• <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 ?

    多點(diǎn)種子預(yù)劃分的二階段社區(qū)發(fā)現(xiàn)算法

    2021-10-07 06:24:32佟帥陳德運(yùn)楊海陸

    佟帥 陳德運(yùn) 楊海陸

    摘 要:社區(qū)發(fā)現(xiàn)是在線社交網(wǎng)絡(luò)研究領(lǐng)域中的重要內(nèi)容,基于種子擴(kuò)張的社區(qū)發(fā)現(xiàn)算法具有時間復(fù)雜度低、識別精度高以及不受社區(qū)形態(tài)限制等特點(diǎn),近年來在網(wǎng)絡(luò)局部社區(qū)發(fā)現(xiàn)任務(wù)中得到了廣泛的應(yīng)用。然而,該方法在種子選取時沒有考慮種子之間的關(guān)聯(lián)性,因此識別出的社區(qū)結(jié)構(gòu)個數(shù)較多、結(jié)構(gòu)松散。針對這一問題,提出一種基于多點(diǎn)種子預(yù)劃分的二階段社區(qū)發(fā)現(xiàn)算法。首先識別網(wǎng)絡(luò)中的高影響力節(jié)點(diǎn),利用K-means算法將高影響力節(jié)點(diǎn)加以聚合,得到高影響力社區(qū)簇。然后提出一種吸引力度量函數(shù),選擇性的將網(wǎng)絡(luò)中的剩余節(jié)點(diǎn)合并到社區(qū)簇以完成社區(qū)識別任務(wù)。實(shí)驗(yàn)結(jié)果表明,二階段社區(qū)發(fā)現(xiàn)方法能夠發(fā)現(xiàn)尺寸較大,個數(shù)較少的社區(qū)結(jié)構(gòu),進(jìn)而在中觀層面捕捉群組之間的關(guān)聯(lián)性。

    關(guān)鍵詞:復(fù)雜網(wǎng)絡(luò);局部社區(qū)發(fā)現(xiàn);種子擴(kuò)張;節(jié)點(diǎn)影響力;K-means算法

    DOI:10.15938/j.jhust.2021.04.011

    中圖分類號:TP391.4

    文獻(xiàn)標(biāo)志碼:A

    文章編號:1007-2683(2021)04-0078-09

    Abstract:Community detection is an important content in the field of online social networks research. The community detection algorithm based on seed expansion has the characteristics of low time complexity, high recognition accuracy, and is not restricted by the shape of the community. In recent years, it has been widely used in local community discovery of complex networks. However, this method does not consider the correlation between seeds when selecting seeds, so the number of identified community structures is large and the structure is loose. Aiming at this problem, a two-stage community discovery algorithm for multi-point seed prepartition was proposed. First, high-impact nodes in the network are identified, and high-impact nodes are aggregated using the k-means algorithm to obtain high-impact community clusters. Next, an attractiveness measurement function is proposed to selectively merge the remaining nodes in the network into the community cluster to complete the community identification task. The experimental results show that the two-stage community discovery method can find community structures with larger sizes and fewer numbers, and then capture the association between groups at the meso level.

    Keywords:complex network; local community detection; seed expansion; node influence; K-means algorithm

    0 引 言

    現(xiàn)實(shí)世界的復(fù)雜網(wǎng)絡(luò)通常可以抽象為圖模型,圖中節(jié)點(diǎn)代表現(xiàn)實(shí)世界的實(shí)體,兩個節(jié)點(diǎn)之間的鏈接代表實(shí)體之間的關(guān)系。社區(qū)[1]是復(fù)雜網(wǎng)絡(luò)中的稠密子圖,保證了社區(qū)內(nèi)部節(jié)點(diǎn)之間的鏈接較為緊密,社區(qū)之間節(jié)點(diǎn)的鏈接較為稀疏[2-5]。探索社區(qū)結(jié)構(gòu)有助于人們理解復(fù)雜網(wǎng)絡(luò)的自組織以及群聚特性,是復(fù)雜網(wǎng)絡(luò)中觀層次最重要的屬性之一。

    從社區(qū)的層次化角度來看,已有的社區(qū)識別算法可分為全局優(yōu)化算法和局部優(yōu)化算法兩種。前者在宏觀角度尋找社區(qū)結(jié)構(gòu),描述了宏觀層面網(wǎng)絡(luò)節(jié)點(diǎn)的自組織特性,適合以數(shù)理統(tǒng)計(jì)為目的的網(wǎng)絡(luò)特征分析[1-2]。后者從微觀層面刻畫節(jié)點(diǎn)的局部傾向性,更適合發(fā)現(xiàn)社區(qū)的演化規(guī)律及形成過程?;诜N子節(jié)點(diǎn)擴(kuò)張的社區(qū)發(fā)現(xiàn)算法[6],就是局部優(yōu)化算法的典型代表。

    2009年,Lancichinetti等[7]提出重疊社區(qū)發(fā)現(xiàn)算法LFM,根據(jù)定義的自適應(yīng)函數(shù)Fitness進(jìn)行基于種子擴(kuò)張的社區(qū)識別。Coscia等[8]提出的DEMON算法以整個網(wǎng)絡(luò)節(jié)點(diǎn)為起始種子,利用標(biāo)簽傳播算法識別網(wǎng)絡(luò)中的局部社區(qū)結(jié)構(gòu)。Baumes等[9]提出一種鏈接聚合方法。先按照遞增或遞減原則對節(jié)點(diǎn)進(jìn)行排序,作為初始社區(qū),如果節(jié)點(diǎn)的添加不能提高任何社區(qū)的密度,則該節(jié)點(diǎn)將作為新的種子節(jié)點(diǎn),并生成新社區(qū)。李婕等[10]采用基于派系過濾的算法選擇種子節(jié)點(diǎn)進(jìn)行社區(qū)識別。Su等[11]基于隨機(jī)游走算法,使用緊密連接子圖作為社區(qū)識別的初始種子社區(qū)。

    提高基于種子擴(kuò)張的社區(qū)識別性能的關(guān)鍵在于種子節(jié)點(diǎn)的選取,近年來有研究者提出借助影響力分析方法,增加初始種子節(jié)點(diǎn)位于社區(qū)內(nèi)核的概率。Clauset等[12]依次探索網(wǎng)絡(luò)節(jié)點(diǎn),推斷給定節(jié)點(diǎn)所在社區(qū)。Luo等[13]將度的概念從單節(jié)點(diǎn)擴(kuò)展到子圖,在此基礎(chǔ)上給出了網(wǎng)絡(luò)模塊化的定義,以此進(jìn)行社區(qū)識別。Chen等[14]提出一種新的局部社區(qū)測度,先提取所有可能的候選社區(qū),然后對社區(qū)層次進(jìn)行優(yōu)化。吳英俊等[15]提出LS算法,通過分析社區(qū)與節(jié)點(diǎn)之間的鏈接相似性來尋找局部社區(qū)結(jié)構(gòu)。Fanrong等[16]提出一種基于最大團(tuán)擴(kuò)展的局部社區(qū)檢測算法LCDMC,首先找到包含源節(jié)點(diǎn)的最大派系集合,然后利用貪婪優(yōu)化方法擴(kuò)展社區(qū)。Yao等[17]分析了高影響節(jié)點(diǎn)在社區(qū)檢測中的作用。齊金山等[18]提出了一種結(jié)合Jaccard系數(shù)的節(jié)點(diǎn)影響力計(jì)算公式,提高了算法對星形社區(qū)的匹配性。

    上述社區(qū)識別方法雖然在特定領(lǐng)域具有一定的性能優(yōu)勢,但普遍存在以下兩方面問題。首先,上述方法在種子選取時沒有考慮種子之間的關(guān)聯(lián)性,導(dǎo)致識別出社區(qū)結(jié)構(gòu)個數(shù)較多、穩(wěn)定性較差,不利于在中觀層面上挖掘群組之間的關(guān)聯(lián)性。其次,由于社會網(wǎng)絡(luò)結(jié)構(gòu)的多樣性,上述方法在影響力識別時忽略了網(wǎng)絡(luò)的結(jié)構(gòu)特性,導(dǎo)致網(wǎng)絡(luò)中的高影響力節(jié)點(diǎn)呈現(xiàn)出較低的影響力評分的假象,這使得識別出的社區(qū)結(jié)構(gòu)較為松散,內(nèi)聚性較差。

