• <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
    免费在线观看成人毛片| 国产伦一二天堂av在线观看| 亚洲最大成人中文| 日韩一本色道免费dvd| 亚洲成人中文字幕在线播放| АⅤ资源中文在线天堂| 亚洲aⅴ乱码一区二区在线播放| 亚州av有码| 欧美日本视频| 国产精品电影一区二区三区| 三级男女做爰猛烈吃奶摸视频| 尾随美女入室| 三级经典国产精品| 亚洲精品亚洲一区二区| 丰满人妻一区二区三区视频av| 成人毛片60女人毛片免费| 国产乱人视频| 搡女人真爽免费视频火全软件| 国内少妇人妻偷人精品xxx网站| 小说图片视频综合网站| 亚洲激情五月婷婷啪啪| 精品国产三级普通话版| 嫩草影院精品99| 国产伦精品一区二区三区视频9| 亚洲精品久久久久久婷婷小说 | 麻豆av噜噜一区二区三区| 免费黄网站久久成人精品| 成人综合一区亚洲| 波野结衣二区三区在线| 中文欧美无线码| 色吧在线观看| 亚洲精品久久久久久婷婷小说 | 国产一区二区在线av高清观看| 精品人妻视频免费看| 七月丁香在线播放| 国产一区二区在线av高清观看| 国产亚洲最大av| 欧美zozozo另类| 国内精品宾馆在线| 亚洲图色成人| 欧美不卡视频在线免费观看| 国产精品福利在线免费观看| 欧美一区二区国产精品久久精品| 成人漫画全彩无遮挡| 老司机影院成人| 国产精品久久电影中文字幕| 成人午夜精彩视频在线观看| 精品熟女少妇av免费看| 国产伦精品一区二区三区视频9| 美女国产视频在线观看| 日日摸夜夜添夜夜爱| 亚洲一区高清亚洲精品| 日韩在线高清观看一区二区三区| 色网站视频免费| 午夜a级毛片| 视频中文字幕在线观看| 国产精品伦人一区二区| 国产成人午夜福利电影在线观看| 久久久欧美国产精品| 午夜福利在线观看免费完整高清在| 深爱激情五月婷婷| 国产人妻一区二区三区在| 欧美成人精品欧美一级黄| 国产亚洲av片在线观看秒播厂 | 久久6这里有精品| 性插视频无遮挡在线免费观看| av在线播放精品| 亚洲国产精品成人久久小说| 又黄又爽又刺激的免费视频.| 久久精品国产亚洲av天美| 亚洲丝袜综合中文字幕| 国产精品不卡视频一区二区| 国产精品综合久久久久久久免费| 亚洲成色77777| 精品国产露脸久久av麻豆 | 观看免费一级毛片| .国产精品久久| 国产极品天堂在线| 高清av免费在线| 亚洲高清免费不卡视频| 99久国产av精品| 秋霞伦理黄片| 欧美三级亚洲精品| 欧美bdsm另类| a级毛片免费高清观看在线播放| 欧美一区二区国产精品久久精品| 欧美性猛交╳xxx乱大交人| 亚洲欧美清纯卡通| videos熟女内射| 伦精品一区二区三区| 国产精品久久久久久久电影| 少妇丰满av| or卡值多少钱| 久久精品夜色国产| 亚洲人成网站高清观看| 国产成人午夜福利电影在线观看| 国产精品乱码一区二三区的特点| 欧美最新免费一区二区三区| 日韩中字成人| 国产精品精品国产色婷婷| 99在线视频只有这里精品首页| 最近中文字幕高清免费大全6| 久久韩国三级中文字幕| 91精品国产九色| 亚洲av成人精品一区久久| 人人妻人人澡人人爽人人夜夜 | 亚洲av成人精品一区久久| 国语自产精品视频在线第100页| 国产伦精品一区二区三区四那| 日日摸夜夜添夜夜添av毛片| 男的添女的下面高潮视频| 97超视频在线观看视频| 好男人视频免费观看在线| 婷婷色av中文字幕| 久久久久久久久中文| 网址你懂的国产日韩在线| 日韩av在线免费看完整版不卡| 欧美日韩一区二区视频在线观看视频在线 | 