• <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 ?

    一種融合行為與結(jié)構(gòu)特征推理的造假群組檢測算法*

    2021-05-18 09:32:14張怡睿宸李云峰顧旭陽紀(jì)淑娟
    計算機工程與科學(xué) 2021年5期
    關(guān)鍵詞:評論者共謀群組

    張怡睿宸,李云峰,顧旭陽,紀(jì)淑娟

    (1.山東科技大學(xué)山東省智慧礦山信息技術(shù)重點實驗室,山東 青島 266590;2.中國銀保監(jiān)會衡水監(jiān)管分局,河北 衡水 053000)

    1 引言

    在過去的十幾年里,隨著互聯(lián)網(wǎng)的飛速發(fā)展,網(wǎng)絡(luò)購物也變得越來越普遍。人們在購買商品或服務(wù)之前都會先瀏覽一下商品或服務(wù)的相關(guān)評論。如果多為積極評論,則消費者會購買該商品;如果多為消極評論,則消費者購買該商品的機率會大大降低[1]。正是因為積極的評論會給商家?guī)砀蟮睦麧橻1],因此很多商家會雇傭水軍群組給自己刷好評或者給競爭對手刷差評。商家的這種造假行為誤導(dǎo)了消費者,嚴(yán)重擾亂了市場秩序,因此越來越多的研究人員關(guān)注虛假信息檢測問題。

    現(xiàn)有少部分共謀群組檢測算法使用監(jiān)督學(xué)習(xí)方法實現(xiàn)。然而,因為手工標(biāo)簽在現(xiàn)實生活中獲取困難、需要花費大量時間,且適用的領(lǐng)域比較單一,因此,現(xiàn)有研究方法大多基于無監(jiān)督方法。已有無監(jiān)督方法可以根據(jù)生成候選群組方式不同分為基于頻繁項挖掘FIM(Frequent Item Mining)的方法[2 - 4]和基于圖的方法[5 - 8]?;陬l繁項挖掘產(chǎn)生候選群組的典型研究主要有:Mukherjee等人[2]利用FIM產(chǎn)生候選群組后提出了GSRank(Group-Spam Rank)算法;Xu等人[3]通過FIM得到候選群組后使用基于改進KNN的方法判定虛假群組?;趫D方法產(chǎn)生候選群組的研究主要有:Ye等人[8]提出2-Hop子圖,用GroupStrainer方法判定共謀群組;Xu等人[4]提出CG(Colluder Graph)圖來檢測共謀群組;Wang等人[9]提出了基于二部圖投影的虛假評論人候選群組的生成算法,以產(chǎn)生候選群組,然后結(jié)合群組指標(biāo)判斷是否為造假群組?,F(xiàn)有虛假群組檢測研究中,有的只使用行為指標(biāo)來檢測群組,而忽略了網(wǎng)絡(luò)結(jié)構(gòu)中成員之間的聯(lián)系,有的只使用網(wǎng)絡(luò)結(jié)構(gòu)來檢測群組,而忽略了群組特征、個體特征和語言特征帶來的群組可疑問題。怎樣將評論者的行為指標(biāo)和評論者之間的拓?fù)浣Y(jié)構(gòu)更好地結(jié)合起來檢測虛假群組,以提高檢測準(zhǔn)確度,是目前的主要挑戰(zhàn)。據(jù)本文調(diào)研發(fā)現(xiàn),只有文獻[9]同時使用了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和行為模式來判斷群組造假。然而,該工作還存在一個問題,即直接通過計算群組結(jié)構(gòu)特征和行為特征的指標(biāo)得分來判斷是否為造假群組,而沒有進行更準(zhǔn)確的結(jié)構(gòu)推理,這使得檢測的準(zhǔn)確度不是很高。

    針對上述群組研究中的問題和挑戰(zhàn),本文提出了一種融合行為特征與結(jié)構(gòu)特征的虛假群組檢測算法。該算法包含2部分:第1部分首先利用頻繁項挖掘方法產(chǎn)生候選群組,然后基于行為指標(biāo)計算群組中每個成員協(xié)同造假可疑度,將該可疑度看作先驗概率;第2部分首先給每個群組建立加權(quán)評論者-商品二部圖,然后使用循環(huán)信念傳播算法LBP(Loopy Belief Propagation)來進行后驗概率的推理,將推理后得到的后驗概率值作為該成員的最終協(xié)同造假可疑度,最后用熵值法判斷每個群組是否為共謀群組。

    對比已有共謀群組檢測算法,本文工作有如下創(chuàng)新:(1)在用行為指標(biāo)計算協(xié)同造假可疑度時,所選指標(biāo)體現(xiàn)的是群組成員的共謀性特征,考慮了群組成員之間的聯(lián)系。(2)給出一種帶權(quán)二部圖的構(gòu)建方法,并將LBP算法應(yīng)用于帶權(quán)重的二部圖上進行推理,使得計算的協(xié)同造假可疑度更準(zhǔn)確。(3)使用香農(nóng)熵判斷每個群組中所有成員的協(xié)同造假可疑度的混亂度,自動為群組標(biāo)注標(biāo)簽。

    2 相關(guān)工作

    根據(jù)檢測對象的不同,現(xiàn)有關(guān)于虛假信息檢測的研究可分為以下3類:虛假評論文本檢測、虛假評論者檢測、虛假評論群組檢測[10]。虛假評論文本檢測主要針對評論的文本信息進行分類和過濾。該問題最早是由Jindal等人[11]于2008年提出的。他們將虛假評論分為3種類型,即虛假評論、品牌評論和無關(guān)評論。他們給出了一種監(jiān)督學(xué)習(xí)方法來判斷某一評論是否為虛假評論。Ott等人[12]通過結(jié)合評論的語言特征和研究心理學(xué)時用的一些特征來對評論文本進行分類,從而檢測虛假評論。

    虛假評論者的檢測研究可以分為基于行為特征的檢測方法和基于關(guān)系特征(圖)的檢測方法2大類。Lim等人[13]根據(jù)評論者評分的行為特征來檢測虛假評論者。Bondielli等人[14]通過調(diào)研和總結(jié)前人的文獻寫了一篇關(guān)于虛假新聞和可疑評論者的綜述。Wang等人[15]給出了一種基于評論者、評論和商店構(gòu)成的評論圖的方法來計算評論者的可信度。Akoglu等人[16]提出了一種檢測虛假評論者的FraudEagle框架。該框架首先基于評論者和商品建立二部圖,然后分析評論者對商品的情感,最后使用信念傳播方法檢測虛假評論者。Rayana等人[17]在FraudEagle框架的基礎(chǔ)上提出了SPEagle框架。該框架首先用評論、評論者和商品3種類型的節(jié)點建立網(wǎng)絡(luò)結(jié)構(gòu),然后同時利用網(wǎng)絡(luò)結(jié)構(gòu)特征和元數(shù)據(jù)特征來識別造假者。

    最近兩年,對虛假群組的研究越來越多[3,6,8,9]。這是因為大量有組織、有策略的虛假評論和評價者對電子商務(wù)信譽評價系統(tǒng)和推薦系統(tǒng)的攻擊效果比單個的虛假評論和評價者更明顯。然而,虛假群組的檢測與過濾面臨著一個普遍公認(rèn)的挑戰(zhàn),即帶標(biāo)簽的共謀群組數(shù)據(jù)集很難獲取。因此,現(xiàn)有研究大都是運用無監(jiān)督的方法來判斷挖掘出的群組是否為共謀組。根據(jù)產(chǎn)生候選群組的方式不同,可將現(xiàn)有的無監(jiān)督算法分為2類:一類基于頻繁項挖掘來產(chǎn)生候選群組,另一類基于圖的方法來產(chǎn)生候選群組。

