• <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 ?

    基于多特征融合的智能客服模型①

    2021-08-02 11:09:06李美玲任亞偉孫軍梅李秀梅何鑫睿
    計算機系統(tǒng)應(yīng)用 2021年7期
    關(guān)鍵詞:語義特征融合

    李美玲,任亞偉,孫軍梅,李秀梅,何鑫睿

    (杭州師范大學 信息科學與工程學院,杭州 311121)

    1 引言

    隨著電子商務(wù)的快速興起,智能客服成為金融領(lǐng)域的一大研究熱點.智能客服的核心是快速、準確地回答用戶的咨詢問題.傳統(tǒng)的智能客服模型主要是計算用戶提問語句和知識庫語句的相似度,通過匹配的方式檢索出答案.盡管用戶提問語句和知識庫語句包含相似的關(guān)鍵詞,但語義邏輯卻可能截然不同[1],如表1所示.其中,Q 表示用戶提問語句,T 表示語義相同的語句一,F 表示語義不同的語句二.因此,智能客服模型中語句相似度的計算需要綜合考慮關(guān)鍵詞信息和語義邏輯信息.

    表1 語句例子

    句子相似度是實現(xiàn)智能客服的關(guān)鍵技術(shù),是文本相似度識別的子集[2].基于深度學習的方法是進行文本相似度計算的重要方法,它從不同角度提取文本中的信息,可以更大限度利用上下文信息,從而提高輸入表征的信息量,克服文本語義表示上的鴻溝問題,使計算結(jié)果更加準確.基于深度學習的方法利用Word2Vec[3]等詞向量方法將詞語轉(zhuǎn)化為詞向量后,輸入到神經(jīng)網(wǎng)絡(luò)模型中,得出句子的語義特征表示,再將語義特征表示送入全連接層或使用距離公式進行語義相似度計算.Hu 等將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[4]用于問題文本相似度計算中,分別對兩個句子用CNN 進行編碼,然后將編碼后的文本向量進行拼接,送入全連接網(wǎng)絡(luò)[5].Yin 等使用兩個獨立的帶有注意力最大值池化的字符級和單詞級CNN 模型進行相似度計算[6].CNN 在卷積層使用濾波器抽取文本特征,只能獲取濾波器窗口內(nèi)單詞間的依賴關(guān)系,無法獲取句子中所有單詞間的依賴信息,無法獲取整體結(jié)構(gòu)信息.與CNN 不同,循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)不僅考慮前一時刻的輸入,而且賦予網(wǎng)絡(luò)對前面內(nèi)容的記憶功能.Mueller 在詞向量的基礎(chǔ)上提出了使用長短時記憶(Long-Short Term Memory,LSTM)[7]神經(jīng)網(wǎng)絡(luò)提取句子的語義特征,并結(jié)合余弦距離計算獲得的句子向量的相似程度[8].由于單向長短時記憶神經(jīng)網(wǎng)絡(luò)只能捕獲前一時刻的信息,Neculoiu提出利用雙向長短時記憶神經(jīng)網(wǎng)絡(luò)(Bidirectional Longshort Term Memory,Bi-LSTM)[9]同時獲取上下文的信息,加強句子特征的提取[10].Bowman 等人使用時間遞歸神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)集SICK (Sentence Involving Compositional Knowledge)進行語義推理[11].紀明宇等人將門控循環(huán)網(wǎng)絡(luò)(Gated Neural Network,GRU)應(yīng)用在智能客服數(shù)據(jù)的相似度計算上取得了不錯的效果[12].

    循環(huán)神經(jīng)網(wǎng)絡(luò)如LSTM、GRU 編碼句子時,句子間的依賴程度會隨著距離增加而減弱.為彌補循環(huán)神經(jīng)網(wǎng)絡(luò)這一缺點,Hu 引入了注意力機制[13],其核心思想是通過給文本詞向量和其他隱藏表示向量分配不同的權(quán)重系數(shù)來突出對結(jié)果影響較大的特征.楊飛以單詞和句子為研究對象,提出Siamese-LSTM 模型融入注意力機制可以在高維的結(jié)構(gòu)空間中學習文本的豐富語義特征表示[14].Lin 等提出自注意力機制能編碼遠距離的依賴關(guān)系[15].Vaswani 等提出的基于自注意力的翻譯模型(Transformer)中采用的多頭注意力(multi-head attention)能集成不同子空間的信息提高編碼依賴關(guān)系的能力[16].胡艷霞等基于多頭注意力機制和Tree-LSTM的句子相似度計算,實現(xiàn)句子對間相關(guān)語義結(jié)構(gòu)特征的充分利用[17].

    本文面向金融證券領(lǐng)域智能客服,在文獻[8]所研究的Siamese 網(wǎng)絡(luò)的基礎(chǔ)上,引入多頭注意力機制提取不同語義空間中字詞間的依賴關(guān)系,提出多特征融合的句子相似度模型,更好地捕捉兩個句子語義中的上下文信息,進而更好地計算用戶提問語句和知識庫語句之間的相似度.本文主要貢獻有以下兩點:

    1)提出一種面向智能客服的句子相似度模型,該模型融合語義特征和詞形特征,其中詞形特征基于傳統(tǒng)統(tǒng)計特征方法實現(xiàn),極大保留了關(guān)鍵詞和詞頻相似度特征;語義特征基于深度學習方法實現(xiàn),能夠抽取文本全局結(jié)構(gòu)信息和深層語義信息,并且加入多頭注意力機制集成不同子空間的信息以理解字詞之間的依賴關(guān)系,更好地計算金融證券領(lǐng)域中用戶提問語句與知識庫語句之間的相似度.相比于傳統(tǒng)單一神經(jīng)網(wǎng)絡(luò)模型和基于注意力機制的神經(jīng)網(wǎng)絡(luò)模型,本文提出的多特征融合模型可以取得更好的相似度計算效果.

