• <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(xué) 信息科學(xué)與工程學(xué)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(zhǔn)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(xué)習(xí)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(zhǔn)確.基于深度學(xué)習(xí)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(jì)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(xué)習(xí)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(xué)習(xí)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(yù)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(yù)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(xué)習(xí)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(xué)習(xí)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(yù)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(xué)習(xí)方法獲取預(yù)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“海康杯”第八屆浙江省大學(xué)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(biāo)注的方法,將已有數(shù)據(jù)中每對相似語句標(biāo)注為標(biāo)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(biāo)注為標(biāo)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(xùn)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(fù)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(fù)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(fù)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(xùn)練集中的字詞.

    3.2 評價指標(biāo)

    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(zhǔn)確率(Accuracy,A)返回結(jié)果中所有預(yù)測正確結(jié)果占總樣本數(shù)的百分比,如式(9);F1 分?jǐn)?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(biāo)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(yù)測為正類;FN為假負類(False Negative)即一個實例是正類但被預(yù)測為負類;FP為假正類即一個實例為負類但被預(yù)測為正類;TN為真負類(True Negative)即一個實例是負類且被預(yù)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(xué)習(xí)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(xùn)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(zhǔn)確率和F1 值進行評價.當(dāng)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(biāo)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(biāo)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(zhǔn)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(xué)習(xí)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(biāo)的平均值作為各評價指標(biāo)結(jié)果,如表3所示,模型準(zhǔn)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(biāo)結(jié)果(%)

    圖4 不同模型準(zhǔn)確率的變化曲線

    從表3可知,Siamese-LSTM 模型準(zhǔn)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(zhǔn)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(zhǔn)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(biāo)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(biāo)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(xué)習(xí)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(biāo)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(biāo)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(zhǔn)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?jǐn)?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
    抓住特征巧觀察
    “上”與“下”語義的不對稱性及其認(rèn)知闡釋
    認(rèn)知范疇模糊與語義模糊
    √禁漫天堂资源中文www| 久久久精品国产亚洲av高清涩受| 国产黄色小视频在线观看| 国产精品日韩av在线免费观看| 午夜免费观看网址| 97人妻精品一区二区三区麻豆| 国产一区二区三区视频了| 欧美精品啪啪一区二区三区| 波多野结衣巨乳人妻| 人妻久久中文字幕网| 中文字幕精品亚洲无线码一区| 给我免费播放毛片高清在线观看| 日本 欧美在线| 国内毛片毛片毛片毛片毛片| 99热只有精品国产| 一a级毛片在线观看| 悠悠久久av| 动漫黄色视频在线观看| 精品福利观看| 婷婷亚洲欧美| 免费在线观看视频国产中文字幕亚洲| 亚洲欧美日韩东京热| 日韩欧美在线乱码| 精品高清国产在线一区| 黄色毛片三级朝国网站| 国产片内射在线| 别揉我奶头~嗯~啊~动态视频| 久久亚洲真实| 51午夜福利影视在线观看| 黄频高清免费视频| 18禁美女被吸乳视频| 免费看美女性在线毛片视频| 视频区欧美日本亚洲| 床上黄色一级片| 宅男免费午夜| 国产私拍福利视频在线观看| 国产精品av视频在线免费观看| av国产免费在线观看| 在线观看一区二区三区| 在线观看一区二区三区| 啦啦啦免费观看视频1| 国产不卡一卡二| 欧美在线黄色| 精品久久久久久,| 日本五十路高清| 日韩免费av在线播放| 一进一出抽搐gif免费好疼| 不卡一级毛片| 国产高清视频在线播放一区| 日本免费一区二区三区高清不卡| 午夜福利高清视频| 18禁观看日本| 欧美又色又爽又黄视频| 亚洲 国产 在线| 亚洲电影在线观看av| www.