• <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 ?

    NEG-MF:一種針對推薦系統(tǒng)的矩陣分解圖嵌入模型

    2021-10-08 00:46:07趙素芬
    計算機時代 2021年9期
    關(guān)鍵詞:推薦系統(tǒng)

    趙素芬

    摘? 要: 傳統(tǒng)的矩陣分解圖嵌入模型由于不對大量未知關(guān)系建模,其性能面臨著很大的挑戰(zhàn)性。為了提升矩陣分解模型的性能,提出了一種基于負采樣技術(shù)的矩陣分解模型NEG-MF。該模型能夠從跳數(shù)大于6的鄰居節(jié)點中進行負采樣,以降低模型生成圖嵌入時對于負樣本的偏差。在DBLP數(shù)據(jù)集上做的大量實驗結(jié)果表明,相比其他的基線方法,基于NEG-MF的推薦算法在學術(shù)合作關(guān)系推薦問題上的性能有明顯地提升。

    關(guān)鍵詞: 矩陣分解; 圖嵌入; 推薦系統(tǒng); 負采樣

    中圖分類號:TP311? ? ? ? ? 文獻標識碼:A? ? ?文章編號:1006-8228(2021)09-06-04

    Abstract: The traditional matrix factorization graph embedding model does not consider a large number of unknown relationships, so that its performance faces great challenges. In order to improve the performance of the generated embeddings, NEG-MF, a matrix factorization model based on negative sampling is proposed. When the model generates node embeddings, it can perform negative sampling from the neighbor nodes with hops>6 to reduce the bias of negative samples. A large number of experiment results on DBLP data sets show that, compared with the baseline methods, the performance of the recommendation algorithm based on the proposed NEG-MF has a significant improvement in the recommendation of academic collaborators.

    Key words: matrix factorization; graph embedding; recommender system; negative sampling

    0 引言

    圖是自然界中一種非常重要的數(shù)據(jù)結(jié)構(gòu)。許多應用都是定義在圖的基礎(chǔ)上,例如學術(shù)合作網(wǎng)絡、蛋白質(zhì)交互網(wǎng)絡、社交網(wǎng)絡、知識圖譜等等。在基于圖的眾多機器學習問題中,其核心任務就是找到一種將圖的結(jié)構(gòu)信息和語義信息融合到機器學習任務的方法,即將網(wǎng)絡中的節(jié)點、邊或子圖映射到低維的向量空間,并且使得到的特征向量盡可能地保持原有圖結(jié)構(gòu)信息、節(jié)點屬性信息和語義信息等等,即圖嵌入技術(shù)[1]。

    隨著word2vec模型[2-3]在文本嵌入領(lǐng)域的廣泛應用,目前已經(jīng)涌現(xiàn)了大量的圖嵌入算法,包括各種基于矩陣分解的模型(GF[4],LAE[5],GraRep[6],HOPE[7],LINE[8]等等),基于隨機游走的方法(Deepwalk[9],Node2vec[10]等),基于鄰居的自編碼模型(SDNE[11],DNGR[12])以及基于圖神經(jīng)網(wǎng)絡的模型(GCN[13],GraphSage[14])等等。不過,由于真實世界中網(wǎng)絡的復雜性,現(xiàn)有的圖嵌入模型通常面臨如下挑戰(zhàn)。

    ⑴ 網(wǎng)絡的大規(guī)模性 真實世界中的網(wǎng)絡常常是大規(guī)模的,包含成千上萬的節(jié)點和復雜的關(guān)系,這對圖嵌入算法的學習效率提出了很大的挑戰(zhàn)。一個好的模型應當具有很好的可擴展性,具有更少的時間復雜度和空間復雜度,否則難以在小規(guī)模的計算平臺上運行。

    ⑵ 嵌入模型本身需要滿足多目標性 圖嵌入模型不僅需要考慮網(wǎng)絡的結(jié)構(gòu)特征,還需要考慮屬性信息、語義信息等。除此以外,嵌入模型在滿足通用性的要求之外,還應當能夠針對特定的機器學習任務有較好的效果。如何在一個模型中同時滿足多個學習目標,對圖嵌入算法提出了巨大的挑戰(zhàn)。