    為了解決上述問題,提出一種多點(diǎn)種子預(yù)劃分的二階段社區(qū)發(fā)現(xiàn)算法(two-stage community detection algorithm,TSCDA),其創(chuàng)新之處主要體現(xiàn)在以下三方面。首先,在節(jié)點(diǎn)的影響力計(jì)算時融入邊介數(shù)屬性,增強(qiáng)節(jié)點(diǎn)影響力的結(jié)構(gòu)因素;其次,通過預(yù)劃分高影響力節(jié)點(diǎn)生成骨干網(wǎng)絡(luò),增強(qiáng)種子的結(jié)構(gòu)密度;最后,以稠密子圖代替節(jié)點(diǎn)作為種子進(jìn)行擴(kuò)張,增加了社區(qū)結(jié)構(gòu)的穩(wěn)定性。仿真結(jié)果表明,TSCDA能夠挖掘出數(shù)量較少、規(guī)模較大的社區(qū)結(jié)構(gòu),并在模塊度以及F-Score等指標(biāo)上表現(xiàn)出一定的性能優(yōu)勢。

    1 基于節(jié)點(diǎn)影響力識別的種子節(jié)點(diǎn)選取方法

    用無向圖G=(V,E)表示社交網(wǎng)絡(luò),其中V代表網(wǎng)絡(luò)中個數(shù)為n的節(jié)點(diǎn)集合,E代表網(wǎng)絡(luò)中個數(shù)為m的鏈接關(guān)系集合。圖1給出了一種具有強(qiáng)聚合特性的社交網(wǎng)絡(luò)結(jié)構(gòu)(社區(qū)網(wǎng)絡(luò))。

    社會網(wǎng)絡(luò)中,節(jié)點(diǎn)u的鄰居集合定義為:

    這里u和v代表網(wǎng)絡(luò)節(jié)點(diǎn),V代表網(wǎng)絡(luò)中的節(jié)點(diǎn)集,如果u和v之間存在邊(u,v),則(u,v)屬于邊集E。節(jié)點(diǎn)u的節(jié)點(diǎn)度D(u)定義為與u直接相連的邊的個數(shù)(或鄰居元素的個數(shù)),滿足D(u)=|N(u)|。

    為了在影響力計(jì)算中引入結(jié)構(gòu)的相似屬性,提出從節(jié)點(diǎn)相似性以及鏈接相似性雙重角度構(gòu)造影響力評價函數(shù)。

    Jaccard系數(shù)Juv用于比較社會網(wǎng)絡(luò)中節(jié)點(diǎn)之間的結(jié)構(gòu)相似性。其定義為:

    N(u)和N(v)分別代表節(jié)點(diǎn)u和節(jié)點(diǎn)v的鄰居節(jié)點(diǎn)。JuvJuv取值范圍為[0,1],其值越大,節(jié)點(diǎn)u和節(jié)點(diǎn)v的共有鄰居節(jié)點(diǎn)就越多,鄰域結(jié)構(gòu)也就相對越稠密。

    邊介數(shù)用來度量社會網(wǎng)絡(luò)中所有節(jié)點(diǎn)間的最短路徑中經(jīng)過該邊的路徑的數(shù)目占最短路徑總數(shù)的比例。邊介數(shù)值越大,該邊越有可能成為連接社區(qū)內(nèi)部節(jié)點(diǎn)的重要途徑。其定義為:

    其中g(shù)uvst表示網(wǎng)絡(luò)中任意節(jié)點(diǎn)s與任意節(jié)點(diǎn)t之間的最短路徑同時經(jīng)過節(jié)點(diǎn)u和v(即邊euv)的條數(shù)。根據(jù)式(3),可以計(jì)算出圖1各邊的邊介數(shù)指數(shù),例如節(jié)點(diǎn)8和節(jié)點(diǎn)10,即(e8,10)之間邊強(qiáng)度為EBET(e8,9)=11;節(jié)點(diǎn)9和節(jié)點(diǎn)10,即(e9,10)之間邊強(qiáng)度為EBET(e9,10)=11。邊介數(shù)反映了社區(qū)內(nèi)部鏈接的稠密程度,是增加社區(qū)穩(wěn)定性的關(guān)鍵參數(shù)。

    受牛頓萬有引力定律的啟發(fā),提出一種基于Jaccard系數(shù)以及邊介數(shù)的影響力計(jì)算方法。社會網(wǎng)絡(luò)節(jié)點(diǎn)u對節(jié)點(diǎn)v的影響力評分定義為:

    這里D(u)和D(v)分別表示節(jié)點(diǎn)u和節(jié)點(diǎn)v的度。由于節(jié)點(diǎn)度在局部環(huán)境反映了節(jié)點(diǎn)鏈接能力,因此在本文中被用來衡量社會網(wǎng)絡(luò)節(jié)點(diǎn)的質(zhì)量。節(jié)點(diǎn)之間的距離d(u,v)用節(jié)點(diǎn)間的相異程度加以衡量,滿足d(u,v)=1-Juv。其中Juv代表節(jié)點(diǎn)u和節(jié)點(diǎn)v的Jaccard相似度。G是影響力常量,在實(shí)驗(yàn)中通常取值為1。

    節(jié)點(diǎn)在局部社區(qū)的影響力評分Iscore(u)定義為該節(jié)點(diǎn)對其所有鄰居的節(jié)點(diǎn)影響力評分之和。進(jìn)而有:

    式(5)中,v∈N(u)表明節(jié)點(diǎn)v是節(jié)點(diǎn)u的鄰居節(jié)點(diǎn)。Iscore(u)的值越大,說明節(jié)點(diǎn)u在局部環(huán)境的影響強(qiáng)度越大,表明越有可能成為種子節(jié)點(diǎn)。根據(jù)式(5),可以計(jì)算出圖1各節(jié)點(diǎn)的影響力分?jǐn)?shù)。例如節(jié)點(diǎn)10的影響力分?jǐn)?shù):

    因此節(jié)點(diǎn)10在網(wǎng)絡(luò)中影響力分?jǐn)?shù)Iscore(u10)=275。

    下面給出基于節(jié)點(diǎn)影響力識別的種子節(jié)點(diǎn)選取過程。算法通過式(5)計(jì)算社會網(wǎng)絡(luò)每個節(jié)點(diǎn)的影響力評分。其偽代碼如下:

    算法1 具有高影響力的初始種子選取算法

    輸入:社會網(wǎng)絡(luò)G=(V,E)

    輸出:高質(zhì)量節(jié)點(diǎn)集合S

    1)初始化集合S為空集;

    2)遍歷社會網(wǎng)絡(luò)的所有節(jié)點(diǎn),根據(jù)公式(5)計(jì)算社會網(wǎng)絡(luò)所有節(jié)點(diǎn)的節(jié)點(diǎn)影響力評分;

    3)對于任意節(jié)點(diǎn),如果它的影響力評分大于其任一鄰居的影響力評分,則為高影響力種子節(jié)點(diǎn),將其存儲到集合S;

    4)輸出集合S。

    根據(jù)算法1,計(jì)算圖1中節(jié)點(diǎn)1到節(jié)點(diǎn)10的影響力評分,具體如表1所示。在本文中,如果一個節(jié)點(diǎn)的影響力分?jǐn)?shù)大于其任一鄰居的影響力評分,則為高影響種子節(jié)點(diǎn)。例如,節(jié)點(diǎn)8的鄰居節(jié)點(diǎn)為6,7,9,10。通過表1可知,節(jié)點(diǎn)8的影響力評分大于節(jié)點(diǎn)6,7,9,10的影響力評分,因此節(jié)點(diǎn)8為高影響力節(jié)點(diǎn)。

