• <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 ?

    基于混合神經(jīng)網(wǎng)絡的序列推薦算法

    2021-06-27 05:12:08劉縱橫汪海濤
    關鍵詞:卷積長度建模

    劉縱橫,汪海濤,姜 瑛,陳 星

    (昆明理工大學 信息工程與自動化學院,昆明 650500)

    0 引 言

    推薦系統(tǒng)在互聯(lián)網(wǎng)中有著廣泛的應用,一個優(yōu)秀的推薦系統(tǒng)可以幫助用戶快速、準確地在海量的信息中尋找感興趣的內(nèi)容。它改變了人們獲取信息的方式,給用戶帶來了極大的便利。推薦系統(tǒng)目前主要可以分為2類:常規(guī)推薦系統(tǒng)與序列推薦系統(tǒng)。常規(guī)推薦系統(tǒng)的目的是學習用戶的靜態(tài)偏好,靜態(tài)偏好主要通過統(tǒng)計獲得而且更新緩慢。基于因子分解的協(xié)同過濾系統(tǒng)[1]就是這個領域中較有影響力的算法。但是常規(guī)推薦系統(tǒng)無法捕獲到用戶的興趣變化,現(xiàn)階段用戶行為偏好具有內(nèi)在的可變性,在一定時間段內(nèi)會受到多種因素變化的影響,例如需求的變化、興趣的變化等。相比于常規(guī)推薦系統(tǒng),序列推薦系統(tǒng)可以建模用戶的交互序列,捕獲到用戶興趣的動態(tài)變化,已經(jīng)成為推薦系統(tǒng)研究領域的熱點方向。

    在序列推薦系統(tǒng)的建模階段,循環(huán)神經(jīng)網(wǎng)絡(recurrent neural network, RNN)及其變種網(wǎng)絡占有主流地位[2],但是RNN在對用戶序列建模過程中依賴于過去的隱藏狀態(tài),無法對網(wǎng)絡進行并行運算,所以建模速度是RNN網(wǎng)絡的劣勢。與RNN相比,時間卷積網(wǎng)絡[3](temporal convolutional network, TCN)不依賴于整個過去的隱藏狀態(tài),可以充分利用序列進行并行計算。因此,它在訓練效率和預測性能上相較于RNN有一定的優(yōu)勢。受時間卷積網(wǎng)絡在序列建模中有不錯表現(xiàn)的啟發(fā),本文將時間卷積網(wǎng)絡引入用戶近期序列建模,用于提高基于RNN的推薦系統(tǒng)的訓練效率與預測準確度。

    用戶的長期偏好反映的是用戶較為固定的興趣,如一直喜歡某種類型的電影,用戶的近期偏好則反映的是最近的消費需求。盡管用戶的喜好隨時間動態(tài)變化[4-5],但是仍會存在一些長期穩(wěn)定的偏好影響用戶的行為?,F(xiàn)有方法傾向于將用戶的長期偏好與近期偏好相結(jié)合[6],但是2個方面簡單的結(jié)合是不夠的,因為過往的物品序列會隱含用戶的下一項選擇的傾向性,所以本文提出了一種基于注意力的融合方法來融合特定情境下用戶的長期偏好和近期偏好。例如,下一個交互項目在上一個交互項目之后較短時間發(fā)生,則近期的用戶交互可能在預測中起主要作用,否則,應該將更多的權(quán)重分配到用戶的長期偏好。

    基于以上表述,本文提出了一種基于混合神經(jīng)網(wǎng)絡模型的序列推薦算法,命名為HNNRec。本文的貢獻主要有以下2點。

    1)與先前大部分基于RNN的模型不同,本文在用戶的近期偏好建模過程中,將自然語言處理中的時間卷積網(wǎng)絡引入到推薦系統(tǒng),對用戶的近期偏好進行建模以提高推薦的效率與準確度。

    2)本文模型在考慮用戶近期偏好與長期偏好的基礎上進一步動態(tài)融合了用戶2個階段的偏好,提高了推薦的性能。

    最后,本文在公共數(shù)據(jù)集MovieLens10M與LastFM上進行了實驗,結(jié)果也證明了模型的有效性。

    1 相關工作

    在序列推薦的早期階段,主要依靠馬爾科夫鏈[7]和基于特征的矩陣分解[8-9]方法。與深度學習方法相比,馬爾可夫鏈存在無法對復雜數(shù)據(jù)建模等缺陷。文獻Caser[10]認為,馬爾可夫鏈方法無法對聯(lián)合級序列模式進行建模,而且也無法捕獲到用戶項目序列跳躍行為對于推薦結(jié)果的影響。而基于因數(shù)分解的方法雖然通過序列項矢量的總和對序列建模,但是沒有考慮到用戶交互序列順序?qū)τ谕扑]結(jié)果的影響。

    與傳統(tǒng)的推薦模型相比,深度學習模型在捕捉用戶序列演變方面顯示出了自己的優(yōu)勢,例如RNN這類網(wǎng)絡模型在學習興趣演變,構(gòu)建基于會話的推薦系統(tǒng),下一項推薦等領域顯示出自己強大的功能。與基于RNN的推薦算法相比,基于卷積神經(jīng)網(wǎng)絡的推薦算法更具挑戰(zhàn)性。Tuan等[11]設計了一種3D CNN模型用于高維建模,證明了用戶序列與元素復雜特征相關聯(lián)時具有有效性;An等[12]將交互序列編碼為三維向量,并使用2D卷積濾波器學習局部的特征;Tang和Wang等[10]將水平與垂直2種CNN應用于推薦系統(tǒng),并且取得了不錯的效果,但是它分開學習了用戶與項目的嵌入,沒有捕獲到其中的交互信息,也沒有加入上下文信息。

