• <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 ?

    一種彌補(bǔ)群組成員差異的可解釋性組推薦方法

    2021-05-10 07:14:46吳彥文
    關(guān)鍵詞:群組列表相似性

    吳彥文,寧 彬,李 斌

    (華中師范大學(xué) 物理科學(xué)與技術(shù)學(xué)院,武漢 430079)

    1 引 言

    絕大多數(shù)推薦系統(tǒng)都是為個(gè)人推薦而設(shè)計(jì)的,通過挖掘個(gè)人的興趣愛好可以向個(gè)人推薦電影,音樂,書刊等.在某些情況下針對一個(gè)群體也可以使用推薦技術(shù),例如一群朋友聚會(huì)計(jì)劃去餐廳吃飯,可以為群體提供可供參考的餐廳或者餐品信息.傳統(tǒng)的組推薦采取群組成員偏好融合的方式,其基本思想是提出融合模型,在用戶偏好提取階段對用戶的偏好進(jìn)行模型融合,但是這種方式不適合群組成員差異度較大的情況.群組差異度較大時(shí),采取去除差異而強(qiáng)行融合成一種偏好,這樣會(huì)大大降低推薦的準(zhǔn)確度.此外,現(xiàn)有的組推薦技術(shù)在研究為群組成員提供更為準(zhǔn)確的推薦時(shí),忽略了對推薦結(jié)果的解釋,降低了推薦的透明度以及用戶對推薦的滿意度[1].為了解決上述問題,本文提出一種彌補(bǔ)群組成員差異的可解釋性組推薦方法,將群組劃分為相似性群組和差異性群組,對于不同的群組采取不同的推薦方法,并開展數(shù)據(jù)實(shí)驗(yàn)對提出算法的可行性進(jìn)行驗(yàn)證.

    2 相關(guān)工作

    當(dāng)前,關(guān)于群組推薦的研究主要集中在相似群組的推薦,基于偏好融合的群組推薦,基于群組成員決策的群體推薦等[2,3].

    相似群組的推薦是最早的組推薦研究之一.例如王海艷等為了找到具有較高用戶相似性的群組,在進(jìn)行用戶關(guān)系融合時(shí),將用戶的關(guān)注信息、興趣信息、標(biāo)簽信息等多個(gè)維度的顯式信息都考慮在內(nèi)[4].上述方法能夠有效提高群組推薦的精確度,但對群組中單個(gè)成員的偏好考慮較少,降低群組成員對推薦結(jié)果的滿意度.

    在研究融合群組偏好方向,Zhang Yiru等認(rèn)為不能將群組偏好融合看成是簡單的投票問題,從投票視角出發(fā)的建模無法構(gòu)成在大量信息存在下偏好的最優(yōu)表示,應(yīng)當(dāng)考慮偏好關(guān)系中的不確定性,并以信念函數(shù)理論為基礎(chǔ)構(gòu)建了偏好融合模型[5].胡川等提出一種改進(jìn)的偏好融合方法,同時(shí)通過實(shí)驗(yàn)得出了“群組偏好與個(gè)人偏好具有相似性”的結(jié)論,并將該結(jié)論應(yīng)用在融合模型中,提高了推薦的準(zhǔn)確率[6].但是上述的偏好融合方法有一個(gè)共同的缺點(diǎn):在群組差異度較大的情況下群組的偏好融合越困難,并且模型融合的數(shù)據(jù)越稀疏,群組成員對融合貢獻(xiàn)就越少,降低了推薦的精度.

    同時(shí),在研究群組決策方向,Delic A等分析了由200人組成的55個(gè)群組的決策過程,得出“群組達(dá)成決策不僅取決于決策任務(wù)的類型,還取決于組成該群組的群組和個(gè)人特征”的結(jié)論,并以旅行團(tuán)目的地推薦為例對該結(jié)論進(jìn)行了驗(yàn)證[7];Tran使用注意力機(jī)制來捕獲組中每個(gè)用戶的影響,具體來說即使模型通過學(xué)習(xí)組中每個(gè)用戶的影響權(quán)重,并根據(jù)其成員的權(quán)重偏好向組推薦項(xiàng)目[8];Nicola Capuano等從模糊數(shù)學(xué)的角度來評估群組成員的影響力,并在計(jì)算群組成員影響力時(shí)將用戶個(gè)性和人際信任考慮在內(nèi)[9].這些在群組決策方向提出的方法或模型可以動(dòng)態(tài)調(diào)整組推薦,但是在群組差異很大的情況會(huì)導(dǎo)致共識(shí)偏差很大,結(jié)果依然會(huì)降低推薦滿意度.

    可見,組推薦方面的研究雖然眾多,但組推薦效果卻差強(qiáng)人意.而當(dāng)前用可解釋性的推薦方法來解決推薦的滿意度是一個(gè)熱點(diǎn),張永峰對推薦模型的可解釋性做出了研究,他利用詞組情感分析技術(shù)從大規(guī)模的用戶評論中提取產(chǎn)品屬性詞和表達(dá)不同情感的屬性,引入顯式變量,在此基礎(chǔ)上提出了一種基于詞組情感分析的顯式變量分解模型,提高了推薦的滿意度[1].這類算法在個(gè)人推薦領(lǐng)域得到廣泛的應(yīng)用,但在群組推薦領(lǐng)域應(yīng)用還較少,F(xiàn)ernando等提出一種群組的協(xié)同過濾推薦的計(jì)算方法,也指出推薦的可解釋性是組推薦新的挑戰(zhàn)[10].

    綜上,本論文擬研究彌補(bǔ)群組成員差異、實(shí)現(xiàn)滿意度高的組推薦方法.為此,首先提出一種自適應(yīng)劃分群組的方法,通過群組成員差異度計(jì)算,把群組分為差異性群組和相似性群組,分而治之.

    1)對于相似性群組,本文采用融合偏好,依據(jù)決策權(quán)重生成推薦列表.其大體過程是通過群組成員間信任值計(jì)算出成員在群組中的決策權(quán)重,然后結(jié)合群組成員預(yù)測評分得到成員個(gè)人推薦列表和不推薦列表,并對成員列表項(xiàng)目的得分進(jìn)行決策權(quán)重加權(quán),最后對全部群組成員的推薦和不推薦列表進(jìn)行混合,生成群組的TopN項(xiàng)推薦列表.