    Mukherjee等人[2]最先提出基于頻繁項挖掘FIM的方法來產(chǎn)生候選群組。他們描述的共謀群組是一群說假話的人通過合作來共同造假,換句話說,這些造假者一起為多件商品寫多條虛假評論。為了檢測出共謀群組,他們首先使用頻繁項挖掘生成候選群組,約定群組中的任意2個人至少共同評論過3件商品;然后,給出了一個排序模型(稱為GSRank算法),根據(jù)群組、商品、評論者之間的關(guān)系建立模型,計算群組可疑得分;最后,根據(jù)群組可疑得分排序來判斷群組是否為共謀群組。很多研究者擴展了Mukherjee等人的工作,他們也使用FIM方法生成候選群組,然后使用其他的方法來判定共謀群組。例如,Xu等人[4]用FIM來產(chǎn)生候選群組,使用文本特征和評論者的特征計算評論者之間的相似度,然后用改進的KNN算法預(yù)測單個評論者為造假者或非造假者,并將其標(biāo)注為造假者或非造假者。然而,這些評論者必須來自至少一個FIM產(chǎn)生的候選作弊群組。再如,Xu等人[3]用頻繁項挖掘的方法產(chǎn)生候選群組后還提出了使用統(tǒng)計學(xué)模型和EM(Expectation Maximum)算法進行虛假群組的檢測。這些算法通過使用更多的特征和方法來判斷群組共謀,提高了算法的準(zhǔn)確度。但是,這些算法依然存在將偶然購買者錯誤地劃入造假群組和忽略群組成員之間的網(wǎng)絡(luò)結(jié)構(gòu)等問題。

    基于圖的虛假群組識別方法一般根據(jù)評論者或者評論和商品的關(guān)系建立一個網(wǎng)絡(luò)圖,然后基于得到的圖使用各種算法檢測共謀群組。例如,Ye等人[8]使用群組網(wǎng)絡(luò)結(jié)構(gòu)來研究虛假群組檢測。他們基于2-Hop 子圖發(fā)現(xiàn)評論者作為群組成員的反常行為并運用層次聚類方法GroupStrainer 檢測虛假評論群組。在構(gòu)建群組網(wǎng)絡(luò)結(jié)構(gòu)時使用了節(jié)點和網(wǎng)絡(luò)的自相似性和相鄰節(jié)點多樣性這2個特征對評論者進行了網(wǎng)絡(luò)足跡的分析。再如,Li等人[6]提出基于共爆發(fā)來檢測共謀群組,共爆發(fā)是指群組內(nèi)評論者在評論商品時發(fā)布的評分是有波峰的,而且群組中的評論者會集中在很短的一段時間里完成評論任務(wù)。Xu等人[4]基于圖分類思想使用雙馬爾科夫網(wǎng)絡(luò)提出欺詐圖模型CG。首先將評論者作為節(jié)點構(gòu)成網(wǎng)絡(luò),將關(guān)聯(lián)性強的評論者作為相鄰節(jié)點,然后將問題轉(zhuǎn)化為運用概論圖模型來進行共謀群組的判斷。Wang等人[7]提出一個從上而下的計算框架GGSpam(Graph-based Group Spam),先建立商品-評論者二部圖,然后投影為評論者圖,使用分而治之的策略來進行共謀群組的檢測。Do等人[5]提出使用一種模糊k-Means的方法來檢測共謀群組。首先建立由商品、評論者和評論組成的評論圖,然后計算3種類型節(jié)點的可疑分?jǐn)?shù),最后使用模糊k-Means聚類方法來檢測共謀群組。使用基于圖的方法來檢測共謀群組的優(yōu)點是可以很好地利用群組內(nèi)成員之間的關(guān)系,更好地檢測造假群組。缺點是忽略群組的行為特征和語言特征,且在實驗階段耗費時間長。

    綜上所述,現(xiàn)有大多數(shù)研究在群組虛假檢測時要么使用頻繁項挖掘的方法來產(chǎn)生候選群組,然后使用評論者的行為模式來建模;要么使用基于圖的方法來產(chǎn)生候選群組,然后使用評論者之間的網(wǎng)絡(luò)結(jié)構(gòu)關(guān)系來建模。頻繁項挖掘產(chǎn)生候選群組要求至少2人共同評論過3件商品,使用頻繁項挖掘產(chǎn)生候選群組后沒有考慮評論者之間的網(wǎng)絡(luò)關(guān)系,這樣降低了虛假群組檢測的準(zhǔn)確度。此外,現(xiàn)有頻繁項挖掘方法都沒有考慮語言特征。對應(yīng)地,基于圖的方式產(chǎn)生候選群組時只考慮評論者之間的關(guān)系,沒有考慮行為特征和語言特征,因此虛假群組檢測的準(zhǔn)確度較低。

    3 融合行為與結(jié)構(gòu)特征推理的造假群組檢測模型框架

    為了解決頻繁項挖掘在產(chǎn)生候選群組時因忽略評論者之間的網(wǎng)絡(luò)結(jié)構(gòu)而導(dǎo)致群組挖掘和發(fā)現(xiàn)的準(zhǔn)確度下降問題,本文融合了基于頻繁項挖掘和基于圖方法的優(yōu)點,提出融合行為與結(jié)構(gòu)特征推理的造假群組檢測算法B&SR(Behavior and Structural feature Reasoning algorithm),其基本框架如圖1所示。

    Figure 1 Framework of the proposed algorithm圖1 算法的框架圖

    實現(xiàn)該框架需要如下5步:第1步,用頻繁項挖掘產(chǎn)生候選群組;第2步,實現(xiàn)基于行為特征的候選群組中協(xié)同造假可疑度計算;第3步,基于候選群組中的每個評論者和被評論商品構(gòu)建二部圖;第4步,實現(xiàn)基于結(jié)構(gòu)特征的候選群組中協(xié)同造假可疑度推理;第5步,基于信息熵實現(xiàn)群組分類。其中,第1步利用頻繁項挖掘方法產(chǎn)生候選群組直接借鑒了Mukherjee等人[2]的方法。具體細(xì)節(jié)因篇幅關(guān)系不再贅述。本文重點介紹該框架中第2步到第5步的實現(xiàn)細(xì)節(jié)。表1列出了B&SR中用到的所有符號以及它們所表示的含義。

    Table 1 Symbols and their meanings表1 符號及其意義

    4 融合行為與結(jié)構(gòu)特征推理的造假群組檢測算法

    4.1 基于行為特征的協(xié)同造假可疑度計算方法

    本節(jié)旨在給出一種基于行為特征的協(xié)同造假可疑度計算方法。與其他文獻[6,8,9]選用個體行為特征不同,考慮群組成員之間的聯(lián)系,本節(jié)選用了個體間協(xié)同行為特征,旨在揭示群組成員協(xié)同造假(即共謀)可疑程度。同時,將該值作為基于結(jié)構(gòu)特征推理的先驗概率值。計算候選群組中協(xié)同造假可疑度時,主要參考的協(xié)同行為特征如下:

    定義1(共評論比例CR(Common comment Ratio )[3])CR指的是群組中每個成員同群組其余成員共同評論過的商品數(shù)量占群組成員評論過商品總數(shù)量的比例。共謀者群組中成員共評論的比例會更容易偏高。計算公式如式(1)所示:

