• <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 ?

    基于功效特征的專(zhuān)利聚類(lèi)方法

    2021-07-02 00:35:54馬建紅曹文斌劉元?jiǎng)?/span>
    計(jì)算機(jī)應(yīng)用 2021年5期
    關(guān)鍵詞:特征提取實(shí)驗(yàn)模型

    馬建紅,曹文斌,劉元?jiǎng)?,?爽

    (1.河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院,天津 300401;2.天津市科學(xué)技術(shù)協(xié)會(huì),天津 300041;3.天津科學(xué)技術(shù)館,天津 300210)

    (*通信作者電子郵箱m_zh2002@126.com)

    0 引言

    專(zhuān)利文獻(xiàn)代表企業(yè)的創(chuàng)新性和先進(jìn)性,可以提高其競(jìng)爭(zhēng)力,增加其經(jīng)濟(jì)效益。根據(jù)世界知識(shí)產(chǎn)權(quán)組織的資料,專(zhuān)利文獻(xiàn)占全世界最新科學(xué)研究成果的90%~95%,約70%的發(fā)明和技術(shù)從未在其他非專(zhuān)利文獻(xiàn)中發(fā)表過(guò)[1]。如果企業(yè)能夠利用好專(zhuān)利文獻(xiàn),可以減少投入,加速創(chuàng)新。

    專(zhuān)利聚類(lèi)的目的是有效收集最新的專(zhuān)利資訊,以實(shí)現(xiàn)技術(shù)規(guī)避。近年來(lái),為了更好地對(duì)專(zhuān)利進(jìn)行聚類(lèi),研究員們對(duì)專(zhuān)利進(jìn)行大量研究,并產(chǎn)出大量成果。研究表明,特征提?。?-4]對(duì)聚類(lèi)結(jié)果影響很大。如周棟等[5]利用一種用于信息檢索與數(shù)據(jù)挖掘的常用加權(quán)技術(shù)TF-IDF(Term-Frequency-Inverse-Document-Frequency)方法對(duì)專(zhuān)利內(nèi)容進(jìn)行向量表示,并對(duì)TFIDF 提取的關(guān)鍵詞在技術(shù)搜索方法上進(jìn)行了研究;但由于專(zhuān)利內(nèi)容較多,通過(guò)TF-IDF 生成的向量空間維度會(huì)隨著專(zhuān)利篇幅變多而升高,在相似度計(jì)算或者對(duì)向量空間進(jìn)行應(yīng)用時(shí)會(huì)消耗大量的時(shí)間,而且該方法還拋棄了專(zhuān)利內(nèi)容中的大量語(yǔ)義信息,導(dǎo)致模型準(zhǔn)確性不高。

    卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)可以學(xué)習(xí)復(fù)雜、多維和非線性映射關(guān)系,更好地挖掘詞與詞之間的語(yǔ)義聯(lián)系,所以結(jié)合CNN 和詞嵌入的方法進(jìn)行實(shí)驗(yàn),效果得到很大提升。Lei 等[6]將專(zhuān)利文檔映射到CNN 所追蹤的特征向量上,提出了基于向量空間模型(Vector Space Model,VSM)的改進(jìn)版本——特征向量空間模型(Feature Vector Space Model,F(xiàn)VSM),既減少了空間維度,也將專(zhuān)利內(nèi)容的語(yǔ)義信息增加到向量空間模型中,取得了不錯(cuò)的效果。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)能夠有效地利用序列數(shù)據(jù)的序列信息,但是記憶能力因?yàn)榫嚯x的增長(zhǎng)而變得越來(lái)越弱,存在梯度爆炸和梯度消失等相關(guān)問(wèn)題。門(mén)控循環(huán)單元(Gated Recurrent Unit,GRU)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單,在處理因距離產(chǎn)生的依賴(lài)問(wèn)題時(shí)效果也很好,因此Lyu等[7]將專(zhuān)利文獻(xiàn)放入詞向量模型(Word To Vector,Word2Vec)、GRU 和文本卷積神經(jīng)網(wǎng)絡(luò)(Text Convolution Neural Network,TextCNN)中進(jìn)行實(shí)驗(yàn),結(jié)果表明該模型在專(zhuān)利文獻(xiàn)自動(dòng)分類(lèi)上效果明顯。隨著注意力機(jī)制越來(lái)越多地用于深度學(xué)習(xí),Rezaur rahman chowdhury等[8]將注意力機(jī)制引入長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò),提高了該模型的性能。

    近期提出的雙向變形編碼器(Bidirectional Encoder Representation from Transformers,BERT)模型在各個(gè)文本處理任務(wù)中均達(dá)到很好的效果。Li 等[9]通過(guò)BERT 模型轉(zhuǎn)換文本到動(dòng)態(tài)字符級(jí)的嵌入,并結(jié)合CNN和RNN提取的上下文特征更好地表示文本,從而提高文本分類(lèi)任務(wù)的準(zhǔn)確性。上述提到的特征提取模型都是以全文內(nèi)容作為訓(xùn)練文本的,雖然可以捕捉文本的大量信息,但是對(duì)于專(zhuān)利而言,重要的是功能效應(yīng)信息。如果采用全篇內(nèi)容進(jìn)行特征提取,既會(huì)產(chǎn)生維度較大的特性向量,還會(huì)產(chǎn)生大量不重要的噪聲。為了降低向量的維度,江屏等[10]通過(guò)專(zhuān)利分類(lèi)號(hào)(International Patent Classification,IPC)對(duì)專(zhuān)利文獻(xiàn)進(jìn)行聚類(lèi),由于IPC 的數(shù)目有限,所以根據(jù)IPC 去建立向量空間維度,然后計(jì)算相似度代價(jià)較小,但直接利用IPC 去對(duì)專(zhuān)利進(jìn)行分析,粒度很粗,實(shí)用性不大,無(wú)法實(shí)現(xiàn)跨領(lǐng)域的聚類(lèi)。

    聚類(lèi)算法方面:K-Means 聚類(lèi)算法的起始點(diǎn)是隨機(jī)選擇的,具有不確定性,并導(dǎo)致聚類(lèi)結(jié)果不穩(wěn)定;自組織神經(jīng)網(wǎng)絡(luò)(Self-Organizing Map,SOM)聚類(lèi)算法的效果相對(duì)較好,但時(shí)間復(fù)雜度高,大型數(shù)據(jù)處理時(shí)消耗資源較大。Alfred 等[11]提出將K-Means 算法和SOM 算法相結(jié)合起來(lái)的聚類(lèi)模型,以彌補(bǔ)K-Means 算法和SOM 算法的缺陷,但是時(shí)間復(fù)雜度問(wèn)題仍未解決。另一方面,SOM算法需要設(shè)置輸出神經(jīng)元數(shù)量,設(shè)置過(guò)多會(huì)導(dǎo)致類(lèi)間區(qū)分度大,類(lèi)內(nèi)密度低;設(shè)置過(guò)少會(huì)導(dǎo)致類(lèi)間區(qū)分度小,類(lèi)內(nèi)密度大。