    2)對于差異性群組,其成員的偏好具有多樣性,為了彌補(bǔ)群組成員的差異,本文提出一種考慮成員信任值的群組LDA模型(Group LDA Model Considering Member Trust Value).該模型先根據(jù)觀點(diǎn)檢測,對群組成員偏好和觀點(diǎn)概率分布建模,構(gòu)建出<概念;主題;情感>三元組,然后利用該模型對候選項(xiàng)目進(jìn)行評分預(yù)測,選取最高概率的評分作為對該項(xiàng)目的評分,其次結(jié)合概念、主題和情感標(biāo)簽生成可解釋性推薦詞組,最后根據(jù)預(yù)測評分結(jié)合可解釋性詞組生成群體推薦列表,以期提高推薦的精度和滿意度.

    3 問題定義

    本文根據(jù)群組成員之間的差異性情況采用不同的推薦策略,對本文問題給出形式化的定義如下.首先,系統(tǒng)中用戶由U={u1,u2,…,uU}表示,項(xiàng)目由E={e1,e2,…,eE}表示,R={Ri,j}U×E指用戶ui對項(xiàng)目ej的評分值組成的矩陣.另外,有關(guān)群組信息,系統(tǒng)中的群組由G={g1,g2,…,gG}來表示,其中,如果Gl,i=1表示用戶ui加入了群gl,否則Gl,i=0.系統(tǒng)中用戶的評論由由D={d1,d2,…,dD}表示.任意評分Ri,j都與用戶ui對項(xiàng)目ej的評論du,i相關(guān)聯(lián).給定對項(xiàng)目ei的評論Di,每一條評論d∈Di都由一組詞語表示,即d={w1,w2,…,w|d|}.

    對于任意一條評論,按照如下標(biāo)準(zhǔn)定義其中包含主題、特征和情感.定義一個(gè)主題z作為分詞的概率分布,一條評論存在K個(gè)主題,z?{1,2,…,K}.定義一個(gè)概念為圍繞著主題特征的嚴(yán)格指示詞,由c表示,一條評論包含一個(gè)概念.情感定義為概率分布在正面和負(fù)面的情感標(biāo)簽.每一個(gè)分詞wj都附有情感標(biāo)簽lj,當(dāng)分詞wj表示負(fù)面情緒時(shí)lj=-1、當(dāng)分詞wj表示正面情緒時(shí)lj=1.本文將一條評論所包含的觀點(diǎn)v定義為有限混合三元組由概念、主題和情感組成<概念;主題;情感>,v=〈c,z,l〉.同時(shí)由于評論都是較短文本,本文假定在每個(gè)用戶評論d中僅存在一個(gè)觀點(diǎn)vd.

    項(xiàng)目e∈E可以表示為視點(diǎn)上的混合,項(xiàng)目e中的觀點(diǎn)的概率分布由πe表示,主題在觀點(diǎn)上的概率分布由μ表示,概念在觀點(diǎn)上的概率分布由λ表示.對于用戶評論中的分詞,本文由φ表示概念,主題和情感標(biāo)簽上的概率分布,該分布由超參數(shù)β上的Dirichlet分布導(dǎo)出[11,12].

    為了更好的描述本文所提出的彌補(bǔ)群組成員差異的可解釋性組推薦方法,給出下面一些定義.

    定義1.評分矩陣X∈RM×N通過正交非負(fù)矩陣分解得到3個(gè)非負(fù)矩陣,表示如式(1)所示.其中,U∈RM×K表示用戶的潛在特征、E∈RL×N表示項(xiàng)目的潛在特征、S∈RK×L為評分矩陣X的特征矩陣.

    X≈USET

    (1)

    定義2.若群組中兩用戶ui和uj同時(shí)加入的群組gii,j,可以表示為式(2),gii,j的集合則由GIi,j表示.

    gii,j={Gl,i=1∧Gl,j=1}

    (2)

    定義3.如果任意兩個(gè)用戶ui和uj的共同加入群集GIi,j≠?,表明用戶ui和用戶uj之間具有社交關(guān)聯(lián)性[13],那么就認(rèn)為在群組決策時(shí),用戶ui會(huì)對用戶uj的做出的決定有一定信任值,并且這種信任關(guān)系是相互的.群組gl中任意兩用戶ui和uj的信任值Ti,j可以表示為式(3):

    Ti,j=Trust(ui,uj),GIi,j≠φ

    (3)

    4 彌補(bǔ)群組成員差異的可解釋性組推薦方法

    4.1 彌補(bǔ)群組成員差異的可解釋性組推薦框架

    本研究充分考慮了群組成員間可能存在較大的偏好差異,在組推薦過程中引入群組成員差異度計(jì)算,并以此為基礎(chǔ)將群組分為差異性群組和相似性群組,對兩種性質(zhì)的群組采用不同的推薦方法.本文所提出的方法框架如圖1所示.本文所提的彌補(bǔ)群組成員差異的可解釋性組推薦方法主要包括以下步驟:

    圖1 推薦框架

    1)衡量用戶間信任值.計(jì)算任意兩用戶之間的信任值,將同時(shí)考慮用戶分別加入群組的數(shù)量、用戶同時(shí)加入群組的數(shù)量、用戶同時(shí)加入群組的規(guī)模等信息.

    2)計(jì)算群組中用戶之間的差異度.任意兩個(gè)用戶之間的差異性從他們之間的信任值、用戶過往體驗(yàn)過的物品和用戶對該物品的打分中得出.

    3)相似性群組的推薦.相似性群組的推薦過程包括成員決策權(quán)重計(jì)算、個(gè)人推薦和不推薦列表的生成和決策權(quán)重混合的群組TopN推薦列表生成.

    4)相似性群組的推薦.相似性群組的推薦包括對用戶評論的特征檢測和情感分析、構(gòu)建<概念;主題;情感>三元組及其分布的求取、候選項(xiàng)目評分預(yù)測,最后生成TopN推薦和對推薦結(jié)果的解釋.

    4.2 建立基于群信息的用戶信任關(guān)系矩陣

    不同層次的社會(huì)信任關(guān)系對用戶決策的影響不同[14].本文通過用戶的群組信息來計(jì)算任意兩用戶的信任值,群組信息包括每個(gè)用戶分別加入的群組數(shù)量、兩用戶同時(shí)加入群組的數(shù)量以及兩用戶同時(shí)加入群組的規(guī)模信息都被考慮在內(nèi).某個(gè)群組規(guī)模很小,說明這個(gè)群組的所有成員可能具有較高的親密度,則可以認(rèn)為加入該群組的用戶ui會(huì)對同樣加入該群組的用戶uj擁有較大的信任值.相反,如果用戶ui和用戶uj如果都在某個(gè)規(guī)模較大的群組,則認(rèn)為群組成員之間的關(guān)系比較松散、互相之間的信任值也較低.本文計(jì)算用戶ui和用戶uj之間的信任值為式(4):

    (4)

    其中,|gl|表示群gl內(nèi)擁有的成員數(shù)目.