    2)利用網(wǎng)絡(luò)爬蟲技術(shù)抓取數(shù)據(jù),得到金融證券領(lǐng)域的用戶詢問數(shù)據(jù)集,并在該數(shù)據(jù)集基礎(chǔ)上運用數(shù)據(jù)增強技術(shù)[18]進行不同倍數(shù)的數(shù)據(jù)增強,利用數(shù)據(jù)增強后的數(shù)據(jù)集進一步驗證了本文提出的多特征融合模型的有效性和泛化能力.

    2 多特征融合模型

    本文面向金融證券領(lǐng)域,提出多特征融合模型用于計算智能客服中用戶提問語句和語料庫語句相似度.該模型綜合考慮語句的詞形特征和語義特征,利用關(guān)鍵詞信息和詞頻信息得到語句的詞形特征,利用語義信息得到語句的語義特征.模型具體結(jié)構(gòu)如圖1所示.

    圖1 多特征融合模型圖

    首先在預處理層,對用戶提問語句S1與語料庫語句S2進行去無用字符、去停用詞、中文糾錯、中文分詞等預處理操作,然后通過特征提取模塊分別獲得詞形特征矩陣和語義特征矩陣,并在特征融合層將詞形特征矩陣和語義特征矩陣按列拼接,之后輸入到分類層進行相似度判斷.最終將機器學習分類器分類結(jié)果作為兩個語句間多特征融合相似度判斷結(jié)果.多特征融合模型充分利用關(guān)鍵詞和詞頻方面信息提取兩個語句的詞形特征,以及深度學習方法提取兩個語句的語義特征.

    2.1 獲取語句詞形特征模塊

    該模塊由N-gram 算法[19]、編輯距離[20]和Jaccard[21]相似度3 種傳統(tǒng)統(tǒng)計特征方法構(gòu)成,用于獲取預處理層輸出語句的詞形特征矩陣.首先采用Ngram 算法,該算法是基于統(tǒng)計語言模型的經(jīng)典算法,但其只考察了語句對中詞出現(xiàn)的信息,沒有完全考慮詞之外的其他信息,例如語句間的編輯距離、相同詞的數(shù)量等.因此,本文在N-gram 算法基礎(chǔ)上,引入語句編輯距離差異和Jaccard 相似度作為影響因素.獲取詞形特征模塊分以下4個步驟進行:

    1)利用N-gram 算法得到語句S1和語句S2在詞序列方面的相似度特征,具體計算如下式所示:

    其中,S imS(S1,S2,n) 表示S1和S2基于不同階Ngram的句子相似度值,len1(n)和len2(n)分別是S1和S2的n元N-gram的個數(shù),意義在于計算兩個長度不同句子的相似度時引入一定的懲罰措施.SimN指計算兩個句子的對應(yīng)N-gram 集合之間的相似度,通過將文本里面的內(nèi)容按照字節(jié)進行大小為N的滑動窗口操作,形成長度為N的字節(jié)片段序列,然后通過計算公共子串[22]的比例來衡量相似度,這里N取3.

    2)通過動態(tài)規(guī)劃求S1轉(zhuǎn)換到S2的操作數(shù)(插入、刪除和替換)得到語句S1和語句S2在編輯距離方面的相似度特征.操作數(shù)越少則編輯距離越小,相似性越高.

    3)通過Jaccard 算法統(tǒng)計得到語句S1和語句S2在所含相同詞匯數(shù)量方面的相似度特征.通常,兩個句子中共同出現(xiàn)的詞語較多,即反應(yīng)了兩個句子間相同成分占的比例越大,則相似性越高,具體計算如下式所示:

    4)將獲得的N-gram 相似度矩陣、編輯距離相似度矩陣和Jaccard 相似度矩陣按列拼接獲得三特征融合的詞形特征矩陣.

    2.2 獲取語句語義特征模塊

    該模塊通過深度學習方法獲取預處理層輸出語句的語義特征矩陣.我們提出基于多頭注意力機制的神經(jīng)網(wǎng)絡(luò)模型LBMA (LSTM Based on Multi-head Attention),主要包括詞向量嵌入層、網(wǎng)絡(luò)編碼層、注意力交互層、語義特征融合層.如圖2所示,語句S1和語句S2經(jīng)過詞嵌入層將句子中的詞映射為對應(yīng)的詞向量,這里我們將位置信息映射為與詞向量相同維度的向量,位置編碼的目的是區(qū)分句子中詞的位置信息,計算公式如式(3)和式(4)所示,并將詞向量和位置編碼合并輸入網(wǎng)絡(luò)編碼層.