    2 多點(diǎn)種子預(yù)劃分的二階段社區(qū)發(fā)現(xiàn)算法

    本節(jié)給出多點(diǎn)種子預(yù)劃分的二階段社區(qū)發(fā)現(xiàn)算法。首先,根據(jù)算法1選取網(wǎng)絡(luò)中的高影響力種子節(jié)點(diǎn),對這些節(jié)點(diǎn)利用K-means聚類算法進(jìn)行初始劃分,識別出由高質(zhì)量節(jié)點(diǎn)組成的種子社區(qū)即骨干社區(qū);然后提出一種基于吸引力度量的社區(qū)識別算法將社會網(wǎng)絡(luò)中其余節(jié)點(diǎn)按特定規(guī)則有選擇性的加入骨干社區(qū)中,從而完成社區(qū)劃分。該方法的優(yōu)勢在于充分考慮了種子節(jié)點(diǎn)之間稠密性以及關(guān)聯(lián)性,有助于提高社區(qū)的穩(wěn)定程度。

    2.1 基于K-means聚類的骨干社區(qū)識別

    本文采用K-means算法作為骨干社區(qū)的初始化算法,其距離度量公式在式(7)給出。

    式中:minDis(A,B)為在社會網(wǎng)絡(luò)中節(jié)點(diǎn)A,B間最短路徑長度;comNeighbor(A,B)為節(jié)點(diǎn)A,B間共同鄰居數(shù)量;C為迭代中心,初始值為0;Dis(A,B)為A、B兩點(diǎn)的距離,該值與A、B兩點(diǎn)的最短路徑長度呈正相關(guān),與A、B兩點(diǎn)的共同鄰居數(shù)量呈負(fù)相關(guān)。

    K-means算法在迭代時依靠簇內(nèi)所有節(jié)點(diǎn)的平均坐標(biāo)設(shè)定新中心。然而社區(qū)不存在坐標(biāo),因此需要重新定義中心選取方式。本文選取到簇內(nèi)其他節(jié)點(diǎn)的距離之和最小的節(jié)點(diǎn)作為新的中心節(jié)點(diǎn),具體如式(8)所示。

    式中:N(i)表示第i個社區(qū)內(nèi)的節(jié)點(diǎn)集合。K-means算法的最終輸出1棵骨干社區(qū)層次化樹,采用模塊度函數(shù)在層次化樹上進(jìn)行分割,獲取質(zhì)量最高的社區(qū)劃分。模塊度函數(shù)Q是Newman[19]在2004年提出的概念,用以評價社區(qū)劃分的質(zhì)量,其定義為:

    式中:eii代表社區(qū)i中邊的期望;ai代表鏈接到社區(qū)i中的邊數(shù)的期望。模塊度的形式化定義是社區(qū)內(nèi)的邊數(shù)減去隨機(jī)產(chǎn)生的邊的期望,因此模塊度越高,社區(qū)內(nèi)外邊比例就越大,社區(qū)劃分結(jié)果就越好。

    我們發(fā)現(xiàn),算法在層次聚類時模塊度函數(shù)Q的取值并不是單調(diào)遞增或單調(diào)遞減的,因此每當(dāng)有社區(qū)進(jìn)行合并操作,就需要重新計(jì)算Q值,能對產(chǎn)生最大Q值的兩個社區(qū)合并。為簡化計(jì)算,每次僅計(jì)

    算Q的變化部分,即向Q值增大最多或者減少最小的方向進(jìn)行社區(qū)合并。Q函數(shù)的變化量計(jì)算公式如下所示。

    對能產(chǎn)生最大Q值的兩社區(qū)進(jìn)行合并,直到所有節(jié)點(diǎn)合并至同一社區(qū)。算法的偽代碼如下:

    算法2 利用K-means聚類算法實(shí)現(xiàn)種子節(jié)點(diǎn)初始劃分

    輸入:3個種子節(jié)點(diǎn)集合,社會網(wǎng)絡(luò)G

    輸出:骨干社區(qū)集合BC={BC1,BC2,…BCn}

    1)選取這3個種子節(jié)點(diǎn)進(jìn)行初始聚類;

    2)根據(jù)距離度量式(7)計(jì)算任意兩節(jié)點(diǎn)之間的距離;

    3)比較任意兩點(diǎn)間的距離,將節(jié)點(diǎn)劃分至距離最近的節(jié)點(diǎn)簇內(nèi);

    4)對于每個簇內(nèi),分別計(jì)算簇內(nèi)每個節(jié)點(diǎn)與簇內(nèi)的其他節(jié)點(diǎn)距離之和,取和最小的節(jié)點(diǎn)作為新的中心節(jié)點(diǎn);

    5)迭代步驟4)、5),直到中心節(jié)點(diǎn)不發(fā)生改變;

    6)對K-means算法產(chǎn)生的社區(qū)按照式(10)計(jì)算兩兩之間合并產(chǎn)生的ΔQ,將使ΔQ增加或減少的兩個社區(qū)進(jìn)行合并,并按照式(9)計(jì)算當(dāng)前Q值,保存Q值及當(dāng)前社區(qū)劃分;

    7)對步驟7)進(jìn)行迭代,直到所有節(jié)點(diǎn)都包含在一個社區(qū)或不能進(jìn)行社區(qū)合并;

    8)比較每次合并的Q值大小,取Q值最大的社區(qū)作為最終的結(jié)果。

    2.2 基于吸引力度量的社區(qū)識別過程

    算法2結(jié)束后,會對社會網(wǎng)絡(luò)中影響力較高的前3個節(jié)點(diǎn)進(jìn)行預(yù)劃分,識別出由高影響力節(jié)點(diǎn)組成的種子社區(qū)即為骨干社區(qū)。而網(wǎng)絡(luò)中影響力較低的n-3個零散節(jié)點(diǎn)可能處于孤立狀態(tài),因此需要將其合并到骨干社區(qū)之中。提出一種基于影響力分析的吸引力度量函數(shù),將網(wǎng)絡(luò)中零散節(jié)點(diǎn)添加到對其吸引力較高的骨干社區(qū)。對于任意骨干社區(qū)BC和節(jié)點(diǎn)u,BC對u的吸引力度量函數(shù)attract(BC,u)的定義為:

    式中:∑v∈BC∧v∈N(u)NG(u,v)表示節(jié)點(diǎn)u對當(dāng)前所在骨干社區(qū)的所有鄰居節(jié)點(diǎn)的影響力評分?jǐn)?shù)之和;Iscore(u)表示節(jié)點(diǎn)u的影響力評分。attract(BC,u)的值越大,節(jié)點(diǎn)u受骨干社區(qū)BC吸引而加入社區(qū)BC的可能性就越大,反之節(jié)點(diǎn)u成為骨干社區(qū)BC內(nèi)部節(jié)點(diǎn)的概率較低。

    設(shè)定了吸引力閾值β,對于節(jié)點(diǎn)u以及任意社區(qū)BC,若attract(BC,u)>β,則節(jié)點(diǎn)u屬于骨干社區(qū)BC。節(jié)點(diǎn)u可能同時加入多個社區(qū)結(jié)構(gòu),因此社區(qū)具有重疊性。在圖1中,假設(shè)骨干社區(qū)BC1包含的節(jié)點(diǎn)集合為{1,2,3,4,5},骨干社區(qū)BC1對節(jié)點(diǎn)6的吸引力函數(shù)為:

    假設(shè)BC2的骨干社區(qū)包含節(jié)點(diǎn)集合為{7,8,9,10},骨干社區(qū)BC2對節(jié)點(diǎn)6的吸引力為:

    若β=0.4,則節(jié)點(diǎn)6不屬于骨干社區(qū)BC1,屬于骨干社區(qū)BC2。

    下面給出基于種子擴(kuò)張的社區(qū)發(fā)現(xiàn)算法,算法的偽代碼如下:

