插进去视频免费观看| 欧美日韩亚洲国产一区二区在线观看 | 精品少妇黑人巨大在线播放| 人人妻人人澡人人看| 国产精品熟女久久久久浪| 国产成人午夜福利电影在线观看| 母亲3免费完整高清在线观看 | 最近中文字幕高清免费大全6| 婷婷色av中文字幕| 五月开心婷婷网| 少妇人妻 视频| 日韩 亚洲 欧美在线| 黄片小视频在线播放| 女人精品久久久久毛片| 免费看av在线观看网站| 精品酒店卫生间| 一本色道久久久久久精品综合| 久久国内精品自在自线图片| 考比视频在线观看| 欧美bdsm另类| 曰老女人黄片| 高清视频免费观看一区二区| 精品国产一区二区久久| 国产成人aa在线观看| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | a级毛片在线看网站| 校园人妻丝袜中文字幕| 超碰97精品在线观看| 国产不卡av网站在线观看| 欧美人与性动交α欧美精品济南到 | 日本猛色少妇xxxxx猛交久久| 亚洲欧美成人综合另类久久久| 好男人视频免费观看在线| 日韩视频在线欧美| 一区二区三区精品91| 亚洲精品av麻豆狂野| 亚洲欧美色中文字幕在线| 1024视频免费在线观看| 欧美日韩国产mv在线观看视频| 久久狼人影院| 国产国语露脸激情在线看| 午夜91福利影院| 深夜精品福利| 日韩制服骚丝袜av| 麻豆精品久久久久久蜜桃| 亚洲经典国产精华液单| 夫妻午夜视频| 亚洲美女搞黄在线观看| 国产成人精品无人区| 91精品国产国语对白视频| 美女午夜性视频免费| 大香蕉久久成人网| 午夜日韩欧美国产| 国产av一区二区精品久久| 亚洲国产av影院在线观看| 久久久久国产精品人妻一区二区| 国产毛片在线视频| 少妇人妻久久综合中文| 一二三四在线观看免费中文在| 国产成人午夜福利电影在线观看| 欧美精品一区二区免费开放| 国产成人免费无遮挡视频| 久久狼人影院| 日韩不卡一区二区三区视频在线| 国产在视频线精品| 亚洲欧美成人精品一区二区| 日韩制服骚丝袜av| 亚洲欧美精品综合一区二区三区 | 中文字幕人妻丝袜一区二区 | 1024视频免费在线观看| 午夜福利视频精品| 久久婷婷青草| 香蕉国产在线看| 不卡av一区二区三区| 亚洲在久久综合| 啦啦啦在线观看免费高清www| 三级国产精品片| 亚洲中文av在线| √禁漫天堂资源中文www| 新久久久久国产一级毛片| 制服诱惑二区| 久久国内精品自在自线图片| 国产午夜精品一二区理论片| 哪个播放器可以免费观看大片| 在线观看一区二区三区激情| 日韩一本色道免费dvd| 卡戴珊不雅视频在线播放| 亚洲第一青青草原| 在线观看三级黄色| 久久精品国产a三级三级三级| 边亲边吃奶的免费视频| 久久国产亚洲av麻豆专区| 久久精品aⅴ一区二区三区四区 | 最近最新中文字幕免费大全7| 超碰成人久久| 性高湖久久久久久久久免费观看| 2018国产大陆天天弄谢| 中文字幕制服av| 日韩一本色道免费dvd| 精品卡一卡二卡四卡免费| 伦精品一区二区三区| 黑人猛操日本美女一级片| 日日啪夜夜爽| 国产精品无大码| 侵犯人妻中文字幕一二三四区| 欧美最新免费一区二区三区| 日日爽夜夜爽网站| 不卡视频在线观看欧美| 国产精品一区二区在线不卡| 久久久久久久亚洲中文字幕| 观看av在线不卡| 黄色视频在线播放观看不卡| 99国产综合亚洲精品| av在线播放精品| 欧美变态另类bdsm刘玥| 久久久国产一区二区| 在线观看人妻少妇| 午夜av观看不卡| 亚洲欧美精品综合一区二区三区 | 美女高潮到喷水免费观看| 久久久精品94久久精品| 免费少妇av软件| 久久久久精品久久久久真实原创| 不卡av一区二区三区| 亚洲精品美女久久av网站| 亚洲欧洲日产国产| 国产乱人偷精品视频| av福利片在线| 建设人人有责人人尽责人人享有的| 国产福利在线免费观看视频| 一区二区三区四区激情视频| 老汉色av国产亚洲站长工具| 国产精品一区二区在线不卡| 美女午夜性视频免费| 一级毛片 在线播放| 九九爱精品视频在线观看| 青草久久国产| 亚洲欧美日韩另类电影网站| 久久精品国产亚洲av高清一级| av国产精品久久久久影院| 熟女av电影| 国产精品一区二区在线不卡| 久久婷婷青草| 成人国语在线视频| 乱人伦中国视频| 美女主播在线视频| 久久久精品区二区三区| 男女边摸边吃奶| 一本大道久久a久久精品| 五月开心婷婷网| 日本爱情动作片www.在线观看| 免费黄频网站在线观看国产| 亚洲伊人久久精品综合| 秋霞在线观看毛片| 寂寞人妻少妇视频99o| 亚洲四区av| 国产成人精品在线电影| 欧美日韩视频高清一区二区三区二| 国产xxxxx性猛交| 99热网站在线观看| 男人舔女人的私密视频| av免费观看日本| 亚洲成人一二三区av| 久久精品亚洲av国产电影网| 九色亚洲精品在线播放| 天天躁夜夜躁狠狠久久av| 久久国内精品自在自线图片| 国产成人精品在线电影| 一二三四中文在线观看免费高清| 欧美变态另类bdsm刘玥| 又粗又硬又长又爽又黄的视频| 国产在线一区二区三区精| 日韩不卡一区二区三区视频在线| 建设人人有责人人尽责人人享有的| 边亲边吃奶的免费视频| 日本欧美国产在线视频| 香蕉丝袜av| 欧美人与性动交α欧美软件| 精品国产一区二区三区久久久樱花| 黄色怎么调成土黄色| 人人妻人人爽人人添夜夜欢视频| 日韩三级伦理在线观看| 精品亚洲成a人片在线观看| 日韩不卡一区二区三区视频在线| 国产日韩欧美视频二区| 亚洲精品自拍成人| 亚洲三区欧美一区| 制服诱惑二区| 欧美成人精品欧美一级黄| 欧美人与性动交α欧美精品济南到 | 国产男女内射视频| 久久久久久久亚洲中文字幕| 日韩中文字幕视频在线看片| 亚洲伊人色综图| 精品一区二区三区四区五区乱码 | 国产精品国产av在线观看| 国产视频首页在线观看| 国产午夜精品一二区理论片| 国产精品一区二区在线不卡| 国产毛片在线视频| 亚洲精品久久午夜乱码| 女性生殖器流出的白浆| 99久久综合免费| 香蕉丝袜av| 老司机影院成人| 久久久久久久久久久久大奶| 水蜜桃什么品种好| 亚洲精品日韩在线中文字幕| 国产精品国产三级国产专区5o| 精品人妻偷拍中文字幕| 国产成人aa在线观看| 国产极品天堂在线|