    在神經(jīng)網(wǎng)絡中,注意力機制[13]允許各部分在壓縮成單個表達式時以不同方式對最終的預測做出貢獻。在推薦算法中,注意力機制在算法模型中學習用戶交互序列中項目的不同權(quán)重,并且根據(jù)用戶的交互序列動態(tài)調(diào)整用戶的偏好預測[14]。Xiao等[15]介紹了基于深度學習的注意力機制,并提出了注意力因子分解機(attentional factorization machines,AFM)模型。AFM的重要思想是建立一個注意力網(wǎng)絡,并依據(jù)此網(wǎng)絡推導用戶評分列表中每個交互的相對重要程度。最近的一些研究也調(diào)查了其在推薦任務中的能力,比如將注意力機制與神經(jīng)網(wǎng)絡結(jié)合,彌補了傳統(tǒng)ItemCF預測準確度低的問題[16]。Wu等[17]提出了一種基于情景的注意力機制,提高了推薦的性能與可解釋性,但是并沒有對用戶進行顯式建模;Li等[18]基于注意力機制建模了會話中的連續(xù)偏好信息,彌補了傳統(tǒng)建模方式的不足。

    2 模型算法

    本節(jié)對模型算法進行詳細介紹。第1部分是用戶交互項目嵌入;第2部分是對用戶交互序列建模,預測用戶偏好。HNNRec模型如圖1。

    圖1 算法整體流程圖Fig.1 Overall flow chart of the algorithm

    2.1 項目嵌入

    項目嵌入的目標是在項目序列中學習交互序列的相似度,生成項目的統(tǒng)一表示。推薦系統(tǒng)之前的項目嵌入是通過one-hot編碼,然而當面對大量的高維數(shù)據(jù)時,使用one-hot進行編碼會導致無法進行較好的優(yōu)化,在模型的基礎上再添加嵌入層又會對推薦模型的性能產(chǎn)生不小的損耗。針對上述問題,本文引入item2vec來進行項目的嵌入。本文使用E={e1,e2,e3,…,en-1,en}來表示用戶交互序列G={I1,I2,I3,…,In}的嵌入向量。

    Item2vec的目標是最大化以下函數(shù)

    (1)

    (1)式中:L表示用戶交互序列的長度;xn表示序列中的項目;p(xm|xn)為softmax函數(shù),此函數(shù)定義為

    (2)

    (2)式中,wn與vn對應xn的目標和前后信息的潛在表示向量。(2)式訓練過程中存在復雜度較高的問題。為了降低梯度下降的復雜度,本文決定使用負采樣來代替,(2)式可轉(zhuǎn)化為

    (3)

    (4)

    之后,本文通過訓練item2vec得到了目標項目的向量表示。在基于用戶的交互序列上,item2vec可以產(chǎn)生成K維統(tǒng)一向量,并且為計算項目相似度提供了條件。

    2.2 用戶交互序列建模

    本文將用戶的交互序列分為2個階段:①用戶的近期交互序列;②用戶的長期交互序列。

    2.2.1 近期交互序列建模

    受到時間卷積網(wǎng)絡的啟發(fā),針對用戶近期交互序列相較于長期交互序列變化頻繁,更需要推薦準確度與時間優(yōu)勢的情況,本文將時間卷積網(wǎng)絡引入到序列推薦系統(tǒng)之中進行用戶近期偏好建模。卷積建模如圖2。

    圖2 卷積圖Fig.2 Convolution graph

    面對序列問題,如果使用普通的CNN卷積模型會引起信息泄露,此過程借鑒因果卷積[19]的思想,當預測項目yt時,不允許卷積濾波器使用yt的信息。在模型中,主要抽象為根據(jù)x1…xt和y1…yt-1去預測yt,使得yt接近于實際值,通過以上方式解決普通卷積模型引起的信息泄露的問題。

    為了獲得用戶序列項目之間更高級別的特征表示,常見的方法是增加模型中網(wǎng)絡的深度,但是會引起梯度消失等問題,這樣會使得模型的學習遇到困難。所以本文針對更深層的網(wǎng)絡引入了殘差學習[20],將多個模型中卷積層堆疊在一起作為一個塊,然后采用跳過連接方案,將前一層的特征信息傳遞到后一層。跳過連接方案允許顯式擬合殘差映射,從而維護了輸入信息。

    殘差網(wǎng)絡結(jié)構(gòu)如圖3,將所需的映射表示為H(E),本文讓殘差塊適合F(E)=H(E)-E的另一個映射。按元素方式將所需的映射轉(zhuǎn)換為F(E)+E。優(yōu)化殘差映射F(E)比原始的未引用映射H(E)容易得多。

    圖3 殘差結(jié)構(gòu)Fig.3 Residual structure

    殘差塊包含的分支通過F的轉(zhuǎn)換,其輸出作為(5)式的輸入

    o=σ(X+F(x))

    (5)

    通過以上對于用戶近期交互序列的分析,解決了近期偏好獲取的問題。

    2.2.2 長期交互序列建模

    與近期交互序列相比,用戶的長期交互序列都較為固定且更新緩慢,所以對時效性的要求較低。在所有基于RNN的模型中,推薦系統(tǒng)常使用長短期記憶網(wǎng)絡(long short-term memory,LSTM)[19]或門控制單元(gate recurrent unit, GRU)來進行用戶建模。在本文的數(shù)據(jù)集中,觀察到LSTM的表現(xiàn)略好于GRU,所以引入LSTM進行用戶長期偏好建模。建模過程中序列更新過程為

    hk=g(xkW+hk-1U+b)

    (6)

    (6)式中:g是激活函數(shù);xk是最新的用戶操作;hk-1是最后一個隱藏狀態(tài)。(7)式—(11)式為用戶序列建模所涉及的結(jié)構(gòu)以及結(jié)構(gòu)的運算過程。

    it=σ(Wixt+Uiht-1+bi)