    (1)

    其中,a為候選群組中的某個成員,sa為成員a評論商品的集合,sga為群組g中除去成員a之外其余成員評論商品的集合,sg為群組成員評論商品的集合。

    定義2(共評論商品評分方差RD(Rating Deviation )[3])RD指的是在群組成員共評論的商品中,每個成員的評分與群組內(nèi)其他成員評分的方差,在共評論的商品中選出方差波動最大的。當(dāng)選出的方差值在該成員共評論商品中最大時仍然不大,則很大程度上說明該成員可能是共謀者。

    (2)

    其中,Ra,p為成員a在第p個商品上為所評論商品中的方差值,g為候選共謀群組,P為每個成員評論過的商品集合。

    定義3(共評論商品評論發(fā)布時間方差TD(Time Deviation )[3])TD指的是在共評論商品中,評論者發(fā)布評論的時間與組內(nèi)其余成員發(fā)布評論的時間波動的方差。函數(shù)var是求得群組成員a對第i個產(chǎn)品發(fā)布評論時間與群組內(nèi)其余成員發(fā)布評論時間的方差。max函數(shù)可選擇出在群組成員a評論過的商品中方差值波動最大的那個。因為當(dāng)方差TD(a)的值仍然不大時,則很大程度上說明該成員可能是共謀者。

    (3)

    其中,Ta,p為成員a在第p個商品上發(fā)布評論時間的方差值,g為候選共謀群組,P為每個成員評論過的商品集合。

    在共評論商品評分方差(RD)和共評論商品評論發(fā)布時間方差(TD)中,要把所得值統(tǒng)一到[0,1]內(nèi),rank為評分等級。轉(zhuǎn)換公式如下所示:

    (4)

    (5)

    定義4基于以上3種行為特征,群組中每個評論者個體的協(xié)同造假可疑度計算公式如式(6)所示:

    (6)

    根據(jù)上述行為指標(biāo),計算群組中成員的協(xié)同造假可疑度。為每個候選共謀群組進行計算的詳細(xì)過程如算法1所示。

    算法1基于行為特征的協(xié)同造假可疑度計算

    輸入:頻繁項挖掘算法FIM得到的候選共謀群組。

    輸出:帶有協(xié)同造假可疑度的候選共謀群組。

    1.G=FIMCreateGroup(reviewers);

    2.FOReach groupginGDO

    3.FOReach reviewerringDO

    4.CR(r)=ComputedCommonRatio(r)/*依據(jù)式(1)*/

    5.RD(r)=ComputedCommonRatingDeviation(r);/*依據(jù)式(2)*/

    6.TD(r)=ComputedCommonTimeDeviation(r);/*依據(jù)式(3)*/

    7.SC(r)=ComputedSum(CR(r),RD(r),TD(r))/*依據(jù)式(4)~式(6)*/

    8.ENDFOR

    9.ENDFOR

    經(jīng)過算法1可以得到各個群組的成員可疑度。由這些群組組成的集合為最終的候選共謀群組集合G。

    4.2 面向候選群組的帶權(quán)評論者-商品二部圖構(gòu)建算法

    實體和群體的能力描述代表了它們執(zhí)行任務(wù)的能力,是進行任務(wù)規(guī)劃的根本依據(jù)。能力描述還將組織任務(wù)的可完成性判斷轉(zhuǎn)化成了描述任務(wù)邏輯的定理證明。另外,群體中成員的變更,可能導(dǎo)致組織能力的變化,能力描述也能將這種變化自然地表現(xiàn)出來。

    經(jīng)過算法1的處理得到最終候選群組,本節(jié)旨在為每個候選群組構(gòu)建一個帶權(quán)評論者-產(chǎn)品的二部圖。接下來介紹詳細(xì)定義及過程。

    定義5(帶權(quán)評論者-商品二部圖) 帶權(quán)評論者-商品二部圖Net={V,E,W},其中V表示節(jié)點集合,包含2種類型,分別是用戶節(jié)點和商品節(jié)點;E是連接用戶節(jié)點和商品節(jié)點的邊集合,表示用戶對商品發(fā)表過的評論;W表示用戶節(jié)點和商品節(jié)點之間的無向邊上的權(quán)重值集合,由用戶對商品評論的行為和內(nèi)容所決定。

    定義6(權(quán)值) 本文取用戶對商品的評分作為權(quán)重值,將用戶的等級評分轉(zhuǎn)換為[0,1]內(nèi)的數(shù)值。

    (7)

    其中,wui,pj是代表在二部圖中用戶ui與商品pj邊上的權(quán)值,Rui,pj是用戶ui對商品pj的評分,rank為評分等級(常見的等級有5級,3級,2級等)。

    算法2面向候選群組的帶權(quán)評論者-商品二部圖構(gòu)建算法

    輸入:候選群組、商品、候選群組成員對商品的評論。

    輸出:用戶對所評論商品的權(quán)重值W集合。

    1.FOReach groupginGDO/*對每個候選群組計算*/

    2.FOReach revieweruiingDO/*對群組中各個成員計算*/

    3.wui,pj=ComputedWeight(ui,pj)/*wui,pj表示用戶ui與商品pj的邊上的權(quán)值*/

    4.ENDFOR

    5.ENDFOR

    4.3 基于帶權(quán)評論者-商品二部圖的候選群組中協(xié)同造假可疑度的結(jié)構(gòu)推理

    僅考慮評論者的行為特征不足以最終確定評論者的協(xié)同造假可疑度,因此,在基于行為特征獲得每個候選群組中評論者的協(xié)同造假可疑度之后,本文又基于結(jié)構(gòu)特征對每個評論者的協(xié)同造假可疑度進行推理。本文將協(xié)同造假可疑度看作是一個聯(lián)合概率分布。為了求解該聯(lián)合概率分布問題,本文用成對馬爾科夫隨機場pMRF(pairwise Markov Random Fields)[18]建?;趲?quán)評論者-商品二部圖的協(xié)同造假可疑度(即聯(lián)合概率分布)推理問題,得到目標(biāo)函數(shù)。精確推理是一個很好的方法,但眾所周知的是精確推理是一個NP難問題。因此,本文采用被稱為近似推理的循環(huán)信念傳播算法LBP[19]進行問題求解。下面詳細(xì)介紹用成對馬爾科夫隨機場建模協(xié)同造假可疑度(即聯(lián)合概率分布)推理以及用LBP算法求解的細(xì)節(jié)。

    4.3.1 基于成對馬爾科夫隨機場的協(xié)同造假可疑度推理模型

    在pMRF中,判斷節(jié)點是否為造假者僅取決于其鄰居節(jié)點,并且獨立于圖中的所有其他節(jié)點。每個節(jié)點表示一個或一組變量,節(jié)點之間的邊表示2個變量之間的依賴關(guān)系。本文用勢函數(shù)(亦稱因子)來表示節(jié)點之間的依賴關(guān)系。通過勢函數(shù)求得協(xié)同造假可疑度的聯(lián)合概率分布。

    (8)

    Table 2 Potential function表2 勢函數(shù)