    圖2 LBMA 模型框架

    圖3為LBMA 模型中網(wǎng)絡(luò)編碼層、注意力交互層和語義特征融合層的詳細結(jié)構(gòu)圖.包含位置編碼的詞向量經(jīng)過LSTM 網(wǎng)絡(luò)和Bi-LSTM 網(wǎng)絡(luò)進行全局語義特征編碼表示,將LSTM 網(wǎng)絡(luò)輸出經(jīng)過點乘的方法送入CNN 網(wǎng)絡(luò)層充分提取句子間的相似特征信息,同時運用多頭注意力機制獲取LSTM 網(wǎng)絡(luò)輸出不同子空間的字詞依賴特征,其中多頭注意力計算過程如式(5)–式(7)所示,并將經(jīng)過多頭注意力機制重新語義編碼的向量全局平均池化后經(jīng)過余弦相似度和曼哈頓相似度兩個特征提取方法獲取深層語義特征,將Bi-LSTM網(wǎng)絡(luò)輸出經(jīng)過乘法、減法和最大值3個特征提取方法獲取差異特征,最終將以上特征通過矩陣拼接的方式進行語義特征融合.

    圖3 LBMA中網(wǎng)絡(luò)編碼層、注意力交互層和語義特征融合層的詳細結(jié)構(gòu)圖

    其中,pos表示詞語在句子中的位置,i表示詞向量的位置,%表示取余操作,dmodel表示詞向量維度.

    3 實驗

    3.1 數(shù)據(jù)集

    本文所采用的基礎(chǔ)數(shù)據(jù)集為2019“??当钡诎藢谜憬〈髮W生服務(wù)外包創(chuàng)新應(yīng)用大賽公共數(shù)據(jù)集.此外,我們通過Python 網(wǎng)絡(luò)爬蟲技術(shù)模擬瀏覽器行為的方式,從百度知道動態(tài)抓取數(shù)據(jù),對該基礎(chǔ)數(shù)據(jù)集進行擴充,得到金融證券領(lǐng)域用戶詢問數(shù)據(jù)集.通過人工標注的方法,將已有數(shù)據(jù)中每對相似語句標注為標簽1,作為正樣本數(shù)據(jù)集,即兩個句子同義;將已有數(shù)據(jù)中每對不相似語句標注為標簽0,作為負樣本數(shù)據(jù)集,即兩個句子異義.共獲取金融證券領(lǐng)域相關(guān)數(shù)據(jù)117588 條,其中數(shù)據(jù)正負樣本比為52877:64711,并將數(shù)據(jù)集中的60%作為訓練集,40%作為測試集.為驗證模型泛化能力,在盡量不改變語義的前提下,本文利用適合中文語料的4 種數(shù)據(jù)增強方法[18]擴充數(shù)據(jù)集.4 種方法為同義詞替換(Synonym Replacement,SR)、隨機插入(Random Insertion,RI)、隨機交換(Random Swap,RS)和隨機刪除(Random Deletion,RD),其中,SR是從句子中隨機選取n個不屬于停用詞表中的字詞,并隨機選擇其同義詞替換它們;RI是隨機找出句中某個不屬于停用詞表的詞,并求出其隨機的同義詞,將該同義詞插入句子的隨機位置,重復n次;RS是隨機的選擇句子兩個字詞并交換它們的位置,重復n次;RD是以每一條語料中改動的詞所占的比例p隨機刪除句子中的一個字詞,重復n次,其中,p和n均是人為設(shè)置的值.該數(shù)據(jù)增強技術(shù)生成類似于原始數(shù)據(jù)并引入一定程度噪聲的增強數(shù)據(jù),該方法有助于防止過擬合,其中同義詞替換和隨機插入操作會引入新的詞匯,允許模型泛化到那些在測試集中但不在訓練集中的字詞.

    3.2 評價指標

    實驗根據(jù)召回率(Recall,R)實際識別出的正確結(jié)果與數(shù)據(jù)庫中總的正確結(jié)果的百分比,如式(8);準確率(Accuracy,A)返回結(jié)果中所有預測正確結(jié)果占總樣本數(shù)的百分比,如式(9);F1 分數(shù)(F1-score)值為召回率(R)和精確率(P)的調(diào)和平均值,如式(11).3個評價指標的計算結(jié)果來評價算法計算相似度的性能.

    其中,TP為真正類(True Positive)即一個實例是正類且被預測為正類;FN為假負類(False Negative)即一個實例是正類但被預測為負類;FP為假正類即一個實例為負類但被預測為正類;TN為真負類(True Negative)即一個實例是負類且被預測為負類.

    3.3 超參數(shù)

    在本文的實驗中,詞向量采用Word2Vec 詞嵌入向量表示方法,其中每個詞向量維度為300 維,詞典大小為2.08 MB,Batch size 設(shè)置為512,激活函數(shù)采用Sigmoid,學習率設(shè)為0.001,代價函數(shù)選擇二元交叉熵(binary_crossentropy),為了緩解訓練中可能出現(xiàn)的過擬合問題,隨機失活率(dropout rate)設(shè)置為0.5,采用Adam 優(yōu)化方法,模型迭代次數(shù)(epoch)最大設(shè)為20,使用Earlystopping,多頭注意力機制中注意力個數(shù)設(shè)置為8.

    3.4 實驗及結(jié)果分析

    為驗證本文提出的詞形特征模塊有效性和語義特征模塊有效性,設(shè)置實驗1和實驗2;為驗證提出的多特征融合模型有效性,設(shè)置實驗3;為驗證數(shù)據(jù)增強方法有效性,設(shè)置實驗4,具體實驗結(jié)果如下.