    針對(duì)上述提到的問(wèn)題,結(jié)合專(zhuān)利內(nèi)容特點(diǎn),本文的主要工作包括:

    1)在特征提取方面,提出一種功效特征聯(lián)合提取(Functional Effect Information-Joint,F(xiàn)EI-Joint)模型,由信息實(shí)體語(yǔ)義增強(qiáng)表示(Enhanced language Representation with Informative Entities,ERNIE)[12]和卷積神經(jīng)網(wǎng)絡(luò)組成,可以對(duì)專(zhuān)利的功效信息進(jìn)行特征提取,避免全文特征提取,實(shí)現(xiàn)特征向量維度的降低,還可以打破IPC 分類(lèi)信息粒度較粗,無(wú)法實(shí)現(xiàn)跨領(lǐng)域聚類(lèi)的缺陷。

    2)在聚類(lèi)方面,提出一種早期拒絕策略的類(lèi)合并自組織神經(jīng)網(wǎng)絡(luò)(Early Reject based Class Merge Self-Organizing Map,ERCM-SOM),該算法采用早期拒絕策略進(jìn)行獲勝神經(jīng)元的計(jì)算,結(jié)合類(lèi)合并算法,調(diào)整聚類(lèi)之后的結(jié)果,以確保獲得最佳類(lèi)簇?cái)?shù)。此算法不僅減少聚類(lèi)時(shí)間,且提升聚類(lèi)效果。

    1 基于功效特征的專(zhuān)利聚類(lèi)框架

    本文提出的基于功效特征專(zhuān)利聚類(lèi)框架如圖1 所示,首先對(duì)專(zhuān)利文獻(xiàn)數(shù)據(jù)進(jìn)行預(yù)處理工作,包括專(zhuān)利標(biāo)題和摘要的獲取、分詞、去除停用詞等相關(guān)操作,之后將專(zhuān)利摘要標(biāo)注功效句,然后通過(guò)FEI-Joint模型提取專(zhuān)利文獻(xiàn)功效特征,最終利用ERCM-SOM 算法對(duì)專(zhuān)利文獻(xiàn)進(jìn)行基于功效特征的聚類(lèi)。為了克服原始SOM 聚類(lèi)算法的缺陷,提高算法性能,將FEIJoint模型得到的功效特征作為聚類(lèi)算法的輸入。在聚類(lèi)過(guò)程中計(jì)算取獲勝神經(jīng)元這一環(huán)節(jié),對(duì)與類(lèi)簇中心距離最小的神經(jīng)元做存儲(chǔ),在之后的計(jì)算過(guò)程中其他神經(jīng)元距離一旦大于最小值,則提前退出計(jì)算,較早地拒絕不可能獲勝的神經(jīng)元,以此縮短聚類(lèi)時(shí)間。最后通過(guò)類(lèi)合并算法對(duì)其結(jié)果進(jìn)行修正得到最佳類(lèi)簇?cái)?shù)。

    圖1 基于功效特征的專(zhuān)利聚類(lèi)框架Fig.1 Patent clustering framework based on functional effect

    2 專(zhuān)利功效特征提取模型

    FEI-Joint模型采用加入功效詞表的ERNIE模型和動(dòng)態(tài)更新輸入層和嵌入層之間的權(quán)重的CNN 模型相結(jié)合,實(shí)現(xiàn)了對(duì)專(zhuān)利文獻(xiàn)功效信息的特征提取。

    2.1 數(shù)據(jù)預(yù)處理

    1)分詞。使用Jieba 分詞對(duì)專(zhuān)利文獻(xiàn)進(jìn)行處理,為了分詞結(jié)果更加準(zhǔn)確,將百度百科條目添加到詞庫(kù)中,同時(shí)為了避免向量冗余,根據(jù)專(zhuān)利特征添加一些必要停用詞到停用詞表。例如“有利于電解液進(jìn)一步浸潤(rùn)材料”進(jìn)行分詞后,得到如下結(jié)果:“有利于電解液進(jìn)一步浸潤(rùn)材料”。

    2)標(biāo)注功效句。對(duì)于不是功效句的專(zhuān)利語(yǔ)句標(biāo)注0,是功效句的語(yǔ)句標(biāo)注1,例如“制備得到三元/富鋰復(fù)合正極材料0”“大大提升止逆閥的穩(wěn)定性和密封性1”。

    3)功效詞表由實(shí)驗(yàn)室人員整理得到,例如“保持提升維持支持固定防火密封性氣密性防火性安全性穩(wěn)定性”等。

    2.2 ERNIE模型

    ERNIE[12]是通過(guò)對(duì)訓(xùn)練數(shù)據(jù)中的詞法結(jié)構(gòu)、語(yǔ)法結(jié)構(gòu),以及語(yǔ)義信息進(jìn)行統(tǒng)一建模,極大地增強(qiáng)了通用語(yǔ)義表示能力,在各項(xiàng)任務(wù)中均取得了大幅度的提升。該模型利用百度內(nèi)部詞法分析工具對(duì)句對(duì)數(shù)據(jù)進(jìn)行字、詞、實(shí)體等不同粒度的切分,然后對(duì)切分后的數(shù)據(jù)進(jìn)行token 化處理,得到明文的token序列及切分邊界,然后將明文數(shù)據(jù)映射為id數(shù)據(jù),在訓(xùn)練過(guò)程中,對(duì)token 進(jìn)行隨機(jī)mask操作,如圖2所示。

    圖2 ERNIE模型訓(xùn)練功效句Fig.2 ERNIE model training function sentence

    將數(shù)據(jù)格式化成符合ERNIE 模型輸入要求的形式。字段之間都是text 和label 用制表符分割,text 為內(nèi)容,label 為句子類(lèi)別。為了增加ERNIE 模型的訓(xùn)練準(zhǔn)確率,加入了功效詞表對(duì)訓(xùn)練結(jié)果進(jìn)行修正,如果訓(xùn)練中判斷語(yǔ)句不屬于功效句,但其中包含有功效詞表中的詞語(yǔ),就修正其為功效句。通過(guò)該模塊提取專(zhuān)利摘要中的功效句,以便后續(xù)使用。

    2.3 CNN模型

    在自然語(yǔ)言處理中使用CNN 模型,需要對(duì)文本內(nèi)容進(jìn)行詞嵌入,例如文獻(xiàn)[13-14]中,word embeddings 會(huì)作為CNN 的第一個(gè)輸入層。