    (7)

    ft=σ(Wfht-1+Ufht-1+bf)

    (8)

    Ct=ftct-1+ittanh(Wcht-1+Wcxt+bc)

    (9)

    Ot=σ(Woxt+Uoht-1+bo)

    (10)

    ht=ottanh(ct)

    (11)

    2.2.3 自適應融合階段

    單純的設計用戶的偏好為近期偏好與長期偏好相加并不是一個好的思路,因為用戶的下一項推薦對于2種階段偏好存在一定程度的傾向。本節(jié)設計了一種方法來融合用戶的近期偏好與長期偏好。此方法中用戶偏好是否獲得更大的權(quán)重取決于當時的上下文。舉這樣一個例子,如果行為B在行為A不久之后發(fā)生,那么近期的偏好有大概率會提供更多的信息。基于注意力引出以下公式

    (12)

    (13)

    (14)

    (15)

    2.3 模型的訓練和優(yōu)化

    本文將用戶的交互序列的嵌入作為網(wǎng)絡的輸入,通過網(wǎng)絡運算輸出K維的向量。在模型的整體學習階段使用均方誤差作為損失函數(shù),將此定義為

    (16)

    (16)式中:L代表用戶交互序列的大小;l代表分界長度;vt表示用戶的下一次交互的項目表示。在實驗中使用AdaGrad對于損失函數(shù)進行優(yōu)化。至此,本文已經(jīng)討論了HNNRec的完整階段。

    2.4 算法描述

    在算法模型中,首先依據(jù)時間因素將數(shù)據(jù)集劃分為2個子數(shù)據(jù)集,再將處理之后的數(shù)據(jù)分別輸入到不同階段的網(wǎng)絡中學習各自階段的偏好,之后基于注意力機制對于各階段生成的預測進行動態(tài)融合,最后輸出推薦列表。

    算法基于混合神經(jīng)網(wǎng)絡的序列推薦算法

    輸入:數(shù)據(jù)集D。

    輸出:Top-N推薦列表。

    步驟1將數(shù)據(jù)集D依據(jù)時間分為2部分子數(shù)據(jù)集D1與D2,D1代表長期用戶序列數(shù)據(jù)集,D2代表近期用戶序列數(shù)據(jù)集;

    步驟2數(shù)據(jù)集D通過item2vec訓練獲得用戶的全部項目向量E={e1,e2,e3,…,en-1,en};

    步驟3將用戶的近期項目向量輸入到時間卷積神經(jīng)網(wǎng)絡之中,學習用戶的近期偏好,生成近期偏好預測;

    步驟4將用戶的長期序列向量輸入到長短期記憶網(wǎng)絡當中,學習用戶的長期偏好,生成長期偏好預測;

    步驟5引入注意力機制對于用戶的長期偏好和近期偏好進行動態(tài)融合,輸出用戶的最終偏好預測;

    3 實 驗

    本節(jié)將會通過3項實驗來展示混合神經(jīng)網(wǎng)絡模型在下一項推薦中的優(yōu)勢:①在下一項推薦中將混合神經(jīng)網(wǎng)絡模型的推薦效果與現(xiàn)有的先進算法進行比較,以證明其在推薦領域有不錯的推薦效果;②對本文動態(tài)融合的參數(shù)進行分析,證明了設置動態(tài)參數(shù)的有效性;③對用戶的交互序列長度進行了分析,評估本模型與LSTM,Caser,TransRec算法在不同序列長度下的表現(xiàn),展現(xiàn)出混合神經(jīng)網(wǎng)絡推薦模型相較于其他深度模型在不同用戶交互序列上都有著一定的優(yōu)勢。最后,本文對算法的優(yōu)點與缺點進行了分析。

    3.1 數(shù)據(jù)集

    本文采用MovieLens10M與LastFM公開數(shù)據(jù)集作為這次實驗的數(shù)據(jù)集。MovieLens10M包含了72 000個用戶對10 000部電影的1 000萬個評級和100 000個標簽交互。平均交互長度在一百左右。LastFM是在線音樂系統(tǒng)last.fm收集的用戶信息,包含了951名用戶的83 382個交互,平均交互序列在90左右。

    為了確保實驗的可靠性,在實驗之前,對數(shù)據(jù)集進行了下列預處理:①將交互數(shù)量小于5 的項目過濾掉;②對數(shù)據(jù)集采取隨機劃分的方法,將數(shù)據(jù)集的70%作訓練使用,30%作測試使用。本文將評分信息變?yōu)殡[式反饋信息,重點討論隱式反饋。

    本文的實驗硬件為CPU Intel Core i7,16 GB 內(nèi)存,Nvidia 1060顯卡,軟件環(huán)境為 Windows10系統(tǒng),實驗編程語言為Python3,使用Keras框架構(gòu)建神經(jīng)網(wǎng)絡,訓練模型。

    3.2 基線方法

    本文將傳統(tǒng)的推薦方法和基于深度學習模型的方法與本文提出的算法作對比,下面是基線方法的描述。

    1)Item-based k-NN:此模型基于項目的相似度,為用戶推薦與歷史項目相似的Top-N個項目;

    2)Exp.Dec. Item-based k-NN[21]:此模型通過將指數(shù)衰減分量加入item-KNN模型,來降低長時間間隔交互項目的權(quán)重;

    3)Matrix Factorization (MF):矩陣分解模型,將大矩陣分解成小矩陣的乘積,解決了近鄰模型解決不了的問題;

    4)Seq.Matrix Factorization[22]:在矩陣分解模型的基礎上加入用戶交互序列信息;

    5)LSTM[23]:常規(guī)的LSTM模型,通過對交互序列的嵌入捕捉用戶偏好,獲得對于用戶推薦的預測;