亚洲经典国产精华液单| 日日撸夜夜添| 亚洲国产最新在线播放| 级片在线观看| av福利片在线观看| 美女国产视频在线观看| 2021少妇久久久久久久久久久| 一本久久精品| 久久精品久久久久久久性| 国产免费又黄又爽又色| 亚洲成色77777| 久久久亚洲精品成人影院| 最近最新中文字幕免费大全7| 亚洲自偷自拍三级| 久久99热这里只频精品6学生 | 女的被弄到高潮叫床怎么办| 精品久久久噜噜| 全区人妻精品视频| 长腿黑丝高跟| 久久久国产成人免费| av黄色大香蕉| 日韩国内少妇激情av| 亚洲激情五月婷婷啪啪| 中文精品一卡2卡3卡4更新| 激情 狠狠 欧美| 国产黄色小视频在线观看| 51国产日韩欧美| 国产高清三级在线| 午夜福利在线观看免费完整高清在| 91av网一区二区| 亚洲国产欧洲综合997久久,| 国产精品熟女久久久久浪| 国产久久久一区二区三区| 国产成人freesex在线| 黄片无遮挡物在线观看| 免费不卡的大黄色大毛片视频在线观看 | 欧美一区二区精品小视频在线| 国产精品人妻久久久影院| av女优亚洲男人天堂| 国产亚洲精品av在线| 欧美日韩在线观看h| 亚洲婷婷狠狠爱综合网| av线在线观看网站| 午夜福利高清视频| 长腿黑丝高跟| 成人av在线播放网站| 久久精品国产鲁丝片午夜精品| 人人妻人人看人人澡| 亚洲精品日韩av片在线观看| 欧美xxxx黑人xx丫x性爽| 天天一区二区日本电影三级| 久久精品国产自在天天线| 18禁裸乳无遮挡免费网站照片| 免费看日本二区| 一个人看的www免费观看视频| 午夜福利高清视频| 一区二区三区四区激情视频| 赤兔流量卡办理| 午夜福利网站1000一区二区三区| 亚洲熟妇中文字幕五十中出| 毛片一级片免费看久久久久| 国产欧美日韩精品一区二区| 日本五十路高清| 毛片一级片免费看久久久久| 观看免费一级毛片| 午夜福利在线在线| 噜噜噜噜噜久久久久久91| 内地一区二区视频在线| 免费人成在线观看视频色| 两个人的视频大全免费| 18禁在线无遮挡免费观看视频| 国产真实乱freesex| 中文资源天堂在线| 亚洲精品日韩av片在线观看| 国产精品美女特级片免费视频播放器| 国产乱人偷精品视频| 两个人的视频大全免费| 国产精品女同一区二区软件| 老女人水多毛片| 夜夜看夜夜爽夜夜摸| 国产精品三级大全| 成人鲁丝片一二三区免费| 老司机影院毛片| 国内揄拍国产精品人妻在线| 精品无人区乱码1区二区| 天堂网av新在线| 亚洲乱码一区二区免费版| 亚洲国产欧美在线一区| 成年av动漫网址| 亚洲无线观看免费| 精品久久久久久电影网 | 欧美97在线视频| 村上凉子中文字幕在线| 校园人妻丝袜中文字幕| 日本一本二区三区精品| 成人毛片a级毛片在线播放| 日本爱情动作片www.在线观看| 亚洲成人久久爱视频| 伊人久久精品亚洲午夜| 日韩制服骚丝袜av| 男人狂女人下面高潮的视频| 亚洲色图av天堂| 色综合站精品国产| 18禁动态无遮挡网站| 久久精品91蜜桃| 亚洲美女视频黄频| 麻豆av噜噜一区二区三区| 午夜视频国产福利| 亚洲真实伦在线观看| 成人午夜高清在线视频| 国产精品久久电影中文字幕| 亚洲电影在线观看av| 高清日韩中文字幕在线| 一级黄片播放器| 联通29元200g的流量卡| 男女下面进入的视频免费午夜| 亚洲自偷自拍三级| 午夜福利成人在线免费观看| 九九在线视频观看精品| 青春草亚洲视频在线观看| 国产精品伦人一区二区| 婷婷色麻豆天堂久久 | 免费看av在线观看网站| 特级一级黄色大片| 丰满乱子伦码专区| 久久久久久久久久久丰满| 久久精品91蜜桃| 