    實驗1.基于詞形特征的語句相似度計算

    為驗證三詞形特征融合方法的有效性,我們分別用N-gram、編輯距離和Jaccard 相似度3 種基線方法和三詞形特征融合方法對測試集進行相似度計算,根據(jù)召回率、準確率和F1 值進行評價.當三詞形特征融合時,我們經(jīng)過多次對比實驗后選擇基于RBF 核的支持向量機分類器[23]進行分類判斷,設(shè)置閾值為0.8,將測試結(jié)果中大于閾值的數(shù)據(jù)歸為1 即判斷兩個語句同義,小于閾值的數(shù)據(jù)歸為0 即判斷兩個語句異義,并將分類器分類結(jié)果作為兩個語句間的詞形相似度判斷結(jié)果.各評價指標結(jié)果如表2所示.

    表2 詞形特征計算相似度的各評價指標結(jié)果(%)

    從表2可知,三詞形特征融合能提升效果,使召回率、準確率為、F1 值都提升到85%以上.

    實驗2.基于語義特征的語句相似度計算

    為驗證基于多頭注意力機制的神經(jīng)網(wǎng)絡(luò)模型LBMA的有效性和比較不同深度學習模型的效果,我們加入了Siamese-LSTM、Siamese-LSTM-Att和Siamese-LSTM-Self Att 三個基線模型進行對比,實驗采用五折交叉驗證的方式選取評價指標的平均值作為各評價指標結(jié)果,如表3所示,模型準確率對比曲線如圖4所示.

    表3 神經(jīng)網(wǎng)絡(luò)模型計算相似度的各評價指標結(jié)果(%)

    圖4 不同模型準確率的變化曲線

    從表3可知,Siamese-LSTM 模型準確率為84.19%,而加入注意力機制的Siamese-LSTM-Att 模型相比Siamese-LSTM 模型準確率提升了4.58%,可以看出局部注意力對于模型表現(xiàn)提升是有效的.加入自注意力機制的Siamese-LSTM-Self Att 相比Siamese-LSTM 模型提升了6.82%,表明自注意力機制更能捕捉句子中的語義特征.此外,LBMA 相比Siamese-LSTM 模型提升了10.24%,可以看出基于多頭注意力的神經(jīng)網(wǎng)絡(luò)模型LBMA 提取語義特征能力更強.

    從圖4可知,我們的模型在第2個epoch 時就達到了90%的準確率,并在第8個epoch 開始緩慢提升,模型接近收斂點,證明我們的基于多頭注意力機制的神經(jīng)網(wǎng)絡(luò)模型收斂速度明顯快于其他的模型.

    實驗3.多特征融合模型相似度計算

    為驗證多特征融合模型的有效性,進行多特征融合模型相似度計算實驗,該實驗結(jié)果與三詞形特征融合模型和語義特征模型LBMA 結(jié)果相比較,各評價指標結(jié)果如表4所示.

    表4 不同模型計算相似度的各評價指標結(jié)果(%)

    從表4可知,多特征融合模型計算結(jié)果高于三詞形特征融合模型和語義特征模型LBMA 計算結(jié)果,因此多特征融合方法對于金融證券領(lǐng)域句子相似度計算是有效的.

    實驗4.數(shù)據(jù)增強有效性驗證

    為驗證數(shù)據(jù)增強方法有效性,進行數(shù)據(jù)增強實驗,并將該實驗結(jié)果與原數(shù)據(jù)集實驗結(jié)果相比較.數(shù)據(jù)增強方法如下,本文借助外部Synonyms 知識庫引入新的中文詞匯,實現(xiàn)4 種數(shù)據(jù)增強方法中同義詞替換和隨機插入操作,然后設(shè)置對于每一條語料增強的數(shù)據(jù)量n和每一條語料中改動的詞所占的比例p,并在原始數(shù)據(jù)的基礎(chǔ)上對于每一條語料分別通過4 種數(shù)據(jù)增強方法獲得4n條增強數(shù)據(jù),并將4n條數(shù)據(jù)打亂順序后選出前n條并保留原始數(shù)據(jù)為最終數(shù)據(jù).具體地,我們兩次運用數(shù)據(jù)增強技術(shù),其中比例p都設(shè)置為0.1,n分別設(shè)置為1和4,即每條數(shù)據(jù)分別增強1 條和4 條并保留原數(shù)據(jù),分別擴充至235176 條(2 倍)和587940 條(5 倍),與原數(shù)據(jù)集進行對比實驗,多特征融合模型中的機器學習分類器經(jīng)過多次對比實驗后選擇基于RBF核的支持向量機,數(shù)據(jù)增強后各評價指標結(jié)果如表5.

    表5 多特征融合模型數(shù)據(jù)增強后各評價指標結(jié)果(%)

    從表5可知,多特征融合模型在數(shù)據(jù)增強后召回率、準確率和F1 值均有所提升,說明數(shù)據(jù)增強方法對于該數(shù)據(jù)集是有效的,可以提升模型泛化能力,進一步說明模型對于增強的那一部分數(shù)據(jù)的特征提取效果更好.

    4 總結(jié)

    本文為提高金融證券領(lǐng)域客服的智能性,提出融合詞形特征和語義特征的句子相似度計算模型,其中詞形特征考慮了N-gram 相似度、編輯距離、Jaccard相似度三種詞形信息,并提出基于多頭注意力機制的神經(jīng)網(wǎng)絡(luò)模型LBMA 提取句子間的語義特征.實驗結(jié)果表明,與單一神經(jīng)網(wǎng)絡(luò)模型和基于注意力的神經(jīng)網(wǎng)絡(luò)模型相比,LBMA的性能有所提升,且多特征融合模型在客服數(shù)據(jù)中也獲得了較好的效果.為驗證數(shù)據(jù)增強方法對于多特征融合模型的有效性,我們在盡量不改變語義信息的前提下使用數(shù)據(jù)增強方法擴充數(shù)據(jù)集進行對比實驗,進一步提升了多特征融合模型的句子相似度計算效果.