    6)Caser[10]:通過卷積神經(jīng)網(wǎng)絡模擬用戶的歷史交互,構(gòu)建靈活的序列模式來提高用戶個性化序列推薦的準確率;

    7)TransRec[24]:該模型將嵌入思想應用于序列推薦之中,輸出的下一項推薦由用戶向量與用戶的最近交互向量決定。

    3.3 參數(shù)設置

    在模型嵌入階段,item2vec的訓練過程中,將上下窗口大小設置為10,嵌入維度設置為300。在用戶序列建模過程將中Dropout率設置為0.1。

    3.4 評估指標

    本推薦模型推薦項目數(shù)量不大,預測項目應處于候選列表的前列。所以選擇以下3個指標設為評估指標。

    1)Precision:本次實驗選擇Precision作為評價本文算法的指標,Precision指標衡量了推薦系統(tǒng)的準確率;

    2)Recall:在本次實驗中將召回率作為衡量推薦系統(tǒng)性能的指標之一,在本文中設定為是測試案例中前20個推薦項目中具有所需項目的比例;

    3)MRR:本次實驗中將平均倒數(shù)排名作為實驗的指標之一,MRR指期望項目倒數(shù)排名的平均值。在本次實驗中將20設置為貢獻值。

    3.5 實驗結(jié)果及分析

    3.5.1 推薦效果分析

    對各算法的推薦性能做了對比。表1列出了所有方法的整體性能結(jié)果,這些結(jié)果清楚地表明HNNRec在序列推薦任務中獲得了不錯的準確性。

    表1 本文算法與基線算法性能對比Tab.1 Performance comparison between this algorithm and the baseline algorithm

    表1中將HNNRec算法與傳統(tǒng)推薦算法、推薦領域領先的推薦算法進行了比較。從表1中可見,加入時間卷積網(wǎng)絡對用戶的近期序列進行建模以及動態(tài)融合用戶的偏好后,算法的有效性較基線算法存在一定的提升,由此可見,本文算法在通過用戶交互序列捕捉興趣變化方面存在一定的優(yōu)勢。與基于向量嵌入翻譯空間的TransRec模型、基于CNN的Caser模型和基于RNN的LSTM模型相比,在Precision,MRR與Recall評價指標中都有著一定的提高。這歸功于在用戶的近期序列階段引入時間卷積網(wǎng)絡進行用戶建模,以及對用戶不同交互序列階段的動態(tài)融合。

    3.5.2 動態(tài)融合的有效性

    表2與表3分別展示了在不同數(shù)據(jù)集中參數(shù)φ的取值對推薦效果的影響。當φ=0時,表示僅考慮用戶的長期交互序列;當φ=1時,表示僅考慮用戶的近期交互序列;φ為固定值時,表示本文依據(jù)以往經(jīng)驗為每個階段搜索的較為合適的值;φ為動態(tài)融合代表本文的實驗思路。

    從表2和表3中可以觀察到,在2個公共數(shù)據(jù)集上僅考慮近期交互序列總是比考慮長期偏好序列表現(xiàn)有優(yōu)勢,某些時候用戶2個階段的簡單組合甚至比只考慮近期交互序列表現(xiàn)還要遜色。因此,證明了動態(tài)融合機制的有效性與必要性。

    表2 在MovieLens10M數(shù)據(jù)集上驗證融合 參數(shù)φ對推薦算法的影響Tab.2 Verify the effect of fusion parameters φ on the recommendation algorithm on the MovieLens10M dataset

    表3 在LastFM數(shù)據(jù)集上驗證融合 參數(shù)φ對推薦算法的影響Tab.3 Verify the effect of fusion parameters φ on the recommendation algorithm on the LastFM dataset

    為了進一步分析與證明參數(shù)φ的有效性,且對φ有直觀的效果展示,本文將用戶距離上一次的行為時間間隔作為自變量,并根據(jù)時間間隔的不同劃分自變量范圍,將φ作為因變量。如圖4,時間間隔劃分為4個級別,由短至長分別為一個小時、一天、一周、一個月。例如橫坐標為一小時意味著模型做出的預測結(jié)果是在目標用戶的最后交互行為最后一個小時內(nèi)產(chǎn)生的。圖4展示了此項實驗的結(jié)果,可以看到有一個明顯的趨勢,即長期交互序列產(chǎn)生的偏好隨時間間隔的增加而顯得愈加重要,這與本文模型的假設相符。

    圖4 時間間隔對權(quán)重參數(shù)φ的影響Fig.4 Effect of time interval on parameter φ

    3.5.3 用戶歷史交互序列長度分析

    本文將HNNRec模型與LSTM,Caser與TransRec作對比,進一步分析推薦效果。用到的數(shù)據(jù)集平均交互長度為90—100,因此,將用到的數(shù)據(jù)劃分為3類:交互序列長度小于30,30—60,60以上的整數(shù)。此目的是衡量復雜的用戶歷史交互序列長度對HNNRec和其他深度模型的影響。

    基于表1的數(shù)據(jù),可以觀察到在數(shù)據(jù)集MovieLens10M與LastFM中,隨著歷史記錄長度的增加,本文提出的HNNRec在Recall上有著不錯的改進,不僅如此,還可以發(fā)現(xiàn)HNNRec與另外3種序列建模模型都隨著交互序列長度的增加而有所改進。在其余的3種模型中,LSTM隨著交互序列的加長,性能的增幅逐漸減弱,Caser與TransRec在30—60和60以上的性能提高較HNNRec有所減弱,顯示出了HNNRec在不同交互長度下性能的魯棒性。由此可得,用戶交互的時間長度確實會對推薦系統(tǒng)的性能產(chǎn)生影響,也清楚地證明了在面對不同長度的交互序列時,通過動態(tài)融合用戶的不同階段偏好,可以提高算法的魯棒性和推薦準確度,從而使得本模型在不同序列下都有著較好的表現(xiàn)。