    算法3 基于種子擴(kuò)張的社區(qū)發(fā)現(xiàn)算法

    輸入:高影響力節(jié)點(diǎn)構(gòu)成的社區(qū)集合BC,社區(qū)網(wǎng)絡(luò)G

    輸出:社區(qū)劃分結(jié)構(gòu)

    1)將網(wǎng)絡(luò)中高影響力節(jié)點(diǎn)標(biāo)記為true,其余n-3個節(jié)點(diǎn)標(biāo)記為false;

    2)將網(wǎng)絡(luò)中標(biāo)記為false的節(jié)點(diǎn)按照式(11)依次對骨干社區(qū)集合BC={BC1,BC2…BCn}進(jìn)行計(jì)算;

    3)對每個標(biāo)記為false的節(jié)點(diǎn)按照不同的骨干社區(qū)的計(jì)算,選取attract(BC,u)最大的值并將該節(jié)點(diǎn)加入到對應(yīng)的骨干網(wǎng)絡(luò);

    4)將加入骨干社區(qū)網(wǎng)絡(luò)的節(jié)點(diǎn)標(biāo)記為true;

    5)重復(fù)執(zhí)行步驟2),步驟3)和步驟4),直到社區(qū)網(wǎng)絡(luò)中所有節(jié)點(diǎn)都標(biāo)記為true;

    6)輸出社區(qū)劃分結(jié)構(gòu)。

    為了挖掘網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu),首先將網(wǎng)絡(luò)除3個高影響力節(jié)點(diǎn)外的節(jié)點(diǎn)都標(biāo)記為false,若節(jié)點(diǎn)劃分到一個社區(qū)中,則該節(jié)點(diǎn)標(biāo)記為ture。

    在基于吸引力度量的種子擴(kuò)張過程的偽代碼中,第一步為遍歷n個高影響力評分節(jié)點(diǎn)社區(qū)集合。第二步以及第三步為計(jì)算集合BCi中對n-3吸引度量函數(shù)值attract(BCi,v)不小于給定的閾值β的節(jié)點(diǎn)。若節(jié)點(diǎn)attract(BCi,v)值大于或等于閾值,將該節(jié)點(diǎn)合并到當(dāng)前的社區(qū)中,若一個節(jié)點(diǎn)屬于多個社區(qū),則稱該節(jié)點(diǎn)為重疊節(jié)點(diǎn)。將該節(jié)點(diǎn)加入到attract(BCi,v)值最大的骨干社區(qū)中。最后將加入骨干社區(qū)的節(jié)點(diǎn)標(biāo)記為true,得到最終的社區(qū)結(jié)構(gòu)劃分結(jié)果。社區(qū)合并本質(zhì)上是一種貪心策略,然而由于網(wǎng)絡(luò)本身存在稀疏性,在實(shí)際的種子擴(kuò)張中零散節(jié)點(diǎn)鄰接社區(qū)要遠(yuǎn)小于其鄰接的社區(qū)數(shù),這有效的控制了算法的時間開銷。

    2.3 算法的時間復(fù)雜度分析

    假設(shè)社會網(wǎng)絡(luò)G包含有n個節(jié)點(diǎn)和m條邊,算法1在求解節(jié)點(diǎn)的影響力強(qiáng)度時,時間復(fù)雜度為O(n)。在算法2中基于K-means聚類算法將O(l)個節(jié)點(diǎn)進(jìn)行合并得出骨干網(wǎng)絡(luò),其時間復(fù)雜度為O(kl),最壞的情況下將O(n)個節(jié)點(diǎn)進(jìn)行合并,故算法2的時間復(fù)雜度為O(kn)。在算法3中,在社區(qū)擴(kuò)展階段將O(n)個節(jié)點(diǎn)加入到O(k)個骨干社區(qū)中,該過程重復(fù)執(zhí)行O(n)次,所以找到所有的最終社區(qū)的時間復(fù)雜度為O(kn2),若k<

    3 實(shí)驗(yàn)結(jié)果與分析

    本節(jié)給出算法在人工合成網(wǎng)絡(luò)以及真實(shí)數(shù)據(jù)集上的運(yùn)行結(jié)果。實(shí)驗(yàn)的運(yùn)行環(huán)境為Intel Core i5-7300HQ 2.5GHz處理器,8GB內(nèi)存,Windows 10操作系統(tǒng),算法采用Python與Matlab R2016a混合編程。

    3.1 NMI指數(shù)

    Danon等[20]提出歸一化互信息(normalized mutual information,NMI),度量社區(qū)集合之間的相似性。NMI基于混淆矩陣N,其中行表示真實(shí)的社區(qū)結(jié)構(gòu),列表示算法生成的社區(qū)。Ni表示矩陣N第i行所有元素的總和,Nj表示矩陣N第j列所有元素的總和。Nij是矩陣N的元素,表示同時屬于真實(shí)社區(qū)i和算法生成社區(qū)j的節(jié)點(diǎn)數(shù)量。NMI公式定義為:

    式中:CA代表網(wǎng)絡(luò)中真實(shí)社區(qū)的數(shù)量;CB代表由算法生成社區(qū)的數(shù)量。如果探測出的社區(qū)結(jié)構(gòu)和真實(shí)網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)相同則NMI=1;反之,如果所探測的社區(qū)結(jié)構(gòu)和真實(shí)網(wǎng)絡(luò)完全不同,則NMI=0。傳統(tǒng)意義上的歸一化互信息被用來量化兩個分布之間的差異性,為了使之適用于社區(qū)差異性量化,實(shí)驗(yàn)中采用的了NMI的簡化版本[21]。

    3.2 F-SCORE

    F-Score也是常用的社區(qū)發(fā)現(xiàn)算法度量指標(biāo)。首先定義算法生成社區(qū)在全部社區(qū)中的比例。

    式中,CR代表高質(zhì)量節(jié)點(diǎn)所在的真實(shí)社區(qū),CF代表高質(zhì)量節(jié)點(diǎn)所在的探測社區(qū)。

    Precision是正確劃分節(jié)點(diǎn)的數(shù)量除以節(jié)點(diǎn)在CF中的數(shù)量,其定義為:

    結(jié)合式(15)以及式(16),F(xiàn)-Score定義為:

    3.3 人工合成網(wǎng)絡(luò)社區(qū)識別結(jié)果

    利用LFR-Benchmark提供的MATLAB數(shù)據(jù)生成器生成網(wǎng)絡(luò),網(wǎng)絡(luò)中的部分重要參數(shù)設(shè)置如下。首先,生成網(wǎng)絡(luò)規(guī)模為N=1 000的復(fù)雜網(wǎng)絡(luò),其中最小社區(qū)尺寸為10、最大社區(qū)尺寸為100。接下來設(shè)置網(wǎng)絡(luò)的平均度為5、最大節(jié)點(diǎn)度為25、混合參數(shù)u的取值范圍為0.1~0.8。在LFR Benchmark中,混合參數(shù)是一個獨(dú)立參數(shù),其值越大社區(qū)越難以發(fā)現(xiàn),因此通常用來刻畫算法的魯棒性。

    首先驗(yàn)證了不同混合參數(shù)下K-means聚類算法中的k取值不同時NMI指標(biāo)變化情況,實(shí)驗(yàn)結(jié)果如圖2所示??梢钥闯觯跏紩r社區(qū)質(zhì)量會隨種子社區(qū)的不斷增多而不斷上升,但達(dá)到某一極值時,社區(qū)質(zhì)量開始下降。這是因?yàn)槌跏挤N子過多會導(dǎo)致社區(qū)個數(shù)增加,進(jìn)而降低社區(qū)內(nèi)部的緊密程度。另一個發(fā)現(xiàn)是,社區(qū)結(jié)構(gòu)較為模糊的網(wǎng)絡(luò)中(u=0.8),需要更多的種子社區(qū)才能達(dá)到較好的發(fā)現(xiàn)效果。