    4.3 群組成員差異度的計(jì)算

    本文依據(jù)對群組成員間差異度的計(jì)算將群組分成差異性群組和相似性群組,針對兩類的群組采用不同的推薦策略.

    在一個(gè)群組中如果用戶ui和uj對項(xiàng)目ek的打分都屬于系統(tǒng)高分或者低分,認(rèn)為他們具有相似性,如果用戶ui對項(xiàng)目ek打高分、而用戶uj打低分,則認(rèn)為他們具有差異性.用戶ui和用戶uj的差異性可以用余弦相似度來計(jì)算,見式(5):

    (5)

    其中,Eui∪Euj表示用戶ui和用戶uj打分項(xiàng)目的交集,same(Eui∩Euj)表示用戶ui和用戶uj打同樣高分或低分的集合,contrary(Eui∩Euj)表示用戶ui和用戶uj打相反分?jǐn)?shù)的集合.

    將成員之間的信任值考慮進(jìn)來,本文采用帶信任度權(quán)值的余弦相似度.帶信任度權(quán)值的余弦相似度計(jì)算公式如式(6)所示:

    (6)

    計(jì)算整個(gè)群組用戶的差異度,如式(7)所示,如果simgl大于0,則認(rèn)為群組gl為相似性群組,反之則為差異性群組.

    (7)

    5 基于決策權(quán)重的相似性群組推薦方法

    對于相似性群組,本文采用基于評分預(yù)測的方法的生成的個(gè)人推薦列表和不推薦列表,然后通過決策權(quán)重加權(quán)來生成群組的TopN推薦結(jié)果.

    計(jì)算用戶ui在群組gl中的決策權(quán)重由用戶在群組中的平均信任值給出,如式(8)所示.當(dāng)用戶ui群組中的平均信任值越高,群組中其它用戶在做決策時(shí)會(huì)更加考慮用戶ui的決定.

    (8)

    在計(jì)算群體中各個(gè)成員的決策權(quán)重之后,利用預(yù)設(shè)個(gè)人推薦系統(tǒng)進(jìn)行評分預(yù)測.本文將系統(tǒng)中評分多的成員分成一組,并將組內(nèi)成員的評分作為源評分矩陣;將群組gl中所有成員分為另一組,并將該群組中成員的評分作為目標(biāo)矩陣,利用源矩陣對目標(biāo)矩陣評分,預(yù)測得到群組中每個(gè)成員的項(xiàng)目評分列表.具體步驟如下:

    第1步.抽取目標(biāo)矩陣用戶偏好S.

    (9)

    (10)

    (11)

    (12)

    (13)

    (14)

    第3步.評分預(yù)測

    (15)

    O為目標(biāo)最優(yōu)函數(shù), ‖·‖F(xiàn)表示Frobenious矩陣范式.

    評分預(yù)測矩陣R同樣可以可以表示為R=U1S1E1.其中,U1、S1、E1由式(15)通過梯度下降法的優(yōu)化算法、使用非負(fù)性的KKT互補(bǔ)條件求解得到[16].

    在得到群組中每個(gè)成員的項(xiàng)目評分列表后,將預(yù)測評分屬于系統(tǒng)高分的項(xiàng)目作為該成員的推薦列表、預(yù)測評分屬于系統(tǒng)低分的項(xiàng)目作為該成員的不推薦列表.每個(gè)成員的推薦列表進(jìn)行決策權(quán)重的加權(quán)后,對群組內(nèi)所有成員的推薦和不推薦列表混合、出現(xiàn)在多個(gè)成員的項(xiàng)目的得分進(jìn)行疊加形成群組推薦列表和不推薦列表,最后剔除同時(shí)在群組推薦列表和群組不推薦列表的項(xiàng)目、將群組推薦列表中剩余的項(xiàng)目按評分排序后作為TopN推薦結(jié)果.

    6 用于差異性群組的可解釋性推薦方法

    對于差異性群組,用戶偏好存在較大的差異,個(gè)人推薦列表中包含的項(xiàng)目重合度較低,最終生成的群組TopN推薦列表評分普遍不高、群組成員對推薦結(jié)果的滿意度也不高.因此,本文提出一種考慮成員信任值的群組LDA模型,該模型通過對評論短文本的特征檢測和情感分析提取構(gòu)建<概念;主題;情感>三元組,然后應(yīng)用Gibbs EM采樣近似得到模型中隨機(jī)變量的后驗(yàn)分布[17],最后依據(jù)分布對候選項(xiàng)目進(jìn)行評分,將評分高的項(xiàng)目作為推薦結(jié)果、并結(jié)合三元組生成推薦解釋.

    第1步.特征檢測及情感分析

    本文對推薦平臺(tái)中使用描述性關(guān)鍵字作為活動(dòng)的概念,Ci特征存在于活動(dòng)e的評論中.為了從群成員評論d∈Di中提取出其對應(yīng)的概念,本文使用word2Vec來計(jì)算給定概念c∈Ci和群成員評論d之間的相似度.由于分詞的質(zhì)量隨著訓(xùn)練數(shù)據(jù)量的增加而顯著增加,本文對word2Vec的訓(xùn)練使用維基百科的數(shù)據(jù)進(jìn)行訓(xùn)練.然后使用訓(xùn)練好的word2Vec模型來預(yù)測群成員評論中給定的概念e和評論中每個(gè)字符的相似度.相似度計(jì)算公式見式(16):

    (16)

    其中Nd表示評論中的字符數(shù).給定候選概念εi,與d最相似的概念將被視為相關(guān)概念.通過根據(jù)候選概念和群成員評論之間的相似性對文檔進(jìn)行排序,找到每個(gè)群成員評論的相關(guān)概念,并在評論文本中選取一個(gè)合適的觀點(diǎn)為主觀點(diǎn)vd,表示為<概念;主題;情感>三元組.

    第2步.Gibbs EM采樣

    由于隨機(jī)變量之間存在著未知關(guān)系,本文使用Gibbs EM采樣去條件近似得到隨機(jī)變量的后驗(yàn)分布.采樣的目標(biāo)是近似得到后驗(yàn)分布p(V,Z,L|W,ε,R,F).采樣程序分為3個(gè)步驟:

    1)給定群成員u和活動(dòng)e,采樣觀點(diǎn)f(u,e)的條件概率,給定當(dāng)前的觀點(diǎn)狀態(tài),即P(f(u,e)=y|f(u,e),W,V,R);

    2)給定推斷主題和情感標(biāo)簽的值,在每個(gè)d∈D中對觀點(diǎn)v的條件概率進(jìn)行采樣,即P(vd=v|V-d,ε,W,Z,R);

    3)給定當(dāng)前的觀點(diǎn)狀態(tài),對于字符wj,用情感來對主題zj的條件概率進(jìn)行抽樣,情感標(biāo)簽lj轉(zhuǎn)換標(biāo)簽xj,即p(zj=k,lj=l,xj=x|v,X-j,L-j,Z-j,W,R,F).

