• <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 ?

    基于功效特征的專利聚類方法

    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,可以提高其競爭力,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)從未在其他非專利文獻(xiàn)中發(fā)表過[1]。如果企業(yè)能夠利用好專利文獻(xiàn),可以減少投入,加速創(chuàng)新。

    專利聚類的目的是有效收集最新的專利資訊,以實(shí)現(xiàn)技術(shù)規(guī)避。近年來,為了更好地對(duì)專利進(jìn)行聚類,研究員們對(duì)專利進(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;但由于專利內(nèi)容較多,通過TF-IDF 生成的向量空間維度會(huì)隨著專利篇幅變多而升高,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利內(nèi)容中的大量語義信息,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,也將專利內(nèi)容的語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的增長而變得越來越弱,存在梯度爆炸和梯度消失等相關(guān)問題。門控循環(huán)單元(Gated Recurrent Unit,GRU)網(wǎng)絡(luò)結(jié)構(gòu)簡單,在處理因距離產(chǎn)生的依賴問題時(shí)效果也很好,因此Lyu等[7]將專利文獻(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)果表明該模型在專利文獻(xiàn)自動(dòng)分類上效果明顯。隨著注意力機(jī)制越來越多地用于深度學(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]通過專利分類號(hào)(International Patent Classification,IPC)對(duì)專利文獻(xiàn)進(jìn)行聚類,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)專利進(jìn)行分析,粒度很粗,實(shí)用性不大,無法實(shí)現(xiàn)跨領(lǐng)域的聚類。

    聚類算法方面:K-Means 聚類算法的起始點(diǎn)是隨機(jī)選擇的,具有不確定性,并導(dǎo)致聚類結(jié)果不穩(wěn)定;自組織神經(jīng)網(wǎng)絡(luò)(Self-Organizing Map,SOM)聚類算法的效果相對(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)合起來的聚類模型,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)置過多會(huì)導(dǎo)致類間區(qū)分度大,類內(nèi)密度低;設(shè)置過少會(huì)導(dǎo)致類間區(qū)分度小,類內(nèi)密度大。

    針對(duì)上述提到的問題,結(jié)合專利內(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?。‵unctional Effect Information-Joint,F(xiàn)EI-Joint)模型,由信息實(shí)體語義增強(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 分類信息粒度較粗,無法實(shí)現(xiàn)跨領(lǐng)域聚類的缺陷。

    2)在聚類方面,提出一種早期拒絕策略的類合并自組織神經(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)合類合并算法,調(diào)整聚類之后的結(jié)果,以確保獲得最佳類簇?cái)?shù)。此算法不僅減少聚類時(shí)間,且提升聚類效果。

    1 基于功效特征的專利聚類框架

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

    圖1 基于功效特征的專利聚類框架Fig.1 Patent clustering framework based on functional effect

    2 專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中,同時(shí)為了避免向量冗余,根據(jù)專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)一步浸潤材料”。

    2)標(biāo)注功效句。對(duì)于不是功效句的專利語句標(biāo)注0,是功效句的語句標(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]是通過對(duì)訓(xùn)練數(shù)據(jù)中的詞法結(jié)構(gòu)、語法結(jié)構(gòu),以及語義信息進(jìn)行統(tǒng)一建模,極大地增強(qiáng)了通用語義表示能力,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)練中判斷語句不屬于功效句,但其中包含有功效詞表中的詞語,就修正其為功效句。通過該模塊提取專利摘要中的功效句,以便后續(xù)使用。

    2.3 CNN模型

    在自然語言處理中使用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]。卷積層挖掘語句生成卷積層特征向量。池化層通過最大池化方法對(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

    本文通過FEI-Joint模型提取的功效特征作為聚類算法的輸入神經(jīng)元,彌補(bǔ)了詞與詞之間相互獨(dú)立,無法充分表達(dá)文本語言的不足。為了解決計(jì)算獲勝神經(jīng)元耗時(shí)的問題,本文提出的ERCM-SOM 通過對(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。為了獲得最佳類簇?cái)?shù),ERCM-SOM 算法在聚類結(jié)束后通過類合并算法修正聚類結(jié)果,獲得最佳聚類結(jié)果。