    接下來,驗(yàn)證TSCDA算法的性能。與Clauset[12]、LWP[13]、Chen[14]、LS[15]、LCDMC[16]以及VI[17]6種社區(qū)識別算法在人工合成網(wǎng)絡(luò)社區(qū)進(jìn)行比較,為了保證算法結(jié)果的客觀性,將相關(guān)參數(shù)按原有文獻(xiàn)加以設(shè)定,算法的NMI指標(biāo)以及F-Score在圖3以及圖4給出。

    如圖2及圖3所示,當(dāng)混合參數(shù)u等于0.1時,TSCDA在NMI以及F-Score的性能指標(biāo)明顯優(yōu)于其它算法,具有一定的性能優(yōu)勢。隨著混合參數(shù)u的不斷增加,TSCDA算法和其他6種算法的NMI指標(biāo)以及F-Score均呈現(xiàn)明顯的下降趨勢,當(dāng)混合參數(shù)u等于0.5以及0.6時,TSCDA算法略優(yōu)于VI算法和LCDMC算法,優(yōu)于LWP以及LS算法;當(dāng)混合參數(shù)u等于0.7以及0.8時,各算法性能較為接近,但總體來看,TSCDA算法仍然要優(yōu)于其他6種社區(qū)識別方法,這表明TSCDA算法在結(jié)構(gòu)指標(biāo)上更貼近于內(nèi)嵌社區(qū)。

    3.4 真實(shí)網(wǎng)絡(luò)社區(qū)識別結(jié)果

    為了驗(yàn)證TSCDA算法在真實(shí)網(wǎng)絡(luò)社區(qū)識別的性能,本節(jié)選取了在5種真實(shí)網(wǎng)絡(luò)上,對比TSCDA算法與前文6種社區(qū)識別算法的性能差異。表2列出了所選擇的真實(shí)網(wǎng)絡(luò)的網(wǎng)絡(luò)特征,其中Node代表節(jié)點(diǎn)個數(shù)、Link代表鏈接條數(shù)、d—表示網(wǎng)絡(luò)的平均度、|C—|表示真實(shí)社區(qū)的平均大小、Community表示社區(qū)個數(shù)。我們從Amazon社區(qū)中移除了前5 000個子社區(qū),保留了它的不同的社區(qū)。

    還在DBLP計(jì)算機(jī)學(xué)科文獻(xiàn)數(shù)據(jù)網(wǎng)絡(luò)上測試了TSCDA算法與Clauset算法、LWP算法、Chen算法、LS算法、LCDMC算法以及VI算法的NMI指標(biāo)以及F-Score指標(biāo)。DBLP文獻(xiàn)網(wǎng)絡(luò)的特性如表3所示。|C|代表社區(qū)規(guī)模的范圍,例如,(0,10]代表樣本網(wǎng)絡(luò)包含的社區(qū)大小大于0,小于等于10。我們同樣移除了DBLP網(wǎng)絡(luò)前5 000個社區(qū)中的子社區(qū),并保留了它們不同的社區(qū)結(jié)構(gòu)。

    表4給出了各算法在真實(shí)網(wǎng)絡(luò)上的NMI指標(biāo)以及F-Score指標(biāo)。相比其它6種方法,TSCDA具有一定的性能優(yōu)勢。一方面,TSCDA基于節(jié)點(diǎn)影響力擴(kuò)展社區(qū),因此在識別社區(qū)成員時準(zhǔn)確度更高。另一方面,本文在節(jié)點(diǎn)影響力計(jì)算中加入了邊介數(shù)屬性,不僅考慮了節(jié)點(diǎn)自身的重要程度,還考慮了鏈接在局部區(qū)域中的重要程度。LWP和LS算法在個別網(wǎng)絡(luò)中顯示出比TSCDA更好的性能,例如在Football網(wǎng)絡(luò)中LWP算法的NMI指標(biāo)高于TSCDA約0.09、在Amazon網(wǎng)絡(luò)中LS算法的F-Score高于TSCDA約0.02。一個可能的原因是Football網(wǎng)絡(luò)的平均節(jié)點(diǎn)度較高,使得各算法在社區(qū)識別時更容易發(fā)現(xiàn)結(jié)構(gòu)較為緊湊的局部結(jié)構(gòu)。TSCDA算法在Dolpins網(wǎng)的準(zhǔn)確性有所下降,這是由于Dolpins網(wǎng)絡(luò)中的鏈接關(guān)系依靠于節(jié)點(diǎn)之間的接觸歷史,因此影響力識別時準(zhǔn)確度一般。但是相比其它6種算法TSCDA算法仍然表現(xiàn)出一定的穩(wěn)定性,進(jìn)一步說明了TSCDA算法具有較高的魯棒性。

    圖5和圖6給出了各算法在DBLP引文網(wǎng)絡(luò)上的性能指標(biāo)。實(shí)驗(yàn)結(jié)果顯示,當(dāng)社區(qū)規(guī)模在0到10時(Label 0),TSCDA在社區(qū)識別性能上略低于其他6種算法表現(xiàn)的差。然而當(dāng)社區(qū)規(guī)模大于10時(Label 1~10),TSCDA的表現(xiàn)性能明顯優(yōu)于Clauset、LWP、Chen、LS、LCDMC和VI算法,這表明TSCDA善于挖掘個數(shù)較多的社區(qū)結(jié)果,社區(qū)粒度更加細(xì)致。

    4 結(jié) 論

    為了解決傳統(tǒng)社區(qū)識別方法社區(qū)穩(wěn)定性較差這一問題,從節(jié)點(diǎn)相似性以及鏈接相似性兩個角度入手,提出一種多點(diǎn)種子預(yù)劃分的社區(qū)發(fā)現(xiàn)算法TSCDA。首先,在種子擴(kuò)張算法的基礎(chǔ)上,提出利用高質(zhì)量節(jié)點(diǎn)構(gòu)建骨干社區(qū)進(jìn)行社區(qū)識別,提高社區(qū)結(jié)構(gòu)的致密性;其次,將邊介數(shù)屬性加入到節(jié)點(diǎn)影響力的計(jì)算中,提高影響力計(jì)算中的結(jié)構(gòu)相關(guān)性。人工合成網(wǎng)絡(luò)和真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集上的仿真結(jié)果驗(yàn)證了TSCDA算法的效率和識別性能。

    參 考 文 獻(xiàn):

    [1] SANTO Fortunato. Community Detection in Graphs[J]. Physics Reports,2009,486(3):26.

    [2] JAVED M A, YOUNIS M S, LATIF S, et al. Community Detection in Networks:A Multidisciplinary Review[J]. Journal of Network and Computer Applications,2018, 108:87.

    [3] AMOR B, VUIK S, CALLAHAN R, et al. Community Detection and Role Identification in Directed Networks: Understanding the Twitter Network of the Caredata Debate[J]. Dynamic Networks and Cyber-security, 2015, 25(2):19.

    [4] BAZZI M, PORTER M A, WILLIAMS S, et al. Community Detection in Temporal Multilayer Networks, with an Application to Correlation Networks[J]. Multiscale Modeling & Simulation, 2016, 14(1):1.

    [5] SHARMA S, SINGH A. An Efficient Method for Link Prediction in Complex Multiplex Networks[C]// 2015 11th International Conference on Signal-Image Technology & Internet-Based Systems(SITIS). IEEE, 2015:452.

    [6] DING X, ZHANG J, YANG J. A Robust Two-stage Algorithm for Local Community Detection[J]. Knowledge Based Systems, 2018, 14(7):62.

    [7] LANCICHINETTI A, FORTUNATO S, KERTSZ, JNOS. Detecting the Overlapping and Hierarchical Community Structure in Complex Networks[J]. New Journal of Physics, 2009, 11(3):15.

    [8] COSCIA M, ROSSETTI G, GIANNOTTI F, et al. DEMON:a Local-First Discovery Method for Overlapping Communities[C]// Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2012:19.

    [9] BAUMES J, GOLDBERG M, MAGDON-ISMAIL M. Efficient Identification of Overlapping Communities[C]// International Conference on Intelligence and Security Informatics, 2005:11.