    4.3.2 基于成對馬爾科夫隨機場的循環(huán)信念傳播算法

    本文在進行結(jié)構(gòu)推理時將使用后驗可疑度來更正先驗可疑度,將群組中每個成員的后驗可疑度作為每個成員的最終可疑度。

    定義7(先驗可疑度) 根據(jù)行為特征對每個群組的成員計算出協(xié)同造假可疑度作為該群組成員的先驗可疑度。

    定義8(基于帶權(quán)評論者-商品二部圖的協(xié)同造假可疑度后驗可疑度) 后驗可疑度的推理可應(yīng)用LBP算法[17],推理后得到的每個群組中成員的協(xié)同造假可疑度作為后驗可疑度。

    在帶權(quán)評論者-商品二部圖上的LBP推理算法由3個步驟來實現(xiàn),首先進行消息的初始化;然后在商品節(jié)點和用戶節(jié)點上進行消息傳遞,在消息傳遞過程中對消息進行更新;最后當(dāng)消息不再變化時計算每個節(jié)點的可疑度。

    在LBP算法中所用到的公式定義如下:

    (1)消息傳遞公式:

    mi→j(yj)=

    (9)

    其中,mi→j是從節(jié)點i到節(jié)點j發(fā)送的一條消息。V表示帶權(quán)評論者-產(chǎn)品二部圖中的節(jié)點集合。Ni為節(jié)點i的pMRF一階鄰域,Nij表示節(jié)點i的pMRF一階鄰域中排除掉目標(biāo)節(jié)點j的鄰域。mki(yi)表示節(jié)點i的鄰居發(fā)送給節(jié)點i的消息。

    同樣從節(jié)點j到節(jié)點i的消息傳遞如式(10)所示:

    mj→i(yi)=

    (10)

    信念計算公式如式(11)所示:

    (11)

    其中,bi(yi)是節(jié)點i經(jīng)過推理后的后驗可疑度。α是歸一化常數(shù),分別確保每個消息和每組的邊緣概率之和為1。

    具體算法實現(xiàn)過程如下所示:

    算法3基于帶權(quán)評論者-商品二部圖的候選群組中協(xié)同造假可疑度的結(jié)構(gòu)推理算法

    輸入:每個群組的用戶-商品二部圖,每個群組中成員的先驗可疑度,每條邊上的權(quán)重值集合W。

    輸出:每個群組中的成員后驗可疑度。

    1.FOReach groupginGDO/*initialize each bipartite graph*/

    2.FORe(yi,yj,w)∈EDO/*initialize each message*/

    3.FORi∈VDO

    4.mi→j(yj)←1

    5.ENDFOR

    6.ENDFOR

    7.REPEAT/*perform message propagation update

    8. messages fromitoj*/

    9.FORe(yi,yj,w)∈EDO

    10.FORi∈VDO

    12.ENDFOR

    13.ENDFOR

    14. //update messages fromjtoi

    15.FORe(yi,yj,w)∈EDO

    16.FORi∈UDO

    17.ENDFOR

    18.ENDFOR

    19.UNTILall messages stop changing

    20.FORi,j∈VDO

    22.ENDFOR

    23. /*obtain the suspected degree of collaborative fraud of nodes after inference*/

    24.Score(i)=bi(yi);

    25.ENDFOR

    經(jīng)過算法3推理后得到每個群組里各個成員的后驗可疑度,這樣就可以根據(jù)熵值法來判斷成員是否屬于共謀群組。

    4.4 基于熵值法的共謀群組分類算法

    經(jīng)過上述步驟的處理得到每個共謀群組中成員的協(xié)同造假可疑度,共謀群組中的成員因為共同評論多件商品,協(xié)同造假可疑度會較相似。本文使用信息熵的方法來判定成員是否屬于共謀群組,信息熵是香農(nóng)在1984年提出的,解決了對信息的量化度量問題。

    一個系統(tǒng)越是有序,信息熵就越低;反之,一個系統(tǒng)越是混亂,信息熵就越高。所以,信息熵也可以說是系統(tǒng)有序化程度的一個度量[20],因此可以利用這一特點來進行虛假共謀群組的識別,群組成員協(xié)同可疑度越接近,則說明群組內(nèi)成員行為越統(tǒng)一、有序,越有可能為共謀群組;群組成員協(xié)同可疑度差異越大,則說明群組內(nèi)成員行為比較自由、無序,越可能為非共謀群組。本文將群組成員協(xié)同可疑度作為信息熵值,來計算整個群組的信息熵值,即整個群組的混亂度。

    計算信息熵的公式如式(12)[20]所示:

    (12)

    其中,τ是類別數(shù),p(xi)是第i類的概率,xi表示隨機變量,與之相對應(yīng)的是所有可能輸出的集合,定義為符號集,隨機變量的輸出用xi表示。

    判斷候選共謀群組的具體過程如算法4所示。

    算法4基于熵值法的共謀群組分類算法

    輸入:經(jīng)過算法3后得到的帶有后驗可疑度的候選共謀群組。

    輸出:共謀群組。

    1.FOReach groupginGDO

    3.IFH>βTHEN

    4.gis not spam group

    5.ELSE

    6.gis spam group

    7.ENDIF

    8.ENDFOR

    5 實驗設(shè)置與結(jié)果分析

    為了更好地驗證本文算法的性能,在真實數(shù)據(jù)集上實現(xiàn)與5個算法的比較實驗。

    5.1 數(shù)據(jù)集和手工標(biāo)簽

    同一些文獻中使用的數(shù)據(jù)集相同,本文實驗所用到的數(shù)據(jù)集是不帶標(biāo)簽的亞馬遜評論數(shù)據(jù)集。本文先考慮使用1993~2014年的亞馬遜書籍評論數(shù)據(jù),統(tǒng)計數(shù)據(jù)信息發(fā)現(xiàn)共有22 507 155條評論數(shù)據(jù),8 026 324個評論者,2 330 066件商品。由于數(shù)據(jù)量太大,本文提取2013年的數(shù)據(jù)作為源數(shù)據(jù),先對數(shù)據(jù)進行處理。把2013年的數(shù)據(jù)里所有商品評論數(shù)據(jù)少于3條的商品和發(fā)布評論少于3條的評論者刪除,然后選取部分?jǐn)?shù)據(jù)進行實驗。所用到的數(shù)據(jù)集統(tǒng)計信息如表3所示。

    Table 3 Statistic of dataset表3 數(shù)據(jù)集統(tǒng)計信息

    檢測虛假共謀群組所用到的數(shù)據(jù)集基本上都沒有標(biāo)簽,這樣對于評估提出的模型或者算法具有一定挑戰(zhàn)性?;谏鲜鰡栴},使用人工標(biāo)注數(shù)據(jù)集變成了普遍的選擇。最先使用人工標(biāo)注數(shù)據(jù)集的是Jindal等人[11]在檢測個體造假者問題上。同時,Mukherjee等人[2]和 Xu等人[4]首先在檢測造假群組時雇傭?qū)<沂褂?個評論指標(biāo)來手工標(biāo)注數(shù)據(jù)集。

    本文提出的算法為無監(jiān)督算法,在手工標(biāo)注標(biāo)簽時用到4個個體行為指標(biāo),分別是極端評分、虛假文本、平均分異常值和活躍時間。其中,4個行為指標(biāo)設(shè)定的值中最可疑為1分,不可疑為0分,模棱兩可為0.5分。當(dāng)算得的總分大于2時便判定為造假者,當(dāng)群組成員中造假者數(shù)量大于或等于群組成員數(shù)量的2/3時便判斷該群組為共謀群組。