    圖5—圖7直觀展示了4種推薦算法在MovieLens10M上的推薦效果。

    圖5 不同長度的用戶交互序列在MRR的表現(xiàn)Fig.5 Performance of user interaction sequences of different lengths in MRR

    圖6 不同長度的用戶交互序列在Recall的表現(xiàn)Fig.6 Performance of user interaction sequences of different lengths in Recall

    圖7 不同長度的用戶交互序列在Precision的表現(xiàn)Fig.7 Performance of user interaction sequences of different lengths in Precision

    3.6 算法優(yōu)缺點分析

    本文提出一種基于混合神經(jīng)網(wǎng)絡的序列推薦算法。由上文的多項實驗對比可知,本文算法具有較高的推薦準確性,面對不同長度的用戶交互序列也有著較強的魯棒性。較高的推薦準確性得益于時間卷積網(wǎng)絡思想的合理引入,但是這也會導致在訓練時需要更強的硬件條件。

    4 結(jié) 論

    本文提出了一種新穎的HNNRec模型。該模型基于用戶的近期偏好與長期偏好建模,引入了時間卷積網(wǎng)絡對用戶項目序列進行建模,提高了推薦準確度,同時觀察到用戶的行為序列比其他領域序列遇到問題的復雜度更高,因此,進一步提出基于注意力的用戶偏好動態(tài)融合方法,根據(jù)不同條件自適應地融合用戶的長期偏好和近期偏好。本文在公共數(shù)據(jù)集上進行的實驗證明了提出的模型具有有效性。在將來,模型的冷啟動與模型效率的改進將是下一步探索的方向。