    ⑶ 網(wǎng)絡的動態(tài)性真實世界中的網(wǎng)絡是在不斷變化的。如果圖嵌入模型是直推式的,則每次網(wǎng)絡有變化時,都需要重新訓練,這是一種巨大的耗費。如何處理動態(tài)變化的網(wǎng)絡,對圖嵌入模型提出了嚴峻的挑戰(zhàn)。

    在現(xiàn)有的圖嵌入模型中,矩陣分解是其中一種最經(jīng)典和基礎(chǔ)的一種。由于矩陣分解類模型相對簡單,針對大圖的可擴展性非常好,因此在各類應用中應用十分廣泛。然而,基本的矩陣分解模型[4]僅對正例進行建模,給了負樣本太多的誤差。這會導致生成的嵌入性能非常有限。為了提升矩陣分解模型生成圖嵌入的性能,針對挑戰(zhàn)問題⑴和⑵,我們提出了一種新的基于負采樣技術(shù)的矩陣分解模型NEG-MF。NEG-MF模型在原有的GF模型的基礎(chǔ)上,加入了對未知關(guān)系的建模。具體來說,模型能夠從跳數(shù)大于6的網(wǎng)絡鄰居節(jié)點中進行負采樣,以降低模型生成嵌入時對于負例的偏差。

    針對DBLP數(shù)據(jù)集,我們做了大量的實驗。實驗結(jié)果表明,相比較傳統(tǒng)的基線推薦方法(共同鄰居法、AA算法、DeepWalk、Node2Vec以及基本的矩陣分解模型等),改進的NEG-MF模型在推薦系統(tǒng)的性能上有較大的提升。

    1 研究問題定義

    本文使用的數(shù)據(jù)集是DBLP文獻數(shù)據(jù)集(https://dblp.uni-trier.de/xml/)。該數(shù)據(jù)集中包含了計算機類學術(shù)論文的元數(shù)據(jù)信息,包括論文的標題、作者、發(fā)表年份、發(fā)表期刊/會議名、URL鏈接等等。通過對文獻數(shù)據(jù)集中作者之間的合作關(guān)系進行提取,可以構(gòu)建一個學術(shù)社交網(wǎng)絡[G=V,E]。其中,[V=v1,v2,…,vn]表示網(wǎng)絡中的學者,[E=eij,1≤i,j≤n]表示兩個作者[vi]和[vj]之間具有合作關(guān)系。基于已有的合作關(guān)系,我們?yōu)槊恳粋€目標用戶推薦潛在最有價值的top-k個新的合作關(guān)系。

    定義1:基于圖嵌入技術(shù)的學術(shù)合作推薦問題

    針對任意一個t時刻之前的學術(shù)社交網(wǎng)絡[G=(V,E)],為[G]中每一個節(jié)點[vi]生成低維特征表示[zi∈Rd,d?|V|],使該特征表示能夠盡可能的捕獲[G]中的網(wǎng)絡結(jié)構(gòu)信息和屬性信息。同時,針對給定的目標用戶s,為其推薦在[t+Δt]時刻最具潛在合作性的top-k個合作關(guān)系。

    從定義1中可以看出,本文要解決的研究問題是多目標的。也就是說,模型在為網(wǎng)絡中的每個節(jié)點生成嵌入的同時,需要能夠為特定的目標用戶推薦新的社交關(guān)系。

    2 新的基于負采樣技術(shù)的矩陣分解模型NEG-MF

    2.1 經(jīng)典的矩陣分解模型Graph Factorization(GF)

    經(jīng)典的矩陣分解模型GF[4]的編碼函數(shù)為直接編碼,即:

    2.2 NEG-MF矩陣分解模型

    為了提升GF模型的性能,我們提出了一個新的矩陣分解模型:NEG-MF,其思路是在損失函數(shù)⑶中增加對負樣本的建模。我們將公式⑶中的損失函數(shù)修改為:

    基于計算好的梯度公式,我們在表1中給出了NEG-MF算法的隨機梯度下降(SGD)的版本。在實際運行過程中,也可以視系統(tǒng)內(nèi)存大小將其修改成為批梯度下降的版本。

    2.3 關(guān)系推薦

    基于2.2節(jié)抽取的用戶節(jié)點嵌入,我們可以使用多種推薦模型為特定的目標用戶s進行新的關(guān)系推薦。首先, 我們定義了多種打分函數(shù)對s和候選推薦用戶u的交互值進行評分。