    5.2 實驗設(shè)置、比較基線和評估方法

    本文選取處理過的2013年亞馬遜數(shù)據(jù)集的部分?jǐn)?shù)據(jù)進行實驗。同時分析算法的性能和本文算法同基線算法的比較。

    本文的基線算法共有5個,第1個為Wang等人[15]提出的GSBC(Group Spam detection via Bi-Connected graphs)算法。選用該算法的原因是GSBC算法是無監(jiān)督算法且是最新的用基于圖的方式來檢測虛假共謀群組的算法;GSBC算法使用亞馬遜數(shù)據(jù)集來驗證實驗性能,這樣本文算法同GSBC算法進行比較時實驗效果會更明顯;GSBC算法被很多文獻選為比較基線,通過證明本文算法優(yōu)于GSBC算法可間接證明本文算法優(yōu)于其他的比較算法。

    選用的第2個基線算法為自我比較算法,即僅使用行為特征(B算法(Behavior feature reasoning algorithm))來判定共謀群組。此組實驗是為了驗證和比較只使用行為特征而不使用網(wǎng)絡(luò)結(jié)構(gòu)時的差異性。選用的第3個基線算法是自我比較算法,僅使用結(jié)構(gòu)特征(SR算法(Structural feature Reasoning algorithm))來判定共謀群組。此組實驗是為了驗證只使用網(wǎng)絡(luò)結(jié)構(gòu)而不使用行為特征作為先驗可疑度時的差異性。選用的第4和第5個基線算法為在不加權(quán)的評論者-商品二部圖上的行為結(jié)構(gòu)算法(B&SR-w算法(unweighted Behavior and Structural feature Reasoning algorithm))和僅使用結(jié)構(gòu)特征的算法(SR-w算法(unweighted Structural feature Reasoning algorithm))。與這2個算法比較是為了驗證加權(quán)后推理與不加權(quán)推理的差異。

    同時,因為手工標(biāo)注數(shù)據(jù)集,本文用精確度(Precision)、召回率(Recall)和F1值作為衡量標(biāo)準(zhǔn):

    (13)

    (14)

    (15)

    其中,TP(True Positive)指的是正樣本被預(yù)測為正樣本的數(shù)量,F(xiàn)P(False Positive) 指的是負(fù)樣本預(yù)測成正樣本的樣本數(shù),F(xiàn)N(False Negative)指的是正樣本預(yù)測成負(fù)樣本的樣本數(shù)。Precision、Recall和F1值是用宏觀平均值來計算的。

    5.3 實驗結(jié)果及分析

    圖2給出了GSBC算法、B算法、SR算法、B&SR算法、SR-w算法和B&SR-w算法的Precision、Recall和F1值。

    Figure 2 Performance comparison of six algorithms 圖2 6個算法的性能比較

    通過圖2a可以看到,在開始階段GSBC算法的Precision值下降最劇烈,SR算法、B&SR-w算法、SR-w算法的Precision值存在輕微波動,B&SR算法的Precision值在輕微下降后保持上升狀態(tài),B算法的Precision值呈現(xiàn)輕微增長趨勢且達(dá)到曲線最大值,且最大值低于其余算法的Precision值。隨著群組數(shù)量增加,B&SR算法、B&SR-w算法和GSBC算法的Precision值都保持增長后趨于穩(wěn)定狀態(tài),同時B&SR算法的性能均優(yōu)于其余算法。SR算法和SR-w算法的Precision值表現(xiàn)為先下降后增長。B算法的Precision值一直呈現(xiàn)下降趨勢,最低達(dá)到0.2,在6組對比實驗中可以看出,B算法表現(xiàn)最差。

    關(guān)于Precision的實驗結(jié)果表明,僅使用行為特征推理效果最差(B算法),這可能是因為群組造假者可以通過改變自己的行為來隱藏造假行為。僅使用結(jié)構(gòu)特征推理(SR算法)比僅使用行為特征推理(B算法)效果好,這可能是在FIM分組后使得群組成員聯(lián)系得更緊密所致。通過以上分析可以得出以下結(jié)論:

    (1)同時考慮行為和結(jié)構(gòu)推理的準(zhǔn)確率比單獨只考慮其中一個因素的準(zhǔn)確率高。

    (2)帶權(quán)重的圖結(jié)構(gòu)上推理準(zhǔn)確率高于不帶權(quán)重的圖結(jié)構(gòu)上的推理準(zhǔn)確率。

    從圖2b中可以看出,B&SR算法、GSBC算法、SR算法、B&SR-w算法和SR-w算法在Recall值上的整體變化情況基本一致,且保持Recall曲線線性增長。B算法的Recall曲線波動比較大,不是明顯的線性增長。在群組數(shù)量n大約為150時各算法的Recall值相等,小于150時只有B算法的Recall值明顯增長,其余算法基本保持一致,大于150時B算法的Recall值出現(xiàn)明顯的上升和下降,其余算法基本保持一致波動。

    通過對召回率的分析可得,僅使用行為特征進行推理時B算法的曲線波動較大,其余算法波動基本保持一致。僅通過行為特征推理時召回率波動比較大可能和群組成員數(shù)量有關(guān),當(dāng)群組規(guī)模比較大時由于群組成員協(xié)同性作案,群組造假行為就會表現(xiàn)得比較明顯,判斷會更準(zhǔn)確,召回率上升;群組成員數(shù)量少時,群組造假行為可能不明顯,召回率下降。其余算法波動基本保持一致,可能是因為用FIM產(chǎn)生候選群組后群組成員聯(lián)系緊密,進行結(jié)構(gòu)推理后召回率受群組成員數(shù)量影響不明顯。

    綜合準(zhǔn)確率和召回率得到的F1值如圖2c所示。由圖2c可以看出,B&SR算法、GSBC算法、SR算法、B&SR-w算法和SR-w算法的F1值都是保持單調(diào)增長狀態(tài),且B&SR算法的F1值總是對應(yīng)得分最高。B算法與其他5個算法差距較大,且F1值較低。這說明僅考慮行為特征的檢測算法效果最差。

    通過實驗分析可以得出,使用行為特征和結(jié)構(gòu)特征共同推理時算法性能更好,僅使用行為特征時效果最差。我們由此可以得出如下結(jié)論:同時考慮行為推理和結(jié)構(gòu)推理可以更好地檢測造假群組;僅使用一種方式推理檢測虛假群組效果可能不太理想;構(gòu)建的帶權(quán)評論者-商品二部圖比不帶權(quán)的評論者-商品二部圖檢測結(jié)果更準(zhǔn)確。

    6 結(jié)束語

    隨著電子商務(wù)的發(fā)展,評論造假問題受到更多關(guān)注。同時,群組中成員通過合作的方式來給出高評分和不斷刷商家信譽比個體造假者對人們傷害性更大。本文為了檢測這種造假群組提出了融合行為與結(jié)構(gòu)特征推理的造假群組檢測算法。首先,利用頻繁項挖掘方法來產(chǎn)生候選共謀群組,然后根據(jù)提出的基于行為特征的協(xié)同造假可疑度計算方法來對群組成員計算協(xié)同造假可疑度,并將該值作為先驗協(xié)同造假可疑度。接下來在帶權(quán)評論者-商品二部圖上用循環(huán)信念傳播算法計算群組成員的后驗協(xié)同造假可疑度,最后用信息熵的方法來判斷是否為共謀群組。在真實數(shù)據(jù)集上的實驗結(jié)果表明,本文算法優(yōu)于比較算法。