    具體描述如下:給定用戶u和活動(dòng)e,首先在不帶(u,e)對f-(m,e)的采樣得到fu,e.因此對于用戶u對活動(dòng)e的觀點(diǎn),得到p(f(u,e)=y|f(u,e),W,V,R)如式(17)所示:

    p(f(u,e)=y|f(u,e),W,V,R)∝

    (17)

    (18)

    其中Tu,u′表示用戶u和u′之間的信任值;Fu表示群組中的信任關(guān)系.

    對于用戶u為活動(dòng)e撰寫的評論d,推斷所有其他隨機(jī)變量都得出觀點(diǎn)vd=v的條件概率,即式(19):

    p(vd=v|V-d,ε,W,Z,R)∝

    (19)

    p(zj=k,lj=l,xj=x|v,X-j,L-j,Z-j,W,R,F)∝

    (20)

    給定上述的條件概率,針對每個(gè)評分r估計(jì)群組中用戶的觀點(diǎn)分布θr,v,每個(gè)項(xiàng)目e的觀點(diǎn)分布πi,主題的概率、觀點(diǎn)和分詞所表示的情感φ,觀點(diǎn)在概念上的分布λ和主題在觀點(diǎn)上的分布μ,針對每個(gè)評分r估計(jì)群組中用戶的觀點(diǎn)分布θr,v計(jì)算如式(21)所示:

    (21)

    第3步.推薦結(jié)果及解釋生成

    (22)

    對每個(gè)候選評分r排序p(rg,e=r|g,e),可以選擇具有最高概率的評分作為預(yù)測頻分,同時(shí)選取有高概率得高分的候選項(xiàng)目作為推薦結(jié)果TopN,并結(jié)合觀點(diǎn)三元組<概念;主題;情感>進(jìn)行解釋.

    7 實(shí) 驗(yàn)

    7.1 實(shí)驗(yàn)數(shù)據(jù)集

    本文在實(shí)驗(yàn)中使用了Amazon Fine Food Reviews數(shù)據(jù)集.該數(shù)據(jù)集最早于2013年由Kaggle發(fā)布,并在2017年5月1日對該數(shù)據(jù)集發(fā)布了更新版本,本文使用的是這一更新版本(見表1).該數(shù)據(jù)集包含256059個(gè)用戶、74258件商品和568454條評論.評論信息不僅包括文本,還包括用戶對商品的數(shù)字評分,數(shù)字評分從1~5.但是該數(shù)據(jù)集并不包含群組信息,本文借鑒文獻(xiàn)[18]中的方式對數(shù)據(jù)集重構(gòu)、進(jìn)行群組劃分:如果用戶ui和用戶uj購買了相同的商品,則將用戶ui和用戶uj劃分到以該商品建立的一個(gè)群組.通過群組劃分,重構(gòu)的數(shù)據(jù)集中的256059個(gè)用戶共形成了10619個(gè)群組,規(guī)模最大的群組有913個(gè)成員,規(guī)模最小的群組有10個(gè)成員.本文從重構(gòu)的數(shù)據(jù)集中隨機(jī)選擇80%的數(shù)據(jù)作為訓(xùn)練集,20%的數(shù)據(jù)作為測試集.

    表1 數(shù)據(jù)集群組信息

    7.2 評價(jià)指標(biāo)

    對于推薦效果的評估,本文使用平均絕對誤差MAE(Mean Absolute Error)、準(zhǔn)確率Precision@N和召回率Recall@N作為的評價(jià)指標(biāo).

    MAE計(jì)算如公式(23)所示:

    (23)

    精確率和召回率表示如公式(24)和公式(25)所示:

    (24)

    (25)

    其中,erecommend表示向群組g推薦的商品的集合,ebuy表示在測試集中群組g所有用戶購買過的商品的集合.

    7.3 參數(shù)設(shè)置

    對于一個(gè)給定的群組,首先會(huì)計(jì)算群組差異度simgl,進(jìn)行群組類別的判定,然后根據(jù)群組所屬的類別采用對應(yīng)的推薦策略.

    通過群組劃分共得到10619個(gè)群組,計(jì)算每個(gè)群組的差異度,最終這10619個(gè)群組中有8316個(gè)相似性群組、2303個(gè)差異性群組.

    對差異性的群組,本文提出了一種考慮成員信任值的群組LDA模型.在LDA主題模型中,主題的數(shù)量會(huì)對實(shí)驗(yàn)有很大的影響.為找到本文所提出模型的最佳參數(shù),在重構(gòu)的數(shù)據(jù)集上使用Recall@10下的召回率進(jìn)行實(shí)驗(yàn),來對主題個(gè)數(shù)的影響進(jìn)行評估.實(shí)驗(yàn)結(jié)果如圖2所示.可以看出,主題數(shù)量K應(yīng)設(shè)置為20.

    圖2 不同主題數(shù)量的Recall@10

    7.4 整體表現(xiàn)

    本文使用3個(gè)對比方法,分別是AVE-CF、GD-MVL、和PF.

    1)AVG-CF:群組中所有成員對項(xiàng)目評分的平均值作為群組對該項(xiàng)目的評分,然后利用項(xiàng)目相似性來生成推薦[2].

    2)GD-MVL:采用群組發(fā)現(xiàn)的思想,在計(jì)算相似度矩陣時(shí)考慮了包括用戶的興趣信息和標(biāo)簽信息在內(nèi)的多個(gè)維度的信息[4].

    3)PF:在偏好融合時(shí)考慮群組中成員對群組偏好有不同的影響程度,同時(shí)還考慮了項(xiàng)目熱度,最后利用群組的相似性來生成推薦[19].

    為了評估本文所提出方法在不同數(shù)據(jù)稀疏度下的表現(xiàn),選取最優(yōu)參數(shù),使用MAE作為評價(jià)指標(biāo),在Amazon Fine Food Reviews重構(gòu)數(shù)據(jù)集開展了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表2所示.從實(shí)驗(yàn)結(jié)果可以看出,使用群組成員對項(xiàng)目的平均分作為預(yù)測得分的AVG-CF方法總體表現(xiàn)最差,GD-MVL和PF在不同稀疏度下表現(xiàn)接近.本文所提出的方法在數(shù)據(jù)稀疏時(shí),對于群組的不同情況能自適應(yīng)采用評分?jǐn)?shù)據(jù)跨域填充或者采用基于群組評論情感分析的評分預(yù)測策略,所以能更好的的應(yīng)對數(shù)據(jù)稀疏性問題.

