• <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(shí)間復(fù)雜度低、識(shí)別精度高以及不受社區(qū)形態(tài)限制等特點(diǎn),近年來(lái)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(shí)沒(méi)有考慮種子之間的關(guān)聯(lián)性,因此識(shí)別出的社區(qū)結(jié)構(gòu)個(gè)數(shù)較多、結(jié)構(gòu)松散。針對(duì)這一問(wèn)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(shí)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(shí)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(gè)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(hào):TP391.4

    文獻(xiàn)標(biāo)志碼:A

    文章編號(hào):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??梢猿橄鬄閳D模型,圖中節(jié)點(diǎn)代表現(xiàn)實(shí)世界的實(shí)體,兩個(gè)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(lái)看,已有的社區(qū)識(shí)別算法可分為全局優(yōu)化算法和局部?jī)?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?jī)A向性,更適合發(fā)現(xiàn)社區(qū)的演化規(guī)律及形成過(guò)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?jī)?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(shí)別。Coscia等[8]提出的DEMON算法以整個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)為起始種子,利用標(biāo)簽傳播算法識(shí)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(duì)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(guò)濾的算法選擇種子節(jié)點(diǎn)進(jìn)行社區(qū)識(shí)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(shí)別的初始種子社區(qū)。

    提高基于種子擴(kuò)張的社區(qū)識(shí)別性能的關(guān)鍵在于種子節(jié)點(diǎn)的選取,近年來(lái)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(shí)別。Chen等[14]提出一種新的局部社區(qū)測(cè)度,先提取所有可能的候選社區(qū),然后對(duì)社區(qū)層次進(jìn)行優(yōu)化。吳英俊等[15]提出LS算法,通過(guò)分析社區(qū)與節(jié)點(diǎn)之間的鏈接相似性來(lái)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(cè)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(cè)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(duì)星形社區(qū)的匹配性。

    上述社區(qū)識(shí)別方法雖然在特定領(lǐng)域具有一定的性能優(yōu)勢(shì),但普遍存在以下兩方面問(wèn)題。首先,上述方法在種子選取時(shí)沒(méi)有考慮種子之間的關(guān)聯(lián)性,導(dǎo)致識(shí)別出社區(qū)結(jié)構(gòu)個(gè)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(huì)網(wǎng)絡(luò)結(jié)構(gòu)的多樣性,上述方法在影響力識(shí)別時(shí)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(píng)分的假象,這使得識(shí)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(wèn)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(shí)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(guò)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(shì)。

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

    用無(wú)向圖G=(V,E)表示社交網(wǎng)絡(luò),其中V代表網(wǎng)絡(luò)中個(gè)數(shù)為n的節(jié)點(diǎn)集合,E代表網(wǎng)絡(luò)中個(gè)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(huì)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(gè)數(shù)(或鄰居元素的個(gè)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(píng)價(jià)函數(shù)。

    Jaccard系數(shù)Juv用于比較社會(huì)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(duì)越稠密。

    邊介數(shù)用來(lái)度量社會(huì)網(wǎng)絡(luò)中所有節(jié)點(diǎn)間的最短路徑中經(jīng)過(guò)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(shí)經(jīng)過(guò)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(wàn)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(huì)網(wǎng)絡(luò)節(jié)點(diǎn)u對(duì)節(jié)點(diǎn)v的影響力評(píng)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(lái)衡量社會(huì)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(píng)分Iscore(u)定義為該節(jié)點(diǎn)對(duì)其所有鄰居的節(jié)點(diǎn)影響力評(píng)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(shuō)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(shí)別的種子節(jié)點(diǎn)選取過(guò)程。算法通過(guò)式(5)計(jì)算社會(huì)網(wǎng)絡(luò)每個(gè)節(jié)點(diǎn)的影響力評(píng)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(huì)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(huì)網(wǎng)絡(luò)的所有節(jié)點(diǎn),根據(jù)公式(5)計(jì)算社會(huì)網(wǎng)絡(luò)所有節(jié)點(diǎn)的節(jié)點(diǎn)影響力評(píng)分;