    猜你喜歡
    卷積長度建模
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    聯(lián)想等效,拓展建?!浴皫щ娦∏蛟诘刃鲋凶鰣A周運動”為例
    1米的長度
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于PSS/E的風電場建模與動態(tài)分析
    電子制作(2018年17期)2018-09-28 01:56:44
    不對稱半橋變換器的建模與仿真
    基于傅里葉域卷積表示的目標跟蹤算法
    愛的長度
    怎樣比較簡單的長度
    不同長度
    讀寫算(上)(2015年6期)2015-11-07 07:17:55
    自线自在国产av| 国产成人免费无遮挡视频| 国产精品国产三级国产专区5o| 国产淫语在线视频| 亚洲精品aⅴ在线观看| 亚洲怡红院男人天堂| 黄色怎么调成土黄色| 狂野欧美白嫩少妇大欣赏| 久久久久久人妻| 一个人看视频在线观看www免费| 日产精品乱码卡一卡2卡三| 一级a做视频免费观看| 丰满饥渴人妻一区二区三| 久久久久精品性色| 高清黄色对白视频在线免费看| 免费播放大片免费观看视频在线观看| 嫩草影院入口| 在线观看人妻少妇| 精品酒店卫生间| 欧美精品一区二区免费开放| 国产成人av激情在线播放 | 少妇被粗大的猛进出69影院 | 汤姆久久久久久久影院中文字幕| 青春草亚洲视频在线观看| 国产精品一区www在线观看| 日韩视频在线欧美| 男的添女的下面高潮视频| 国产男人的电影天堂91| 曰老女人黄片| 免费看不卡的av| 亚洲精品乱码久久久久久按摩| 亚洲综合色网址| 国产精品熟女久久久久浪| 久久久a久久爽久久v久久| 最近中文字幕2019免费版| 最新中文字幕久久久久| 亚洲国产最新在线播放| 久久久久久久亚洲中文字幕| 美女大奶头黄色视频| 久久久国产一区二区| 免费观看的影片在线观看| 97在线人人人人妻| 满18在线观看网站| 精品久久国产蜜桃| 下体分泌物呈黄色| 日韩在线高清观看一区二区三区| 亚洲天堂av无毛| 亚洲精品久久午夜乱码| 成年av动漫网址| 看十八女毛片水多多多| 爱豆传媒免费全集在线观看| 曰老女人黄片| 亚洲精华国产精华液的使用体验| 91aial.com中文字幕在线观看| 亚洲av电影在线观看一区二区三区| 51国产日韩欧美| 99久久精品一区二区三区| 在线看a的网站| 七月丁香在线播放| 国产精品嫩草影院av在线观看| 午夜福利视频在线观看免费| 精品熟女少妇av免费看| √禁漫天堂资源中文www| 黄色视频在线播放观看不卡| 赤兔流量卡办理| 亚洲av中文av极速乱| 搡老乐熟女国产| 久久久久国产精品人妻一区二区| 99re6热这里在线精品视频| 中文欧美无线码| 校园人妻丝袜中文字幕| 精品人妻一区二区三区麻豆| 亚洲第一区二区三区不卡| 精品午夜福利在线看| 国产老妇伦熟女老妇高清| 男人添女人高潮全过程视频| freevideosex欧美| 高清不卡的av网站| tube8黄色片| 两个人的视频大全免费| 成人18禁高潮啪啪吃奶动态图 | 纵有疾风起免费观看全集完整版| 亚洲国产精品一区三区| 中文字幕制服av| 少妇高潮的动态图| 亚洲精品色激情综合| 国内精品宾馆在线| 日韩一区二区视频免费看| 亚洲激情五月婷婷啪啪| 国产黄片视频在线免费观看| 亚洲国产毛片av蜜桃av| 亚洲av中文av极速乱| 99九九线精品视频在线观看视频| 免费看av在线观看网站| 五月开心婷婷网| 日日撸夜夜添| 少妇人妻精品综合一区二区| 亚洲国产日韩一区二区| 国产欧美另类精品又又久久亚洲欧美| 曰老女人黄片| 成年人免费黄色播放视频| 久久久久精品久久久久真实原创| 男人爽女人下面视频在线观看| 80岁老熟妇乱子伦牲交| 日韩中字成人| 久久午夜福利片| 欧美精品高潮呻吟av久久| 边亲边吃奶的免费视频| 9色porny在线观看| 97在线人人人人妻| 亚洲av欧美aⅴ国产| 搡老乐熟女国产| 91精品国产九色| 国产成人精品在线电影| 日本猛色少妇xxxxx猛交久久| 久久久久国产精品人妻一区二区| 免费大片黄手机在线观看| www.色视频.com| 在线观看免费日韩欧美大片 | 插逼视频在线观看| 五月玫瑰六月丁香| 超碰97精品在线观看| 成年人免费黄色播放视频| 日本wwww免费看| 国产亚洲精品久久久com| 秋霞伦理黄片| 最黄视频免费看| 丝袜美足系列| 少妇被粗大的猛进出69影院 | 亚洲一级一片aⅴ在线观看| 国产片特级美女逼逼视频| 久久这里有精品视频免费| freevideosex欧美| 丰满少妇做爰视频| 午夜免费男女啪啪视频观看| 国产一区二区三区av在线| 男男h啪啪无遮挡| 久久久久久久亚洲中文字幕| 制服诱惑二区| 女性被躁到高潮视频| 欧美变态另类bdsm刘玥| 九九久久精品国产亚洲av麻豆| 亚洲欧美清纯卡通| 亚洲性久久影院| 亚洲美女视频黄频| 亚洲精品第二区| 精品少妇黑人巨大在线播放| 中文精品一卡2卡3卡4更新| 亚洲欧美日韩另类电影网站| 亚洲中文av在线| 97超视频在线观看视频| 久久精品久久久久久久性| 国产免费现黄频在线看| 2018国产大陆天天弄谢| 在线观看www视频免费| 国产成人精品在线电影| 国产亚洲欧美精品永久| 国产精品蜜桃在线观看| 交换朋友夫妻互换小说| 热re99久久国产66热| 国产免费又黄又爽又色| 最黄视频免费看| 久久国内精品自在自线图片| 国产一区二区三区综合在线观看 | av不卡在线播放| 免费看不卡的av| 免费播放大片免费观看视频在线观看| av不卡在线播放| 日韩成人伦理影院| 日韩精品有码人妻一区| 国产成人aa在线观看| 伊人久久精品亚洲午夜| 国产精品三级大全| 丰满饥渴人妻一区二区三| 国产成人精品在线电影| 狂野欧美激情性xxxx在线观看| 三上悠亚av全集在线观看| 午夜福利在线观看免费完整高清在| 国产视频首页在线观看| av在线app专区| 亚洲激情五月婷婷啪啪| 一本久久精品| 国产欧美亚洲国产| 中文精品一卡2卡3卡4更新| 