    表2 不同稀疏度下各算法的MAE

    為了更好地驗(yàn)證本文提出算法的推薦效果,選取最優(yōu)參數(shù),繼續(xù)在 Amazon Fine Food Reviews重構(gòu)數(shù)據(jù)集進(jìn)行推薦準(zhǔn)確率和召回率的實(shí)驗(yàn),設(shè)置向群組推薦商品的數(shù)量N分別設(shè)置為5、10、15和20.實(shí)驗(yàn)結(jié)果如圖3、圖4所示.

    圖3 Top-N精準(zhǔn)率

    圖4 Top-N召回率

    從圖3、圖4中可以看出:基于協(xié)同過濾的AVG-CF算法表現(xiàn)較差,因?yàn)閿?shù)據(jù)集中絕大多數(shù)用戶只有10條以下的購買、評論記錄,造成數(shù)據(jù)非常稀疏.本文所提出的算法在數(shù)據(jù)集上效果最好,其次是PF,因?yàn)镻F同樣考慮了群組中的成員對于決策有不同的影響權(quán)重.由于沒有考慮成員偏好存在較大差異性的情況,所以在N值較小時(shí),PF的準(zhǔn)確率還要差一些.GD-MVL將最具有相似性的用戶劃分到一個(gè)群組,因此對于相似性較高的群組推薦效果是很好的,但是成員相似度不高的群組,推薦效果不太理想,所以整體的正確率表現(xiàn)一般.

    7.5 可解釋性

    表3為本文提出的算法在Amazon Fine Food Reviews數(shù)據(jù)集上生成的示例視點(diǎn).第1列出了與視點(diǎn)相對應(yīng)的概念;第2列列出觀點(diǎn)中的主題,第3列和第4列列出每個(gè)主題的正面和負(fù)面標(biāo)簽的概率,第5列列出每個(gè)觀點(diǎn)的預(yù)測評分及其概率.

    表3 生成觀點(diǎn)示例

    在表3的示例觀點(diǎn)中,看到帶有相關(guān)主題和相應(yīng)情感標(biāo)簽的概念.對于每個(gè)觀點(diǎn),第2列中的相關(guān)主題有助于解釋第一列中的概念,并且情感標(biāo)簽會(huì)告知用戶觀點(diǎn)中的觀點(diǎn).另外,也可以看到對于每個(gè)觀點(diǎn),預(yù)測的評分與情感極性一致.

    8 總結(jié)與展望

    本文考慮到在組推薦任務(wù)中群組成員偏好可能相差較大,將群組劃分為相似性群組和差異性群組.在對群組進(jìn)行劃分時(shí),本文把群組成員的偏好和成員間的社會(huì)信任關(guān)系同時(shí)考慮進(jìn)來.對相似性群組本文采用基于決策權(quán)重的群組推薦方法;對差異性群組提出了一種考慮成員信任值的群組LDA模型.該模型有兩個(gè)關(guān)鍵部分:觀點(diǎn)檢測和評分預(yù)測.從用戶評論中構(gòu)建觀點(diǎn)三元組<概念;主題;情感>,同時(shí)提取觀點(diǎn)的概率分布,然后利用該模型對候選項(xiàng)目進(jìn)行評分預(yù)測,選取概率較高的評分作為預(yù)測評分,最后依據(jù)評分得到推薦列表,同時(shí)結(jié)合觀點(diǎn)給出推薦結(jié)果的解釋.

    在實(shí)驗(yàn)部分,本文所提出的方法已經(jīng)被證明是有效的.在使用3個(gè)基準(zhǔn)數(shù)據(jù)集進(jìn)行測試時(shí),發(fā)現(xiàn)相對于其它方法有較大的提升.本文還表明,群組劃分和社會(huì)信任關(guān)系的使用可以提高推薦的準(zhǔn)確性.與以前使用的簡單的基于主題解釋相比,使用<概念;主題;情感>三元組可以為群組成員提供的更多信息解釋,從而提升滿意度.

    本文工作的局限性在于使用社會(huì)信任關(guān)系的維度較低,當(dāng)前社交網(wǎng)絡(luò)中還廣泛存在眾多其它社會(huì)化信息,這些信息對組推薦也有一定的影響,因此多維度社會(huì)化信息的篩選以及在組推薦中有效的融合策略需進(jìn)一步研究.同時(shí)在差異性群組的推薦中,本文提出的模型是基于主題模型構(gòu)建,因此主題之間的條件獨(dú)立性原則上可能導(dǎo)致多余的觀點(diǎn)和主題,如何降低這一冗余也將是下一步工作的重點(diǎn).