    猜你喜歡
    語義特征融合
    村企黨建聯(lián)建融合共贏
    融合菜
    從創(chuàng)新出發(fā),與高考數(shù)列相遇、融合
    《融合》
    語言與語義
    如何表達“特征”
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    抓住特征巧觀察
    “上”與“下”語義的不對稱性及其認知闡釋
    認知范疇模糊與語義模糊
    久久久国产欧美日韩av| 亚洲国产欧美一区二区综合| 欧美色欧美亚洲另类二区| 精品久久久久久久久久免费视频| 免费无遮挡裸体视频| 亚洲真实伦在线观看| 丰满人妻一区二区三区视频av | 免费大片18禁| 亚洲欧美激情综合另类| netflix在线观看网站| 在线a可以看的网站| 欧美在线黄色| 99国产精品一区二区蜜桃av| 成熟少妇高潮喷水视频| 熟妇人妻久久中文字幕3abv| 精华霜和精华液先用哪个| 淫秽高清视频在线观看| 熟女人妻精品中文字幕| 国产欧美日韩精品一区二区| 国产高潮美女av| 色吧在线观看| 国产成人影院久久av| 国产久久久一区二区三区| 欧美绝顶高潮抽搐喷水| 五月伊人婷婷丁香| 亚洲国产精品成人综合色| 国内精品久久久久久久电影| 国产伦一二天堂av在线观看| 精华霜和精华液先用哪个| 午夜亚洲福利在线播放| 欧美成人免费av一区二区三区| 亚洲国产日韩欧美精品在线观看 | 女生性感内裤真人,穿戴方法视频| 在线观看午夜福利视频| 国产精品一区二区免费欧美| 国产精品亚洲一级av第二区| 99精品欧美一区二区三区四区| 麻豆av在线久日| 成熟少妇高潮喷水视频| 亚洲午夜精品一区,二区,三区| 天天躁狠狠躁夜夜躁狠狠躁| 岛国在线免费视频观看| 欧美国产日韩亚洲一区| 精品福利观看| 精品乱码久久久久久99久播| 一级作爱视频免费观看| 久久久久久久久中文| ponron亚洲| 免费高清视频大片| 后天国语完整版免费观看| 国产综合懂色| 国产视频一区二区在线看| 国产精品久久久久久精品电影| 国产成人精品久久二区二区91| 久久久国产成人精品二区| 国产熟女xx| 精品人妻1区二区| 精品久久久久久久毛片微露脸| 熟女人妻精品中文字幕| 亚洲成av人片在线播放无| 精品电影一区二区在线| 女生性感内裤真人,穿戴方法视频| 成人性生交大片免费视频hd| 久久精品国产综合久久久| 久久精品人妻少妇| 久久中文字幕人妻熟女| 亚洲av电影不卡..在线观看| 女同久久另类99精品国产91| 免费高清视频大片| 国产日本99.免费观看| 中文字幕av在线有码专区| 91字幕亚洲| 琪琪午夜伦伦电影理论片6080| 精品熟女少妇八av免费久了| 好看av亚洲va欧美ⅴa在| 最好的美女福利视频网| 我要搜黄色片| www国产在线视频色| 日韩国内少妇激情av| 巨乳人妻的诱惑在线观看| 一个人免费在线观看电影 | 丰满的人妻完整版| 一本一本综合久久| 久久久久久久久中文| 日本五十路高清| 黄色视频,在线免费观看| aaaaa片日本免费| 国产亚洲精品综合一区在线观看| 精品久久久久久,| 国产黄色小视频在线观看| 久久草成人影院| 亚洲最大成人中文| 久久天堂一区二区三区四区| av女优亚洲男人天堂 | 国产成人精品久久二区二区91| 亚洲男人的天堂狠狠| 亚洲av五月六月丁香网| 精品国产美女av久久久久小说| 午夜福利在线观看吧| av黄色大香蕉| 我的老师免费观看完整版| 免费高清视频大片| 欧美3d第一页| 久久国产精品影院| 女生性感内裤真人,穿戴方法视频| 国产成人aa在线观看| 久久午夜综合久久蜜桃| 成人高潮视频无遮挡免费网站| 欧美av亚洲av综合av国产av| 九色成人免费人妻av| 久久九九热精品免费| 国内精品久久久久精免费| 亚洲专区中文字幕在线| 搡老妇女老女人老熟妇| 最新美女视频免费是黄的| 亚洲电影在线观看av| 一二三四社区在线视频社区8| 成人av在线播放网站| 国产亚洲精品综合一区在线观看| 草草在线视频免费看| 18美女黄网站色大片免费观看| 制服人妻中文乱码| 又粗又爽又猛毛片免费看| 最近视频中文字幕2019在线8| 国产麻豆成人av免费视频| xxxwww97欧美| www.自偷自拍.com| 国产真人三级小视频在线观看| 国产av一区在线观看免费| 窝窝影院91人妻| 欧美绝顶高潮抽搐喷水| 欧美日韩乱码在线| 最近视频中文字幕2019在线8| 欧美一区二区国产精品久久精品| 亚洲黑人精品在线| 最近在线观看免费完整版| 操出白浆在线播放| 熟女少妇亚洲综合色aaa.