    [10]李婕, 王興偉, 郭靜, 等. 面向移動通信網(wǎng)絡(luò)的局部擴(kuò)張群組構(gòu)造方法[J]. 東北大學(xué)學(xué)報(自然科學(xué)版),2017,38(12):1691.

    LI Jie, WANG Xingwei, GUO Jing, et al. Clique Percolation Based Local Fitness Method for User Clustering in Telecommunication Network[J]. Journal of Northeastern University Natural(Science), 2017,38(12):1691.

    [11]SU Y, WANG B, CHENG F, et al. An Algorithm Based on Positive and Negative Links for Community Detection in Signed Networks[J]. Scientific Reports, 2017, 7(1):10874.

    [12]CLAUSET, ARON. Finding Local Community Structure in Networks[J]. Physical Review E Statistical Nonlinear & Soft Matter Physics, 2005, 72(2):26.

    [13]LUO F , WANG J Z , PROMISLOW E. Exploring Local Community Structures in Large Networks[J]. Web Intelligence & Agent Systems, 2008, 6(4):387.

    [14]JIYANG Chen, OSMAR Zaane, RANDY Goebel. Local Community Identification in Social Networks[C]// International Conference on Advances in Social Network Analysis & Mining. IEEE Computer Society, 2009:79.

    [15]YING JUN, WU, HAN, et al. Local Community Detection Using Link Similarity[J]. Journal of Computer Science & Technology, 2012, 23(3):69.

    [16]FANRONG M , MU Z , YONG Z , et al. Local Community Detection in Complex Networks Based on Maximum Cliques Extension[J]. Mathematical Problems in Engineering, 2014, 36(6):1.

    [17]YAOY , WU W , LEI M , et al. Community Detection Based on Variable Vertex Influence[C]// IEEE International Conference on Data Science in Cyberspace. IEEE, 2016:145.

    [18]齊金山, 梁循, 王怡. 基于種子節(jié)點(diǎn)選擇的重疊社區(qū)發(fā)現(xiàn)算法[J]. 計(jì)算機(jī)應(yīng)用研究,2017(12):20.

    QI Jinshan, LIANG Xun, WANG Yi. Overlapping Community Detection Algorithm Based on Selection of Seed Nodes[J]. Application Research of Computers,2017(12):20.

    [19]NEWMANM E J. Fast Algorithm for Detecting Community Structure in Networks[J]. Physical Review E, 2004, 69(6):133.

    [20]DANON, LEON, DUCH, et al. Comparing Community Structure Identification[J]. Journal of Statistical Mechanics, 2005, 206(9):69.

    [21]BAGROW, JAMES P. Evaluating Local Community Methods in Networks[J]. Journal of Statistical Mechanics:Theory and Experiment, 2008, 8(5):26.

    (編輯:溫澤宇)