国产黄片视频在线免费观看| 国产精品永久免费网站| 久久久久久九九精品二区国产| 91aial.com中文字幕在线观看| 深爱激情五月婷婷| 最近的中文字幕免费完整| 建设人人有责人人尽责人人享有的 | 国产男人的电影天堂91| 免费看美女性在线毛片视频| 亚洲aⅴ乱码一区二区在线播放| 美女黄网站色视频| 变态另类丝袜制服| 久久久精品94久久精品| 男女视频在线观看网站免费| 亚洲国产精品成人久久小说| 欧美一级a爱片免费观看看| 国产成人a区在线观看| 亚洲成av人片在线播放无| 成人亚洲欧美一区二区av| 最近视频中文字幕2019在线8| 欧美xxxx黑人xx丫x性爽| 国产又黄又爽又无遮挡在线| 亚洲成人中文字幕在线播放| 99久国产av精品国产电影| 大香蕉久久网| 亚州av有码| 一卡2卡三卡四卡精品乱码亚洲| 亚洲性久久影院| 婷婷色麻豆天堂久久 | 久久6这里有精品| 大又大粗又爽又黄少妇毛片口| 日韩一区二区三区影片| 黄色配什么色好看| 亚洲av免费在线观看| 亚洲久久久久久中文字幕| 人体艺术视频欧美日本| 69av精品久久久久久| 级片在线观看| 色综合亚洲欧美另类图片| 禁无遮挡网站| 欧美不卡视频在线免费观看| 高清av免费在线| 亚洲国产成人一精品久久久| 国产精品综合久久久久久久免费| 99九九线精品视频在线观看视频| 麻豆乱淫一区二区| 欧美激情国产日韩精品一区| 成人特级av手机在线观看| 国产成人a区在线观看| 久久久午夜欧美精品| 午夜精品在线福利| 国产亚洲精品av在线| 变态另类丝袜制服| 99热这里只有精品一区| 久久99蜜桃精品久久| 91在线精品国自产拍蜜月| 啦啦啦韩国在线观看视频| 国产三级在线视频| 最近视频中文字幕2019在线8| 久久99热6这里只有精品| 岛国毛片在线播放| 国产精品女同一区二区软件| 欧美高清性xxxxhd video| 人人妻人人澡欧美一区二区| 精品免费久久久久久久清纯| 国产精品人妻久久久久久| 婷婷六月久久综合丁香| 久久久久久久国产电影| 亚洲av日韩在线播放| 最后的刺客免费高清国语| 久久精品国产亚洲av天美| 日韩欧美 国产精品| 一区二区三区乱码不卡18| 小蜜桃在线观看免费完整版高清| 欧美bdsm另类| 麻豆乱淫一区二区| 亚洲激情五月婷婷啪啪| 日韩欧美精品免费久久| 国内精品一区二区在线观看| 变态另类丝袜制服| 亚洲av不卡在线观看| 国产真实伦视频高清在线观看| 一个人免费在线观看电影| 内地一区二区视频在线| 26uuu在线亚洲综合色| 一本一本综合久久| 精品熟女少妇av免费看| 久久精品影院6| 国产一区有黄有色的免费视频 | 午夜免费男女啪啪视频观看| 丰满乱子伦码专区| 亚洲美女搞黄在线观看| 婷婷六月久久综合丁香| 大香蕉97超碰在线| 国产午夜福利久久久久久| 亚洲综合精品二区| 亚洲,欧美,日韩| 一级二级三级毛片免费看| 精品久久久久久久久久久久久| 国产熟女欧美一区二区| 国产精品,欧美在线| 蜜桃久久精品国产亚洲av| 黄色一级大片看看| 国产男人的电影天堂91| 啦啦啦啦在线视频资源| 国产三级在线视频| 国产精品国产三级国产专区5o | 久久精品久久精品一区二区三区| 成人二区视频| 色综合色国产| 嫩草影院入口| 国产精品1区2区在线观看.