精华液| 我要搜黄色片| 国产精品久久久av美女十八| 婷婷精品国产亚洲av在线| 天堂av国产一区二区熟女人妻 | 亚洲 欧美 日韩 在线 免费| 亚洲一区二区三区色噜噜| 18禁观看日本| 天天躁狠狠躁夜夜躁狠狠躁| 欧美黑人精品巨大| 久久精品国产亚洲av香蕉五月| 一进一出好大好爽视频| 美女黄网站色视频| 麻豆国产97在线/欧美 | xxxwww97欧美| 成人三级做爰电影| 最近最新中文字幕大全电影3| 日韩欧美国产在线观看| 亚洲国产精品久久男人天堂| 久久人妻av系列| 国产精品电影一区二区三区| 亚洲av成人一区二区三| 亚洲午夜精品一区,二区,三区| 在线观看66精品国产| 在线a可以看的网站| 人妻夜夜爽99麻豆av| 神马国产精品三级电影在线观看 | 精品无人区乱码1区二区| 夜夜夜夜夜久久久久| 色av中文字幕| 欧美久久黑人一区二区| 真人做人爱边吃奶动态| 久久久久免费精品人妻一区二区| 在线十欧美十亚洲十日本专区| 国产精品一区二区精品视频观看| 全区人妻精品视频| 国产一级毛片七仙女欲春2| 久久久久久九九精品二区国产 | 亚洲人成电影免费在线| 99久久国产精品久久久| 成人国语在线视频| 欧美中文综合在线视频| 亚洲人成网站高清观看| 一区二区三区国产精品乱码| 欧美 亚洲 国产 日韩一| 婷婷精品国产亚洲av| 老汉色∧v一级毛片| 波多野结衣高清无吗| 亚洲国产看品久久| 国产91精品成人一区二区三区| 国产精品一区二区三区四区久久| 美女黄网站色视频| 国产精品九九99| 亚洲一码二码三码区别大吗| 久久午夜亚洲精品久久| 亚洲成人久久爱视频| 中出人妻视频一区二区| 久久人妻av系列| 国产伦在线观看视频一区| 国内精品一区二区在线观看| 亚洲专区国产一区二区| 人妻夜夜爽99麻豆av| 国产精品久久久av美女十八| 精品国产美女av久久久久小说| 久久久久久国产a免费观看| 99riav亚洲国产免费| 嫁个100分男人电影在线观看| 日本一二三区视频观看| 日本一区二区免费在线视频| 色尼玛亚洲综合影院| 国产亚洲精品av在线| 日韩中文字幕欧美一区二区| 好男人电影高清在线观看| 国内揄拍国产精品人妻在线| 久久久水蜜桃国产精品网| 久久人妻福利社区极品人妻图片| www.www免费av| 成年免费大片在线观看| svipshipincom国产片| 亚洲欧美日韩高清在线视频| 亚洲午夜精品一区,二区,三区| 一区二区三区高清视频在线| 国产av一区二区精品久久| 国产av不卡久久| 男女视频在线观看网站免费 | 免费无遮挡裸体视频| 午夜福利高清视频| av在线播放免费不卡| 久久精品夜夜夜夜夜久久蜜豆 | av在线天堂中文字幕| 国产精品 国内视频| 无人区码免费观看不卡| 精品久久久久久成人av| 看免费av毛片| 在线观看66精品国产| 女人高潮潮喷娇喘18禁视频| 午夜a级毛片| av有码第一页| 欧美成人一区二区免费高清观看 | 狂野欧美白嫩少妇大欣赏| 亚洲男人的天堂狠狠| 国产精品电影一区二区三区| 亚洲av成人一区二区三| 亚洲欧美精品综合一区二区三区| 久久精品人妻少妇| 亚洲第一欧美日韩一区二区三区| 久久久国产成人免费| 亚洲欧美精品综合久久99| 精品久久久久久久久久免费视频| 亚洲国产欧美网| 欧美成人午夜精品| 精品久久久久久,| 一二三四社区在线视频社区8| 久久人妻福利社区极品人妻图片| 十八禁人妻一区二区| 两人在一起打扑克的视频| 高潮久久久久久久久久久不卡| 成人高潮视频无遮挡免费网站| 悠悠久久av| avwww免费| 90打野战视频偷拍视频| 俺也久久电影网| 久久香蕉激情| 国产精品永久免费网站| 欧美高清成人免费视频www| 全区人妻精品视频| 成人三级黄色视频| 国产欧美日韩精品亚洲av| 夜夜爽天天搞| 亚洲欧美激情综合另类| 