    盡管本文算法在性能方面優(yōu)于基線算法,但也有不完善的地方。例如,本文實驗所用的數(shù)據(jù)量偏小,在產(chǎn)生后候選共謀群組時可以選用大數(shù)據(jù)集,然后采用其他算法來產(chǎn)生候選群組。因為數(shù)據(jù)量偏小時會導(dǎo)致群組規(guī)模太小,這樣檢測出來的群組可能不夠全面。在構(gòu)建帶權(quán)評論者-商品二部圖時,關(guān)于權(quán)重的計算方法還可以考慮更多的因素,如文本等使得計算出來的權(quán)值更準(zhǔn)確。同時在檢測群組造假時可以考慮新的檢測方法,使用行為指標(biāo)具有太多的限制,不能通用于各個領(lǐng)域,后續(xù)可以從這幾個方面繼續(xù)進行研究。

    猜你喜歡
    評論者共謀群組
    智珠2則
    監(jiān)督中的共謀與縱容
    活力(2019年19期)2020-01-06 07:34:42
    因地制宜惠民生 共謀福祉穩(wěn)發(fā)展
    基于D-S證據(jù)理論的電子商務(wù)虛假評論者檢測
    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
    基于情感特征和用戶關(guān)系的虛假評論者的識別
    基于統(tǒng)計模型的空間群組目標(biāo)空間位置計算研究
    基于評論關(guān)系圖的垃圾評論者檢測研究
    共謀共同正犯否定論
    政治與法律(2015年5期)2015-03-01 02:21:11
    顧一帆:同心協(xié)力,共謀發(fā)展
    汽車零部件(2014年5期)2014-11-11 12:24:20
    日韩精品有码人妻一区| 哪个播放器可以免费观看大片| 婷婷色综合大香蕉| 大香蕉久久成人网| 亚洲美女黄色视频免费看| 日本vs欧美在线观看视频| 777米奇影视久久| 久久 成人 亚洲| 亚洲欧美日韩另类电影网站| av在线app专区| 尾随美女入室| 久久久精品免费免费高清| 免费女性裸体啪啪无遮挡网站| 精品人妻偷拍中文字幕| 日韩不卡一区二区三区视频在线| 看免费av毛片| 97人妻天天添夜夜摸| 新久久久久国产一级毛片| 少妇的逼水好多| 成人毛片60女人毛片免费| 日韩伦理黄色片| 观看美女的网站| 人妻少妇偷人精品九色| 国产免费又黄又爽又色| 中文天堂在线官网| 777米奇影视久久| av不卡在线播放| 天天躁夜夜躁狠狠躁躁| 极品少妇高潮喷水抽搐| 肉色欧美久久久久久久蜜桃| 国产成人免费观看mmmm| 国产精品嫩草影院av在线观看| 狠狠精品人妻久久久久久综合| h视频一区二区三区| 在线看a的网站| 欧美人与性动交α欧美精品济南到 | 国产极品粉嫩免费观看在线| 大片电影免费在线观看免费| 不卡av一区二区三区| 啦啦啦啦在线视频资源| 久久狼人影院| 你懂的网址亚洲精品在线观看| 波多野结衣一区麻豆| 日日撸夜夜添| 在现免费观看毛片| 高清在线视频一区二区三区| 老司机影院毛片| 久久这里只有精品19| √禁漫天堂资源中文www| 国产成人精品婷婷| 亚洲欧美精品综合一区二区三区 | 超色免费av| 久久这里只有精品19| 国产日韩一区二区三区精品不卡| 黄网站色视频无遮挡免费观看| 亚洲少妇的诱惑av| 欧美激情 高清一区二区三区| 国产成人精品无人区| 91aial.com中文字幕在线观看| 日本猛色少妇xxxxx猛交久久| 天天躁日日躁夜夜躁夜夜| 亚洲精品国产av蜜桃| 国产成人午夜福利电影在线观看| 1024视频免费在线观看| 精品久久久久久电影网| 久久热在线av| 久久精品久久久久久久性| 成年女人在线观看亚洲视频| 男女免费视频国产| 国产高清国产精品国产三级| av女优亚洲男人天堂| 国产乱人偷精品视频| 老汉色av国产亚洲站长工具| 亚洲精品自拍成人| 97在线视频观看| 97精品久久久久久久久久精品| 国产免费又黄又爽又色| 国产极品天堂在线| 久久人人爽av亚洲精品天堂| 曰老女人黄片| 赤兔流量卡办理| 大话2 男鬼变身卡| 久久午夜综合久久蜜桃| 少妇 在线观看| 男人添女人高潮全过程视频| 欧美日韩成人在线一区二区| 国产片内射在线| 亚洲欧美一区二区三区国产| 少妇的逼水好多| 在线看a的网站| 男女边吃奶边做爰视频| 少妇 在线观看| 亚洲第一青青草原| 亚洲精品自拍成人| 丰满乱子伦码专区| 麻豆精品久久久久久蜜桃| 在线观看免费视频网站a站| av.在线天堂| 日韩三级伦理在线观看| 免费在线观看视频国产中文字幕亚洲 | 成人免费观看视频高清| 男女无遮挡免费网站观看| 成年女人在线观看亚洲视频| 18+在线观看网站| 另类亚洲欧美激情| 亚洲成av片中文字幕在线观看 | 麻豆av在线久日| 免费女性裸体啪啪无遮挡网站| 90打野战视频偷拍视频| 国产精品久久久av美女十八| 国产精品久久久av美女十八| 韩国av在线不卡| 久久久久久久大尺度免费视频| 免费黄频网站在线观看国产| 在线天堂中文资源库| 美女大奶头黄色视频| 777米奇影视久久| 不卡av一区二区三区| 久热久热在线精品观看| 免费高清在线观看日韩| 国产麻豆69| 日日摸夜夜添夜夜爱| 女人被躁到高潮嗷嗷叫费观| 中文字幕人妻丝袜一区二区 | 爱豆传媒免费全集在线观看| 三级国产精品片| 亚洲精品久久成人aⅴ小说| www.av在线官网国产| 男人操女人黄网站| 人人妻人人添人人爽欧美一区卜| 晚上一个人看的免费电影| 日本黄色日本黄色录像| 日韩精品有码人妻一区| 欧美日韩精品网址| 一区福利在线观看| 91国产中文字幕| 激情五月婷婷亚洲| 少妇熟女欧美另类| 看十八女毛片水多多多| 自拍欧美九色日韩亚洲蝌蚪91| 大片免费播放器 马上看| 亚洲国产精品国产精品| 亚洲欧美精品自产自拍| 成人国产av品久久久| 国产一区二区 视频在线| 免费av中文字幕在线| 最近的中文字幕免费完整| 午夜福利一区二区在线看| 91午夜精品亚洲一区二区三区| 久久久精品94久久精品| 国产乱来视频区| 在线天堂中文资源库| 91国产中文字幕| 午夜免费鲁丝| 午夜精品国产一区二区电影| 老司机影院毛片| 亚洲精品国产一区二区精华液| 亚洲综合精品二区| 日韩制服丝袜自拍偷拍| 免费观看在线日韩| 男女高潮啪啪啪动态图| 亚洲精品成人av观看孕妇| 国产伦理片在线播放av一区| 成人国产麻豆网| 国产免费一区二区三区四区乱码| 亚洲国产看品久久| a级毛片在线看网站| 大片电影免费在线观看免费| 婷婷色综合www| 国产xxxxx性猛交| 成年人免费黄色播放视频| 日韩中字成人| 国产精品熟女久久久久浪| 日韩精品免费视频一区二区三区| 精品福利永久在线观看| www.