| 日本在线视频免费播放| 久久久久久久久中文| 女同久久另类99精品国产91| 国产三级中文精品| 男女下面进入的视频免费午夜| 一进一出好大好爽视频| 国产精品自产拍在线观看55亚洲| 欧美极品一区二区三区四区| 亚洲中文字幕一区二区三区有码在线看 | 搡老妇女老女人老熟妇| 天堂网av新在线| 亚洲精品在线观看二区| 一个人观看的视频www高清免费观看 | 国产亚洲精品久久久久久毛片| 亚洲18禁久久av| 午夜激情欧美在线| 757午夜福利合集在线观看| 黄色女人牲交| 免费在线观看亚洲国产| 国产精品1区2区在线观看.| 久久精品aⅴ一区二区三区四区| 亚洲欧美日韩卡通动漫| 精品久久蜜臀av无| 成年女人看的毛片在线观看| 欧美黄色片欧美黄色片| 嫩草影院入口| 国产成人精品久久二区二区免费| www日本黄色视频网| 这个男人来自地球电影免费观看| 亚洲午夜理论影院| 国产精品香港三级国产av潘金莲| 欧美日韩福利视频一区二区| 一个人看的www免费观看视频| 岛国视频午夜一区免费看| 国产成人av教育| 天天一区二区日本电影三级| 欧美午夜高清在线| 亚洲国产色片| 一个人看视频在线观看www免费 | 午夜精品在线福利| 亚洲午夜精品一区,二区,三区| 88av欧美| 成熟少妇高潮喷水视频| 此物有八面人人有两片| 丝袜人妻中文字幕| 国产精品99久久久久久久久| 老汉色av国产亚洲站长工具| 欧美3d第一页| 国产高潮美女av| 日日干狠狠操夜夜爽| 久久人妻av系列| 欧美+亚洲+日韩+国产| 91久久精品国产一区二区成人 | 亚洲av片天天在线观看| 国产主播在线观看一区二区| 免费在线观看亚洲国产| 999久久久精品免费观看国产| 亚洲狠狠婷婷综合久久图片| 99热这里只有是精品50| 欧美在线黄色| 很黄的视频免费| 国产黄片美女视频| 俄罗斯特黄特色一大片| 欧美最黄视频在线播放免费| 91av网一区二区| 久久午夜亚洲精品久久| 亚洲一区二区三区不卡视频| 亚洲精品粉嫩美女一区| 精品久久久久久成人av| av天堂在线播放| 中国美女看黄片| 亚洲av成人一区二区三| 国产伦精品一区二区三区视频9 | 成人18禁在线播放| 最好的美女福利视频网| 欧美色视频一区免费| 欧美乱色亚洲激情| www.999成人在线观看| 老司机午夜福利在线观看视频| 夜夜看夜夜爽夜夜摸| 一个人免费在线观看的高清视频| 国产人伦9x9x在线观看| 丁香欧美五月| 国产麻豆成人av免费视频| 天天一区二区日本电影三级| 噜噜噜噜噜久久久久久91| 蜜桃久久精品国产亚洲av| 好男人电影高清在线观看| 日韩av在线大香蕉| 欧美乱色亚洲激情| 午夜福利免费观看在线| 国内久久婷婷六月综合欲色啪| 午夜福利高清视频| 日韩av在线大香蕉| 国产欧美日韩精品一区二区| 在线免费观看的www视频| 又爽又黄无遮挡网站| 国产99白浆流出| 亚洲av第一区精品v没综合| 99精品在免费线老司机午夜| 国产欧美日韩一区二区三| 精品无人区乱码1区二区| 又紧又爽又黄一区二区| 国产精品自产拍在线观看55亚洲| 国产欧美日韩精品一区二区| 九九久久精品国产亚洲av麻豆 | 国内精品美女久久久久久| 岛国在线免费视频观看| 国产伦一二天堂av在线观看| 亚洲无线在线观看| 亚洲欧美日韩高清在线视频| 美女免费视频网站| 成人av在线播放网站| 亚洲专区国产一区二区| 91在线精品国自产拍蜜月 | 国产乱人视频| 午夜精品在线福利| 国产亚洲精品久久久久久毛片| 一个人免费在线观看电影 | 亚洲精品中文字幕一二三四区| 精品国内亚洲2022精品成人| 国产91精品成人一区二区三区| 又爽又黄无遮挡网站| 成人av一区二区三区在线看| 男插女下体视频免费在线播放| 老司机深夜福利视频在线观看| 一二三四社区在线视频社区8| www.精华液| 亚洲av成人不卡在线观看播放网| tocl精华| 国产亚洲精品久久久久久毛片| 亚洲av中文字字幕乱码综合| 男女做爰动态图高潮gif福利片| 非洲黑人性xxxx精品又粗又长| 国产精品久久久久久久电影 | 非洲黑人性xxxx精品又粗又长| 亚洲国产高清在线一区二区三| 男女之事视频高清在线观看| 天堂av国产一区二区熟女人妻| 宅男免费午夜| 国产精品久久电影中文字幕| 欧美av亚洲av综合av国产av| 色视频www国产| 在线a可以看的网站| 男女之事视频高清在线观看| 欧美乱码精品一区二区三区| 久久久久久大精品| 国产欧美日韩精品一区二区| 长腿黑丝高跟| 国产又黄又爽又无遮挡在线| 国产精品av视频在线免费观看| 国产亚洲欧美98| 亚洲一区二区三区色噜噜| 岛国在线免费视频观看| 精品久久久久久久人妻蜜臀av| 久久中文看片网| 