黑人欧美特级aaaaaa片| 成人高潮视频无遮挡免费网站| 天天躁夜夜躁狠狠躁躁| av中文乱码字幕在线| 天堂动漫精品| 中国美女看黄片| 久久久久国产一级毛片高清牌| 99精品在免费线老司机午夜| 亚洲最大成人中文| 久久精品人妻少妇| 日韩欧美三级三区| 51午夜福利影视在线观看| 亚洲人成电影免费在线| 国产精品 欧美亚洲| 亚洲 欧美一区二区三区| 久久久久久久久中文| 亚洲电影在线观看av| 一a级毛片在线观看| 我要搜黄色片| 精品熟女少妇八av免费久了| 国产又黄又爽又无遮挡在线| 国产av麻豆久久久久久久| 岛国在线观看网站| 全区人妻精品视频| 午夜福利在线在线| www.999成人在线观看| 日日干狠狠操夜夜爽| 国产麻豆成人av免费视频| 亚洲欧美日韩高清在线视频| 国产精品一区二区三区四区免费观看 | 黄色毛片三级朝国网站| 757午夜福利合集在线观看| 男人舔奶头视频| 亚洲精品国产精品久久久不卡| 亚洲色图 男人天堂 中文字幕| 国产人伦9x9x在线观看| 激情在线观看视频在线高清| 午夜免费成人在线视频| 亚洲中文av在线| 欧美色视频一区免费| 久久午夜综合久久蜜桃| 一二三四在线观看免费中文在| 国产真人三级小视频在线观看| 亚洲性夜色夜夜综合| 国产成人av教育| 亚洲欧美日韩高清在线视频| 亚洲精品一卡2卡三卡4卡5卡| 国产一区在线观看成人免费| 视频区欧美日本亚洲| 久久午夜亚洲精品久久| 精品久久久久久久久久久久久| 白带黄色成豆腐渣| 精华霜和精华液先用哪个| 久久中文字幕人妻熟女| 欧美色欧美亚洲另类二区| 国产激情偷乱视频一区二区| 黄色 视频免费看| 岛国视频午夜一区免费看| 午夜福利在线观看吧| 日本在线视频免费播放| 777久久人妻少妇嫩草av网站| 午夜影院日韩av| 最近视频中文字幕2019在线8| 黄色片一级片一级黄色片| 99热这里只有是精品50| 女同久久另类99精品国产91| 亚洲精品久久成人aⅴ小说| 母亲3免费完整高清在线观看| 人妻久久中文字幕网| 不卡av一区二区三区| 美女午夜性视频免费| 国产黄色小视频在线观看| 最新在线观看一区二区三区| 黑人操中国人逼视频| 神马国产精品三级电影在线观看 | 精品久久久久久久久久免费视频| 亚洲中文字幕日韩| 黄片小视频在线播放| 高清毛片免费观看视频网站| 午夜久久久久精精品| 黄色成人免费大全| 少妇被粗大的猛进出69影院| 一级片免费观看大全| 丰满人妻熟妇乱又伦精品不卡| 午夜激情av网站| 国内揄拍国产精品人妻在线| 亚洲aⅴ乱码一区二区在线播放 | 国产成人系列免费观看| 男女之事视频高清在线观看| 成人国语在线视频| 亚洲最大成人中文| 亚洲精品在线美女| 国产不卡一卡二| 国产免费男女视频| 久久久久久人人人人人| 亚洲精品美女久久久久99蜜臀| 给我免费播放毛片高清在线观看| 最近最新中文字幕大全电影3| 精品一区二区三区视频在线观看免费| 亚洲av美国av| 男女视频在线观看网站免费 | av中文乱码字幕在线| 舔av片在线| 欧美3d第一页| 欧美日本视频| 亚洲成人精品中文字幕电影| 欧美日韩亚洲综合一区二区三区_| 99热6这里只有精品| 99久久99久久久精品蜜桃| 男人舔奶头视频| 舔av片在线| 可以免费在线观看a视频的电影网站| 欧美绝顶高潮抽搐喷水| av国产免费在线观看| 亚洲国产欧美一区二区综合| 成人18禁在线播放| 熟女电影av网| 亚洲精品国产精品久久久不卡| 99热6这里只有精品| 熟妇人妻久久中文字幕3abv| 97人妻精品一区二区三区麻豆| 国产精品久久久久久人妻精品电影| 国产高清videossex| 亚洲熟女毛片儿| 久久精品影院6| 亚洲一卡2卡3卡4卡5卡精品中文| 波多野结衣巨乳人妻| 无遮挡黄片免费观看| 狠狠狠狠99中文字幕| 一卡2卡三卡四卡精品乱码亚洲| 亚洲精品一卡2卡三卡4卡5卡| 免费av毛片视频| 这个男人来自地球电影免费观看| 久久草成人影院| 欧美激情久久久久久爽电影| avwww免费| 久久久久国内视频| 亚洲在线自拍视频| 欧美一区二区精品小视频在线| 麻豆国产97在线/欧美 | 国产精品 欧美亚洲| 亚洲人成网站在线播放欧美日韩| 天堂动漫精品| 日本一区二区免费在线视频| 欧美乱码精品一区二区三区| 久久国产乱子伦精品免费另类| 中亚洲国语对白在线视频| 久久久精品大字幕| 男人舔女人的私密视频| 亚洲欧美一区二区三区黑人| 日本在线视频免费播放| 999精品在线视频| 欧美日韩中文字幕国产精品一区二区三区| 成年免费大片在线观看| 日韩精品中文字幕看吧| 国产成人系列免费观看| 18禁裸乳无遮挡免费网站照片| 男女那种视频在线观看| 老司机靠b影院| 成在线人永久免费视频| 老司机午夜福利在线观看视频| 国产精品1区2区在线观看.