    如圖3 所示,在本文提出的CNN 模型中,輸入N維向量,表示通過(guò)ERNIE 提取的功效句和標(biāo)題。首先訓(xùn)練CNN 的參數(shù)去更新輸入層和嵌入層之間的權(quán)重。權(quán)重的初始值設(shè)置為預(yù)先訓(xùn)練好Word2Vec 向量[15]。卷積層挖掘語(yǔ)句生成卷積層特征向量。池化層通過(guò)最大池化方法對(duì)每個(gè)卷積層特征向量選取最大值構(gòu)成新向量,公式如下所示:

    圖3 CNN模型提取功效特征矩陣Fig.3 CNN model extracting functional effect matrix

    最后全連接層通過(guò)權(quán)值矩陣組合出最終輸出特征向量。

    3 改進(jìn)SOM算法的功效特征聚類(lèi)

    本文通過(guò)FEI-Joint模型提取的功效特征作為聚類(lèi)算法的輸入神經(jīng)元,彌補(bǔ)了詞與詞之間相互獨(dú)立,無(wú)法充分表達(dá)文本語(yǔ)言的不足。為了解決計(jì)算獲勝神經(jīng)元耗時(shí)的問(wèn)題,本文提出的ERCM-SOM 通過(guò)對(duì)最小距離神經(jīng)元做記錄,當(dāng)累計(jì)距離大于最小距離則停止計(jì)算,早期拒絕不可能獲勝的神經(jīng)元。為了獲得最佳類(lèi)簇?cái)?shù),ERCM-SOM 算法在聚類(lèi)結(jié)束后通過(guò)類(lèi)合并算法修正聚類(lèi)結(jié)果,獲得最佳聚類(lèi)結(jié)果。

    3.1 ERCM-SOM算法

    SOM 是一種典型的無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)算法[16-18],可將高維度向量映射到低維度空間中,其網(wǎng)絡(luò)結(jié)構(gòu)由輸入層和輸出層組成。針對(duì)其缺陷,本文進(jìn)行了改進(jìn)。在FEI-Joint 模型進(jìn)行特征向量構(gòu)造之后,采用ERCM-SOM 算法進(jìn)行基于專(zhuān)利功效特征的聚類(lèi),將不同功效信息的專(zhuān)利劃分到不同的類(lèi)簇中,每一個(gè)類(lèi)中包含多個(gè)具有相同功效信息的專(zhuān)利文獻(xiàn)。ERCMSOM 自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。其中t1,t2,…,tk代表輸入神經(jīng)元,Wij代表輸入層與輸出層之間的權(quán)重。

    圖4 ERCM-SOM模型對(duì)專(zhuān)利功效特征聚類(lèi)Fig.4 Clustering of patent functional effects by ERCM-SOM model

    算法的偽代碼如算法1所示。

    算法1 ERCM-SOM算法。

    輸入 輸入神經(jīng)元X,輸出神經(jīng)元網(wǎng)絡(luò)output,迭代次數(shù)T。

    輸出 數(shù)據(jù)在神經(jīng)元網(wǎng)絡(luò)中的映射output。

    具體過(guò)程如下:

    步驟1 將上一步所得到的專(zhuān)利文獻(xiàn)功效特征表示作為SOM 自組織神經(jīng)網(wǎng)絡(luò)輸入層的輸入X,權(quán)重矩陣Wij通過(guò)隨機(jī)數(shù)賦值,并做歸一化處理。

    步驟2X與輸出層各個(gè)神經(jīng)元的連接權(quán)重進(jìn)行相似度比較,最相似的被標(biāo)記為獲勝的神經(jīng)元(winner),神經(jīng)元之間的相似度由以下公式計(jì)算獲得:

    其中I(t)是獲勝神經(jīng)元的編號(hào)。

    步驟3 通過(guò)式(5)對(duì)獲勝神經(jīng)元及其相鄰節(jié)點(diǎn)的權(quán)重進(jìn)行調(diào)整:

    其中:0 <η(t) <1為學(xué)習(xí)率,hc,j(t)為鄰域函數(shù)。

    步驟4η(t)和hc,j(t)訓(xùn)練初始時(shí)是較大的,通過(guò)不斷迭代逐漸減小,hc,j(t)選擇使用高斯函數(shù),如下:

    其中:dcj表示獲勝神經(jīng)元c和鄰域內(nèi)任一被激活的輸出神經(jīng)元j之間的距離,r為鄰域半徑,鄰域半徑和學(xué)習(xí)速率將隨著迭代次數(shù)的增加而縮小,并遵循以下公式:

    步驟5 將下一個(gè)向量加入到輸入層,返回步驟3,直到全部學(xué)習(xí)完畢。

    步驟6 使得t加1,返回步驟2,直到t=T或網(wǎng)絡(luò)收斂為止。

    3.2 獲勝神經(jīng)元策略

    首先記錄最小距離,并在計(jì)算權(quán)重每一維的累計(jì)距離時(shí),確定當(dāng)前距離是否大于最小距離。如果條件成立,則停止計(jì)算,否則繼續(xù)計(jì)算下一維度。這種方式可以減少一部分維度的距離計(jì)算,減低時(shí)間復(fù)雜度。算法的偽代碼如算法2所示。

    算法2 獲勝神經(jīng)元算法。

    輸入 輸入神經(jīng)元X,權(quán)值向量W。

    輸出 獲勝神經(jīng)元winner。

    具體步驟如下:

    步驟1 假設(shè)當(dāng)前最小距離為dmin;

    步驟2 通過(guò)式(3)計(jì)算Wi與輸入神經(jīng)元Xk的距離;

    步驟3 如果計(jì)算累計(jì)距離到第k維的時(shí)候,累計(jì)距離小于最小距離,但計(jì)算至第k+1 維時(shí)累計(jì)距離大于最小距離,那么直接終止計(jì)算剩余維度,返回步驟2計(jì)算下一神經(jīng)元。

    3.3 類(lèi)合并算法

    SOM 算法無(wú)須提前設(shè)置類(lèi)簇?cái)?shù),輸出神經(jīng)元數(shù)量對(duì)聚類(lèi)結(jié)果有很大的影響,并且基于距離公式的獲取獲勝神經(jīng)元的策略是存在局限性的,對(duì)兩個(gè)相似度很高的類(lèi)簇劃分不是很理想。當(dāng)輸出神經(jīng)元較少時(shí),會(huì)導(dǎo)致類(lèi)內(nèi)密度大,沒(méi)有區(qū)分度;當(dāng)輸出神經(jīng)元數(shù)量設(shè)置較多時(shí),會(huì)導(dǎo)致聚類(lèi)密度低,類(lèi)間區(qū)分度大。本文結(jié)合類(lèi)合并思想,提出一種距離與密度相結(jié)合的類(lèi)合并算法。算法偽代碼如算法3所示。