    3.1 ERCM-SOM算法

    SOM 是一種典型的無監(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)行基于專利功效特征的聚類,將不同功效信息的專利劃分到不同的類簇中,每一個(gè)類中包含多個(gè)具有相同功效信息的專利文獻(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)專利功效特征聚類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。

    具體過程如下:

    步驟1 將上一步所得到的專利文獻(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 類合并算法

    SOM 算法無須提前設(shè)置類簇?cái)?shù),輸出神經(jīng)元數(shù)量對(duì)聚類結(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)致類內(nèi)密度大,沒有區(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)致聚類密度低,類間區(qū)分度大。本文結(jié)合類合并思想,提出一種距離與密度相結(jié)合的類合并算法。算法偽代碼如算法3所示。

    算法3 類合并算法。

    輸入 SOM聚類中心點(diǎn)列表result,最優(yōu)類簇?cái)?shù)K。

    輸出 優(yōu)化后的聚類結(jié)果result。

    具體步驟如下:

    步驟1 將聚類得到的中心點(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;如滿足條件則將兩個(gè)原始類簇合并,重新劃分合并后的聚類。

    步驟6 如果類簇?cái)?shù)量等于K則停止計(jì)算輸出聚類結(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

    本文從已有專利數(shù)據(jù)庫中隨機(jī)選出共4 000 篇專利進(jìn)行實(shí)驗(yàn),每個(gè)領(lǐng)域的專利數(shù)量如表1 所示。提取專利的標(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50。專利標(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 專利數(shù)據(jù)集Tab.1 Patent dataset

    4.2 聚類評(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 值來衡量聚類方法的性能。針對(duì)專利功效信息設(shè)定了一個(gè)標(biāo)準(zhǔn)的聚類結(jié)果SP={SP1,SP2,…,SPN}。對(duì)應(yīng)實(shí)驗(yàn)結(jié)果聚類為P={P1,P2,…,PN},計(jì)算方式如下:

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

    F-measure 值為各個(gè)類的最大F-measure 值與該類的大小權(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TF-IDF 對(duì)專利文獻(xiàn)構(gòu)建詞向量,并利用ERCM-SOM聚類算法實(shí)現(xiàn)專利聚類。

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

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

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

    實(shí)驗(yàn)結(jié)果表明,本文提出的FEI-Joint 模型提高了聚類的F-measure 值。實(shí)驗(yàn)1 得到的效果最差,因?yàn)門F-IDF 只是使用了詞向量空間表征專利內(nèi)容特征,沒有包含其中豐富的語義信息,向量維度較大,因此聚類效果差,時(shí)間長。實(shí)驗(yàn)2 中,LDA 通過主題建模的技術(shù)挖掘?qū)@谋局袧撛诘闹黝}信息,相對(duì)實(shí)驗(yàn)1 來說,改善了聚類效果。實(shí)驗(yàn)3 中,CNN 對(duì)專利內(nèi)容提取局部特征,使聚類結(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,可提升聚類效果。

    4.5 聚類算法實(shí)驗(yàn)及分析

    為驗(yàn)證聚類算法的有效性,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,實(shí)驗(yàn)2 為SOM 聚類,實(shí)驗(yàn)3為ERCM-SOM聚類。F-measure值如圖5所示。

    圖5 聚類算法對(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)的選擇依賴性較強(qiáng),而SOM 算法和ERCM-SOM 算法通過動(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結(jié)果。ERCM-SOM算法通過類合并算法對(duì)聚類結(jié)果進(jìn)行修正,可以將相似且密度較低類簇進(jìn)行合并,優(yōu)化聚類結(jié)果。用4 000 篇專利進(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)元的過程中向量計(jì)算次數(shù)減少,因此聚類時(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)類簇?cái)?shù)為10 時(shí),聚類效果最好,當(dāng)類簇?cái)?shù)大于10或者小于10時(shí)聚類效果降低。