    3)對(duì)于任意節(jié)點(diǎn),如果它的影響力評(píng)分大于其任一鄰居的影響力評(píng)分,則為高影響力種子節(jié)點(diǎn),將其存儲(chǔ)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(píng)分,具體如表1所示。在本文中,如果一個(gè)節(jié)點(diǎn)的影響力分?jǐn)?shù)大于其任一鄰居的影響力評(píng)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(guò)表1可知,節(jié)點(diǎn)8的影響力評(píng)分大于節(jié)點(diǎn)6,7,9,10的影響力評(píng)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(duì)這些節(jié)點(diǎn)利用K-means聚類算法進(jìn)行初始劃分,識(shí)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(shí)別算法將社會(huì)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(shì)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(shí)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(huì)網(wǎng)絡(luò)中節(jié)點(diǎn)A,B間最短路徑長(zhǎng)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(zhǎng)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(shí)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(gè)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(píng)價(jià)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(shí)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(duì)產(chǎn)生最大Q值的兩個(gè)社區(qū)合并。為簡(jiǎn)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(duì)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(gè)種子節(jié)點(diǎn)集合,社會(huì)網(wǎng)絡(luò)G

    輸出:骨干社區(qū)集合BC={BC1,BC2,…BCn}

    1)選取這3個(gè)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(duì)于每個(gè)簇內(nèi),分別計(jì)算簇內(nèi)每個(gè)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(duì)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(gè)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(duì)步驟7)進(jìn)行迭代,直到所有節(jié)點(diǎn)都包含在一個(gè)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(shí)別過(guò)程

    算法2結(jié)束后,會(huì)對(duì)社會(huì)網(wǎng)絡(luò)中影響力較高的前3個(gè)節(jié)點(diǎn)進(jìn)行預(yù)劃分,識(shí)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(gè)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(duì)其吸引力較高的骨干社區(qū)。對(duì)于任意骨干社區(qū)BC和節(jié)點(diǎn)u,BC對(duì)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(duì)當(dāng)前所在骨干社區(qū)的所有鄰居節(jié)點(diǎn)的影響力評(píng)分?jǐn)?shù)之和;Iscore(u)表示節(jié)點(diǎn)u的影響力評(píng)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(duì)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(shí)加入多個(gè)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(duì)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(duì)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(gè)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(duì)骨干社區(qū)集合BC={BC1,BC2…BCn}進(jìn)行計(jì)算;

    3)對(duì)每個(gè)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(duì)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(gè)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(gè)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(guò)程的偽代碼中,第一步為遍歷n個(gè)高影響力評(píng)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(duì)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(gè)節(jié)點(diǎn)屬于多個(gè)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(shí)間開(kāi)銷。

    2.3 算法的時(shí)間復(fù)雜度分析

    假設(shè)社會(huì)網(wǎng)絡(luò)G包含有n個(gè)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(shí),時(shí)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(gè)節(jié)點(diǎn)進(jìn)行合并得出骨干網(wǎng)絡(luò),其時(shí)間復(fù)雜度為O(kl),最壞的情況下將O(n)個(gè)節(jié)點(diǎn)進(jìn)行合并,故算法2的時(shí)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(gè)節(jié)點(diǎn)加入到O(k)個(gè)骨干社區(qū)中,該過(guò)程重復(fù)執(zhí)行O(n)次,所以找到所有的最終社區(qū)的時(shí)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(shí)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(cè)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(cè)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(lái)量化兩個(gè)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(jiǎn)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(cè)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(shí)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(lái)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(gè)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(lái)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(shí)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(shí)社區(qū)質(zhì)量會(huì)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(shí),社區(qū)質(zhì)量開(kāi)始下降。這是因?yàn)槌跏挤N子過(guò)多會(huì)導(dǎo)致社區(qū)個(gè)數(shù)增加,進(jìn)而降低社區(qū)內(nèi)部的緊密程度。另一個(gè)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(lái),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(shí)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(shí),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(shì)。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(shì),當(dāng)混合參數(shù)u等于0.5以及0.6時(shí),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(shí),各算法性能較為接近,但總體來(lái)看,TSCDA算法仍然要優(yōu)于其他6種社區(qū)識(shí)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(shí)別結(jié)果