    算法3 類(lèi)合并算法。

    輸入 SOM聚類(lèi)中心點(diǎn)列表result,最優(yōu)類(lèi)簇?cái)?shù)K。

    輸出 優(yōu)化后的聚類(lèi)結(jié)果result。

    具體步驟如下:

    步驟1 將聚類(lèi)得到的中心點(diǎn)進(jìn)行兩兩距離計(jì)算,將結(jié)果存入一個(gè)矩陣中并排序,構(gòu)成中心距離排序矩陣。

    步驟2 取出矩陣中距離中心最小的兩個(gè)中心點(diǎn)。

    步驟3 取這兩個(gè)中心點(diǎn)的中值作為預(yù)合并中心點(diǎn)。

    步驟4 以最小距離的1/2為密度范圍,將步驟2和步驟3中選取的3 個(gè)中心點(diǎn)按照密度范圍進(jìn)行密度計(jì)算,最初選取的兩個(gè)中心點(diǎn)的密度分別記為DensityA和DensityB,預(yù)合并中心點(diǎn)的密度記為DensityC。

    步驟5 判斷是否合并,公式如下:

    如果不符合條件則返回步驟3 進(jìn)行下一組對(duì)應(yīng)的兩個(gè)中心點(diǎn)計(jì)算;如滿(mǎn)足條件則將兩個(gè)原始類(lèi)簇合并,重新劃分合并后的聚類(lèi)。

    步驟6 如果類(lèi)簇?cái)?shù)量等于K則停止計(jì)算輸出聚類(lèi)結(jié)果,否則返回步驟1繼續(xù)計(jì)算。

    4 實(shí)驗(yàn)結(jié)果及分析

    4.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

    本文從已有專(zhuān)利數(shù)據(jù)庫(kù)中隨機(jī)選出共4 000 篇專(zhuān)利進(jìn)行實(shí)驗(yàn),每個(gè)領(lǐng)域的專(zhuān)利數(shù)量如表1 所示。提取專(zhuān)利的標(biāo)題和摘要部分,對(duì)摘要部分按句號(hào)和分號(hào)進(jìn)行分割,字符數(shù)量一般不會(huì)超過(guò)50。專(zhuān)利標(biāo)題默認(rèn)是具有功效信息的句子,對(duì)摘要分隔出的句子進(jìn)行功效句標(biāo)注。

    表1 專(zhuān)利數(shù)據(jù)集Tab.1 Patent dataset

    4.2 聚類(lèi)評(píng)價(jià)標(biāo)準(zhǔn)

    本文使用準(zhǔn)確率(Precision)與召回率(Recall)相結(jié)合的評(píng)價(jià)指標(biāo)F-measure 值來(lái)衡量聚類(lèi)方法的性能。針對(duì)專(zhuān)利功效信息設(shè)定了一個(gè)標(biāo)準(zhǔn)的聚類(lèi)結(jié)果SP={SP1,SP2,…,SPN}。對(duì)應(yīng)實(shí)驗(yàn)結(jié)果聚類(lèi)為P={P1,P2,…,PN},計(jì)算方式如下:

    其中:|SPi|表示類(lèi)別SPi中的專(zhuān)利數(shù)量,|Pi|表示類(lèi)別Pi中的專(zhuān)利數(shù)量,|SPi∩Pi|表示類(lèi)別SPi和Pi中相同專(zhuān)利的數(shù)量。

    F-measure 值為各個(gè)類(lèi)的最大F-measure 值與該類(lèi)的大小權(quán)重的乘積得到,計(jì)算公式如下:

    4.3 實(shí)驗(yàn)參數(shù)

    ERNIE 的參數(shù)采用損失率為0.1,學(xué)習(xí)率為5E -5,層數(shù)為12層,隱藏層大小為768。CNN在卷積層,使用大小為3、4、5的3個(gè)卷積核,同一種卷積核的數(shù)量為100,卷積之后可以得到數(shù)量為300 的卷積層特征向量,池化層采用Max-pooling 方法,輸出每個(gè)卷積層特征向量的最大值,最后將池化層輸出進(jìn)行全連接,得到300維的特征向量。

    4.4 功效特征提取模型實(shí)驗(yàn)及分析

    為驗(yàn)證本文提出的功效特征提取的有效性,將特征向量輸入到聚類(lèi)算法中進(jìn)行實(shí)驗(yàn),結(jié)果如表2所示。

    表2 特征提取模型對(duì)比實(shí)驗(yàn)結(jié)果 單位:%Tab.2 Comparison of experimental results of feature extraction models unit:%

    1)TF-IDF+ERCM-SOM。通過(guò)TF-IDF 對(duì)專(zhuān)利文獻(xiàn)構(gòu)建詞向量,并利用ERCM-SOM聚類(lèi)算法實(shí)現(xiàn)專(zhuān)利聚類(lèi)。

    2)LDA+ERCM-SOM。通過(guò)潛在狄利克雷分布(Latent Dirichlet Allocation,LDA)模型對(duì)專(zhuān)利文獻(xiàn)構(gòu)建“文獻(xiàn)-主題”向量,并利用ERCM-SOM聚類(lèi)算法實(shí)現(xiàn)專(zhuān)利聚類(lèi)。

    3)CNN+ERCM-SOM。將專(zhuān)利標(biāo)題和摘要輸入到CNN 模型提取特征向量,并利用SOM聚類(lèi)算法實(shí)現(xiàn)專(zhuān)利聚類(lèi)。

    4)FEI-Joint+ERCM-SOM。將專(zhuān)利標(biāo)題和摘要輸入到FEI-Joint 模型提取功效特征,并利用ERCM-SOM 聚類(lèi)算法實(shí)現(xiàn)專(zhuān)利聚類(lèi)。

    實(shí)驗(yàn)結(jié)果表明,本文提出的FEI-Joint 模型提高了聚類(lèi)的F-measure 值。實(shí)驗(yàn)1 得到的效果最差,因?yàn)門(mén)F-IDF 只是使用了詞向量空間表征專(zhuān)利內(nèi)容特征,沒(méi)有包含其中豐富的語(yǔ)義信息,向量維度較大,因此聚類(lèi)效果差,時(shí)間長(zhǎng)。實(shí)驗(yàn)2 中,LDA 通過(guò)主題建模的技術(shù)挖掘?qū)@谋局袧撛诘闹黝}信息,相對(duì)實(shí)驗(yàn)1 來(lái)說(shuō),改善了聚類(lèi)效果。實(shí)驗(yàn)3 中,CNN 對(duì)專(zhuān)利內(nèi)容提取局部特征,使聚類(lèi)結(jié)果有了進(jìn)一步提升,但因?yàn)閮?nèi)容信息較大,噪聲就會(huì)很大,使其影響聚類(lèi)效果。實(shí)驗(yàn)4 中,使用FEI-Joint模型進(jìn)行特征提取,可以降低部分噪聲,并能有效地提取功效特征,可提升聚類(lèi)效果。