    ⑴ 內(nèi)積函數(shù):[frs,u=zs?zu]

    這是最簡單直接的推薦模型。也就是說,基于前面已經(jīng)求解的嵌入,使用內(nèi)積函數(shù)求解目標用戶s和候選推薦用戶u之間的關(guān)系得分。在這個模型中,求解節(jié)點嵌入和合作關(guān)系推薦是兩個互相獨立的組件。

    ⑵ 非線性神經(jīng)網(wǎng)絡模型:[frs,u=σ(Wzszu+b)]

    這里,[σ]是sigmoid函數(shù),W和b是可以訓練的模型參數(shù),[zszu]表示向量的拼接。在這個模型中,由于包含可訓練的參數(shù),因此可以定義推薦模型階段的損失函數(shù)為:

    其中,[VL]是帶標記的用戶集合;

    [pu|s=exp (frs,u)u'∈Vexp (frs,u')]是用戶u和用戶s之間的條件概率相似度。

    這時,求解節(jié)點嵌入和關(guān)系推薦既可以是兩個相互獨立的部分,也可以進行融合。如果將這兩個部分放在同一個模型中一起訓練,則模型的總損失函數(shù)為:

    這樣,可以在一個模型中同時學習到節(jié)點嵌入,以及推薦系統(tǒng)部分的模型參數(shù)值。在實際應用中,除了單層的神經(jīng)網(wǎng)絡模型,還可以選擇很多其他類型的推薦模型和嵌入模型進行融合。

    使用打分函數(shù)[frs,u]計算出針對用戶s的候選用戶得分之后,按照從高到低的次序選擇值最大的前k個推薦給用戶s即可。

    3 實驗結(jié)果

    3.1 數(shù)據(jù)集和預處理

    本文使用的數(shù)據(jù)集是DBLP數(shù)據(jù)集(2019-05版本)。我們首先將數(shù)據(jù)集中全部的期刊論文、會議論文以及全部作者的信息抽取出來,然后將所有論文中發(fā)表年份小于1990的全部去除。接著,以2014年為分割線,統(tǒng)計每個作者在1990年至2013年期間(訓練階段)以及2014年至2020年(測試階段)發(fā)表論文的總篇數(shù)??紤]到發(fā)表論文數(shù)較少的學者對整體的網(wǎng)絡結(jié)構(gòu)影響較小,我們?nèi)?-核作者(在訓練階段和測試階段發(fā)表論文數(shù)均不小于4篇的作者)。基于這些4-核作者在訓練階段發(fā)表論文建立的合作關(guān)系,我們首先生成了訓練階段的鄰接矩陣S1,然后得到一個囊括156021個作者的極大聯(lián)通組件。我們剔除了不在極大連通子圖中的作者,以及在測試階段沒有創(chuàng)建任何關(guān)系的作者,將剩下的153248個作者作為最終的實驗對象。數(shù)據(jù)集的最終統(tǒng)計信息如表2所示。

    3.2 基線方法和評估指標

    為了評估NEG-MF圖嵌入算法在學術(shù)合作關(guān)系推薦問題上的性能,我們將NEG-MF方法的推薦性能和以下基線方法進行了比較,包括無監(jiān)督推薦算法:共同鄰居(CNs)、Academic/Ada(AA)以及最短距離(SP),以及圖嵌入算法:基本的矩陣分解(GF)、DeepWalk(DW)以及node2vec (N2V)模型。模型的評估指標為top-k關(guān)系推薦的準確率precision@k以及召回率recall@k。

    3.3 實驗結(jié)果和分析

    表3中給出了各個算法的整體的性能的比較(其中,所有圖嵌入算法DW,N2V,GF,NEG-GF的節(jié)點嵌入維度均設置為256維)。從表3中可以看出,與經(jīng)典的各種基線方法相比,NEG-MF方法在精確率和召回率上均取得了最好的效果。即使相對于能夠?qū)Ω唠A鄰居關(guān)系建模的DeepWalk算法和Node2vec算法來說,新提出的NEG-MF算法也毫不遜色。除此以外,我們還探討了當節(jié)點嵌入維度從64變化到512時矩陣分解嵌入算法的推薦效果的比較,結(jié)果顯示在表4中。從表4可以看出,當生成的節(jié)點嵌入維度增加時,模型的推薦性能會變的更好。但是,當嵌入維度較低時,維度增加會使推薦性能增加的幅度更大;當維度增加到一定程度的時候(比如超過256維),靠增加維度的方式能夠提升的性能非常有限??紤]到模型的性能與復雜度之間的平衡,我們認為128~256維是一個較合適的維度區(qū)間。