    為了驗(yàn)證TSCDA算法在真實(shí)網(wǎng)絡(luò)社區(qū)識(shí)別的性能,本節(jié)選取了在5種真實(shí)網(wǎng)絡(luò)上,對(duì)比TSCDA算法與前文6種社區(qū)識(shí)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(gè)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(gè)數(shù)。我們從Amazon社區(qū)中移除了前5 000個(gè)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(cè)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(gè)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(shì)。一方面,TSCDA基于節(jié)點(diǎn)影響力擴(kuò)展社區(qū),因此在識(shí)別社區(qū)成員時(shí)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(gè)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(gè)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(shí)別時(shí)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(shí)別時(shí)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(shuō)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(shí)(Label 0),TSCDA在社區(qū)識(shí)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(shí)(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(gè)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(shí)別方法社區(qū)穩(wěn)定性較差這一問(wèn)題,從節(jié)點(diǎn)相似性以及鏈接相似性兩個(gè)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(shí)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(shí)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(dòng)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(bào)(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)

    卡戴珊不雅视频在线播放| 国产老妇女一区| 插阴视频在线观看视频| 午夜视频国产福利| 国产亚洲午夜精品一区二区久久 | 免费看a级黄色片| 乱码一卡2卡4卡精品| 卡戴珊不雅视频在线播放| 搡女人真爽免费视频火全软件| 国产色婷婷99| 午夜老司机福利剧场| 亚洲av日韩在线播放| 亚洲精品色激情综合| 麻豆成人午夜福利视频| 中文资源天堂在线| av视频在线观看入口| 午夜日本视频在线| 乱码一卡2卡4卡精品| 又粗又硬又长又爽又黄的视频| 18+在线观看网站| 久久久久久久久久黄片| 日本黄大片高清| 一级爰片在线观看| 亚洲欧美清纯卡通| 高清av免费在线| av.