| www.999成人在线观看| 亚洲成人久久爱视频| 国产伦一二天堂av在线观看| 久久亚洲精品不卡| 男人的好看免费观看在线视频 | 亚洲成人国产一区在线观看| 黄片大片在线免费观看| 中文字幕久久专区| 嫩草影视91久久| 日本免费a在线| 亚洲第一电影网av| 全区人妻精品视频| www.999成人在线观看| 非洲黑人性xxxx精品又粗又长| 亚洲国产精品合色在线| 美女高潮喷水抽搐中文字幕| 久久亚洲真实| 级片在线观看| 欧美一区二区精品小视频在线| 91成年电影在线观看| 亚洲成人久久爱视频| 在线国产一区二区在线| 国产精品香港三级国产av潘金莲| 成年人黄色毛片网站| 久久久久久久久中文| 久久国产乱子伦精品免费另类| 亚洲国产精品成人综合色| 欧美3d第一页| 欧美成人午夜精品| www.999成人在线观看| 两性夫妻黄色片| 久久久久免费精品人妻一区二区| 亚洲片人在线观看| 日韩有码中文字幕| 少妇熟女aⅴ在线视频| 精华霜和精华液先用哪个| 亚洲国产欧美一区二区综合| 啦啦啦韩国在线观看视频| 亚洲美女黄片视频| 日本 欧美在线| 成人三级做爰电影| 999精品在线视频| 我要搜黄色片| 国产成人av激情在线播放| 男女午夜视频在线观看| 人成视频在线观看免费观看| 色尼玛亚洲综合影院| 成人av一区二区三区在线看| 国产精品av久久久久免费| 级片在线观看| 精品电影一区二区在线| 亚洲欧美一区二区三区黑人| 在线播放国产精品三级| 国产三级中文精品| 亚洲国产欧美一区二区综合| 看黄色毛片网站| 草草在线视频免费看| 精品熟女少妇八av免费久了| 一级毛片精品| 在线观看一区二区三区| 久久久久九九精品影院| 亚洲欧美日韩东京热| 天堂√8在线中文| 成人亚洲精品av一区二区| 久热爱精品视频在线9| 久久精品综合一区二区三区| 亚洲国产中文字幕在线视频| 老熟妇仑乱视频hdxx| 日日干狠狠操夜夜爽| 99精品在免费线老司机午夜| www日本黄色视频网| 午夜免费成人在线视频| 国产黄色小视频在线观看| 50天的宝宝边吃奶边哭怎么回事| 亚洲成人精品中文字幕电影| 欧美色视频一区免费| 女人爽到高潮嗷嗷叫在线视频| 国产精品久久久人人做人人爽| 夜夜夜夜夜久久久久| 亚洲国产高清在线一区二区三| 国产一区二区激情短视频| 欧美黄色淫秽网站| 国产亚洲精品久久久久久毛片| 久久中文字幕人妻熟女| 九色国产91popny在线| 美女大奶头视频| 亚洲成人久久爱视频| 亚洲专区国产一区二区| 久久中文字幕人妻熟女| 窝窝影院91人妻| 久久婷婷人人爽人人干人人爱| 1024手机看黄色片| 成人国产综合亚洲| 亚洲国产欧美人成| 欧美极品一区二区三区四区| 91字幕亚洲| 俺也久久电影网| 少妇熟女aⅴ在线视频| 亚洲精品国产精品久久久不卡| 亚洲国产中文字幕在线视频| 人人妻,人人澡人人爽秒播| 中国美女看黄片| 国产伦在线观看视频一区| 天堂动漫精品| 国产精品国产高清国产av| 午夜影院日韩av| 成人av在线播放网站| 老司机在亚洲福利影院| 听说在线观看完整版免费高清| 制服人妻中文乱码| 亚洲国产看品久久| 热99re8久久精品国产| 国产精品亚洲一级av第二区| 日本免费a在线| 久久久久久久久中文| 亚洲18禁久久av| 国产激情久久老熟女| 国产亚洲精品第一综合不卡| 国产真实乱freesex| 国产精品久久久久久久电影 | 99国产精品一区二区三区| 亚洲精品美女久久av网站| www.