    4.6 跨領(lǐng)域聚類有效性分析

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

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

    5 結(jié)語

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

    專利內(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方法的融合,提高聚類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
    熟女av电影| 五月开心婷婷网| 国产成人免费无遮挡视频| 在线观看三级黄色| 汤姆久久久久久久影院中文字幕| 欧美三级亚洲精品| 国产老妇女一区| 国产成人精品一,二区| 超碰97精品在线观看| 国产精品99久久99久久久不卡 | 亚洲av福利一区| 麻豆久久精品国产亚洲av| 国产成人freesex在线| 成人美女网站在线观看视频| 热re99久久精品国产66热6| 久久久久性生活片| 卡戴珊不雅视频在线播放| 黑人高潮一二区| 亚洲精品乱久久久久久| 天天躁夜夜躁狠狠久久av| 99热这里只有是精品50| 久久久精品94久久精品| 亚洲经典国产精华液单| 在线观看一区二区三区激情| 校园人妻丝袜中文字幕| 一级毛片 在线播放| 日本午夜av视频| 亚洲精品亚洲一区二区| 日韩国内少妇激情av| 国产成人午夜福利电影在线观看| 天堂网av新在线| 久久久久久久国产电影| 国产一级毛片在线| 久久99热这里只频精品6学生| 久久久成人免费电影| 自拍偷自拍亚洲精品老妇| 亚洲欧美精品自产自拍| 黄色一级大片看看| 97超碰精品成人国产| 午夜免费观看性视频| 亚洲图色成人| 午夜激情福利司机影院| 午夜亚洲福利在线播放| 国产视频首页在线观看| 草草在线视频免费看| freevideosex欧美| av免费观看日本| 亚洲成人中文字幕在线播放| 亚洲av欧美aⅴ国产| 三级经典国产精品| 久久久久性生活片| 欧美xxxx性猛交bbbb| 色婷婷久久久亚洲欧美| 丰满少妇做爰视频| 免费不卡的大黄色大毛片视频在线观看| 亚洲成人精品中文字幕电影| 三级国产精品欧美在线观看| 精品熟女少妇av免费看| 亚洲经典国产精华液单| 国产精品久久久久久久电影| av.在线天堂| .国产精品久久| 国产精品.久久久| 看免费成人av毛片| 在线精品无人区一区二区三 | 亚洲av电影在线观看一区二区三区 | 91午夜精品亚洲一区二区三区| 精品人妻视频免费看| 国产精品成人在线| 三级经典国产精品| 国产精品一区二区在线观看99| www.av在线官网国产| 成人午夜精彩视频在线观看| 国产欧美日韩精品一区二区| 可以在线观看毛片的网站| 青春草视频在线免费观看| 丝袜喷水一区| 真实男女啪啪啪动态图| 亚洲天堂国产精品一区在线| 黑人高潮一二区| 国产男女超爽视频在线观看| 久久久久国产网址| 伦精品一区二区三区| 亚洲性久久影院| 99久久精品一区二区三区| 国产色爽女视频免费观看| 国产乱人偷精品视频| 观看免费一级毛片| 亚洲精品乱码久久久v下载方式| 五月天丁香电影| 国产美女午夜福利| 干丝袜人妻中文字幕| 久久久久网色| 精品人妻熟女av久视频| 国产老妇伦熟女老妇高清| 91精品伊人久久大香线蕉| 女人十人毛片免费观看3o分钟| 亚洲综合色惰| 日本午夜av视频| 99热国产这里只有精品6| 久久久久久伊人网av| 啦啦啦在线观看免费高清www| 