    4.5 聚類(lèi)算法實(shí)驗(yàn)及分析

    為驗(yàn)證聚類(lèi)算法的有效性,本文在相同的實(shí)驗(yàn)條件下進(jìn)行三組不同的實(shí)驗(yàn),實(shí)驗(yàn)1 為K-Means 聚類(lèi),實(shí)驗(yàn)2 為SOM 聚類(lèi),實(shí)驗(yàn)3為ERCM-SOM聚類(lèi)。F-measure值如圖5所示。

    圖5 聚類(lèi)算法對(duì)比實(shí)驗(yàn)結(jié)果Fig.5 Comparison of experimental results of clustering algorithm

    實(shí)驗(yàn)結(jié)果表明,K-Means算法比SOM 算法、ERCM-SOM 算法效果差,因?yàn)槠鋵?duì)初始點(diǎn)的選擇依賴(lài)性較強(qiáng),而SOM 算法和ERCM-SOM 算法通過(guò)動(dòng)態(tài)調(diào)整網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),可以得到較好的聚類(lèi)結(jié)果。ERCM-SOM算法通過(guò)類(lèi)合并算法對(duì)聚類(lèi)結(jié)果進(jìn)行修正,可以將相似且密度較低類(lèi)簇進(jìn)行合并,優(yōu)化聚類(lèi)結(jié)果。用4 000 篇專(zhuān)利進(jìn)行實(shí)驗(yàn)時(shí),實(shí)驗(yàn)時(shí)間分別是11.54 s、15.63 s、12.31 s,ERCM-SOM 算法的早期拒絕策略使尋找獲勝神經(jīng)元的過(guò)程中向量計(jì)算次數(shù)減少,因此聚類(lèi)時(shí)間也得到縮短。對(duì)于本文選取的實(shí)驗(yàn)數(shù)據(jù),當(dāng)類(lèi)簇?cái)?shù)為10 時(shí),聚類(lèi)效果最好,當(dāng)類(lèi)簇?cái)?shù)大于10或者小于10時(shí)聚類(lèi)效果降低。

    4.6 跨領(lǐng)域聚類(lèi)有效性分析

    經(jīng)過(guò)FEI-Joint 模型提取功效特征進(jìn)行聚類(lèi),與IPC 分類(lèi)號(hào)專(zhuān)利分類(lèi)進(jìn)行結(jié)果對(duì)比。如表3 中提供的部分聚類(lèi)結(jié)果,第一類(lèi)主要功效是“防火”,E 類(lèi)“固定建筑物”領(lǐng)域有關(guān)于“防火”功效的專(zhuān)利,F(xiàn) 類(lèi)“機(jī)械工程”領(lǐng)域也有關(guān)于“防火”功效的專(zhuān)利。另一類(lèi)主要功效是“成本低;結(jié)構(gòu)簡(jiǎn)單”,A 類(lèi)“人類(lèi)生活必需”領(lǐng)域有此功效專(zhuān)利,E類(lèi)、F類(lèi)領(lǐng)域也有相關(guān)專(zhuān)利。結(jié)果表明,僅僅依據(jù)IPC 分類(lèi)號(hào)做專(zhuān)利聚類(lèi)的話(huà),是無(wú)法實(shí)現(xiàn)功效相同、領(lǐng)域不同的專(zhuān)利之間的聚類(lèi),使用功效特征做專(zhuān)利聚類(lèi),可以實(shí)現(xiàn)跨領(lǐng)域聚類(lèi)。

    表3 FEI-Joint模型的特征提取和聚類(lèi)結(jié)果Tab.3 Effect extraction and clustering results of FEI-Joint model

    5 結(jié)語(yǔ)

    本文提出基于功效特征的專(zhuān)利聚類(lèi)方法,通過(guò)FEI-Joint模型提取功效特征矩陣,并使用ERCM-SOM 聚類(lèi)方法進(jìn)行專(zhuān)利聚類(lèi),改進(jìn)SOM 算法中獲取神經(jīng)元策略,并加入了類(lèi)合并算法對(duì)結(jié)果進(jìn)行優(yōu)化,可以使專(zhuān)利按照功效信息實(shí)現(xiàn)跨領(lǐng)域聚類(lèi),并能縮短聚類(lèi)時(shí)間。

    專(zhuān)利內(nèi)容與其他文本不同,包含結(jié)構(gòu)化內(nèi)容和非結(jié)構(gòu)化內(nèi)容,本文使用其標(biāo)題和摘要,屬于非結(jié)構(gòu)化數(shù)據(jù)。如何結(jié)合專(zhuān)利文獻(xiàn)中結(jié)構(gòu)化內(nèi)容與非結(jié)構(gòu)化內(nèi)容進(jìn)行特征提取,進(jìn)一步研究這種特征提取方式和聚類(lèi)方法的融合,提高聚類(lèi)性能是今后需要做的工作。