久久99热6这里只有精品| 色94色欧美一区二区| 午夜激情久久久久久久| 九九爱精品视频在线观看| 寂寞人妻少妇视频99o| 在线观看国产h片| 九九爱精品视频在线观看| 亚洲av日韩在线播放| 黑人猛操日本美女一级片| 三上悠亚av全集在线观看| 久久99一区二区三区| 99九九线精品视频在线观看视频| 国产色婷婷99| 日韩不卡一区二区三区视频在线| 人妻系列 视频| 亚洲经典国产精华液单| 久久影院123| 亚洲少妇的诱惑av| 亚洲一区二区三区欧美精品| 大香蕉97超碰在线| 久久久国产精品麻豆| 一边亲一边摸免费视频| 高清在线视频一区二区三区| 久久99蜜桃精品久久| 最近手机中文字幕大全| kizo精华| 国产一区二区在线观看av| 精品人妻熟女av久视频| 国产高清不卡午夜福利| 欧美日韩视频高清一区二区三区二| 老女人水多毛片| 久久99蜜桃精品久久| 日韩免费高清中文字幕av| 色5月婷婷丁香| 18禁裸乳无遮挡动漫免费视频| 性色av一级| 夜夜看夜夜爽夜夜摸| 久久影院123| 老女人水多毛片| 中文欧美无线码| av不卡在线播放| 日本黄色日本黄色录像| a级毛片免费高清观看在线播放| av线在线观看网站| 免费观看a级毛片全部| 在线 av 中文字幕| 插逼视频在线观看| 午夜福利视频精品| 中国美白少妇内射xxxbb| 99久久中文字幕三级久久日本| 在线观看www视频免费| 日本-黄色视频高清免费观看| 久久久久久久精品精品| 亚洲人成网站在线观看播放| 亚洲综合色网址| 成年av动漫网址| 午夜日本视频在线| 日韩亚洲欧美综合| 久久国产精品大桥未久av| 狂野欧美激情性xxxx在线观看| 国产亚洲精品第一综合不卡 | 亚洲情色 制服丝袜| 国产日韩欧美在线精品| 桃花免费在线播放| 狠狠精品人妻久久久久久综合| 日韩人妻高清精品专区| 国产精品熟女久久久久浪| 九草在线视频观看| 综合色丁香网| 日韩成人伦理影院| 亚洲综合色网址| 亚洲美女搞黄在线观看| 街头女战士在线观看网站| 99久久精品国产国产毛片| 国产欧美亚洲国产| 一级二级三级毛片免费看| 国产日韩欧美在线精品| 亚洲av男天堂| 精品99又大又爽又粗少妇毛片| 亚洲精品乱码久久久久久按摩| av电影中文网址| 国产在线视频一区二区| 在线观看国产h片| 黄色欧美视频在线观看| 亚洲一级一片aⅴ在线观看| 欧美 日韩 精品 国产| 久久久亚洲精品成人影院| 国模一区二区三区四区视频| 日韩熟女老妇一区二区性免费视频| 在线观看国产h片| 精品久久久噜噜| 校园人妻丝袜中文字幕| 中国美白少妇内射xxxbb| 一级片'在线观看视频| 99热这里只有精品一区| 亚洲天堂av无毛| 久久久久国产精品人妻一区二区| 交换朋友夫妻互换小说| 老司机亚洲免费影院| 免费av不卡在线播放| 9色porny在线观看| 中国美白少妇内射xxxbb| 少妇的逼好多水| 精品亚洲乱码少妇综合久久| 亚洲av成人精品一二三区| 国产无遮挡羞羞视频在线观看| 久久久久久久久久久久大奶| 久久久久精品性色| 国产免费一级a男人的天堂| 欧美日韩国产mv在线观看视频| 欧美激情国产日韩精品一区| 免费大片18禁| 久久毛片免费看一区二区三区| 在线观看三级黄色| 国产日韩欧美在线精品| 精品久久蜜臀av无| 久久精品国产鲁丝片午夜精品| 免费观看a级毛片全部| 99热全是精品| 男女啪啪激烈高潮av片| 国产精品久久久久久精品电影小说| 国产av码专区亚洲av| 91久久精品国产一区二区成人| 在线播放无遮挡| 少妇的逼好多水| 久久久久久久亚洲中文字幕| 日韩中文字幕视频在线看片| 日本91视频免费播放| 一区二区av电影网| 中文字幕免费在线视频6| 欧美精品一区二区免费开放| 亚洲成人一二三区av| 久久免费观看电影| 最近的中文字幕免费完整| 大话2 男鬼变身卡| 国产精品嫩草影院av在线观看| 国产av精品麻豆| 美女福利国产在线| 亚洲中文av在线| 日本爱情动作片www.在线观看| 热99久久久久精品小说推荐| 国产亚洲最大av| 日韩一区二区视频免费看| 国产欧美另类精品又又久久亚洲欧美| 国产色爽女视频免费观看| 精品一区二区免费观看| 乱人伦中国视频| 又大又黄又爽视频免费| 高清毛片免费看| 日韩伦理黄色片| 91精品国产九色| 91国产中文字幕| 秋霞在线观看毛片| 国产黄频视频在线观看| 久久99热6这里只有精品| 亚洲av中文av极速乱| 九色亚洲精品在线播放| 久久久亚洲精品成人影院| 国产精品久久久久久精品电影小说| 国产成人精品久久久久久| 婷婷色综合www| 99国产综合亚洲精品| 一区二区三区免费毛片| 熟女电影av网| 最近手机中文字幕大全| 亚洲欧美一区二区三区黑人 | 国精品久久久久久国模美| 99国产精品免费福利视频| 18禁在线播放成人免费| 十八禁网站网址无遮挡| 国产黄片视频在线免费观看| 伦理电影大哥的女人| 亚洲,一卡二卡三卡| 国产成人freesex在线| 国产成人av激情在线播放 | 黑人猛操日本美女一级片| h视频一区二区三区| 免费久久久久久久精品成人欧美视频 | 男人爽女人下面视频在线观看| 亚洲欧美一区二区三区黑人 | 午夜91福利影院| 久久久久久久久久久免费av| 大片免费播放器 马上看| 成人亚洲精品一区在线观看| 最后的刺客免费高清国语| 欧美日韩综合久久久久久| 国模一区二区三区四区视频| 欧美三级亚洲精品| 亚洲精品日本国产第一区| 两个人的视频大全免费| 少妇人妻精品综合一区二区| 国产精品成人在线| 韩国av在线不卡| 亚洲精品自拍成人| 久久99热6这里只有精品| 日本与韩国留学比较| 麻豆精品久久久久久蜜桃| av在线观看视频网站免费| 建设人人有责人人尽责人人享有的| 一区二区三区精品91| 青春草国产在线视频| 一区二区三区精品91| 欧美丝袜亚洲另类| 日韩伦理黄色片| 欧美成人午夜免费资源| 成人国产av品久久久| 一级毛片 在线播放| 涩涩av久久男人的天堂| 午夜激情久久久久久久| 国产午夜精品一二区理论片| 国产成人av激情在线播放 | 国产精品一区二区在线不卡| 亚洲欧美成人精品一区二区| 视频中文字幕在线观看| 九草在线视频观看| 