日韩中字成人| 久久精品国产自在天天线| 草草在线视频免费看| 搡女人真爽免费视频火全软件| 欧美bdsm另类| 精品午夜福利在线看| 国产成人福利小说| 亚洲精品国产色婷婷电影| 国产成人免费观看mmmm| 99久久精品热视频| 国产精品久久久久久精品电影| 国产精品国产三级国产av玫瑰| 日韩av免费高清视频| 一级毛片电影观看| 26uuu在线亚洲综合色| eeuss影院久久| eeuss影院久久| 九九久久精品国产亚洲av麻豆| 亚洲精品自拍成人| 日韩av不卡免费在线播放| 亚洲av国产av综合av卡| .国产精品久久| 美女脱内裤让男人舔精品视频| 成人免费观看视频高清| 女人久久www免费人成看片| 成人亚洲欧美一区二区av| 一个人看的www免费观看视频| 极品教师在线视频| 亚洲精品一区蜜桃| 丝袜喷水一区| 国产探花在线观看一区二区| 大又大粗又爽又黄少妇毛片口| 观看免费一级毛片| 精品久久久噜噜| 免费看不卡的av| 免费大片黄手机在线观看| 观看免费一级毛片| 男人添女人高潮全过程视频| 97超碰精品成人国产| 直男gayav资源| av黄色大香蕉| 黑人高潮一二区| 一级毛片 在线播放| 国产男人的电影天堂91| 成人特级av手机在线观看| 亚洲欧美成人综合另类久久久| 日韩制服骚丝袜av| 日韩三级伦理在线观看| 麻豆国产97在线/欧美| 久久久久久久久大av| 一边亲一边摸免费视频| 最近中文字幕高清免费大全6| 一区二区三区免费毛片| 男人和女人高潮做爰伦理| 久久久久精品性色| 人妻系列 视频| 内地一区二区视频在线| av在线app专区| 人妻 亚洲 视频| 国产成人freesex在线| 插逼视频在线观看| 91午夜精品亚洲一区二区三区| 欧美xxⅹ黑人| 黄色日韩在线| 久久久久久九九精品二区国产| 黄片无遮挡物在线观看| 国产精品久久久久久精品电影| 国产一区二区三区av在线| 欧美bdsm另类| 日韩三级伦理在线观看| 麻豆国产97在线/欧美| 亚洲国产欧美人成| 18禁在线播放成人免费| 一本久久精品| 午夜激情福利司机影院| 国产一级毛片在线| 最近最新中文字幕大全电影3| 久热这里只有精品99| 国产日韩欧美亚洲二区| 久久精品国产鲁丝片午夜精品| 另类亚洲欧美激情| 黄色一级大片看看| 在线看a的网站| 自拍偷自拍亚洲精品老妇| 久久久成人免费电影| 97在线视频观看| 91久久精品国产一区二区成人| 最近2019中文字幕mv第一页| 狠狠精品人妻久久久久久综合| 国产精品久久久久久精品古装| 国产在线一区二区三区精| 亚洲三级黄色毛片| 亚洲欧美成人精品一区二区| 日本熟妇午夜| 1000部很黄的大片| 3wmmmm亚洲av在线观看| 国产精品三级大全| 嫩草影院新地址| 丝袜脚勾引网站| 国产精品熟女久久久久浪| 在线免费观看不下载黄p国产| 一级av片app| 又黄又爽又刺激的免费视频.| 搞女人的毛片| av天堂中文字幕网| 午夜福利在线在线| 日韩不卡一区二区三区视频在线| 国产亚洲最大av| 国产成人免费无遮挡视频| 男人和女人高潮做爰伦理| 亚洲成人一二三区av| 亚洲人成网站高清观看| 18禁动态无遮挡网站| 成人欧美大片| 成人亚洲精品一区在线观看 | 久久人人爽人人片av| 国产综合懂色| 久久久久久久国产电影| 秋霞伦理黄片| 成人高潮视频无遮挡免费网站| 国产免费一级a男人的天堂| 97人妻精品一区二区三区麻豆| 日韩大片免费观看网站| 在线观看美女被高潮喷水网站| videossex国产| 麻豆成人午夜福利视频| 日日啪夜夜爽| 精品少妇黑人巨大在线播放| 国产永久视频网站| 五月玫瑰六月丁香| 久久97久久精品| 国产一级毛片在线| 午夜视频国产福利| 欧美一级a爱片免费观看看| 免费看光身美女| 日韩一本色道免费dvd| 国产伦精品一区二区三区视频9| 亚洲综合色惰| 黄色怎么调成土黄色| 国产片特级美女逼逼视频| 熟妇人妻不卡中文字幕| 亚洲精华国产精华液的使用体验| 日本-黄色视频高清免费观看| 91久久精品电影网| 国产精品秋霞免费鲁丝片| 舔av片在线| 亚洲av免费高清在线观看| 成年人午夜在线观看视频| 国产爽快片一区二区三区| www.