| 亚洲国产欧美在线一区| 成人一区二区视频在线观看| 在线观看一区二区三区| 在线播放国产精品三级| 国内精品美女久久久久久| 国产精品久久久久久av不卡| 中文字幕av在线有码专区| 色哟哟·www| 中文字幕亚洲精品专区| 午夜a级毛片| 国产淫片久久久久久久久| 1000部很黄的大片| 18禁在线无遮挡免费观看视频| 欧美潮喷喷水| 国产精品av视频在线免费观看| 国产精品久久久久久精品电影小说 | 国产精品国产高清国产av| 亚洲精品乱久久久久久| 亚洲在线自拍视频| 国产高潮美女av| 免费观看性生交大片5| 亚洲国产色片| 99热这里只有是精品50| 黄色日韩在线| 少妇的逼好多水| 亚洲aⅴ乱码一区二区在线播放| 欧美日本亚洲视频在线播放| 久久久成人免费电影| 丝袜美腿在线中文| 水蜜桃什么品种好| 国产精品蜜桃在线观看| 国产av码专区亚洲av| 日韩制服骚丝袜av| videossex国产| 精品人妻一区二区三区麻豆| 岛国毛片在线播放| 久久精品夜夜夜夜夜久久蜜豆| 免费播放大片免费观看视频在线观看 | 精品国内亚洲2022精品成人| 亚洲精品久久久久久婷婷小说 | 人妻夜夜爽99麻豆av| 哪个播放器可以免费观看大片| 婷婷六月久久综合丁香| 偷拍熟女少妇极品色| 国产一区有黄有色的免费视频 | 嫩草影院精品99| 最近的中文字幕免费完整| 久久久欧美国产精品| 亚洲综合色惰| 一本久久精品| 国产又黄又爽又无遮挡在线| 久久久久久久久久成人| 中文精品一卡2卡3卡4更新| 久99久视频精品免费| 国产精品麻豆人妻色哟哟久久 | 麻豆一二三区av精品| 3wmmmm亚洲av在线观看| videos熟女内射| 亚洲第一区二区三区不卡| 麻豆成人午夜福利视频| 婷婷色麻豆天堂久久 | 18+在线观看网站| 亚洲美女视频黄频| 精品久久久噜噜| 男女边吃奶边做爰视频| 国产成人精品一,二区| 国产精品三级大全| 亚洲无线观看免费| 精品久久久久久久久av| 国产成人一区二区在线| 美女黄网站色视频| 99久久人妻综合| 国产 一区精品| 最近2019中文字幕mv第一页| 日本与韩国留学比较| 中文字幕亚洲精品专区| 亚洲av男天堂| 蜜桃久久精品国产亚洲av| av免费在线看不卡| 精品人妻熟女av久视频| 欧美又色又爽又黄视频| 国产真实乱freesex| 日产精品乱码卡一卡2卡三| 美女cb高潮喷水在线观看| 欧美一区二区精品小视频在线| 有码 亚洲区| 免费观看的影片在线观看| 亚洲最大成人中文| 搞女人的毛片| 边亲边吃奶的免费视频| 毛片一级片免费看久久久久| 国产又黄又爽又无遮挡在线| 国产极品天堂在线| 成人av在线播放网站| 亚洲在线自拍视频| АⅤ资源中文在线天堂| 观看免费一级毛片| 身体一侧抽搐| 水蜜桃什么品种好| www日本黄色视频网| 免费搜索国产男女视频| 天堂中文最新版在线下载 | 婷婷色麻豆天堂久久 | 精品酒店卫生间| 18禁裸乳无遮挡免费网站照片| 国产熟女欧美一区二区| 国产精品美女特级片免费视频播放器| 在线播放国产精品三级| 天堂√8在线中文| 亚洲不卡免费看| 亚洲国产欧美在线一区| 日韩在线高清观看一区二区三区| 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 | 日韩一区二区视频免费看| 听说在线观看完整版免费高清| 国产亚洲一区二区精品| 精品久久久久久电影网 | 岛国毛片在线播放| 最后的刺客免费高清国语| 中文资源天堂在线| 好男人视频免费观看在线| 纵有疾风起免费观看全集完整版 | av又黄又爽大尺度在线免费看 | 亚洲国产精品久久男人天堂| 亚洲精品乱久久久久久| 女的被弄到高潮叫床怎么办| 午夜a级毛片| 国产高清三级在线| 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 | 青春草国产在线视频| 日本黄大片高清| 校园人妻丝袜中文字幕| 