熟女人妻精品国产| 午夜91福利影院| 在线观看一区二区三区激情| 亚洲av中文av极速乱| 一区二区三区四区激情视频| 国产乱人偷精品视频| av.在线天堂| 丰满迷人的少妇在线观看| 999精品在线视频| 九草在线视频观看| 亚洲av福利一区| 成年人午夜在线观看视频| 午夜福利,免费看| 汤姆久久久久久久影院中文字幕| av国产久精品久网站免费入址| 免费黄频网站在线观看国产| 超色免费av| 校园人妻丝袜中文字幕| 高清在线视频一区二区三区| 最新的欧美精品一区二区| 亚洲精品国产色婷婷电影| 亚洲精品第二区| av有码第一页| 日本色播在线视频| 9热在线视频观看99| 日韩视频在线欧美| freevideosex欧美| 久久国内精品自在自线图片| 久久亚洲国产成人精品v| 菩萨蛮人人尽说江南好唐韦庄| 久久国内精品自在自线图片| 日韩熟女老妇一区二区性免费视频| 一区在线观看完整版| 国产成人av激情在线播放| 亚洲图色成人| 久久久亚洲精品成人影院| 美女xxoo啪啪120秒动态图| 97精品久久久久久久久久精品| 老汉色av国产亚洲站长工具| 色婷婷av一区二区三区视频| 国产精品免费视频内射| www.av在线官网国产| 十分钟在线观看高清视频www| 午夜福利影视在线免费观看| 久久亚洲国产成人精品v| 久久精品国产自在天天线| 国产片特级美女逼逼视频| 亚洲第一青青草原| 久久久久久伊人网av| 黄色视频在线播放观看不卡| 欧美激情极品国产一区二区三区| 99久久中文字幕三级久久日本| 亚洲欧美一区二区三区久久| 一级黄片播放器| 999久久久国产精品视频| 久久精品久久久久久久性| 秋霞伦理黄片| 汤姆久久久久久久影院中文字幕| 国产熟女午夜一区二区三区| 爱豆传媒免费全集在线观看| 啦啦啦视频在线资源免费观看| 国产日韩欧美视频二区| 女的被弄到高潮叫床怎么办| 亚洲精品一二三| 永久网站在线| 婷婷色综合大香蕉| 欧美精品av麻豆av| 久久国产精品大桥未久av| 免费高清在线观看视频在线观看| 大片电影免费在线观看免费| 国产在视频线精品| 国产爽快片一区二区三区| 国产精品二区激情视频| 在线天堂最新版资源| 国产国语露脸激情在线看| 成人漫画全彩无遮挡| www日本在线高清视频| 国产日韩欧美在线精品| av福利片在线| 免费观看无遮挡的男女| 成年动漫av网址| 婷婷色麻豆天堂久久| 成人18禁高潮啪啪吃奶动态图| 免费黄网站久久成人精品| 免费观看在线日韩| 日韩欧美精品免费久久| 18+在线观看网站| 国产精品人妻久久久影院| 国产乱来视频区| 免费观看在线日韩| 少妇猛男粗大的猛烈进出视频| 国产日韩欧美亚洲二区| 最近最新中文字幕大全免费视频 | 国产成人精品在线电影| 一边亲一边摸免费视频| 国产乱人偷精品视频| 亚洲精品自拍成人| 2021少妇久久久久久久久久久| 欧美老熟妇乱子伦牲交| 亚洲综合色网址| 亚洲欧美精品综合一区二区三区 | 免费av中文字幕在线| 18禁动态无遮挡网站| 汤姆久久久久久久影院中文字幕| 亚洲四区av| 久久久久精品人妻al黑| 亚洲综合色惰| 三级国产精品片| 天天操日日干夜夜撸| 亚洲欧洲精品一区二区精品久久久 | 丝袜美足系列| 熟妇人妻不卡中文字幕| 午夜日本视频在线| 色播在线永久视频| 免费在线观看完整版高清| 日韩伦理黄色片| 丰满饥渴人妻一区二区三| 伦理电影大哥的女人| 午夜激情久久久久久久| 在线观看一区二区三区激情| 搡女人真爽免费视频火全软件| 精品国产超薄肉色丝袜足j| 女人久久www免费人成看片| av天堂久久9| 伊人久久大香线蕉亚洲五| 日本-黄色视频高清免费观看| 精品少妇内射三级| 精品视频人人做人人爽| 日韩三级伦理在线观看| 亚洲图色成人| 国产精品秋霞免费鲁丝片| 秋霞在线观看毛片| 一级片免费观看大全| 日本av手机在线免费观看| 国产xxxxx性猛交| av免费观看日本| a 毛片基地| 日本-黄色视频高清免费观看| 国产av国产精品国产| 丝瓜视频免费看黄片| 制服诱惑二区| 中文字幕精品免费在线观看视频| 深夜精品福利| xxx大片免费视频| 曰老女人黄片| 精品国产露脸久久av麻豆| 精品第一国产精品| 18禁动态无遮挡网站| 日韩av不卡免费在线播放| 丰满少妇做爰视频| 中文字幕人妻丝袜一区二区 | 国产精品嫩草影院av在线观看| 国产一区二区三区综合在线观看| 美女国产视频在线观看| 久久久久久人妻| freevideosex欧美| 欧美日韩av久久| 亚洲人成77777在线视频| 国产精品免费大片| 国产淫语在线视频| 成人国产av品久久久| 亚洲精品国产av蜜桃| 久久免费观看电影| 久久国产亚洲av麻豆专区| 在线精品无人区一区二区三| 一级片'在线观看视频| av线在线观看网站| 久久久久精品久久久久真实原创| 亚洲国产精品成人久久小说| 老鸭窝网址在线观看| 欧美日韩亚洲国产一区二区在线观看 | 另类亚洲欧美激情| 在线观看三级黄色| 国产无遮挡羞羞视频在线观看| 欧美亚洲 丝袜 人妻 在线| 国产精品久久久久成人av| 免费大片黄手机在线观看| 久久综合国产亚洲精品| 日韩在线高清观看一区二区三区| 色哟哟·www| 国产淫语在线视频| 亚洲国产欧美在线一区| 久久精品国产亚洲av天美| 亚洲欧美成人综合另类久久久| 建设人人有责人人尽责人人享有的| 热99久久久久精品小说推荐| 色吧在线观看| 韩国精品一区二区三区| 在线观看免费日韩欧美大片| 丝袜脚勾引网站| 人体艺术视频欧美日本| 夜夜骑夜夜射夜夜干| 成人亚洲精品一区在线观看| 伦理电影免费视频| 80岁老熟妇乱子伦牲交| 国产亚洲欧美精品永久| 秋霞伦理黄片| 性少妇av在线| 啦啦啦啦在线视频资源| 欧美日韩成人在线一区二区| 曰老女人黄片| 叶爱在线成人免费视频播放| 99久久综合免费| 国产欧美亚洲国产| 两个人看的免费小视频| 久久这里有精品视频免费| 日韩三级伦理在线观看| 男女无遮挡免费网站观看| 成人国语在线视频| 中文字幕制服av| 国产黄频视频在线观看| 人妻系列 视频| 1024视频免费在线观看| 欧美人与性动交α欧美软件| 国产精品.