    猜你喜歡
    特征提取實(shí)驗(yàn)模型
    一半模型
    記一次有趣的實(shí)驗(yàn)
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    做個(gè)怪怪長(zhǎng)實(shí)驗(yàn)
    基于Gazebo仿真環(huán)境的ORB特征提取與比對(duì)的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    一種基于LBP 特征提取和稀疏表示的肝病識(shí)別算法
    3D打印中的模型分割與打包
    NO與NO2相互轉(zhuǎn)化實(shí)驗(yàn)的改進(jìn)
    實(shí)踐十號(hào)上的19項(xiàng)實(shí)驗(yàn)
    太空探索(2016年5期)2016-07-12 15:17:55
    亚洲aⅴ乱码一区二区在线播放| 人妻制服诱惑在线中文字幕| 91午夜精品亚洲一区二区三区| 成人国产av品久久久| 精品久久久久久久久亚洲| 欧美少妇被猛烈插入视频| av国产久精品久网站免费入址| 欧美成人精品欧美一级黄| a级一级毛片免费在线观看| 国产精品嫩草影院av在线观看| 极品教师在线视频| 黄色配什么色好看| 只有这里有精品99| 中国国产av一级| 简卡轻食公司| 日韩欧美一区视频在线观看 | 七月丁香在线播放| av卡一久久| 国产精品久久久久久精品古装| 成人一区二区视频在线观看| 国产免费福利视频在线观看| 91午夜精品亚洲一区二区三区| 九草在线视频观看| 秋霞伦理黄片| 国产白丝娇喘喷水9色精品| 亚洲精品视频女| 26uuu在线亚洲综合色| 国产精品国产三级国产av玫瑰| 国产亚洲91精品色在线| 国产黄片视频在线免费观看| 国产精品一区www在线观看| 蜜桃久久精品国产亚洲av| 日韩电影二区| 夫妻性生交免费视频一级片| 亚洲真实伦在线观看| 久久99热这里只有精品18| 最黄视频免费看| 99久久中文字幕三级久久日本| 亚洲怡红院男人天堂| 国内揄拍国产精品人妻在线| 搡女人真爽免费视频火全软件| 久久久久精品久久久久真实原创| 99久久中文字幕三级久久日本| 国产国拍精品亚洲av在线观看| 一级片'在线观看视频| 国产精品欧美亚洲77777| 男女边吃奶边做爰视频| 天美传媒精品一区二区| 久久 成人 亚洲| 99久久中文字幕三级久久日本| 久久久久久久久久久丰满| 亚洲精品一二三| 亚洲av欧美aⅴ国产| 久久人人爽人人爽人人片va| 人妻少妇偷人精品九色| 中文字幕久久专区| 日韩国内少妇激情av| 日本一二三区视频观看| 国产精品一二三区在线看| 日日啪夜夜爽| 一个人免费看片子| 岛国毛片在线播放| 22中文网久久字幕| 五月玫瑰六月丁香| 日本av手机在线免费观看| 美女cb高潮喷水在线观看| 亚洲国产成人一精品久久久| 亚洲三级黄色毛片| 亚洲人与动物交配视频| 国产淫片久久久久久久久| 一级毛片久久久久久久久女| av国产精品久久久久影院| 99久久综合免费| 久久精品久久久久久久性| 亚洲图色成人| 青春草视频在线免费观看| 日韩一区二区视频免费看| 一个人看视频在线观看www免费| 内射极品少妇av片p| 国产黄片美女视频| 人体艺术视频欧美日本| av在线观看视频网站免费| 久久影院123| 国产精品国产三级国产专区5o| 欧美老熟妇乱子伦牲交| 日韩不卡一区二区三区视频在线| 热99国产精品久久久久久7| 国产色婷婷99| 日本与韩国留学比较| 超碰av人人做人人爽久久| 免费看日本二区| 国产一区二区三区综合在线观看 | 国产精品久久久久久精品电影小说 | 少妇高潮的动态图| 卡戴珊不雅视频在线播放| 麻豆精品久久久久久蜜桃| 欧美激情国产日韩精品一区| av免费在线看不卡| 秋霞在线观看毛片| 亚洲欧美日韩东京热| 一区二区av电影网| 熟女人妻精品中文字幕| 日韩在线高清观看一区二区三区| 91aial.com中文字幕在线观看| 免费观看性生交大片5| 国产69精品久久久久777片| 亚洲,欧美,日韩| 五月伊人婷婷丁香| 国产精品嫩草影院av在线观看| 精品一品国产午夜福利视频| 3wmmmm亚洲av在线观看| 日本一二三区视频观看| 视频区图区小说| 久久久久性生活片| 高清av免费在线| 一区在线观看完整版| 日本免费在线观看一区| 亚洲色图av天堂| 色5月婷婷丁香| 青青草视频在线视频观看| www.色视频.com| 一级毛片黄色毛片免费观看视频| 久久av网站| 性色av一级| 国产免费一区二区三区四区乱码| 国产精品欧美亚洲77777| 男女边吃奶边做爰视频| 97在线视频观看| 亚洲av福利一区| 久久久久久久久大av| 久久久久视频综合| 菩萨蛮人人尽说江南好唐韦庄| 深夜a级毛片| 国产精品爽爽va在线观看网站| 99热这里只有是精品在线观看| 亚洲性久久影院| 日韩伦理黄色片| 国模一区二区三区四区视频| h视频一区二区三区| 成人毛片60女人毛片免费| 97在线视频观看| 欧美丝袜亚洲另类| 看免费成人av毛片| 五月玫瑰六月丁香| 成年免费大片在线观看| 一个人看的www免费观看视频| 99久久精品热视频| 日韩 亚洲 欧美在线| 在线播放无遮挡| 最黄视频免费看| 亚洲aⅴ乱码一区二区在线播放| 亚洲精品国产av蜜桃| .