在线天堂| 亚洲人与动物交配视频| 日韩精品有码人妻一区| 午夜老司机福利剧场| 久久久久国产网址| 成人av在线播放网站| 国产精品,欧美在线| 99久久九九国产精品国产免费| 国产亚洲一区二区精品| 男女国产视频网站| 寂寞人妻少妇视频99o| 高清在线视频一区二区三区 | 日韩在线高清观看一区二区三区| 嫩草影院新地址| 中文亚洲av片在线观看爽| 久久久久网色| www日本黄色视频网| 九草在线视频观看| 直男gayav资源| 国产人妻一区二区三区在| 国内精品美女久久久久久| 国产精品日韩av在线免费观看| 欧美成人午夜免费资源| av卡一久久| 蜜臀久久99精品久久宅男| 成人午夜精彩视频在线观看| 国产精品伦人一区二区| 国产精品精品国产色婷婷| 男人舔女人下体高潮全视频| 国产成人freesex在线| 级片在线观看| 91aial.com中文字幕在线观看| 亚洲一区高清亚洲精品| 淫秽高清视频在线观看| 亚洲精品aⅴ在线观看| 久久精品国产亚洲网站| 色综合色国产| 麻豆av噜噜一区二区三区| 26uuu在线亚洲综合色| 男人舔女人下体高潮全视频| 欧美日韩综合久久久久久| 国产乱人偷精品视频| 美女cb高潮喷水在线观看| 汤姆久久久久久久影院中文字幕 | 一区二区三区四区激情视频| 黄色欧美视频在线观看| 中文精品一卡2卡3卡4更新| 最近中文字幕2019免费版| 免费黄网站久久成人精品| 91精品伊人久久大香线蕉| 五月伊人婷婷丁香| 国产 一区 欧美 日韩| 最近手机中文字幕大全| 99久久中文字幕三级久久日本| 欧美不卡视频在线免费观看| 美女高潮的动态| 亚洲国产欧美人成| 欧美激情国产日韩精品一区| 精品无人区乱码1区二区| 久久韩国三级中文字幕| 久久精品影院6| 国产一区二区三区av在线| 国产一级毛片在线| 免费观看人在逋| 亚洲成人精品中文字幕电影| 少妇高潮的动态图| 国产探花在线观看一区二区| 日韩欧美精品免费久久| 亚洲18禁久久av| 2022亚洲国产成人精品| 日本熟妇午夜| 老师上课跳d突然被开到最大视频| 国产亚洲av嫩草精品影院| 欧美一区二区国产精品久久精品| 日本与韩国留学比较| 国产黄色视频一区二区在线观看 | 深夜a级毛片| 99久久精品一区二区三区| 久久精品久久精品一区二区三区| 大香蕉久久网| 国产精品美女特级片免费视频播放器| 五月玫瑰六月丁香| 插逼视频在线观看| 精品人妻一区二区三区麻豆| 精品欧美国产一区二区三| 日日摸夜夜添夜夜爱| 久久99热这里只有精品18| 日本免费在线观看一区| 免费观看精品视频网站| 麻豆成人午夜福利视频| 黑人高潮一二区| 久久久a久久爽久久v久久| 搡老妇女老女人老熟妇| 国语自产精品视频在线第100页| 一区二区三区四区激情视频| 午夜a级毛片| 国产精品一区www在线观看| 午夜激情福利司机影院| 成人高潮视频无遮挡免费网站| 亚洲欧美精品专区久久| 人妻少妇偷人精品九色| 久久热精品热| 亚洲人成网站在线播| 长腿黑丝高跟| 欧美日韩国产亚洲二区| 能在线免费看毛片的网站| 精品无人区乱码1区二区| 日韩精品青青久久久久久| 国产精品日韩av在线免费观看| 一级毛片aaaaaa免费看小| 在线免费观看的www视频| 秋霞伦理黄片| 久久99精品国语久久久| 少妇人妻精品综合一区二区| 人人妻人人澡人人爽人人夜夜 | 亚洲在久久综合| 欧美极品一区二区三区四区| 成人性生交大片免费视频hd| 91在线精品国自产拍蜜月| 综合色av麻豆| 日韩av不卡免费在线播放| 日本欧美国产在线视频| 男女下面进入的视频免费午夜| 免费无遮挡裸体视频| 天天躁日日操中文字幕| 2021少妇久久久久久久久久久| 少妇丰满av| 亚洲av二区三区四区| 波多野结衣巨乳人妻| 男人的好看免费观看在线视频| 黄片wwwwww| 日韩视频在线欧美| 极品教师在线视频| 丰满乱子伦码专区| 久久精品人妻少妇| 午夜爱爱视频在线播放| 亚洲av免费在线观看| 亚洲av.av天堂| 中文字幕av成人在线电影| 日本与韩国留学比较| 日日啪夜夜撸| 亚洲精品一区蜜桃| 亚洲欧洲日产国产| 别揉我奶头 嗯啊视频| 日本猛色少妇xxxxx猛交久久| 国产精品一区二区三区四区免费观看| 成人午夜高清在线视频| 欧美精品一区二区大全| 看片在线看免费视频| 18禁在线无遮挡免费观看视频| 久久99精品国语久久久| 国产又色又爽无遮挡免| 麻豆成人午夜福利视频| 亚洲国产欧美在线一区| 