    猜你喜歡
    群組列表相似性
    巧用列表來推理
    一類上三角算子矩陣的相似性與酉相似性
    學(xué)習(xí)運(yùn)用列表法
    淺析當(dāng)代中西方繪畫的相似性
    擴(kuò)列吧
    關(guān)系圖特征在敏感群組挖掘中的應(yīng)用研究
    電子測試(2018年14期)2018-09-26 06:04:10
    低滲透黏土中氯離子彌散作用離心模擬相似性
    基于統(tǒng)計(jì)模型的空間群組目標(biāo)空間位置計(jì)算研究
    不含3-圈的1-平面圖的列表邊染色與列表全染色
    V4國家經(jīng)濟(jì)的相似性與差異性
    亚洲熟女精品中文字幕| 亚洲精品自拍成人| 麻豆精品久久久久久蜜桃| 看非洲黑人一级黄片| 国产中年淑女户外野战色| 1000部很黄的大片| 美女内射精品一级片tv| 少妇高潮的动态图| 黄色怎么调成土黄色| 插逼视频在线观看| 又爽又黄无遮挡网站| 少妇被粗大猛烈的视频| 国产乱来视频区| 国产成人免费观看mmmm| 美女脱内裤让男人舔精品视频| 韩国高清视频一区二区三区| 国国产精品蜜臀av免费| 日韩欧美精品v在线| 久久久久久久久久人人人人人人| 中文字幕久久专区| a级毛色黄片| 美女内射精品一级片tv| av免费在线看不卡| 免费看光身美女| 亚洲精品456在线播放app| 日韩欧美精品免费久久| 午夜亚洲福利在线播放| 日韩大片免费观看网站| 欧美区成人在线视频| 国产成人a区在线观看| 亚洲国产精品成人综合色| 美女脱内裤让男人舔精品视频| 精品少妇久久久久久888优播| 看非洲黑人一级黄片| 赤兔流量卡办理| 春色校园在线视频观看| 国产精品国产三级专区第一集| 亚洲精品一区蜜桃| 久久午夜福利片| 久久99热这里只有精品18| 亚洲激情五月婷婷啪啪| 人人妻人人爽人人添夜夜欢视频 | 18禁裸乳无遮挡免费网站照片| 日韩精品有码人妻一区| 我的老师免费观看完整版| 久久精品国产亚洲av涩爱| 亚洲四区av| 免费不卡的大黄色大毛片视频在线观看| 国内精品美女久久久久久| 99久久精品一区二区三区| 精品一区二区三区视频在线| 少妇的逼好多水| 欧美bdsm另类| 亚洲av欧美aⅴ国产| 欧美潮喷喷水| 建设人人有责人人尽责人人享有的 | 国产伦精品一区二区三区视频9| 亚洲欧美一区二区三区黑人 | 一级毛片aaaaaa免费看小| 国产人妻一区二区三区在| 精品久久久久久久末码| 狂野欧美激情性xxxx在线观看| 亚洲国产欧美在线一区| 日韩不卡一区二区三区视频在线| 国产午夜精品久久久久久一区二区三区| 国产探花极品一区二区| 日韩国内少妇激情av| 免费大片黄手机在线观看| 免费看不卡的av| 中国美白少妇内射xxxbb| 亚洲丝袜综合中文字幕| 亚洲精品乱码久久久v下载方式| 成人亚洲精品av一区二区| 最近最新中文字幕大全电影3| 中文资源天堂在线| 久久久久久久久久久免费av| 亚洲精品自拍成人| 波野结衣二区三区在线| 99热这里只有精品一区| 在线观看一区二区三区激情| 别揉我奶头 嗯啊视频| 涩涩av久久男人的天堂| 国产综合懂色| 香蕉精品网在线| 久热久热在线精品观看| 美女高潮的动态| 久久久久久久大尺度免费视频| 青青草视频在线视频观看| 毛片一级片免费看久久久久| 插阴视频在线观看视频| 亚洲欧美一区二区三区国产| 干丝袜人妻中文字幕| 成人鲁丝片一二三区免费| 欧美成人午夜免费资源| 晚上一个人看的免费电影| 成人亚洲精品av一区二区| 欧美高清性xxxxhd video| 国产亚洲一区二区精品| 成人二区视频| 久久久久九九精品影院| 王馨瑶露胸无遮挡在线观看| av一本久久久久| 亚洲最大成人av| 国国产精品蜜臀av免费| 97在线视频观看| 高清av免费在线| 激情五月婷婷亚洲| 边亲边吃奶的免费视频| 80岁老熟妇乱子伦牲交| 国产色婷婷99| 男女无遮挡免费网站观看| 亚洲精品一二三| 女人久久www免费人成看片| 麻豆成人av视频| 联通29元200g的流量卡| 欧美 日韩 精品 国产| 国产精品伦人一区二区| 国产91av在线免费观看| 99久久人妻综合| 成人国产av品久久久| 最近最新中文字幕大全电影3| 在现免费观看毛片| 久久久久精品性色| 国产片特级美女逼逼视频| 久久久久精品性色| 国产中年淑女户外野战色| 国产日韩欧美亚洲二区| 97人妻精品一区二区三区麻豆| 欧美zozozo另类| 亚洲色图综合在线观看| 欧美日韩视频高清一区二区三区二| 综合色丁香网| 国产精品伦人一区二区| 欧美3d第一页| 熟女人妻精品中文字幕| 亚洲欧美清纯卡通| 热99国产精品久久久久久7| 禁无遮挡网站| 婷婷色综合www| 亚洲国产精品成人综合色| 最近中文字幕高清免费大全6| 免费大片18禁| 欧美性感艳星| 欧美性猛交╳xxx乱大交人| 女人十人毛片免费观看3o分钟| 国产精品爽爽va在线观看网站| 亚洲欧洲日产国产| 啦啦啦中文免费视频观看日本| 丝袜美腿在线中文| 综合色av麻豆| 久久99热这里只频精品6学生| 五月天丁香电影| 成人亚洲精品av一区二区| 国产乱人偷精品视频| 亚洲av成人精品一区久久| 老女人水多毛片| 亚洲av中文字字幕乱码综合| 日韩国内少妇激情av| 亚洲最大成人中文| 黄色日韩在线| 九草在线视频观看| 六月丁香七月| 天天一区二区日本电影三级| av女优亚洲男人天堂| 久久久久久国产a免费观看| 2021天堂中文幕一二区在线观| 九九在线视频观看精品| 国产v大片淫在线免费观看| 18禁裸乳无遮挡免费网站照片| 国产成人免费观看mmmm| 插逼视频在线观看| 可以在线观看毛片的网站| 在线免费观看不下载黄p国产| 久久久久精品久久久久真实原创| 精品久久久噜噜| 97热精品久久久久久| 免费在线观看成人毛片| 色视频在线一区二区三区| 七月丁香在线播放| 国产精品一区二区三区四区免费观看| 全区人妻精品视频| eeuss影院久久| 亚洲精品乱久久久久久| 精品少妇久久久久久888优播| 丝袜美腿在线中文| 国产亚洲一区二区精品| 狠狠精品人妻久久久久久综合| 国产日韩欧美亚洲二区| 人人妻人人看人人澡| 人妻制服诱惑在线中文字幕| 三级经典国产精品| 中文天堂在线官网| 亚洲成人中文字幕在线播放| 久久久久久伊人网av| 久久精品综合一区二区三区| 中国国产av一级| 大片免费播放器 马上看| 一区二区三区四区激情视频| 91精品伊人久久大香线蕉| 狂野欧美激情性bbbbbb| 欧美 日韩 精品 国产| 国产成人a区在线观看| 国产成人午夜福利电影在线观看| 亚洲经典国产精华液单| 精品熟女少妇av免费看| 在线观看av片永久免费下载| 自拍偷自拍亚洲精品老妇| av免费观看日本| 亚洲精品色激情综合| 日本猛色少妇xxxxx猛交久久| 校园人妻丝袜中文字幕| 大香蕉97超碰在线| 免费黄网站久久成人精品| 天堂网av新在线| 人人妻人人爽人人添夜夜欢视频 | 80岁老熟妇乱子伦牲交| 黄色配什么色好看| 国产女主播在线喷水免费视频网站| av.