国产精品久久| 国产一区亚洲一区在线观看| 国产精品国产三级国产专区5o| 99国产精品免费福利视频| 观看av在线不卡| 好男人视频免费观看在线| 久久久a久久爽久久v久久| 91久久精品电影网| 久久ye,这里只有精品| 成年免费大片在线观看| 亚洲国产高清在线一区二区三| 一级片'在线观看视频| 秋霞在线观看毛片| 大陆偷拍与自拍| 国产欧美另类精品又又久久亚洲欧美| 性色av一级| 精品少妇黑人巨大在线播放| 一本—道久久a久久精品蜜桃钙片| 男人爽女人下面视频在线观看| 小蜜桃在线观看免费完整版高清| 国内揄拍国产精品人妻在线| 国产黄色视频一区二区在线观看| 伦理电影大哥的女人| 成人国产av品久久久| 男人添女人高潮全过程视频| 少妇人妻一区二区三区视频| 日本一二三区视频观看| 国产毛片在线视频| 亚州av有码| 少妇 在线观看| 伊人久久精品亚洲午夜| 国产男人的电影天堂91| 嘟嘟电影网在线观看| 欧美区成人在线视频| 精品久久国产蜜桃| 香蕉精品网在线| 99精国产麻豆久久婷婷| 狂野欧美激情性xxxx在线观看| 18禁动态无遮挡网站| 大话2 男鬼变身卡| 啦啦啦视频在线资源免费观看| 在线观看人妻少妇| 欧美精品一区二区免费开放| 在现免费观看毛片| 色综合色国产| 狂野欧美激情性xxxx在线观看| 亚洲美女搞黄在线观看| 精品人妻偷拍中文字幕| 王馨瑶露胸无遮挡在线观看| 亚洲精华国产精华液的使用体验| 国产精品一及| 欧美丝袜亚洲另类| 天堂中文最新版在线下载| 国产精品久久久久久久久免| 五月开心婷婷网| 国产国拍精品亚洲av在线观看| 五月天丁香电影| 免费人成在线观看视频色| 亚洲美女黄色视频免费看| 丰满少妇做爰视频| 久久久久久久久久成人| 国产国拍精品亚洲av在线观看| 男人狂女人下面高潮的视频| 国产爱豆传媒在线观看| 丰满少妇做爰视频| 国产成人一区二区在线| 免费观看a级毛片全部| 99久久中文字幕三级久久日本| 国产男女内射视频| av一本久久久久| 久久人人爽av亚洲精品天堂 | 联通29元200g的流量卡| 国产一区二区三区综合在线观看 | 中文欧美无线码| 七月丁香在线播放| 91精品伊人久久大香线蕉| 91精品国产九色| 国产精品99久久久久久久久| 国内少妇人妻偷人精品xxx网站| 亚洲精品乱久久久久久| 亚洲国产最新在线播放| 丝瓜视频免费看黄片| 麻豆成人av视频| 欧美日韩一区二区视频在线观看视频在线| 永久网站在线| 欧美亚洲 丝袜 人妻 在线| 九九久久精品国产亚洲av麻豆| 搡女人真爽免费视频火全软件| 亚洲精品色激情综合| 女人十人毛片免费观看3o分钟| 日本欧美国产在线视频| 亚洲人成网站在线播| av专区在线播放| 一个人看的www免费观看视频| 自拍偷自拍亚洲精品老妇| 视频区图区小说| 国产黄片视频在线免费观看| 在线免费十八禁| 成人综合一区亚洲| .国产精品久久| 国产欧美另类精品又又久久亚洲欧美| 免费黄网站久久成人精品| 交换朋友夫妻互换小说| 午夜老司机福利剧场| 亚洲精品一二三| 亚洲av.av天堂| 国产视频内射| 国产永久视频网站| 婷婷色综合www| 亚洲在久久综合| 日日撸夜夜添| 老司机影院成人| videos熟女内射| 1000部很黄的大片| 一本久久精品| h日本视频在线播放| 亚洲一级一片aⅴ在线观看| 超碰97精品在线观看| 亚洲欧美一区二区三区黑人 | 少妇熟女欧美另类| 交换朋友夫妻互换小说| 国产亚洲精品久久久com| 久久精品国产亚洲av涩爱| 亚洲精品乱久久久久久| 97在线人人人人妻| 又大又黄又爽视频免费| 国产精品蜜桃在线观看| 只有这里有精品99| 在线免费观看不下载黄p国产| 欧美日韩综合久久久久久| 国产精品精品国产色婷婷| 久久国产精品男人的天堂亚洲 | 久久婷婷青草| 自拍欧美九色日韩亚洲蝌蚪91 | 亚洲经典国产精华液单| 国产黄片视频在线免费观看| 亚洲性久久影院| 有码 亚洲区| 涩涩av久久男人的天堂| 久久久久精品久久久久真实原创| 亚洲精品456在线播放app| 国产乱人视频| 精品一区二区三区视频在线| 你懂的网址亚洲精品在线观看| 91在线精品国自产拍蜜月| av专区在线播放| 一本—道久久a久久精品蜜桃钙片| 特大巨黑吊av在线直播| 亚洲天堂av无毛| 水蜜桃什么品种好| 永久免费av网站大全| 午夜老司机福利剧场| 免费大片黄手机在线观看| 舔av片在线| 精品一品国产午夜福利视频| 国产亚洲91精品色在线| 国产 一区 欧美 日韩| av国产免费在线观看| 最近2019中文字幕mv第一页| 欧美精品一区二区大全| 国产精品熟女久久久久浪| 国产高清不卡午夜福利| 精品久久久久久久末码| 女性生殖器流出的白浆| 91精品国产国语对白视频| 中文资源天堂在线| 一级毛片电影观看| 日韩一区二区视频免费看| 亚洲av.av天堂| 国产爽快片一区二区三区| 亚洲欧美日韩无卡精品| 建设人人有责人人尽责人人享有的 | 免费少妇av软件| 精品久久久久久电影网| 青春草国产在线视频| 精品人妻偷拍中文字幕| 国产美女午夜福利| 精品人妻偷拍中文字幕| 国产美女午夜福利| 亚洲激情五月婷婷啪啪| 日韩 亚洲 欧美在线| 成人毛片60女人毛片免费| 亚洲精品国产av成人精品| 亚洲经典国产精华液单| 午夜福利视频精品| 网址你懂的国产日韩在线| 亚洲,一卡二卡三卡| 精品少妇黑人巨大在线播放| av在线播放精品| 亚洲,欧美,日韩| 我要看日韩黄色一级片| 在线播放无遮挡| 国产亚洲最大av| 日韩欧美一区视频在线观看 | 成年美女黄网站色视频大全免费 | 天美传媒精品一区二区| 十八禁网站网址无遮挡 | 在线免费十八禁| 寂寞人妻少妇视频99o| 最后的刺客免费高清国语| 久久久久久久久久久免费av| av卡一久久| h日本视频在线播放| 91精品国产国语对白视频| 国产欧美亚洲国产| 女人十人毛片免费观看3o分钟| 日韩,欧美,国产一区二区三区| 一级二级三级毛片免费看| 免费看不卡的av| 欧美少妇被猛烈插入视频| 国产欧美日韩精品一区二区| a级毛片免费高清观看在线播放| 尤物成人国产欧美一区二区三区| av在线观看视频网站免费| 99久久综合免费| 精品亚洲乱码少妇综合久久| 亚洲av日韩在线播放| 嫩草影院新地址| av在线老鸭窝| 日韩人妻高清精品专区| 国产高清有码在线观看视频| 国产精品久久久久久精品古装| 夜夜看夜夜爽夜夜摸| 我要看日韩黄色一级片| 亚洲精品乱码久久久v下载方式| 亚洲av日韩在线播放| 天美传媒精品一区二区| 观看免费一级毛片| 亚洲av欧美aⅴ国产| 亚洲色图综合在线观看| av在线老鸭窝| 一区在线观看完整版| 日本欧美国产在线视频| 日韩国内少妇激情av| 中国三级夫妇交换| 午夜精品国产一区二区电影| 日本午夜av视频| 纯流量卡能插随身wifi吗| 日韩伦理黄色片| 丝瓜视频免费看黄片| 亚洲伊人久久精品综合| 人妻少妇偷人精品九色| 一个人看的www免费观看视频| 青青草视频在线视频观看| 日韩欧美一区视频在线观看 | 