    4 結(jié)束語

    本文中,針對學術(shù)合作者推薦問題,我們設計了一種基于負采樣技術(shù)的矩陣分解嵌入模型NEG-MF,并將該模型生成的嵌入用于學術(shù)合作推薦問題。實驗結(jié)果表明,相比較傳統(tǒng)的基線推薦算法,NEG-MF由于引入了有策略性的負采樣技術(shù),而使生成的嵌入質(zhì)量有很大的提升,其推薦性能超越了已有的基線方法。

    未來,我們的研究方向主要有三個方面:①將模型擴大到異質(zhì)網(wǎng)絡嵌入的范疇;②在矩陣分解嵌入模型中引入對屬性信息的考慮,增強模型的建模能力;③考慮將模型擴展到動態(tài)網(wǎng)絡的范疇,設計出歸納式模型。

    參考文獻(References):

    [1] William L. Hamilton, Rex Ying, Jure Leskovec. Represen-tation Learning on Graphs: Methods and Applications. IEEE Data Engineering Bulletin,2017.40(3):52-74

    [2] Tomas Mikolov, IlyaSutskever, Chen Kai, et.al. Neural Information Processing Systems, Lake Tahoe, Nevada, United States,2013.

    [3] Omer Levy, YoavColdberg. Neural Word Embedding as Implicit Matrix Factorization.NIPS, 2014.

    [4] Amr Ahmed, Nino Shervashidze, Shravan Narayanamur-thy.Distributed Large-scale Natural Graph Factorization.WWW, Rio de Janeiro, Brazil,2003.

    [5] MikhaiBelkin, ParthaNiyogi. LaplacianEigenmaps and Spectral Techniques for Embedding and Clustering.NIPS,2001:585-591

    [6] Cao Shaosheng, Lu Wei, XuQiongkai. GraRep: Learning Graph Representations with Global Structural Information. CIKM, Melbourne, Australia, 2015.

    [7] MingdongOu, Peng Cui, Jian Pei, etc.Asymmetric Transitivity Preserving Graph Embedding. KDD,2016.

    [8] Jian Tang, MengQu, Minzhe Wang, etc. LINE: Large-scale Information Network Embedding. WWW,2015.

    [9] Bryan Perozzi, Rami AI-Rfou, Steven Skiena.DeepWalk:Online Learning of Social Representations. KDD, New York, NY, USA,2014.

    [10] Aditya Grover,Jure Leskovec.Node2vec:Scalable Feature Learning for Networks. KDD, San Francisco, CA, USA,2016.

    [11] Wang Daixin, Cui Peng, Zhu Wenwu. Structural Deep Network Embedding. KDD, San Francisco, CA, USA,2016.

    [12] Shaosheng Cao, Wei Lu, QiongkaiXu. Deep Neural Networks for Learning Graph Representations. AAAI,2016:1145-1152

    [13] Thomas N. Kips, Max Welling.Semi-Supervised Classification with Graph Convolutional Networks.5th International Conference on Learning Representations, ICLR 2017, Toulon, France,2017.

    [14] William L. Hamilton, Rex Ying, Jure Leskovec. Inductive Representation Learning on Large Graphs.NIPS, Long Beach, CA, USA, 2017.