成人亚洲精品av一区二区| 亚洲精品在线观看二区| 99精品久久久久人妻精品| 在线观看免费视频日本深夜| 最近最新免费中文字幕在线| 精品福利观看| 两个人视频免费观看高清| 国产成人精品久久二区二区免费| 亚洲国产欧美人成| 国产欧美日韩精品一区二区| 亚洲18禁久久av| 久久久久精品国产欧美久久久| 美女大奶头视频| 狂野欧美白嫩少妇大欣赏| 亚洲 欧美 日韩 在线 免费| 男插女下体视频免费在线播放| 免费无遮挡裸体视频| 少妇裸体淫交视频免费看高清| 国产av麻豆久久久久久久| 久久中文看片网| 日韩欧美在线二视频| 国产精品久久久av美女十八| 国产69精品久久久久777片 | svipshipincom国产片| 少妇人妻一区二区三区视频| 最新在线观看一区二区三区| 亚洲成人精品中文字幕电影| 国产视频内射| 亚洲美女黄片视频| 在线观看免费午夜福利视频| 国内少妇人妻偷人精品xxx网站 | 亚洲真实伦在线观看| 熟女人妻精品中文字幕| 99久久久亚洲精品蜜臀av| 桃红色精品国产亚洲av| 九九在线视频观看精品| 久久久久国内视频| 一级黄色大片毛片| 久久久久国内视频| 全区人妻精品视频| 国产精品 国内视频| 又黄又爽又免费观看的视频| 亚洲aⅴ乱码一区二区在线播放| 国产亚洲精品一区二区www| 欧美性猛交黑人性爽| 成人一区二区视频在线观看| 亚洲熟妇熟女久久| 成人一区二区视频在线观看| 国产三级黄色录像| 中文字幕高清在线视频| 亚洲无线在线观看| 一区二区三区国产精品乱码| 九九热线精品视视频播放| 一级毛片精品| 国产精品九九99| 成人一区二区视频在线观看| 琪琪午夜伦伦电影理论片6080| 亚洲 欧美一区二区三区| 日本精品一区二区三区蜜桃| 国产成人av激情在线播放| 岛国视频午夜一区免费看| 欧美大码av| 国产免费av片在线观看野外av| 国产成人啪精品午夜网站| av国产免费在线观看| 最新在线观看一区二区三区| 91av网一区二区| 亚洲精品456在线播放app | 中文在线观看免费www的网站| 日本 av在线| 特大巨黑吊av在线直播| 国内揄拍国产精品人妻在线| 欧洲精品卡2卡3卡4卡5卡区| 男女做爰动态图高潮gif福利片| 亚洲国产中文字幕在线视频| 久久天堂一区二区三区四区| 99热这里只有是精品50| 亚洲熟妇熟女久久| 人人妻人人看人人澡| 成年女人永久免费观看视频| 一级毛片高清免费大全| 国产一区二区三区在线臀色熟女| 国产亚洲精品一区二区www| 俄罗斯特黄特色一大片| 天天一区二区日本电影三级| 免费人成视频x8x8入口观看| 婷婷精品国产亚洲av| 夜夜爽天天搞| 国产精品99久久99久久久不卡| 国产精品 国内视频| 亚洲精品一卡2卡三卡4卡5卡| 色播亚洲综合网| 欧美日韩精品网址| 久久久久九九精品影院| 国产一级毛片七仙女欲春2| 青草久久国产| av在线蜜桃| 真人一进一出gif抽搐免费| 亚洲成人久久性| 麻豆成人午夜福利视频| 大型黄色视频在线免费观看| aaaaa片日本免费| 午夜福利18| 成人鲁丝片一二三区免费| 搡老岳熟女国产| 欧美一级毛片孕妇| 男女做爰动态图高潮gif福利片| 亚洲第一电影网av| 99热只有精品国产| 啦啦啦观看免费观看视频高清| 久久精品影院6| 日日夜夜操网爽| 久久香蕉国产精品| 国产午夜精品论理片| 少妇裸体淫交视频免费看高清| 亚洲最大成人中文| 成人无遮挡网站| 在线观看免费视频日本深夜| 99在线视频只有这里精品首页| 黄色 视频免费看| 99精品久久久久人妻精品| 97碰自拍视频| 国产v大片淫在线免费观看| 最新中文字幕久久久久 | 美女大奶头视频| 一卡2卡三卡四卡精品乱码亚洲| 在线观看一区二区三区| 观看免费一级毛片| 国产精品九九99| 亚洲国产日韩欧美精品在线观看 | 中出人妻视频一区二区| 999久久久国产精品视频| 免费观看人在逋| 午夜久久久久精精品| 此物有八面人人有两片| 亚洲一区高清亚洲精品| 欧美在线黄色| 高清在线国产一区| 三级男女做爰猛烈吃奶摸视频| 日本a在线网址| 亚洲av五月六月丁香网| 禁无遮挡网站| 国产三级中文精品| 色综合欧美亚洲国产小说| 国产免费av片在线观看野外av| 真实男女啪啪啪动态图| 久久久久久国产a免费观看| 亚洲成av人片在线播放无| 黄频高清免费视频| 小说图片视频综合网站| 欧美色视频一区免费| 亚洲av成人不卡在线观看播放网| 婷婷丁香在线五月| 国产精品,欧美在线| 国内精品久久久久精免费| 91麻豆av在线| 国产免费av片在线观看野外av| 亚洲av成人精品一区久久| 免费高清视频大片| 亚洲无线观看免费| 