在线天堂| 亚洲激情五月婷婷啪啪| 日韩制服骚丝袜av| 久久精品综合一区二区三区| 国产黄片视频在线免费观看| 成人无遮挡网站| 人妻系列 视频| 久久精品国产鲁丝片午夜精品| 18+在线观看网站| 国产精品99久久久久久久久| 国产av码专区亚洲av| 婷婷色麻豆天堂久久| 国产成人免费观看mmmm| 嫩草影院精品99| 免费观看性生交大片5| 99热全是精品| 一级爰片在线观看| 亚洲丝袜综合中文字幕| 看免费成人av毛片| 午夜福利网站1000一区二区三区| 国产免费一级a男人的天堂| 亚洲天堂av无毛| 日本一二三区视频观看| 水蜜桃什么品种好| 欧美高清性xxxxhd video| 成人综合一区亚洲| 一个人看视频在线观看www免费| 欧美最新免费一区二区三区| 亚洲精品亚洲一区二区| 日本wwww免费看| 国产成人精品婷婷| 久久久久久久精品精品| 久久精品久久久久久久性| 丝瓜视频免费看黄片| 欧美潮喷喷水| 99精国产麻豆久久婷婷| 男女边摸边吃奶| eeuss影院久久| 国产欧美另类精品又又久久亚洲欧美| 久久久精品欧美日韩精品| 日本-黄色视频高清免费观看| 熟女电影av网| 亚洲av日韩在线播放| 国产精品偷伦视频观看了| 我的女老师完整版在线观看| 少妇的逼好多水| 色播亚洲综合网| 亚洲成人久久爱视频| 亚洲精品国产av蜜桃| 99热这里只有是精品50| 人人妻人人爽人人添夜夜欢视频 | 美女主播在线视频| 日韩大片免费观看网站| 成人漫画全彩无遮挡| 久久国内精品自在自线图片| 最近2019中文字幕mv第一页| 欧美 日韩 精品 国产| 一级爰片在线观看| 日韩,欧美,国产一区二区三区| 欧美三级亚洲精品| 午夜福利在线在线| 亚洲av.av天堂| 国产亚洲午夜精品一区二区久久 | 少妇的逼水好多| 亚洲经典国产精华液单| 男的添女的下面高潮视频| 哪个播放器可以免费观看大片| 国产男女内射视频| 免费观看无遮挡的男女| 好男人在线观看高清免费视频| 国产精品伦人一区二区| 亚洲成人一二三区av| 成人漫画全彩无遮挡| 大片免费播放器 马上看| 成年人午夜在线观看视频| 久热久热在线精品观看| 成人午夜精彩视频在线观看| 99精国产麻豆久久婷婷| 精品人妻视频免费看| 高清av免费在线| 亚洲高清免费不卡视频| 青春草国产在线视频| 中文在线观看免费www的网站| 亚洲,欧美,日韩| 午夜福利网站1000一区二区三区| 日韩精品有码人妻一区| 综合色av麻豆| 大香蕉97超碰在线| 联通29元200g的流量卡| 老司机影院毛片| 黄片无遮挡物在线观看| 国产亚洲91精品色在线| av在线播放精品| 在线免费十八禁| 久久精品国产亚洲av天美| 亚洲欧美成人精品一区二区| 我的老师免费观看完整版| 少妇人妻 视频| 亚洲最大成人av| 色婷婷久久久亚洲欧美| 中文字幕免费在线视频6| 人人妻人人看人人澡| 肉色欧美久久久久久久蜜桃 | 一本久久精品| 又爽又黄无遮挡网站| 精品久久久久久久人妻蜜臀av| 三级经典国产精品| 国产精品无大码| 亚洲欧洲日产国产| 亚洲av免费高清在线观看| 国产亚洲av片在线观看秒播厂| 久久亚洲国产成人精品v| 黄色一级大片看看| 少妇人妻一区二区三区视频| 99九九线精品视频在线观看视频| 少妇 在线观看| 国产午夜精品一二区理论片| 国内少妇人妻偷人精品xxx网站| 最近最新中文字幕免费大全7| 亚洲国产最新在线播放| 乱码一卡2卡4卡精品| 亚洲色图av天堂| 日韩伦理黄色片| 啦啦啦中文免费视频观看日本| 欧美 日韩 精品 国产| 可以在线观看毛片的网站| 熟女电影av网| 亚洲一级一片aⅴ在线观看| 久久久久网色| 午夜视频国产福利| 2022亚洲国产成人精品| 2018国产大陆天天弄谢| 乱系列少妇在线播放| 欧美潮喷喷水| 成人毛片a级毛片在线播放| 久久久久久伊人网av| 视频中文字幕在线观看| 丝袜脚勾引网站| 亚洲在线观看片| 欧美日韩一区二区视频在线观看视频在线 | 波多野结衣巨乳人妻| 永久免费av网站大全| 亚洲内射少妇av| 色婷婷久久久亚洲欧美| 国产高清三级在线| 亚洲av日韩在线播放| 亚洲内射少妇av| 国产精品国产三级国产专区5o| a级毛片免费高清观看在线播放| 91在线精品国自产拍蜜月| 日韩av免费高清视频| 国产一区二区亚洲精品在线观看| 国产视频首页在线观看| 69人妻影院| 久久久久性生活片| 欧美日韩亚洲高清精品| 中文字幕亚洲精品专区| 高清在线视频一区二区三区| 国产伦在线观看视频一区| 亚洲欧美一区二区三区黑人 | videos熟女内射| 特大巨黑吊av在线直播| 亚洲精品国产色婷婷电影| 一区二区三区乱码不卡18| 成年av动漫网址| 精品少妇黑人巨大在线播放| 日韩一本色道免费dvd| 精品久久国产蜜桃| 亚洲欧美中文字幕日韩二区| 国产淫语在线视频| 久久久久久九九精品二区国产| 丰满乱子伦码专区| 中文字幕人妻熟人妻熟丝袜美| 亚洲av中文av极速乱| 亚洲欧美清纯卡通| 不卡视频在线观看欧美| 欧美精品国产亚洲| 九九爱精品视频在线观看| 国产极品天堂在线| 18禁裸乳无遮挡免费网站照片| 麻豆成人av视频| 少妇的逼好多水| 尤物成人国产欧美一区二区三区| 国产精品偷伦视频观看了| 五月天丁香电影| 女人久久www免费人成看片| 