久久久| 亚洲欧美精品自产自拍| 九色亚洲精品在线播放| 人成视频在线观看免费观看| 精品一区在线观看国产| 免费看不卡的av| 精品一区二区免费观看| 亚洲第一av免费看| 日韩大片免费观看网站| 成年动漫av网址| 亚洲av成人精品一二三区| 亚洲av在线观看美女高潮| 26uuu在线亚洲综合色| 黑人巨大精品欧美一区二区蜜桃| 国产极品天堂在线| 久久久久国产精品人妻一区二区| 大香蕉久久成人网| 免费日韩欧美在线观看| 寂寞人妻少妇视频99o| 午夜老司机福利剧场| 午夜福利在线观看免费完整高清在| 一级毛片我不卡| 国产av码专区亚洲av| 热re99久久国产66热| 午夜免费男女啪啪视频观看| 国产一区二区 视频在线| 91成人精品电影| 久久久久久伊人网av| 成年av动漫网址| 满18在线观看网站| a级毛片黄视频| 亚洲成人av在线免费| 嫩草影院入口| videosex国产| 免费观看性生交大片5| 久久久久国产网址| 国产成人a∨麻豆精品| 久久国产精品大桥未久av| 综合色丁香网| 国产欧美亚洲国产| 最近手机中文字幕大全| 99国产综合亚洲精品| 王馨瑶露胸无遮挡在线观看| 国产男女超爽视频在线观看| 久久国内精品自在自线图片| 亚洲av日韩在线播放| 少妇 在线观看| 亚洲一区二区三区欧美精品| 99热全是精品| 美女主播在线视频| 自线自在国产av| 欧美日韩视频精品一区| 亚洲成人一二三区av| 91午夜精品亚洲一区二区三区| 亚洲精品在线美女| 1024视频免费在线观看| 亚洲五月色婷婷综合| 成人毛片60女人毛片免费| 精品人妻偷拍中文字幕| 午夜老司机福利剧场| 久久99一区二区三区| 日本av手机在线免费观看| 久久久国产精品麻豆| 热re99久久国产66热| 国产av精品麻豆| 色婷婷久久久亚洲欧美| 免费人妻精品一区二区三区视频| 国产深夜福利视频在线观看| 2018国产大陆天天弄谢| 国产伦理片在线播放av一区| 丝袜美足系列| 中文字幕另类日韩欧美亚洲嫩草| 久久久久网色| 亚洲美女黄色视频免费看| 免费黄网站久久成人精品| 可以免费在线观看a视频的电影网站 | 成年女人在线观看亚洲视频| 国产色婷婷99| 日韩不卡一区二区三区视频在线| 精品亚洲乱码少妇综合久久| 欧美日韩一级在线毛片| 自线自在国产av| 日本色播在线视频| 天天躁夜夜躁狠狠躁躁| 亚洲色图 男人天堂 中文字幕| 国产成人欧美| 一区二区三区精品91| 另类精品久久| freevideosex欧美| 久久精品久久久久久久性| 看非洲黑人一级黄片| 亚洲图色成人| 少妇的丰满在线观看| 国产成人精品一,二区| av网站在线播放免费| 亚洲国产毛片av蜜桃av| 又粗又硬又长又爽又黄的视频| 天天影视国产精品| 97在线视频观看| 国产成人午夜福利电影在线观看| 观看美女的网站| 人妻一区二区av| av在线播放精品| 国产成人精品在线电影| 午夜福利视频精品| 日韩熟女老妇一区二区性免费视频| 午夜福利视频精品| 中文字幕另类日韩欧美亚洲嫩草| 好男人视频免费观看在线| 亚洲av欧美aⅴ国产| 久久久久国产精品人妻一区二区| 免费人妻精品一区二区三区视频| 99久久人妻综合| 少妇的丰满在线观看| videos熟女内射| 精品午夜福利在线看| 国产成人一区二区在线| 91在线精品国自产拍蜜月| 性高湖久久久久久久久免费观看| a 毛片基地| 一级片免费观看大全| 在线 av 中文字幕| 成人毛片a级毛片在线播放| 美女视频免费永久观看网站| av在线观看视频网站免费| 天堂俺去俺来也www色官网| 日韩一卡2卡3卡4卡2021年| 亚洲美女搞黄在线观看| 国产精品亚洲av一区麻豆 | 精品视频人人做人人爽| 久久精品久久精品一区二区三区| 久久久久久久久久人人人人人人| 日韩免费高清中文字幕av| 精品国产乱码久久久久久男人| 亚洲成人手机| 亚洲国产精品一区二区三区在线| 久久午夜福利片| 久久国产精品大桥未久av| 精品少妇内射三级| 久久女婷五月综合色啪小说| 久久国内精品自在自线图片| 香蕉国产在线看| 日韩一区二区三区影片| 日韩伦理黄色片| 老熟女久久久| 久久ye,这里只有精品| 91精品三级在线观看| 一区二区三区四区激情视频| videosex国产| 春色校园在线视频观看| 一级,二级,三级黄色视频| 国产精品免费视频内射| 男女下面插进去视频免费观看| 日韩一区二区三区影片| 少妇人妻 视频| 欧美在线黄色| av天堂久久9| 国产探花极品一区二区| 国语对白做爰xxxⅹ性视频网站| 亚洲精品日韩在线中文字幕| 女人被躁到高潮嗷嗷叫费观| 成人国产麻豆网| 欧美av亚洲av综合av国产av | 久久久久人妻精品一区果冻| 久久国产精品大桥未久av| 午夜91福利影院| 肉色欧美久久久久久久蜜桃| 亚洲av免费高清在线观看| 超色免费av| 欧美成人精品欧美一级黄| 久久久精品国产亚洲av高清涩受| 国产日韩欧美在线精品| 国产日韩一区二区三区精品不卡| 亚洲在久久综合| 91精品国产国语对白视频| 一级片免费观看大全| 人妻少妇偷人精品九色| av免费观看日本| 18禁动态无遮挡网站| 久久久精品94久久精品| 国产精品av久久久久免费| 99久国产av精品国产电影| 欧美亚洲 丝袜 人妻 在线| 久久久久久人妻| 一区二区av电影网| 久久久久久人妻| 成人国产av品久久久| 卡戴珊不雅视频在线播放| 久久久久久久久久人人人人人人| 国产亚洲一区二区精品| 国产麻豆69| 精品亚洲成a人片在线观看| 国产高清国产精品国产三级| 深夜精品福利| 日日爽夜夜爽网站| 国产熟女欧美一区二区| 曰老女人黄片| 最黄视频免费看| 亚洲欧美色中文字幕在线| 亚洲内射少妇av| 亚洲经典国产精华液单| 9热在线视频观看99| freevideosex欧美| 国产精品久久久av美女十八| 啦啦啦在线观看免费高清www| 亚洲成av片中文字幕在线观看 | 精品亚洲成a人片在线观看| 极品人妻少妇av视频| 成年av动漫网址| 夫妻午夜视频| 性高湖久久久久久久久免费观看| 韩国av在线不卡| 亚洲伊人久久精品综合| 国产成人精品一,二区| 91精品伊人久久大香线蕉| 天天操日日干夜夜撸| 少妇人妻精品综合一区二区| 日韩精品有码人妻一区| 亚洲美女搞黄在线观看| 久久久精品94久久精品| 亚洲av电影在线进入| 亚洲一区中文字幕在线| 国产黄频视频在线观看| 黑人巨大精品欧美一区二区蜜桃| 各种免费的搞黄视频| 国产精品二区激情视频|