熟女人妻精品国产| 天天躁狠狠躁夜夜躁狠狠躁| 99在线视频只有这里精品首页| 三级男女做爰猛烈吃奶摸视频| 丝袜美腿诱惑在线| 中文字幕久久专区| 宅男免费午夜| 久久精品国产99精品国产亚洲性色| 亚洲一区二区三区色噜噜| 一边摸一边抽搐一进一小说| 亚洲自偷自拍图片 自拍| 一个人免费在线观看的高清视频| 亚洲天堂国产精品一区在线| 97人妻精品一区二区三区麻豆| 国产成人av教育| 亚洲中文字幕一区二区三区有码在线看 | 黄色丝袜av网址大全| 成人av一区二区三区在线看| 久久精品成人免费网站| 777久久人妻少妇嫩草av网站| 亚洲九九香蕉| 国产精品野战在线观看| 国产精品一及| 法律面前人人平等表现在哪些方面| 国产精品影院久久| 99久久国产精品久久久| 成人av一区二区三区在线看| 丝袜人妻中文字幕| 国产精品98久久久久久宅男小说| 性色av乱码一区二区三区2| 国产亚洲精品av在线| 国产免费av片在线观看野外av| 性欧美人与动物交配| 又粗又爽又猛毛片免费看| 禁无遮挡网站| 亚洲中文字幕日韩| 18美女黄网站色大片免费观看| 国产精品一区二区三区四区免费观看 | 黑人巨大精品欧美一区二区mp4| 免费看美女性在线毛片视频| 男男h啪啪无遮挡| 亚洲精品粉嫩美女一区| 色av中文字幕| 国产在线观看jvid| 久久草成人影院| 欧美日本亚洲视频在线播放| 午夜激情福利司机影院| 少妇粗大呻吟视频| 一本一本综合久久| 动漫黄色视频在线观看| 国产成人影院久久av| 三级男女做爰猛烈吃奶摸视频| 免费搜索国产男女视频| 又黄又爽又免费观看的视频| 欧美成人性av电影在线观看| 搡老熟女国产l中国老女人| 久久久精品欧美日韩精品| 色综合婷婷激情| 亚洲av日韩精品久久久久久密| 成人一区二区视频在线观看| 99在线人妻在线中文字幕| 可以在线观看毛片的网站| 九色成人免费人妻av| 可以在线观看毛片的网站| 久久精品影院6| 成人欧美大片| 国产av不卡久久| 可以在线观看毛片的网站| 国产一区二区在线av高清观看| 免费观看精品视频网站| 亚洲熟妇熟女久久| 成人欧美大片| 亚洲无线在线观看| 午夜日韩欧美国产| 丝袜美腿诱惑在线| 国产精品亚洲美女久久久| 搡老妇女老女人老熟妇| 国产成+人综合+亚洲专区| 欧美日韩乱码在线| 国产熟女xx| 精品免费久久久久久久清纯| 亚洲欧美日韩东京热| av视频在线观看入口| 欧美日韩瑟瑟在线播放| 日日干狠狠操夜夜爽| 手机成人av网站| 老鸭窝网址在线观看| 日本成人三级电影网站| 男人的好看免费观看在线视频 | 老鸭窝网址在线观看| 亚洲精品一卡2卡三卡4卡5卡| av超薄肉色丝袜交足视频| 亚洲最大成人中文| 母亲3免费完整高清在线观看| 激情在线观看视频在线高清| 1024视频免费在线观看| 国产亚洲av高清不卡| 91成年电影在线观看| 制服人妻中文乱码| 波多野结衣高清作品| 窝窝影院91人妻| 黄色视频不卡| 怎么达到女性高潮| 91麻豆精品激情在线观看国产| 成年免费大片在线观看| 麻豆久久精品国产亚洲av| 亚洲国产精品成人综合色| 精品国产乱子伦一区二区三区| 99re在线观看精品视频| 操出白浆在线播放| 黑人巨大精品欧美一区二区mp4| 嫩草影院精品99| 高清在线国产一区| www.自偷自拍.com| 别揉我奶头~嗯~啊~动态视频| 18禁观看日本| 久久久久性生活片| 亚洲自拍偷在线| 99久久综合精品五月天人人| av在线播放免费不卡| 黄色丝袜av网址大全| 免费在线观看完整版高清| 99国产精品99久久久久| 一个人免费在线观看电影 | 日本成人三级电影网站| 国模一区二区三区四区视频 | 悠悠久久av| 无人区码免费观看不卡| 日韩欧美精品v在线| 校园春色视频在线观看| 香蕉av资源在线| 国产99久久九九免费精品| 听说在线观看完整版免费高清| 在线十欧美十亚洲十日本专区| 亚洲精品久久国产高清桃花| 两个人的视频大全免费| xxxwww97欧美| 亚洲精品久久成人aⅴ小说| 91大片在线观看| 女生性感内裤真人,穿戴方法视频| 91在线观看av| 久久精品国产亚洲av高清一级| 婷婷精品国产亚洲av| 好男人在线观看高清免费视频| 日韩精品青青久久久久久| 亚洲第一欧美日韩一区二区三区|