九九在线视频观看精品| 又爽又黄a免费视频| 视频中文字幕在线观看| 精品国产一区二区三区久久久樱花 | 夜夜爽夜夜爽视频| 毛片女人毛片| 国产国拍精品亚洲av在线观看| 黄片wwwwww| 久久久久久九九精品二区国产| 久久久久久久久久成人| 久久精品久久久久久久性| 一边摸一边抽搐一进一小说| 国产亚洲精品久久久com| 美女内射精品一级片tv| 日韩成人av中文字幕在线观看| 日本免费一区二区三区高清不卡| 国产精品一区二区三区四区免费观看| 伊人久久精品亚洲午夜| 成年版毛片免费区| 九九在线视频观看精品| 国产在线男女| 麻豆精品久久久久久蜜桃| 欧美色视频一区免费| 国产老妇伦熟女老妇高清| 欧美色视频一区免费| 校园人妻丝袜中文字幕| 美女国产视频在线观看| 在线观看av片永久免费下载| 2021天堂中文幕一二区在线观| 在线观看av片永久免费下载| 亚洲精品,欧美精品| 国产精品国产三级专区第一集| 亚洲精品日韩在线中文字幕| 亚洲成av人片在线播放无| 久久久久久久亚洲中文字幕| 老女人水多毛片| 麻豆乱淫一区二区| 一边摸一边抽搐一进一小说| 午夜免费激情av| 亚洲欧美日韩高清专用| 99热6这里只有精品| 毛片女人毛片| 免费大片18禁| 综合色av麻豆| 两个人视频免费观看高清| 免费观看性生交大片5| 日韩av在线大香蕉| a级毛片免费高清观看在线播放| 少妇丰满av| 日本与韩国留学比较| 亚洲av日韩在线播放| 日本熟妇午夜| 直男gayav资源| 久久久国产成人精品二区| 日本欧美国产在线视频| 能在线免费观看的黄片| 能在线免费看毛片的网站| 听说在线观看完整版免费高清| 亚洲综合色惰| 亚洲精品成人久久久久久| 欧美三级亚洲精品| 特级一级黄色大片| 成人美女网站在线观看视频| 亚洲av免费高清在线观看| 99国产精品一区二区蜜桃av| 久久久久久国产a免费观看| 日韩大片免费观看网站 | 波多野结衣高清无吗| 亚洲在久久综合| 又爽又黄a免费视频| 久久久久久久国产电影| 99久久人妻综合| 午夜精品一区二区三区免费看| 亚洲人成网站在线观看播放| 国语对白做爰xxxⅹ性视频网站| 久久综合国产亚洲精品| 久久久久久久午夜电影| 狠狠狠狠99中文字幕| 国产精品一二三区在线看| 99国产精品一区二区蜜桃av| 亚洲av一区综合| 五月玫瑰六月丁香| 97人妻精品一区二区三区麻豆| 欧美bdsm另类| 欧美又色又爽又黄视频| 人妻夜夜爽99麻豆av| 日本与韩国留学比较| 亚洲激情五月婷婷啪啪| av.在线天堂| 亚洲中文字幕日韩| 最近中文字幕2019免费版| 久久久久久九九精品二区国产| 国产免费福利视频在线观看| 中文字幕av在线有码专区| 国产成人一区二区在线| 欧美不卡视频在线免费观看| 亚洲中文字幕日韩| 久久精品国产自在天天线| 99热网站在线观看| 国产视频首页在线观看| 99久久无色码亚洲精品果冻| 韩国av在线不卡| 国产亚洲一区二区精品| 波多野结衣巨乳人妻| 国产精品一区二区在线观看99 | 波野结衣二区三区在线| 久久久欧美国产精品| 国产成人午夜福利电影在线观看| 亚洲欧美日韩东京热| 日本黄色视频三级网站网址| 亚洲av中文av极速乱| 久久国产乱子免费精品| 亚洲av男天堂| 亚洲av电影在线观看一区二区三区 | 91av网一区二区| 免费电影在线观看免费观看| 亚洲欧洲日产国产| 国模一区二区三区四区视频| 中文字幕精品亚洲无线码一区| 18禁动态无遮挡网站| 亚洲三级黄色毛片| 九草在线视频观看| 日韩欧美 国产精品| 久久99蜜桃精品久久| 久久久久精品久久久久真实原创| 日韩精品有码人妻一区| 国产欧美另类精品又又久久亚洲欧美| 亚洲欧美日韩卡通动漫| 国产精品久久久久久精品电影小说 | 亚洲精品自拍成人| 免费看a级黄色片| 久久这里只有精品中国| 免费不卡的大黄色大毛片视频在线观看 | a级一级毛片免费在线观看| 赤兔流量卡办理| 两性午夜刺激爽爽歪歪视频在线观看| 日本-黄色视频高清免费观看| 久久欧美精品欧美久久欧美| 少妇被粗大猛烈的视频| 欧美一区二区国产精品久久精品| 日韩高清综合在线| 极品教师在线视频| 99视频精品全部免费 在线| 村上凉子中文字幕在线| 噜噜噜噜噜久久久久久91| 在现免费观看毛片| 亚洲av不卡在线观看| 国模一区二区三区四区视频| 国产av一区在线观看免费| 欧美潮喷喷水| 亚洲精品亚洲一区二区| 亚洲精品日韩av片在线观看| 中文字幕免费在线视频6| 久久99热这里只频精品6学生 | 成人性生交大片免费视频hd| 成人美女网站在线观看视频| 搞女人的毛片| 日本黄色视频三级网站网址| www日本黄色视频网| 日本爱情动作片www.