    猜你喜歡
    推薦系統(tǒng)
    數(shù)據(jù)挖掘在選課推薦中的研究
    軟件(2016年4期)2017-01-20 10:09:33
    基于用戶偏好的信任網(wǎng)絡隨機游走推薦模型
    基于個性化的協(xié)同過濾圖書推薦算法研究
    個性化推薦系統(tǒng)關(guān)鍵算法探討
    淺談Mahout在個性化推薦系統(tǒng)中的應用
    關(guān)于協(xié)同過濾推薦算法的研究文獻綜述
    商(2016年29期)2016-10-29 15:22:08
    一種基于自適應近鄰選擇的協(xié)同過濾推薦算法
    UGC標簽推薦系統(tǒng)的一種新的標簽清理方法
    商(2016年15期)2016-06-17 17:39:50
    網(wǎng)上商品推薦系統(tǒng)設計研究
    基于消費者視角的在線推薦系統(tǒng)研究綜述
    中國市場(2016年2期)2016-01-16 10:16:10
    国产午夜精品久久久久久一区二区三区| 国产av国产精品国产| 午夜老司机福利剧场| 丝袜在线中文字幕| 亚洲久久久国产精品| 成人毛片a级毛片在线播放| 国产成人91sexporn| 久久人人爽av亚洲精品天堂| 婷婷色av中文字幕| 少妇的逼水好多| 久久人妻熟女aⅴ| 国产欧美日韩综合在线一区二区 | 春色校园在线视频观看| 亚洲不卡免费看| 日本黄色日本黄色录像| 3wmmmm亚洲av在线观看| 久久韩国三级中文字幕| videos熟女内射| 性高湖久久久久久久久免费观看| 最新中文字幕久久久久| 国产av国产精品国产| 成人二区视频| 五月开心婷婷网| 日本色播在线视频| 日日摸夜夜添夜夜爱| 欧美丝袜亚洲另类| 欧美激情极品国产一区二区三区 | 免费观看av网站的网址| 国产欧美另类精品又又久久亚洲欧美| 夜夜骑夜夜射夜夜干| 久久精品国产a三级三级三级| 国产在线免费精品| 色婷婷av一区二区三区视频| 99久国产av精品国产电影| 国产亚洲av片在线观看秒播厂| h日本视频在线播放| 精品国产乱码久久久久久小说| 天美传媒精品一区二区| 中文字幕免费在线视频6| 精品少妇黑人巨大在线播放| 久久精品久久久久久噜噜老黄| 啦啦啦中文免费视频观看日本| 亚洲精品中文字幕在线视频 | 国产精品免费大片| a 毛片基地| 亚洲丝袜综合中文字幕| 久久久午夜欧美精品| 精品一区在线观看国产| 男男h啪啪无遮挡| 男人爽女人下面视频在线观看| av线在线观看网站| 免费观看在线日韩| av免费在线看不卡| 大香蕉97超碰在线| a级一级毛片免费在线观看| 国产女主播在线喷水免费视频网站| 黑人高潮一二区| 大香蕉97超碰在线| 蜜桃在线观看..| 汤姆久久久久久久影院中文字幕| 91在线精品国自产拍蜜月| 亚洲精品中文字幕在线视频 | 狂野欧美激情性xxxx在线观看| 欧美xxxx性猛交bbbb| 午夜免费观看性视频| 亚洲av欧美aⅴ国产| 一级a做视频免费观看| 乱系列少妇在线播放| 国产欧美日韩精品一区二区| 亚洲精品亚洲一区二区| 国产精品女同一区二区软件| 亚洲精品国产av蜜桃| 久热这里只有精品99| 久久久久久久久久久免费av| av有码第一页| 制服丝袜香蕉在线| 久久99蜜桃精品久久| 国内揄拍国产精品人妻在线| 午夜激情久久久久久久| 少妇裸体淫交视频免费看高清| 美女中出高潮动态图| 十八禁网站网址无遮挡 | 在线观看免费高清a一片| 国产淫片久久久久久久久| 嘟嘟电影网在线观看| 精品一区二区三卡| 大香蕉久久网| 久久热精品热| 观看美女的网站| 女的被弄到高潮叫床怎么办| 久久久久国产网址| av在线观看视频网站免费| 男女国产视频网站| 免费看av在线观看网站| 特大巨黑吊av在线直播| 亚洲精华国产精华液的使用体验| 看非洲黑人一级黄片| 