啦啦啦在线观看免费高清www| 亚洲av综合色区一区| 欧美三级亚洲精品| 91久久精品国产一区二区成人| 欧美老熟妇乱子伦牲交| 国产伦精品一区二区三区视频9| 婷婷色综合www| av视频免费观看在线观看| 又大又黄又爽视频免费| 日本欧美国产在线视频| 国产毛片在线视频| 五月伊人婷婷丁香| 欧美日韩国产mv在线观看视频 | av国产免费在线观看| 国语对白做爰xxxⅹ性视频网站| 赤兔流量卡办理| 色婷婷av一区二区三区视频| 少妇人妻精品综合一区二区| 国产成人精品久久久久久| 啦啦啦视频在线资源免费观看| 91狼人影院| 久久久精品94久久精品| 欧美老熟妇乱子伦牲交| 高清不卡的av网站| 99视频精品全部免费 在线| 婷婷色综合www| 永久免费av网站大全| 午夜激情福利司机影院| 欧美精品一区二区免费开放| 久久精品国产亚洲av天美| 一级毛片 在线播放| 成人综合一区亚洲| 久久影院123| 欧美人与善性xxx| 丰满迷人的少妇在线观看| 欧美人与善性xxx| 激情 狠狠 欧美| 久久久久久久久久成人| 18禁在线无遮挡免费观看视频| 精品国产一区二区三区久久久樱花 | 91精品国产九色| 又大又黄又爽视频免费| 国产精品久久久久久久久免| 一区二区av电影网| 欧美97在线视频| 噜噜噜噜噜久久久久久91| 亚洲精品一二三| 国产av国产精品国产| 黑丝袜美女国产一区| 中文乱码字字幕精品一区二区三区| 午夜福利网站1000一区二区三区| 亚洲人与动物交配视频| 国产真实伦视频高清在线观看| 国产精品久久久久久久久免| av免费在线看不卡| 丝袜喷水一区| 国产精品av视频在线免费观看| 天堂俺去俺来也www色官网| 边亲边吃奶的免费视频| 国产亚洲精品久久久com| 亚洲成人一二三区av| 精品少妇黑人巨大在线播放| 亚洲自偷自拍三级| 老女人水多毛片| 一本色道久久久久久精品综合| 午夜免费观看性视频| 久久影院123| 女性生殖器流出的白浆| 久久久色成人| 国产极品天堂在线| 99久久人妻综合| 国产一区亚洲一区在线观看| 国产精品不卡视频一区二区| 91久久精品国产一区二区三区| 日韩电影二区| 2018国产大陆天天弄谢| 亚洲人成网站高清观看| 日韩制服骚丝袜av| 99热这里只有精品一区| 亚洲欧美精品专区久久| 一级黄片播放器| 国产乱人视频| 国产人妻一区二区三区在| 永久免费av网站大全| 老司机影院成人| 亚洲欧美一区二区三区黑人 | 精品久久国产蜜桃| 日韩电影二区| 国产男女内射视频| 美女中出高潮动态图| 国产成人精品婷婷| 久久国产精品男人的天堂亚洲 | 亚洲欧美中文字幕日韩二区| 亚洲第一区二区三区不卡| 日韩免费高清中文字幕av| 老司机影院毛片| 嫩草影院入口| 人体艺术视频欧美日本| 伦精品一区二区三区| 激情五月婷婷亚洲| 国产成人精品一,二区| 777米奇影视久久| 成人综合一区亚洲| 亚洲内射少妇av| h视频一区二区三区| 黑人猛操日本美女一级片| 尾随美女入室| 免费观看性生交大片5| 成人高潮视频无遮挡免费网站| 日本av手机在线免费观看| 九草在线视频观看| 欧美成人一区二区免费高清观看| 天堂中文最新版在线下载| 亚洲欧美清纯卡通| 高清午夜精品一区二区三区| 国产亚洲精品久久久com| 亚洲欧美精品自产自拍| 高清欧美精品videossex| 欧美xxⅹ黑人| 女性被躁到高潮视频| 国产免费一级a男人的天堂| 免费观看的影片在线观看| 99精国产麻豆久久婷婷| 久久午夜福利片| 国产精品一区二区在线观看99| 久久6这里有精品| 欧美老熟妇乱子伦牲交| 亚洲精品国产色婷婷电影| 欧美老熟妇乱子伦牲交| 亚洲精品国产色婷婷电影| a级一级毛片免费在线观看| 成人影院久久| 国产精品人妻久久久久久| 国产黄片视频在线免费观看| 三级经典国产精品| 美女内射精品一级片tv| 国产有黄有色有爽视频| 在线免费十八禁| 边亲边吃奶的免费视频| 97精品久久久久久久久久精品| 亚洲av国产av综合av卡| 欧美3d第一页| 国产精品无大码| 在线亚洲精品国产二区图片欧美 | 国产久久久一区二区三区| 99久久精品热视频| 国产一区有黄有色的免费视频| 99热网站在线观看| 免费黄频网站在线观看国产| 国产精品人妻久久久影院| a级一级毛片免费在线观看| 国产视频首页在线观看| 亚洲无线观看免费| 久久人人爽av亚洲精品天堂 | 男女边吃奶边做爰视频| 99热这里只有是精品50| 亚洲伊人久久精品综合| 国产日韩欧美在线精品| 国产精品三级大全| 亚洲精华国产精华液的使用体验| 午夜免费鲁丝| 网址你懂的国产日韩在线| 夜夜骑夜夜射夜夜干| 大话2 男鬼变身卡| 免费黄色在线免费观看| av在线观看视频网站免费| 美女视频免费永久观看网站| 日韩伦理黄色片| 国产亚洲av片在线观看秒播厂| 自拍欧美九色日韩亚洲蝌蚪91 | 黄色配什么色好看| av国产久精品久网站免费入址| 日本黄大片高清| 99热全是精品| 欧美日韩精品成人综合77777| 高清毛片免费看| 大码成人一级视频| 人妻 亚洲 视频| 91在线精品国自产拍蜜月| 亚洲第一区二区三区不卡| 少妇熟女欧美另类| 欧美bdsm另类| 观看免费一级毛片| 久久97久久精品| 亚洲精品乱码久久久久久按摩| 国产在线一区二区三区精| 18禁在线播放成人免费| 人妻夜夜爽99麻豆av| 高清毛片免费看| 99九九线精品视频在线观看视频| 国产免费福利视频在线观看| 熟妇人妻不卡中文字幕| 成人漫画全彩无遮挡| 国产精品一区二区性色av| 亚洲不卡免费看| 亚洲av电影在线观看一区二区三区| 全区人妻精品视频| 91精品国产九色| 久久久精品94久久精品| 亚洲国产高清在线一区二区三| 成人二区视频| 男女边吃奶边做爰视频| 一级毛片黄色毛片免费观看视频| 如何舔出高潮| 国产精品欧美亚洲77777| 国产熟女欧美一区二区| 亚洲av不卡在线观看| 国国产精品蜜臀av免费| av.在线天堂| 久久久久久久大尺度免费视频| 多毛熟女@视频| av.在线天堂| 蜜桃久久精品国产亚洲av| 国产精品女同一区二区软件| 中文天堂在线官网| 精品亚洲成国产av| 亚洲aⅴ乱码一区二区在线播放| av在线观看视频网站免费|