    丝袜美腿诱惑在线| 久久人人爽av亚洲精品天堂| 不卡av一区二区三区| 少妇粗大呻吟视频| 亚洲久久久国产精品| 欧美在线一区亚洲| 一卡2卡三卡四卡精品乱码亚洲| 亚洲av片天天在线观看| 97碰自拍视频| 国产欧美日韩精品亚洲av| 1024视频免费在线观看| 老司机福利观看| 在线观看舔阴道视频| 国产一级毛片七仙女欲春2 | 日韩欧美三级三区| 免费搜索国产男女视频| 99久久综合精品五月天人人| 亚洲一区二区三区不卡视频| 亚洲全国av大片| 亚洲成av片中文字幕在线观看| 免费人成视频x8x8入口观看| 多毛熟女@视频| 99国产精品一区二区三区| 男女午夜视频在线观看| 久久久精品欧美日韩精品| 在线观看日韩欧美| 真人做人爱边吃奶动态| 18禁观看日本| 亚洲无线在线观看| 精品无人区乱码1区二区| 精品国内亚洲2022精品成人| 激情视频va一区二区三区| 国产蜜桃级精品一区二区三区| 男女之事视频高清在线观看| 老司机福利观看| 日韩国内少妇激情av| 亚洲精品在线观看二区| 成在线人永久免费视频| e午夜精品久久久久久久| 国产激情欧美一区二区| 一进一出抽搐gif免费好疼| 免费在线观看完整版高清| 久久天躁狠狠躁夜夜2o2o| 精品欧美一区二区三区在线| www日本在线高清视频| 午夜福利18| 国产一区二区三区在线臀色熟女| 女人精品久久久久毛片| 欧美国产精品va在线观看不卡| 免费看a级黄色片| 久久久久久大精品| 夜夜夜夜夜久久久久| 丝袜美足系列| 神马国产精品三级电影在线观看 | 欧美黑人精品巨大| 日韩大码丰满熟妇| 九色国产91popny在线| 麻豆成人av在线观看| 在线观看免费视频网站a站| 日日干狠狠操夜夜爽| 十分钟在线观看高清视频www| 午夜日韩欧美国产| 国产精品久久久av美女十八| 电影成人av| 一卡2卡三卡四卡精品乱码亚洲| 欧美国产精品va在线观看不卡| 一级a爱片免费观看的视频| 久久人妻福利社区极品人妻图片| 老司机福利观看| 欧美日韩瑟瑟在线播放| 日韩欧美一区二区三区在线观看| 久久天躁狠狠躁夜夜2o2o| 在线播放国产精品三级| 国产一区二区三区视频了| 国产精品一区二区三区四区久久 | 很黄的视频免费| 精品高清国产在线一区| 日韩成人在线观看一区二区三区| 亚洲国产精品成人综合色| 精品日产1卡2卡| 在线十欧美十亚洲十日本专区| 色在线成人网| 51午夜福利影视在线观看| 老司机午夜福利在线观看视频| 中文字幕精品免费在线观看视频| 少妇被粗大的猛进出69影院| 一区在线观看完整版| 高潮久久久久久久久久久不卡| 激情视频va一区二区三区| 亚洲久久久国产精品| 午夜精品久久久久久毛片777| 看免费av毛片| 亚洲少妇的诱惑av| 色播亚洲综合网| √禁漫天堂资源中文www| 欧美精品亚洲一区二区| 91精品三级在线观看| 好男人在线观看高清免费视频 | 国产成人欧美| 黑丝袜美女国产一区| 99久久精品国产亚洲精品| 好看av亚洲va欧美ⅴa在| 色在线成人网| 日韩高清综合在线| 精品高清国产在线一区| 精品久久久久久,| 国产高清有码在线观看视频 | 亚洲av第一区精品v没综合| 大码成人一级视频| 亚洲熟女毛片儿| 成人av一区二区三区在线看| 极品教师在线免费播放| 女人精品久久久久毛片| 精品少妇一区二区三区视频日本电影| 欧美日本中文国产一区发布| 人人妻人人澡人人看| 99久久99久久久精品蜜桃| 无遮挡黄片免费观看| 亚洲欧美一区二区三区黑人| 日韩欧美国产在线观看| 天天躁夜夜躁狠狠躁躁| 亚洲七黄色美女视频| 久久伊人香网站| 久久香蕉精品热| 岛国视频午夜一区免费看| tocl精华| 久久久久久久久中文| 亚洲精品一区av在线观看| 国产亚洲精品久久久久5区| 婷婷丁香在线五月| 每晚都被弄得嗷嗷叫到高潮| 免费女性裸体啪啪无遮挡网站| 精品欧美一区二区三区在线| 身体一侧抽搐| 中文字幕另类日韩欧美亚洲嫩草| 正在播放国产对白刺激| 午夜免费成人在线视频| 黄频高清免费视频| 人妻丰满熟妇av一区二区三区| 999久久久国产精品视频| 亚洲人成77777在线视频| 久久久久国产一级毛片高清牌| 美女国产高潮福利片在线看| 免费高清视频大片| 久久精品国产99精品国产亚洲性色 | 亚洲 国产 在线| 淫秽高清视频在线观看| 日本vs欧美在线观看视频| 在线国产一区二区在线| 国产av一区二区精品久久| 国产亚洲av嫩草精品影院| 免费在线观看日本一区| 日本欧美视频一区| www.www免费av| 精品国产乱子伦一区二区三区| 亚洲全国av大片| 男女之事视频高清在线观看| 国产高清videossex| 身体一侧抽搐| 免费看美女性在线毛片视频| 国产av一区在线观看免费| 12—13女人毛片做爰片一| 久久久久久大精品| 中文字幕最新亚洲高清| 色在线成人网| 别揉我奶头~嗯~啊~动态视频| 久久精品国产综合久久久| 国产xxxxx性猛交| 1024视频免费在线观看| 精品久久久精品久久久| 91精品三级在线观看| 最新在线观看一区二区三区| 夜夜看夜夜爽夜夜摸| 国产一区二区激情短视频| 大码成人一级视频| 18禁观看日本| 日韩高清综合在线| 99国产精品一区二区三区| 久久中文看片网| 国产国语露脸激情在线看| 搞女人的毛片| 十八禁网站免费在线| 日韩一卡2卡3卡4卡2021年| 日韩精品中文字幕看吧| 91成年电影在线观看| 欧美成人免费av一区二区三区| 亚洲电影在线观看av| 成人亚洲精品一区在线观看| 两个人看的免费小视频| 丁香欧美五月| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品一区二区免费欧美| 亚洲美女黄片视频| 精品欧美国产一区二区三| 亚洲午夜理论影院| 精品国产美女av久久久久小说| 久久香蕉激情| 国语自产精品视频在线第100页| 在线天堂中文资源库| 国产成人欧美在线观看| 色哟哟哟哟哟哟| 国产精品精品国产色婷婷| 国产精品久久电影中文字幕| 午夜免费成人在线视频| 欧美色视频一区免费| 黑人操中国人逼视频| 一区福利在线观看| 非洲黑人性xxxx精品又粗又长| 国产精品99久久99久久久不卡| 长腿黑丝高跟| 亚洲国产精品久久男人天堂| 国产男靠女视频免费网站| 一级,二级,三级黄色视频| 国产激情欧美一区二区| 国产精品久久久人人做人人爽| 久久久精品国产亚洲av高清涩受| 亚洲欧美日韩另类电影网站| 国产高清有码在线观看视频 | 中文字幕人妻熟女乱码| 亚洲欧美精品综合一区二区三区| 亚洲狠狠婷婷综合久久图片| 黄片播放在线免费| 久久精品aⅴ一区二区三区四区| 99精品久久久久人妻精品| 欧美性长视频在线观看| 成人免费观看视频高清| 久久午夜综合久久蜜桃| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲一卡2卡3卡4卡5卡精品中文| 精品不卡国产一区二区三区| 国产成人精品久久二区二区91| 国产成人av激情在线播放| 国产亚洲精品第一综合不卡| 一区在线观看完整版| 国产精品国产高清国产av| 亚洲精品美女久久av网站| 亚洲精品国产一区二区精华液| 国产欧美日韩一区二区三区在线| 免费看十八禁软件| 美女国产高潮福利片在线看| 俄罗斯特黄特色一大片| 免费观看精品视频网站| 国产蜜桃级精品一区二区三区| 免费在线观看亚洲国产| 午夜视频精品福利| 午夜福利视频1000在线观看 | a级毛片在线看网站| 久久精品国产综合久久久| 黄片小视频在线播放| 在线av久久热| 亚洲精品中文字幕在线视频| a在线观看视频网站| 超碰成人久久| 国产精品av久久久久免费| 国产日韩一区二区三区精品不卡| 久热这里只有精品99| 热99re8久久精品国产| 久久国产精品影院| 日本a在线网址| 久久国产亚洲av麻豆专区| 国产欧美日韩一区二区三| 国产亚洲欧美98| 12—13女人毛片做爰片一| 国产精品 国内视频| 精品久久久精品久久久| 90打野战视频偷拍视频| 成年版毛片免费区| 亚洲性夜色夜夜综合| 国产成人av激情在线播放| 一区福利在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 国产高清视频在线播放一区| 如日韩欧美国产精品一区二区三区| 亚洲色图av天堂| 国产成人精品在线电影| 免费一级毛片在线播放高清视频 | 精品高清国产在线一区| 久久精品影院6| 国产激情久久老熟女| 乱人伦中国视频| 在线观看免费日韩欧美大片| 国语自产精品视频在线第100页| 极品教师在线免费播放| 亚洲国产欧美网| 99热只有精品国产| 制服人妻中文乱码| 国产主播在线观看一区二区| 国产麻豆69| 身体一侧抽搐| 亚洲成av人片免费观看| 国产精品亚洲一级av第二区| 久久精品国产亚洲av高清一级| 亚洲色图综合在线观看| 欧美黄色片欧美黄色片| 国产片内射在线| 亚洲国产毛片av蜜桃av| 日本撒尿小便嘘嘘汇集6| 久久精品91蜜桃| 国产成人精品久久二区二区91| 91在线观看av| 亚洲av日韩精品久久久久久密| 国产人伦9x9x在线观看| 精品国产美女av久久久久小说| 亚洲欧美精品综合久久99| 亚洲全国av大片| 