日日爽夜夜爽网站| 亚洲图色成人| 日本免费在线观看一区| 精品午夜福利在线看| 在线观看国产h片| 三级国产精品片| 久久精品国产亚洲av天美| 人妻制服诱惑在线中文字幕| 最新中文字幕久久久久| 一本大道久久a久久精品| 精品久久久噜噜| av网站免费在线观看视频| 伦理电影免费视频| 高清毛片免费看| 高清午夜精品一区二区三区| 男女国产视频网站| 亚洲美女搞黄在线观看| 国内少妇人妻偷人精品xxx网站| 国产视频首页在线观看| 久久精品久久久久久久性| 伦精品一区二区三区| 观看av在线不卡| 精品少妇内射三级| 精品亚洲成国产av| 人妻夜夜爽99麻豆av| 男女国产视频网站| 亚洲国产欧美日韩在线播放 | 国产精品久久久久成人av| 大又大粗又爽又黄少妇毛片口| 日韩av在线免费看完整版不卡| 人人澡人人妻人| 纯流量卡能插随身wifi吗| 久久国产精品大桥未久av | a级片在线免费高清观看视频| 欧美精品一区二区免费开放| 亚洲欧美清纯卡通| a级一级毛片免费在线观看| 亚洲欧美精品专区久久| 精品久久久精品久久久| a级片在线免费高清观看视频| 日韩伦理黄色片| 亚洲综合精品二区| 日韩在线高清观看一区二区三区| 精品久久久久久电影网| 久久久久国产精品人妻一区二区| 免费大片黄手机在线观看| 少妇人妻久久综合中文| 99热全是精品| 高清午夜精品一区二区三区| 人人澡人人妻人| 老熟女久久久| 亚洲精品视频女| 观看美女的网站| 亚洲av在线观看美女高潮| 三级国产精品欧美在线观看| 综合色丁香网| 黄色欧美视频在线观看| 日韩中字成人| 黄色视频在线播放观看不卡| 日韩熟女老妇一区二区性免费视频| 爱豆传媒免费全集在线观看| 国产精品久久久久久久久免| 午夜福利网站1000一区二区三区| 国产综合精华液| 国产在线一区二区三区精| 纵有疾风起免费观看全集完整版| 久久青草综合色| 久久久a久久爽久久v久久| 欧美精品人与动牲交sv欧美| av卡一久久| 精品久久久噜噜| 街头女战士在线观看网站| 久久6这里有精品| 免费黄频网站在线观看国产| 日日啪夜夜撸| 国产亚洲精品久久久com| a级片在线免费高清观看视频| 亚洲av成人精品一二三区| 中文乱码字字幕精品一区二区三区| 日日摸夜夜添夜夜添av毛片| 在线观看三级黄色| 亚洲精品中文字幕在线视频 | 久久国产亚洲av麻豆专区| 免费黄频网站在线观看国产| 观看av在线不卡| 老司机亚洲免费影院| 18+在线观看网站| 少妇丰满av| 五月天丁香电影| 内射极品少妇av片p| 久久久久久伊人网av| 男人爽女人下面视频在线观看| 精品人妻熟女毛片av久久网站| 亚洲av.av天堂| 99久国产av精品国产电影| 丝瓜视频免费看黄片| 女人久久www免费人成看片| 亚洲av福利一区| 国产69精品久久久久777片| 老司机影院毛片| 国产亚洲最大av| 九九爱精品视频在线观看| 两个人的视频大全免费| 亚洲色图综合在线观看| 赤兔流量卡办理| 国产极品粉嫩免费观看在线 | 丝袜在线中文字幕| 一级,二级,三级黄色视频| 久久韩国三级中文字幕| 日韩欧美一区视频在线观看 | 精品一区二区三卡| 精品一区二区免费观看| 久久精品国产亚洲网站| 久久精品国产亚洲av涩爱| 国产黄频视频在线观看| 亚洲精品国产成人久久av| 成年人午夜在线观看视频| 久久毛片免费看一区二区三区| 精品国产一区二区久久| a级毛色黄片| 最近中文字幕2019免费版| 日韩强制内射视频| 日本欧美视频一区| 日韩制服骚丝袜av| 99热全是精品| 成人黄色视频免费在线看| 国产在视频线精品| 国产毛片在线视频| 丰满乱子伦码专区| 男人添女人高潮全过程视频| 欧美日韩视频精品一区| 91在线精品国自产拍蜜月| 国产精品人妻久久久影院| 欧美日韩在线观看h| 少妇人妻一区二区三区视频| 九色成人免费人妻av| 精品少妇内射三级| 