国产精品 国内视频| 一区二区三区激情视频| 操出白浆在线播放| 成人国产一区最新在线观看| 国产精品亚洲av一区麻豆| 久久亚洲精品不卡| 看免费av毛片| 在线观看美女被高潮喷水网站 | 日韩欧美在线二视频| 日本精品一区二区三区蜜桃| 国产亚洲精品av在线| 18禁美女被吸乳视频| 黄色日韩在线| 99在线视频只有这里精品首页| 午夜福利在线在线| 美女扒开内裤让男人捅视频| 在线免费观看的www视频| 看片在线看免费视频| 日本免费a在线| 久久国产精品影院| 女警被强在线播放| 啦啦啦免费观看视频1| 一本精品99久久精品77| 久久久久久国产a免费观看| 免费在线观看视频国产中文字幕亚洲| 亚洲精华国产精华精| 两个人的视频大全免费| 色视频www国产| 国产伦精品一区二区三区视频9 | 无限看片的www在线观看| 免费人成视频x8x8入口观看| av在线蜜桃| 色视频www国产| 久久久成人免费电影| 夜夜躁狠狠躁天天躁| 听说在线观看完整版免费高清| 欧美日韩瑟瑟在线播放| 国产精华一区二区三区| 女人高潮潮喷娇喘18禁视频| 高清在线国产一区| 久久精品综合一区二区三区| 成人国产综合亚洲| 99在线视频只有这里精品首页| 欧美日本亚洲视频在线播放| 伦理电影免费视频| 午夜福利免费观看在线| 国语自产精品视频在线第100页| 亚洲欧美日韩高清专用| 日本与韩国留学比较| 高清在线国产一区| 成人特级av手机在线观看| 日韩精品中文字幕看吧| a在线观看视频网站| 国产精品影院久久| 黄色丝袜av网址大全| 国产一区二区在线av高清观看| 超碰成人久久| 亚洲成av人片免费观看| 国产野战对白在线观看| av黄色大香蕉| 国产一区二区三区在线臀色熟女| 免费av不卡在线播放| 午夜精品久久久久久毛片777| 午夜福利18| 久久人妻av系列| 天天添夜夜摸| 欧美日韩综合久久久久久 | 国产99白浆流出| 最新在线观看一区二区三区| 国产精品,欧美在线| 久久精品国产综合久久久| 18美女黄网站色大片免费观看| 男人舔女人的私密视频| 校园春色视频在线观看| 久久精品影院6| 在线十欧美十亚洲十日本专区| 成年人黄色毛片网站| 在线视频色国产色| 高潮久久久久久久久久久不卡| 一个人免费在线观看电影 | 色视频www国产| 国产精品免费一区二区三区在线| 久久久久免费精品人妻一区二区| 18禁裸乳无遮挡免费网站照片| 亚洲精品在线观看二区| 日韩欧美国产在线观看| 久久中文字幕人妻熟女| 日本黄色视频三级网站网址| 国产精品亚洲av一区麻豆| 亚洲av免费在线观看| 熟妇人妻久久中文字幕3abv| 久久久色成人| 国产一区二区在线观看日韩 | 免费看光身美女| 男人和女人高潮做爰伦理| 18禁黄网站禁片免费观看直播| 人妻丰满熟妇av一区二区三区| 国产黄色小视频在线观看| 国产一区二区三区视频了| 精品久久蜜臀av无| 国产av不卡久久| 成人国产综合亚洲| 国产麻豆成人av免费视频| 国产蜜桃级精品一区二区三区| 日韩欧美在线乱码| a在线观看视频网站| 午夜福利18| 亚洲在线观看片| 午夜亚洲福利在线播放| 我的老师免费观看完整版| 欧美极品一区二区三区四区| 琪琪午夜伦伦电影理论片6080| 亚洲欧美精品综合一区二区三区| 99久久国产精品久久久| 午夜免费观看网址| 国产精品99久久久久久久久| 麻豆国产av国片精品| 精华霜和精华液先用哪个| 窝窝影院91人妻| 亚洲精华国产精华精| 国产av在哪里看| 精品久久久久久久久久免费视频| 欧美成人性av电影在线观看| 一区二区三区高清视频在线| 法律面前人人平等表现在哪些方面| 亚洲无线在线观看| 中文亚洲av片在线观看爽| 美女高潮的动态| 老汉色av国产亚洲站长工具| 精品福利观看| 99久久精品国产亚洲精品| 丰满人妻一区二区三区视频av | 久久精品91蜜桃| 国产v大片淫在线免费观看| 亚洲精品国产精品久久久不卡| 曰老女人黄片| 免费在线观看亚洲国产| 深夜精品福利| 在线十欧美十亚洲十日本专区| 国产美女午夜福利| 宅男免费午夜| 757午夜福利合集在线观看| 99久久国产精品久久久| 国产精品免费一区二区三区在线| 国产精品乱码一区二三区的特点| 一进一出抽搐动态| 国产精品,欧美在线| www日本在线高清视频| 狂野欧美白嫩少妇大欣赏| 国产精品,欧美在线| 757午夜福利合集在线观看| 无人区码免费观看不卡| 久久精品国产清高在天天线| 成人永久免费在线观看视频| av女优亚洲男人天堂 | 真人做人爱边吃奶动态| 俺也久久电影网| 亚洲国产看品久久| netflix在线观看网站| 亚洲欧美日韩高清专用| 国产蜜桃级精品一区二区三区|