在线观看| 免费黄色在线免费观看| 国产淫语在线视频| 欧美激情久久久久久爽电影| 日韩一本色道免费dvd| 亚洲av.av天堂| 一本久久精品| 久热久热在线精品观看| 亚洲三级黄色毛片| 午夜福利在线观看免费完整高清在| 欧美日韩一区二区视频在线观看视频在线 | 99久久精品国产国产毛片| 99久国产av精品国产电影| 亚洲精品456在线播放app| 免费一级毛片在线播放高清视频| 九草在线视频观看| 黄片无遮挡物在线观看| 亚洲18禁久久av| 99久久无色码亚洲精品果冻| 蜜桃亚洲精品一区二区三区| 青春草视频在线免费观看| 小说图片视频综合网站| 精品久久久久久电影网 | 亚洲在线自拍视频| 亚洲国产精品合色在线| 久久国产乱子免费精品| 一级二级三级毛片免费看| 好男人在线观看高清免费视频| 超碰97精品在线观看| 亚洲av电影不卡..在线观看| 小蜜桃在线观看免费完整版高清| 亚洲电影在线观看av| 菩萨蛮人人尽说江南好唐韦庄 | 欧美xxxx性猛交bbbb| 中文在线观看免费www的网站| 精品不卡国产一区二区三区| 久久久久久久久大av| 色哟哟·www| 五月玫瑰六月丁香| 美女xxoo啪啪120秒动态图| 青青草视频在线视频观看| 一本久久精品| 国产在线一区二区三区精 | 丝袜喷水一区| 亚洲国产日韩欧美精品在线观看| 中文资源天堂在线| ponron亚洲| 亚洲国产欧美人成| 老司机影院成人| 国产在视频线在精品| 少妇高潮的动态图| 黄片wwwwww| 国产成人a∨麻豆精品| videos熟女内射| 国产精品电影一区二区三区| 老司机影院毛片| 床上黄色一级片| 国模一区二区三区四区视频| 国产免费又黄又爽又色| 色综合色国产| 草草在线视频免费看| 99九九线精品视频在线观看视频| 三级毛片av免费| 国产精品电影一区二区三区| 欧美日韩一区二区视频在线观看视频在线 | 亚洲经典国产精华液单| eeuss影院久久| 青青草视频在线视频观看| 亚洲国产精品久久男人天堂| 日本熟妇午夜| 精品一区二区免费观看| 插阴视频在线观看视频| 亚洲欧美精品综合久久99| 插逼视频在线观看| 男女国产视频网站| 日韩一区二区三区影片| 国产毛片a区久久久久| 国产精品av视频在线免费观看| 性插视频无遮挡在线免费观看| 毛片女人毛片| 精品人妻一区二区三区麻豆| 九草在线视频观看| 久久精品国产自在天天线| 69人妻影院| 亚洲美女搞黄在线观看| 全区人妻精品视频| 变态另类丝袜制服| 免费在线观看成人毛片| 国产免费男女视频| 久久这里只有精品中国| 国语对白做爰xxxⅹ性视频网站| 99热这里只有是精品50| 国产高潮美女av| 成人漫画全彩无遮挡| 欧美极品一区二区三区四区| 精品国产一区二区三区久久久樱花 | 欧美丝袜亚洲另类| 一级毛片aaaaaa免费看小| 午夜老司机福利剧场| 一区二区三区四区激情视频| 久久人妻av系列| 国产三级在线视频| 18禁裸乳无遮挡免费网站照片| 在线播放无遮挡| 91av网一区二区| 国语对白做爰xxxⅹ性视频网站| 小蜜桃在线观看免费完整版高清| 热99在线观看视频| 精品欧美国产一区二区三| 久久久久久久久久成人| 在线免费观看的www视频| 狂野欧美白嫩少妇大欣赏| 黄色一级大片看看| 中文精品一卡2卡3卡4更新| 韩国av在线不卡| 色网站视频免费| 最近视频中文字幕2019在线8| 国产精品久久电影中文字幕| 亚洲精品日韩在线中文字幕| 嫩草影院精品99| 成人鲁丝片一二三区免费| 国产毛片a区久久久久| 菩萨蛮人人尽说江南好唐韦庄 | 国产精品一区www在线观看| 欧美不卡视频在线免费观看| 亚洲美女视频黄频| 一级毛片我不卡| 国产精品电影一区二区三区| 亚洲精品日韩在线中文字幕| 久久精品久久精品一区二区三区| 