色视频.com| 国产av不卡久久| 国产免费一区二区三区四区乱码| 成人鲁丝片一二三区免费| 国产黄色视频一区二区在线观看| 晚上一个人看的免费电影| 欧美老熟妇乱子伦牲交| 欧美三级亚洲精品| 亚洲怡红院男人天堂| www.色视频.com| 久久精品久久精品一区二区三区| 午夜爱爱视频在线播放| 国产亚洲av片在线观看秒播厂| 亚洲欧美成人精品一区二区| 日本黄大片高清| 亚洲国产精品专区欧美| 综合色丁香网| 麻豆成人午夜福利视频| 丝瓜视频免费看黄片| av在线亚洲专区| 精品人妻偷拍中文字幕| 最近最新中文字幕免费大全7| av在线播放精品| 欧美xxxx性猛交bbbb| 国产淫片久久久久久久久| 高清在线视频一区二区三区| 国产探花极品一区二区| 神马国产精品三级电影在线观看| 中文精品一卡2卡3卡4更新| 亚洲国产欧美人成| 18禁在线无遮挡免费观看视频| 婷婷色av中文字幕| 亚洲在线观看片| 国产高清不卡午夜福利| 少妇被粗大猛烈的视频| 国产视频首页在线观看| 国产精品嫩草影院av在线观看| 尤物成人国产欧美一区二区三区| 少妇高潮的动态图| 亚洲av日韩在线播放| 亚洲真实伦在线观看| 最新中文字幕久久久久| 在线观看国产h片| 最近2019中文字幕mv第一页| 日本一本二区三区精品| 精品国产露脸久久av麻豆| 九九久久精品国产亚洲av麻豆| 天天躁日日操中文字幕| 免费看日本二区| 国产伦在线观看视频一区| 日韩一本色道免费dvd| 色哟哟·www| 水蜜桃什么品种好| 久久精品国产亚洲av天美| 成人高潮视频无遮挡免费网站| 国产午夜精品久久久久久一区二区三区| 欧美国产精品一级二级三级 | 亚洲精品一二三| 日日啪夜夜撸| 97在线视频观看| 国产精品久久久久久精品电影小说 | 亚洲熟女精品中文字幕| 亚洲av一区综合| 啦啦啦啦在线视频资源| 日日摸夜夜添夜夜添av毛片| 国产精品成人在线| 一级a做视频免费观看| 97热精品久久久久久| 亚洲久久久久久中文字幕| 久久鲁丝午夜福利片| 一区二区三区精品91| 搡老乐熟女国产| 性色av一级| 麻豆成人av视频| 久久99蜜桃精品久久| 中国国产av一级| 麻豆乱淫一区二区| 欧美日本视频| 日韩人妻高清精品专区| 国产亚洲午夜精品一区二区久久 | 白带黄色成豆腐渣| 精品久久久久久电影网| 国产成人福利小说| 久久国内精品自在自线图片| 老女人水多毛片| 熟女电影av网| 在线观看三级黄色| 王馨瑶露胸无遮挡在线观看| 国产亚洲一区二区精品| 国产精品人妻久久久久久| 亚洲精品,欧美精品| 国产精品爽爽va在线观看网站| av女优亚洲男人天堂| 午夜视频国产福利| 神马国产精品三级电影在线观看| 亚洲av电影在线观看一区二区三区 | 中文字幕免费在线视频6| 国产伦理片在线播放av一区| 制服丝袜香蕉在线| 亚洲精品色激情综合| 老司机影院成人| 夜夜爽夜夜爽视频| 亚洲精品乱码久久久久久按摩| 亚洲国产欧美人成| 午夜激情福利司机影院| 亚洲精品一二三| 亚洲精品日韩av片在线观看| 日日摸夜夜添夜夜爱| 丝瓜视频免费看黄片| 精品国产一区二区三区久久久樱花 | 久久久色成人| 夜夜爽夜夜爽视频| 亚洲欧美一区二区三区黑人 | 青春草亚洲视频在线观看| 伊人久久国产一区二区| 日本熟妇午夜| 国产黄频视频在线观看| 亚洲av一区综合| 欧美高清性xxxxhd video| 99视频精品全部免费 在线| 亚洲av免费在线观看| 亚洲欧美中文字幕日韩二区| 新久久久久国产一级毛片| 日本黄大片高清| 欧美少妇被猛烈插入视频| 欧美3d第一页| 亚洲国产日韩一区二区| 搡女人真爽免费视频火全软件| 国产亚洲av嫩草精品影院| 久久这里有精品视频免费| 免费看a级黄色片| 久久99热这里只频精品6学生| 晚上一个人看的免费电影| 国产男女超爽视频在线观看| 18禁裸乳无遮挡动漫免费视频 | 精品酒店卫生间| av免费在线看不卡| 国产人妻一区二区三区在| 精品视频人人做人人爽| 午夜福利在线观看免费完整高清在| 亚洲欧洲日产国产| 欧美丝袜亚洲另类| 九草在线视频观看| 色吧在线观看| 亚洲精品日本国产第一区| 免费看不卡的av| 在线观看一区二区三区| 一本久久精品| 80岁老熟妇乱子伦牲交| av.在线天堂| 久久久精品94久久精品| 亚洲精品乱码久久久v下载方式| 1000部很黄的大片| 美女xxoo啪啪120秒动态图| 晚上一个人看的免费电影| 美女脱内裤让男人舔精品视频| 一级a做视频免费观看| 国产亚洲一区二区精品| 人人妻人人爽人人添夜夜欢视频 | 一级a做视频免费观看| 三级国产精品片| 天天一区二区日本电影三级| 精品国产三级普通话版| 日韩亚洲欧美综合| 看黄色毛片网站| av免费观看日本| 毛片女人毛片| kizo精华| 少妇人妻 视频| 亚洲欧美中文字幕日韩二区| 亚洲,欧美,日韩| 爱豆传媒免费全集在线观看| 国产亚洲精品久久久com| 国产精品人妻久久久久久| 最新中文字幕久久久久| 五月天丁香电影| 小蜜桃在线观看免费完整版高清| 国产免费一级a男人的天堂| 国产精品女同一区二区软件| av在线app专区| 亚洲精品乱码久久久久久按摩| 久久97久久精品| 夜夜爽夜夜爽视频| 亚洲欧美日韩无卡精品| 成人无遮挡网站| 丝袜喷水一区| 三级国产精品欧美在线观看| 天美传媒精品一区二区| 国产 一区 欧美 日韩| av在线观看视频网站免费| 一级毛片我不卡| 男女无遮挡免费网站观看| 国产一区二区三区av在线| 婷婷色综合www| 久久亚洲国产成人精品v| 日韩大片免费观看网站| 毛片女人毛片| 精品视频人人做人人爽| 成人毛片60女人毛片免费| 丝袜美腿在线中文| 亚洲精品国产av蜜桃| 国产成人精品福利久久| 麻豆国产97在线/欧美| 中文字幕亚洲精品专区| 男女啪啪激烈高潮av片| 午夜老司机福利剧场| 日韩成人伦理影院| 一本色道久久久久久精品综合| 成人鲁丝片一二三区免费| 欧美三级亚洲精品| 青青草视频在线视频观看| 国产精品麻豆人妻色哟哟久久| 亚洲欧美精品专区久久| 欧美日韩视频高清一区二区三区二| 建设人人有责人人尽责人人享有的 | 亚洲精品日韩av片在线观看| 久久国内精品自在自线图片| 欧美+日韩+精品| 亚洲av免费在线观看| 亚洲精品中文字幕在线视频 | 亚洲精品乱久久久久久| 成年免费大片在线观看| 国产午夜福利久久久久久| 久久综合国产亚洲精品| 男女那种视频在线观看| av免费观看日本| 亚洲欧美中文字幕日韩二区| 老司机影院毛片| 亚洲国产欧美人成| av线在线观看网站| 国产精品福利在线免费观看| 99久久精品国产国产毛片| 伊人久久精品亚洲午夜| 啦啦啦在线观看免费高清www| 18禁动态无遮挡网站| 男女边摸边吃奶| 三级男女做爰猛烈吃奶摸视频| 日韩av在线免费看完整版不卡| 