男男h啪啪无遮挡| 大陆偷拍与自拍| 丰满少妇做爰视频| 国产免费一级a男人的天堂| 午夜激情av网站| 亚洲精品日韩在线中文字幕| 美女视频免费永久观看网站| 亚洲怡红院男人天堂| 91成人精品电影| 精品午夜福利在线看| 久久精品熟女亚洲av麻豆精品| 国产精品欧美亚洲77777| 亚洲精品一二三| 青青草视频在线视频观看| 久久鲁丝午夜福利片| 男男h啪啪无遮挡| 99精国产麻豆久久婷婷| 2021少妇久久久久久久久久久| 永久免费av网站大全| 人妻少妇偷人精品九色| 街头女战士在线观看网站| 欧美成人精品欧美一级黄| 日韩不卡一区二区三区视频在线| 亚洲国产毛片av蜜桃av| 97在线视频观看| 97超碰精品成人国产| 精品少妇久久久久久888优播| 性高湖久久久久久久久免费观看| 久久国内精品自在自线图片| 亚洲精品视频女| 国产精品一二三区在线看| 日本av免费视频播放| 狠狠精品人妻久久久久久综合| 美女国产视频在线观看| 青春草视频在线免费观看| √禁漫天堂资源中文www| 久久亚洲国产成人精品v| 久久99热这里只频精品6学生| 大香蕉久久网| 亚洲综合精品二区| 日韩av不卡免费在线播放| 韩国高清视频一区二区三区| 国产欧美日韩综合在线一区二区| 涩涩av久久男人的天堂| 97在线视频观看| 欧美人与善性xxx| 久久韩国三级中文字幕| 中文字幕人妻丝袜制服| 在线免费观看不下载黄p国产| 91国产中文字幕| 免费黄网站久久成人精品| 成人国产av品久久久| 国产亚洲最大av| 国产探花极品一区二区| av电影中文网址| 国产永久视频网站| 高清不卡的av网站| 在线精品无人区一区二区三| 国产成人a∨麻豆精品| 免费观看在线日韩| 一级黄片播放器| 少妇被粗大猛烈的视频| 少妇精品久久久久久久| 男女国产视频网站| 国产在线免费精品| 一本一本综合久久| 免费高清在线观看视频在线观看| 亚洲美女搞黄在线观看| 国产亚洲欧美精品永久| 99re6热这里在线精品视频| 好男人视频免费观看在线| 人妻夜夜爽99麻豆av| 国产精品一二三区在线看| 国产国语露脸激情在线看| 老女人水多毛片| 国国产精品蜜臀av免费| 久久久久国产网址| 国产精品熟女久久久久浪| 蜜臀久久99精品久久宅男| 中文字幕免费在线视频6| 国产一区亚洲一区在线观看| kizo精华| 好男人视频免费观看在线| 国产女主播在线喷水免费视频网站| 麻豆乱淫一区二区| 国产一区二区在线观看av| 免费人成在线观看视频色| 国产综合精华液| 免费高清在线观看日韩| 人妻少妇偷人精品九色| 日韩中字成人| 国产精品麻豆人妻色哟哟久久| 多毛熟女@视频| 成年人免费黄色播放视频| 高清欧美精品videossex| 2022亚洲国产成人精品| 亚洲av在线观看美女高潮| 又粗又硬又长又爽又黄的视频| 午夜福利,免费看| videossex国产| 男女啪啪激烈高潮av片| 自线自在国产av| 九色成人免费人妻av| 十八禁网站网址无遮挡| 日本欧美国产在线视频| 国产一区二区三区av在线| 精品亚洲成国产av| 中国国产av一级| 老司机影院毛片| 人妻少妇偷人精品九色| 99热国产这里只有精品6| 国产色婷婷99| 免费观看性生交大片5| 一级毛片黄色毛片免费观看视频| 国产视频内射| 桃花免费在线播放| 日日摸夜夜添夜夜添av毛片| 国产免费一区二区三区四区乱码| 亚洲激情五月婷婷啪啪| 国产深夜福利视频在线观看| a级毛片免费高清观看在线播放| 性高湖久久久久久久久免费观看| 午夜激情av网站| 欧美bdsm另类| 日韩一区二区视频免费看| 免费观看无遮挡的男女| av网站免费在线观看视频| 纯流量卡能插随身wifi吗| 大码成人一级视频| 亚洲精品美女久久av网站| 在现免费观看毛片| 婷婷色综合大香蕉| 精品一区二区三卡| 久久97久久精品| 中文天堂在线官网| 亚洲国产成人一精品久久久| 有码 亚洲区| 日韩熟女老妇一区二区性免费视频| a 毛片基地| 日韩精品有码人妻一区| 国产av一区二区精品久久| 亚洲成人手机| 汤姆久久久久久久影院中文字幕| 涩涩av久久男人的天堂| 免费大片18禁| 亚洲国产精品一区二区三区在线| 18禁动态无遮挡网站| 国产男女内射视频| av有码第一页| 九色亚洲精品在线播放| 国产一区二区在线观看av| 蜜桃在线观看..| 插阴视频在线观看视频| 大香蕉久久成人网| 亚洲av成人精品一区久久| xxxhd国产人妻xxx| 男女免费视频国产| 香蕉精品网在线| 亚洲av福利一区| 国产一区二区三区综合在线观看 | 久久这里有精品视频免费| 国产精品久久久久久av不卡| 2022亚洲国产成人精品| 一个人免费看片子| 综合色丁香网| 欧美精品一区二区大全| 亚洲人成网站在线播| 激情五月婷婷亚洲| 久久国产精品大桥未久av| a级毛色黄片| 精品久久蜜臀av无| 国产精品一区二区三区四区免费观看| 亚洲欧美一区二区三区国产| 久久久久久伊人网av| 人人妻人人爽人人添夜夜欢视频| 日韩亚洲欧美综合| 日韩精品有码人妻一区| 日韩在线高清观看一区二区三区| 高清欧美精品videossex| 婷婷色综合大香蕉| 少妇的逼水好多| 亚洲综合精品二区| av免费观看日本| 久久久精品免费免费高清| 日韩欧美精品免费久久| 国产精品一国产av| 秋霞伦理黄片| 国语对白做爰xxxⅹ性视频网站| 日本与韩国留学比较| 精品一区二区三卡| 亚洲高清免费不卡视频| 亚洲精品久久久久久婷婷小说| 在线观看人妻少妇| 亚洲色图综合在线观看| 亚洲精品自拍成人| 又黄又爽又刺激的免费视频.| 国产av国产精品国产| 亚洲一区二区三区欧美精品| 亚洲国产毛片av蜜桃av| 黄色毛片三级朝国网站| 超色免费av| 中文字幕久久专区| 毛片一级片免费看久久久久| 亚洲精品久久久久久婷婷小说| 天天影视国产精品| 热re99久久国产66热| 亚洲美女黄色视频免费看| 男人添女人高潮全过程视频| 好男人视频免费观看在线| 亚洲色图 男人天堂 中文字幕 | 少妇高潮的动态图| a级毛色黄片| 国产亚洲欧美精品永久| 久久久久久久久久人人人人人人| 啦啦啦啦在线视频资源| 国产亚洲午夜精品一区二区久久|