国产av又大| 老熟妇乱子伦视频在线观看| 亚洲欧美一区二区三区黑人| 免费在线观看视频国产中文字幕亚洲| 天天添夜夜摸| 精品高清国产在线一区| videosex国产| 啦啦啦观看免费观看视频高清 | 日日爽夜夜爽网站| 国产黄a三级三级三级人| 亚洲精品国产色婷婷电影| 亚洲美女黄片视频| 首页视频小说图片口味搜索| 亚洲自拍偷在线| 国产成人一区二区三区免费视频网站| 成人国产一区最新在线观看| 久久九九热精品免费| 黑人巨大精品欧美一区二区mp4| 亚洲精品中文字幕一二三四区| 看黄色毛片网站| 亚洲久久久国产精品| av天堂久久9| 97人妻精品一区二区三区麻豆 | 校园春色视频在线观看| 巨乳人妻的诱惑在线观看| 97超级碰碰碰精品色视频在线观看| 国产欧美日韩一区二区三区在线| 日韩有码中文字幕| 国产高清视频在线播放一区| 在线观看免费午夜福利视频| 少妇粗大呻吟视频| 国产欧美日韩综合在线一区二区| 91字幕亚洲| 后天国语完整版免费观看| 亚洲三区欧美一区| 给我免费播放毛片高清在线观看| 国产亚洲av高清不卡| 亚洲精华国产精华精| 久久精品亚洲熟妇少妇任你| 性色av乱码一区二区三区2| 欧美乱码精品一区二区三区| 淫秽高清视频在线观看| 国产亚洲精品av在线| 久久久久久大精品| 咕卡用的链子| 国产精品爽爽va在线观看网站 | 搞女人的毛片| 两个人视频免费观看高清| 精品久久久精品久久久| 日本免费a在线| 亚洲午夜理论影院| 欧美激情高清一区二区三区| 午夜福利影视在线免费观看| 极品教师在线免费播放| 免费在线观看视频国产中文字幕亚洲| 国产高清有码在线观看视频 | 精品午夜福利视频在线观看一区| 国产一区在线观看成人免费| 午夜成年电影在线免费观看| 午夜免费观看网址| 我的亚洲天堂| 国产精品一区二区三区四区久久 | 香蕉久久夜色| 久久精品人人爽人人爽视色| 亚洲国产日韩欧美精品在线观看 | 日本撒尿小便嘘嘘汇集6| 亚洲av成人不卡在线观看播放网| 精品国产一区二区久久| 亚洲精品在线观看二区| 久久久国产成人精品二区| 天天躁狠狠躁夜夜躁狠狠躁| 欧美日韩亚洲国产一区二区在线观看| 久久精品国产亚洲av香蕉五月| svipshipincom国产片| av在线播放免费不卡| 久久久久国产一级毛片高清牌| 97人妻精品一区二区三区麻豆 | 久久人人爽av亚洲精品天堂| 午夜福利,免费看| 久久热在线av| 91精品三级在线观看| 免费在线观看日本一区| 亚洲无线在线观看| 国产成+人综合+亚洲专区| 男女之事视频高清在线观看| 欧美不卡视频在线免费观看 | or卡值多少钱| 香蕉久久夜色| 99国产精品一区二区蜜桃av| 国产精品国产高清国产av| 一个人观看的视频www高清免费观看 | 国产男靠女视频免费网站| aaaaa片日本免费| 亚洲精品在线观看二区| 可以免费在线观看a视频的电影网站| 美女免费视频网站| 免费久久久久久久精品成人欧美视频| 亚洲视频免费观看视频| 亚洲情色 制服丝袜| 99热只有精品国产| 日日摸夜夜添夜夜添小说| 久久精品人人爽人人爽视色| 成人永久免费在线观看视频| а√天堂www在线а√下载| 天天一区二区日本电影三级 | 国产午夜福利久久久久久| 大香蕉久久成人网| 免费在线观看影片大全网站| 一进一出抽搐动态| 欧美av亚洲av综合av国产av| 日本三级黄在线观看| 好男人电影高清在线观看| a在线观看视频网站| 欧美精品啪啪一区二区三区| 亚洲aⅴ乱码一区二区在线播放 | 亚洲精品国产一区二区精华液| 两个人免费观看高清视频| 黄色丝袜av网址大全| 深夜精品福利| 可以在线观看毛片的网站| 变态另类丝袜制服| 美国免费a级毛片| av视频在线观看入口| 亚洲av五月六月丁香网| 禁无遮挡网站| www.自偷自拍.com| 91麻豆av在线| 亚洲成人国产一区在线观看| 久久精品亚洲精品国产色婷小说| 亚洲av熟女| 黑人巨大精品欧美一区二区mp4| 青草久久国产| 丝袜在线中文字幕| 精品国产一区二区久久| 欧美在线黄色| 成人三级做爰电影| 一进一出好大好爽视频| 亚洲精品av麻豆狂野| 黄色视频,在线免费观看| www日本在线高清视频| 麻豆av在线久日| 亚洲中文字幕一区二区三区有码在线看 | 精品福利观看| 午夜免费激情av| 国产高清视频在线播放一区| 成人国语在线视频| 国产主播在线观看一区二区| 午夜免费鲁丝| 叶爱在线成人免费视频播放| 色老头精品视频在线观看| 久久久久国内视频| 99久久久亚洲精品蜜臀av| 日本vs欧美在线观看视频| 美女午夜性视频免费| av天堂久久9| 岛国视频午夜一区免费看| 看片在线看免费视频| 91av网站免费观看| 成年版毛片免费区| 好男人在线观看高清免费视频 | 黑丝袜美女国产一区| 欧美激情久久久久久爽电影 | 一区二区三区激情视频| 久久香蕉激情| 国产在线观看jvid| xxx96com| av在线天堂中文字幕| 成年版毛片免费区| 久久久国产成人免费| 国产男靠女视频免费网站| 美女扒开内裤让男人捅视频| 十八禁网站免费在线| 91九色精品人成在线观看| 电影成人av| 亚洲国产欧美日韩在线播放| 两人在一起打扑克的视频| 国产成人系列免费观看| 国产高清videossex| 亚洲精品国产精品久久久不卡| 91在线观看av| 午夜福利在线观看吧| 国产精品综合久久久久久久免费 | 成人国产一区最新在线观看| 成熟少妇高潮喷水视频| 亚洲av成人av| 两性午夜刺激爽爽歪歪视频在线观看 | 久久精品aⅴ一区二区三区四区| 50天的宝宝边吃奶边哭怎么回事| 香蕉丝袜av| 女同久久另类99精品国产91| 久久这里只有精品19| 97人妻精品一区二区三区麻豆 | 精品卡一卡二卡四卡免费| 久久久久久久精品吃奶| 黄色 视频免费看| 桃色一区二区三区在线观看| 精品国产一区二区三区四区第35| 国内久久婷婷六月综合欲色啪| 黄色视频不卡| 美女国产高潮福利片在线看| 99香蕉大伊视频| 精品久久久久久,| 国产aⅴ精品一区二区三区波| 成人亚洲精品一区在线观看| 国产精品一区二区精品视频观看| 久久午夜亚洲精品久久| 免费看a级黄色片| 亚洲精品国产色婷婷电影| 视频区欧美日本亚洲| 两性午夜刺激爽爽歪歪视频在线观看 | av欧美777| 看免费av毛片| 大型av网站在线播放| 丝袜在线中文字幕| 欧美成人免费av一区二区三区| 亚洲成av片中文字幕在线观看| 国产成+人综合+亚洲专区| 一本久久中文字幕| 91成人精品电影| 最新美女视频免费是黄的| 黄色视频,在线免费观看| 侵犯人妻中文字幕一二三四区| bbb黄色大片| 精品一品国产午夜福利视频| 国产成人免费无遮挡视频| 人成视频在线观看免费观看| 色哟哟哟哟哟哟| 久久久久国产一级毛片高清牌| 日本精品一区二区三区蜜桃| 欧美性长视频在线观看| 久9热在线精品视频| 啦啦啦免费观看视频1| 啦啦啦观看免费观看视频高清 | 国产一区二区三区视频了| 国产成人欧美在线观看| 十八禁网站免费在线| 亚洲最大成人中文| 中文字幕人妻熟女乱码| av欧美777| 一区二区三区国产精品乱码| 日本免费a在线| 亚洲一区二区三区色噜噜| 欧美黄色淫秽网站| 国产精品免费一区二区三区在线| 9191精品国产免费久久| 一区二区三区精品91| 人人妻,人人澡人人爽秒播| 免费久久久久久久精品成人欧美视频| 女性生殖器流出的白浆| 亚洲国产精品合色在线| 可以在线观看的亚洲视频| 两个人免费观看高清视频| 精品卡一卡二卡四卡免费| 日韩大码丰满熟妇| 精品久久久久久,| 50天的宝宝边吃奶边哭怎么回事| 两个人视频免费观看高清| 一进一出抽搐gif免费好疼| 午夜久久久在线观看| 国产精品九九99| 一边摸一边抽搐一进一出视频| 久9热在线精品视频| 一区福利在线观看| 国产亚洲精品综合一区在线观看 | 亚洲精品中文字幕一二三四区| 亚洲国产欧美日韩在线播放| 欧洲精品卡2卡3卡4卡5卡区| 久久久国产精品麻豆| 久热爱精品视频在线9| 精品一区二区三区四区五区乱码| 宅男免费午夜| 国产精品乱码一区二三区的特点 | 亚洲国产毛片av蜜桃av| 国产99久久九九免费精品| 久久亚洲真实| 人人妻人人澡欧美一区二区 | 成在线人永久免费视频| 亚洲精品在线美女| 欧美一级毛片孕妇| videosex国产| 一区二区三区激情视频| 精品日产1卡2卡| 亚洲无线在线观看| 亚洲 欧美 日韩 在线 免费| 老司机福利观看| 90打野战视频偷拍视频| 亚洲国产高清在线一区二区三 | av天堂久久9| 精品免费久久久久久久清纯| 午夜精品国产一区二区电影| 天堂影院成人在线观看| 51午夜福利影视在线观看| 18禁观看日本| 成人18禁高潮啪啪吃奶动态图| 亚洲精品中文字幕一二三四区| 男人舔女人的私密视频| 黄色丝袜av网址大全| 中文字幕另类日韩欧美亚洲嫩草| 女人被躁到高潮嗷嗷叫费观| 成人18禁在线播放| 国产亚洲精品久久久久5区| 午夜精品国产一区二区电影| 中文字幕最新亚洲高清| 亚洲av日韩精品久久久久久密| 一级毛片高清免费大全| 国产精品久久久久久人妻精品电影| 久久久久亚洲av毛片大全| 50天的宝宝边吃奶边哭怎么回事| 久久亚洲真实| 亚洲成人精品中文字幕电影|