欧美xxxx黑人xx丫x性爽| 人妻一区二区av| 国产男人的电影天堂91| 成人亚洲精品av一区二区| 婷婷色麻豆天堂久久| 2021少妇久久久久久久久久久| 日本熟妇午夜| 欧美国产精品一级二级三级 | 亚洲精品,欧美精品| 日本一二三区视频观看| 成人免费观看视频高清| 搡老乐熟女国产| 国产免费又黄又爽又色| 亚洲欧洲国产日韩| 国产亚洲一区二区精品| 在线看a的网站| 亚洲高清免费不卡视频| 在线精品无人区一区二区三 | 啦啦啦在线观看免费高清www| 国产久久久一区二区三区| 国产精品成人在线| 国产精品久久久久久精品电影小说 | 男人爽女人下面视频在线观看| 国产男女超爽视频在线观看| 欧美一区二区亚洲| 秋霞伦理黄片| 国产精品人妻久久久影院| 亚洲人成网站在线播| 久久99蜜桃精品久久| 国产片特级美女逼逼视频| 国产高清不卡午夜福利| 久久久久久久精品精品| 国产精品国产av在线观看| 国产成年人精品一区二区| 亚洲久久久久久中文字幕| 国产亚洲5aaaaa淫片| av女优亚洲男人天堂| 国产免费福利视频在线观看| 精品久久久久久久末码| 伊人久久精品亚洲午夜| 亚洲av电影在线观看一区二区三区 | 99久久九九国产精品国产免费| 国产黄片视频在线免费观看| 国产成人freesex在线| 一级毛片久久久久久久久女| 午夜免费观看性视频| 国产一区二区亚洲精品在线观看| 欧美一级a爱片免费观看看| 日韩制服骚丝袜av| 久久精品久久久久久久性| 久久久久久九九精品二区国产| 亚洲人与动物交配视频| 在线精品无人区一区二区三 | 欧美另类一区| 精品一区二区三卡| 一级毛片 在线播放| 又爽又黄无遮挡网站| 亚洲av中文av极速乱| 国产精品一区www在线观看| 日本-黄色视频高清免费观看| 欧美日韩国产mv在线观看视频 | 国产探花极品一区二区| 在线观看国产h片| 久热这里只有精品99| 国国产精品蜜臀av免费| 可以在线观看毛片的网站| 18禁裸乳无遮挡动漫免费视频 | 国产 一区精品| 麻豆精品久久久久久蜜桃| 欧美精品人与动牲交sv欧美| 美女cb高潮喷水在线观看| .国产精品久久| 欧美成人a在线观看| www.av在线官网国产| 午夜福利视频精品| 看十八女毛片水多多多| 国产黄片视频在线免费观看| 日韩成人伦理影院| 亚洲精品国产色婷婷电影| 亚洲人成网站在线观看播放| 一级a做视频免费观看| 国产淫语在线视频| 一级a做视频免费观看| 男女无遮挡免费网站观看| 久久人人爽人人爽人人片va| 观看免费一级毛片| 一级毛片 在线播放| 国产色爽女视频免费观看| 亚洲国产精品专区欧美| 久久精品国产亚洲av天美| 少妇人妻 视频| 99热这里只有精品一区| 五月伊人婷婷丁香| 香蕉精品网在线| av免费观看日本| 特大巨黑吊av在线直播| 婷婷色综合大香蕉| 在线亚洲精品国产二区图片欧美 | 国产真实伦视频高清在线观看| 久久精品久久久久久久性| 日本与韩国留学比较| 建设人人有责人人尽责人人享有的 | 男插女下体视频免费在线播放| 亚洲成人av在线免费| 成人无遮挡网站| 国产有黄有色有爽视频| 春色校园在线视频观看| 免费观看av网站的网址| 亚洲av免费高清在线观看| 人妻夜夜爽99麻豆av| 久久久久九九精品影院| 熟女电影av网| 日本欧美国产在线视频| 亚洲电影在线观看av| 亚洲最大成人手机在线| 国产女主播在线喷水免费视频网站| 亚洲欧美中文字幕日韩二区| 纵有疾风起免费观看全集完整版| 亚洲欧美中文字幕日韩二区| 22中文网久久字幕| 国产乱来视频区| 精品人妻视频免费看| 亚洲精品国产av蜜桃| 五月伊人婷婷丁香| 九九爱精品视频在线观看| 亚洲av.av天堂|