国产精品久久电影中文字幕| 精品人妻偷拍中文字幕| 69av精品久久久久久| 大又大粗又爽又黄少妇毛片口| 自拍偷自拍亚洲精品老妇| 一级毛片我不卡| 亚洲成av人片在线播放无| 91av网一区二区| 简卡轻食公司| 亚洲色图av天堂| 亚洲国产欧美人成| 久久精品国产亚洲av天美| 成人毛片a级毛片在线播放| 国模一区二区三区四区视频| 美女被艹到高潮喷水动态| 日韩精品有码人妻一区| 精品无人区乱码1区二区| 美女脱内裤让男人舔精品视频| 一夜夜www| av黄色大香蕉| 波多野结衣高清无吗| 午夜老司机福利剧场| 精品久久久久久久人妻蜜臀av| 国产精品av视频在线免费观看| 一边摸一边抽搐一进一小说| 97超碰精品成人国产| 亚洲怡红院男人天堂| 国产中年淑女户外野战色| av福利片在线观看| 丰满乱子伦码专区| 亚洲不卡免费看| 久久精品人妻少妇| 亚洲国产精品成人综合色| 成人欧美大片| 亚洲美女视频黄频| 一级黄片播放器| 天堂中文最新版在线下载 | 亚洲欧美日韩高清专用| 伊人久久精品亚洲午夜| 国产成人精品婷婷| 免费黄网站久久成人精品| 男人舔奶头视频| 男人和女人高潮做爰伦理| 亚洲国产精品合色在线| 床上黄色一级片| 亚洲精品乱码久久久v下载方式| 在线观看av片永久免费下载| 午夜免费激情av| www.av在线官网国产| 国产亚洲最大av| 十八禁国产超污无遮挡网站| 日韩中字成人| 男人狂女人下面高潮的视频| 久久久亚洲精品成人影院| 一本一本综合久久| .国产精品久久| 超碰av人人做人人爽久久| 99热精品在线国产| 久久这里只有精品中国| 麻豆精品久久久久久蜜桃| 永久网站在线| 性色avwww在线观看| 国产精品一区二区三区四区免费观看| 成人特级av手机在线观看| 日韩视频在线欧美| 日日撸夜夜添| 亚洲av不卡在线观看| 久久99精品国语久久久| 久99久视频精品免费| 人体艺术视频欧美日本| 欧美zozozo另类| av在线亚洲专区| 变态另类丝袜制服| 亚洲在线自拍视频| 菩萨蛮人人尽说江南好唐韦庄 | 成人综合一区亚洲| 国内揄拍国产精品人妻在线| 桃色一区二区三区在线观看| 又粗又爽又猛毛片免费看| 精品欧美国产一区二区三| 精品不卡国产一区二区三区| 狠狠狠狠99中文字幕| 99热精品在线国产| 草草在线视频免费看| 干丝袜人妻中文字幕| 1000部很黄的大片| 久久韩国三级中文字幕| 中文字幕av在线有码专区| 亚洲精品乱久久久久久| 国产大屁股一区二区在线视频| 亚洲欧美日韩无卡精品| 亚洲欧美日韩高清专用| 日本黄大片高清| 嫩草影院入口| 精品少妇黑人巨大在线播放 | 亚洲久久久久久中文字幕| 国产极品天堂在线| 亚洲av免费高清在线观看| 亚洲中文字幕一区二区三区有码在线看| 日韩亚洲欧美综合| 三级国产精品欧美在线观看| 丰满少妇做爰视频| 国产精品.久久久| 久久精品综合一区二区三区| 特大巨黑吊av在线直播| 自拍偷自拍亚洲精品老妇| 麻豆精品久久久久久蜜桃| 亚洲精品久久久久久婷婷小说 | 久久精品国产亚洲av天美| 国产精品av视频在线免费观看| 亚洲精品自拍成人| 国内精品宾馆在线| 精品熟女少妇av免费看| 免费观看的影片在线观看| 国产成人精品久久久久久| 国产在视频线精品| 国内少妇人妻偷人精品xxx网站| 国产麻豆成人av免费视频| 亚洲精品日韩在线中文字幕| 桃色一区二区三区在线观看| 自拍偷自拍亚洲精品老妇| 国产精品国产三级国产专区5o | 国语对白做爰xxxⅹ性视频网站| 亚洲第一区二区三区不卡| 午夜精品在线福利| 日本-黄色视频高清免费观看| 日本一二三区视频观看| 国产午夜福利久久久久久| 在现免费观看毛片| 国产女主播在线喷水免费视频网站 | 午夜日本视频在线| 久久久久性生活片| 2021天堂中文幕一二区在线观| 免费在线观看成人毛片| 欧美日本亚洲视频在线播放| 女人被狂操c到高潮| av国产免费在线观看| 亚洲久久久久久中文字幕| 亚洲怡红院男人天堂| 尤物成人国产欧美一区二区三区| 久久久久久久久大av| 国产精品麻豆人妻色哟哟久久 | 色吧在线观看| 国产色婷婷99| 91久久精品国产一区二区三区| a级一级毛片免费在线观看| 九九热线精品视视频播放|