免费一级毛片在线播放高清视频| 亚洲成人av在线免费| 美女国产视频在线观看| 青春草国产在线视频| 午夜福利网站1000一区二区三区| 久久综合国产亚洲精品| 亚洲图色成人| 国产探花极品一区二区| 亚洲av.av天堂| 欧美高清性xxxxhd video| 国内少妇人妻偷人精品xxx网站| 91aial.com中文字幕在线观看| 波多野结衣高清无吗| 欧美性感艳星| 亚洲国产精品国产精品| 99视频精品全部免费 在线| 中文字幕熟女人妻在线| 亚洲av成人精品一区久久| 2022亚洲国产成人精品| 插阴视频在线观看视频| 波野结衣二区三区在线| 男女国产视频网站| 赤兔流量卡办理| 国产精品,欧美在线| av黄色大香蕉| 国产亚洲5aaaaa淫片| 人妻系列 视频| 久久欧美精品欧美久久欧美| 一区二区三区乱码不卡18| 免费无遮挡裸体视频| 中文精品一卡2卡3卡4更新| 大又大粗又爽又黄少妇毛片口| 久久热精品热| 色播亚洲综合网| 国产精品野战在线观看| 国产亚洲91精品色在线| 麻豆乱淫一区二区| 精品熟女少妇av免费看| 日本黄色片子视频| 免费不卡的大黄色大毛片视频在线观看 | av免费观看日本| 国产精品久久久久久久久免| 亚洲熟妇中文字幕五十中出| 亚洲丝袜综合中文字幕| 在线观看一区二区三区| 午夜福利成人在线免费观看| ponron亚洲| 亚洲国产最新在线播放| 国产亚洲精品av在线| 国产亚洲午夜精品一区二区久久 | 久久久久性生活片| 麻豆成人av视频| 免费看a级黄色片| 久久久国产成人免费| 亚洲,欧美,日韩| 免费看美女性在线毛片视频| 亚洲人成网站在线播| 免费观看a级毛片全部| 久热久热在线精品观看| 只有这里有精品99| 69人妻影院| 国产伦在线观看视频一区| 99在线人妻在线中文字幕| 国产亚洲一区二区精品| 国内少妇人妻偷人精品xxx网站| 高清日韩中文字幕在线| 日韩欧美国产在线观看| 美女大奶头视频| 国产亚洲一区二区精品| 在线观看66精品国产| 国产成人福利小说| av女优亚洲男人天堂| 美女被艹到高潮喷水动态| 日本色播在线视频| 99九九线精品视频在线观看视频| av视频在线观看入口| 如何舔出高潮| 熟妇人妻久久中文字幕3abv| 国产亚洲5aaaaa淫片| 国产精品女同一区二区软件| 久热久热在线精品观看| 精品国产一区二区三区久久久樱花 | 国国产精品蜜臀av免费| 亚洲欧美清纯卡通| 欧美色视频一区免费| 伦理电影大哥的女人| 色哟哟·www| 国产黄色视频一区二区在线观看 | 国产毛片a区久久久久| 欧美bdsm另类| 少妇猛男粗大的猛烈进出视频 | 国产精品久久久久久精品电影小说 | 最近视频中文字幕2019在线8| 国产精品一二三区在线看| 黄色日韩在线| 欧美精品国产亚洲| 老司机福利观看| 少妇熟女aⅴ在线视频| 免费播放大片免费观看视频在线观看 | 99久久精品热视频| 午夜福利视频1000在线观看| 国产伦一二天堂av在线观看| 波野结衣二区三区在线| 欧美一区二区亚洲| 国产伦精品一区二区三区四那| 色综合色国产| 亚洲欧洲国产日韩| 国产69精品久久久久777片| 国产探花极品一区二区| 变态另类丝袜制服| 人妻系列 视频| 色5月婷婷丁香| 国产一区二区亚洲精品在线观看| 午夜福利在线观看吧| 国产伦在线观看视频一区| 看非洲黑人一级黄片| 性色avwww在线观看| 大香蕉久久网| 亚洲av成人av| 99热全是精品| 国产又色又爽无遮挡免| 国产一区二区在线观看日韩| 国产黄片视频在线免费观看| 精品久久久久久久久久久久久| 高清视频免费观看一区二区 | 国产老妇伦熟女老妇高清|