久久ye,这里只有精品| 中文字幕人妻熟人妻熟丝袜美| 亚洲成人精品中文字幕电影| 大香蕉97超碰在线| 看十八女毛片水多多多| 精品一区在线观看国产| 日本一本二区三区精品| 少妇被粗大猛烈的视频| 久久久久精品性色| 成人亚洲欧美一区二区av| 欧美97在线视频| 欧美精品一区二区大全| 国产亚洲91精品色在线| 一级黄片播放器| 亚洲性久久影院| 免费av毛片视频| 秋霞在线观看毛片| 你懂的网址亚洲精品在线观看| 99九九线精品视频在线观看视频| 在线观看一区二区三区激情| 中文字幕av成人在线电影| 欧美激情在线99| 日韩欧美一区视频在线观看 | 亚洲综合精品二区| 内地一区二区视频在线| 日本-黄色视频高清免费观看| 亚洲精品国产色婷婷电影| 国产精品一二三区在线看| 成人高潮视频无遮挡免费网站| 97超视频在线观看视频| 在线免费十八禁| 国产成人午夜福利电影在线观看| 久久国产乱子免费精品| 国产成人免费无遮挡视频| 亚洲人成网站高清观看| 成人毛片60女人毛片免费| 在线观看美女被高潮喷水网站| 麻豆精品久久久久久蜜桃| 国产精品一区二区在线观看99| 国产一区亚洲一区在线观看| 少妇人妻精品综合一区二区| 99久久九九国产精品国产免费| 中文精品一卡2卡3卡4更新| 干丝袜人妻中文字幕| 一级毛片黄色毛片免费观看视频| 亚洲欧洲日产国产| 欧美丝袜亚洲另类| 午夜福利在线观看免费完整高清在| 成人漫画全彩无遮挡| 成人综合一区亚洲| 少妇人妻久久综合中文| 免费在线观看成人毛片| 波野结衣二区三区在线| 日韩成人av中文字幕在线观看| 精品视频人人做人人爽| 久久久久久伊人网av| 成人亚洲精品av一区二区| 久久国产乱子免费精品| 亚洲成人一二三区av| 亚洲精品日韩在线中文字幕| 亚洲av免费高清在线观看| h日本视频在线播放| 亚洲av一区综合| 小蜜桃在线观看免费完整版高清| 欧美另类一区| 老女人水多毛片| 免费播放大片免费观看视频在线观看| 免费黄色在线免费观看| 大话2 男鬼变身卡| 王馨瑶露胸无遮挡在线观看| 亚洲最大成人中文| 国产高清国产精品国产三级 | 丝袜喷水一区| 精品一区二区免费观看| 中文字幕制服av| 国产精品偷伦视频观看了| 国产人妻一区二区三区在| 日本-黄色视频高清免费观看| 国模一区二区三区四区视频| 亚洲最大成人中文| 少妇裸体淫交视频免费看高清| 国产毛片在线视频| 男女国产视频网站| 联通29元200g的流量卡| 国产精品人妻久久久影院| 乱码一卡2卡4卡精品| 亚洲一级一片aⅴ在线观看| 亚洲天堂国产精品一区在线| 色吧在线观看| 男女那种视频在线观看| 亚洲伊人久久精品综合| 别揉我奶头 嗯啊视频| 免费观看a级毛片全部| 国产亚洲一区二区精品| 国产黄色视频一区二区在线观看| 久久女婷五月综合色啪小说 | 久久99热6这里只有精品| 纵有疾风起免费观看全集完整版| 日韩免费高清中文字幕av| 女人久久www免费人成看片| 亚洲色图综合在线观看| 日韩国内少妇激情av| 久久久久久久精品精品| av在线亚洲专区| 视频中文字幕在线观看| 尤物成人国产欧美一区二区三区| 天堂网av新在线| 中国三级夫妇交换| 久久久久久久久久久丰满| 男女下面进入的视频免费午夜| 免费看av在线观看网站| 亚洲精品自拍成人| 在线 av 中文字幕| 肉色欧美久久久久久久蜜桃 | 一级av片app| 亚洲成人精品中文字幕电影| 麻豆精品久久久久久蜜桃| 国产永久视频网站| 国产亚洲av嫩草精品影院| 波野结衣二区三区在线| 国产av国产精品国产| av在线亚洲专区| a级毛片免费高清观看在线播放| 日韩视频在线欧美| 亚洲av免费在线观看| 极品少妇高潮喷水抽搐| 搡女人真爽免费视频火全软件| 免费看日本二区| 亚洲av国产av综合av卡| 久久久久精品性色| 1000部很黄的大片| 在现免费观看毛片| 国产老妇女一区| 91久久精品国产一区二区成人| 十八禁网站网址无遮挡 | 国产伦理片在线播放av一区| 国产亚洲最大av| 少妇的逼水好多| 日本猛色少妇xxxxx猛交久久| 免费少妇av软件| 国产男女内射视频| 一级毛片aaaaaa免费看小| 丰满人妻一区二区三区视频av| av黄色大香蕉| 亚洲av.av天堂| 伊人久久国产一区二区| 亚洲怡红院男人天堂| 国产在线一区二区三区精| 26uuu在线亚洲综合色| 中文字幕制服av| 少妇被粗大猛烈的视频| 亚洲国产成人一精品久久久| 3wmmmm亚洲av在线观看| 亚洲精品456在线播放app| 深夜a级毛片| 美女视频免费永久观看网站| 欧美日韩精品成人综合77777| 嘟嘟电影网在线观看| 黄片无遮挡物在线观看| 美女高潮的动态| 日本色播在线视频| 18禁动态无遮挡网站| 日韩不卡一区二区三区视频在线| 男人狂女人下面高潮的视频| 97人妻精品一区二区三区麻豆| 极品教师在线视频| 97人妻精品一区二区三区麻豆| 嘟嘟电影网在线观看| 五月伊人婷婷丁香| 中文字幕制服av| 亚洲美女视频黄频| 国产 一区 欧美 日韩| 在线观看一区二区三区| 欧美高清性xxxxhd video| 免费av毛片视频| 国产高清三级在线| 亚洲欧洲日产国产| 午夜免费男女啪啪视频观看| 在线观看国产h片| 国产精品人妻久久久久久| 视频中文字幕在线观看| 久久鲁丝午夜福利片| 午夜亚洲福利在线播放| 免费大片黄手机在线观看| av国产久精品久网站免费入址| 波野结衣二区三区在线| 插阴视频在线观看视频| 亚洲欧美精品自产自拍| 丝袜脚勾引网站| 神马国产精品三级电影在线观看| 啦啦啦啦在线视频资源| 亚洲成人中文字幕在线播放| 别揉我奶头 嗯啊视频| 最近最新中文字幕免费大全7| 免费少妇av软件| 欧美国产精品一级二级三级 | 日本av手机在线免费观看| 久久久久国产网址| 大片免费播放器 马上看| 午夜福利在线观看免费完整高清在| 国产 精品1| 久久99蜜桃精品久久| 成人亚洲精品av一区二区| 国产成人91sexporn| 欧美一级a爱片免费观看看| 丰满乱子伦码专区| 在线精品无人区一区二区三 | 免费观看性生交大片5| 波野结衣二区三区在线| 免费观看的影片在线观看| av网站免费在线观看视频|