蜜桃久久精品国产亚洲av| 国产欧美亚洲国产| 只有这里有精品99| 青春草亚洲视频在线观看| 国产精品久久久久久精品电影小说| 亚洲精品一区蜜桃| 99视频精品全部免费 在线| 99久久中文字幕三级久久日本| 亚洲综合精品二区| 国产一区有黄有色的免费视频| 你懂的网址亚洲精品在线观看| 一级毛片 在线播放| 国产亚洲精品久久久com| 国产色婷婷99| 日韩一本色道免费dvd| 成人漫画全彩无遮挡| 国产精品蜜桃在线观看| 五月开心婷婷网| 国产亚洲最大av| 97在线人人人人妻| 最黄视频免费看| 国产黄色视频一区二区在线观看| 亚洲电影在线观看av| 嫩草影院新地址| 精品视频人人做人人爽| 18禁裸乳无遮挡动漫免费视频| 一级av片app| 22中文网久久字幕| 日本欧美国产在线视频| 大陆偷拍与自拍| 久久综合国产亚洲精品| 亚洲精华国产精华液的使用体验| 欧美国产精品一级二级三级 | 成人黄色视频免费在线看| 日韩 亚洲 欧美在线| 美女脱内裤让男人舔精品视频| 日本av手机在线免费观看| 秋霞伦理黄片| 亚洲国产欧美在线一区| 久久久久久久久久久丰满| 国产 一区精品| 乱系列少妇在线播放| 国产有黄有色有爽视频| av国产精品久久久久影院| 人人妻人人看人人澡| 欧美精品国产亚洲| 免费少妇av软件| 99久久精品热视频| 自线自在国产av| 日韩av在线免费看完整版不卡| 婷婷色综合www| 岛国毛片在线播放| 久久97久久精品| 国产精品不卡视频一区二区| 亚洲av福利一区| 久久精品国产鲁丝片午夜精品| 亚洲美女黄色视频免费看| 国产成人aa在线观看| 成年美女黄网站色视频大全免费 | 亚洲av在线观看美女高潮| 日本av免费视频播放| 亚洲人与动物交配视频| 日本黄大片高清| 能在线免费看毛片的网站| 久久久久国产网址| 亚洲,一卡二卡三卡| 国产欧美日韩精品一区二区| 亚洲激情五月婷婷啪啪| 亚洲情色 制服丝袜| 日韩 亚洲 欧美在线| 免费看光身美女| 日本猛色少妇xxxxx猛交久久| 免费黄频网站在线观看国产| 成人国产av品久久久| 国产伦精品一区二区三区四那| 久久久久精品久久久久真实原创| 2021少妇久久久久久久久久久| 国产美女午夜福利| 精品卡一卡二卡四卡免费| 欧美日韩亚洲高清精品| 日本免费在线观看一区| av国产久精品久网站免费入址| 一个人看视频在线观看www免费| 青春草亚洲视频在线观看| 成人午夜精彩视频在线观看| 一级片'在线观看视频| 又黄又爽又刺激的免费视频.| 人人妻人人澡人人看| 久久人人爽人人片av| 天天操日日干夜夜撸| 亚洲精品国产av成人精品| 久久女婷五月综合色啪小说| 国产免费一区二区三区四区乱码| 久久久久久久久久人人人人人人| 大片免费播放器 马上看| 成年人免费黄色播放视频 | 啦啦啦啦在线视频资源| 日日啪夜夜撸| 韩国高清视频一区二区三区| 国产精品福利在线免费观看| 少妇熟女欧美另类| 自拍偷自拍亚洲精品老妇| 秋霞在线观看毛片| 国产精品偷伦视频观看了| 久久人人爽人人片av| 一级,二级,三级黄色视频| 乱系列少妇在线播放| 午夜福利网站1000一区二区三区| 人妻少妇偷人精品九色| 日韩av在线免费看完整版不卡| 人妻少妇偷人精品九色| 亚洲av中文av极速乱| 最近的中文字幕免费完整| 日韩欧美 国产精品| 2021少妇久久久久久久久久久| 欧美区成人在线视频| 亚洲国产最新在线播放| 高清午夜精品一区二区三区| av不卡在线播放| 99视频精品全部免费 在线| videossex国产| 久久久国产精品麻豆| 在线观看免费高清a一片| av有码第一页| 一区二区三区免费毛片| 夜夜看夜夜爽夜夜摸| 插阴视频在线观看视频| 男女免费视频国产| 熟女人妻精品中文字幕| 亚洲精品久久久久久婷婷小说| 最近2019中文字幕mv第一页| 国产黄色免费在线视频| 热re99久久精品国产66热6| 国产精品成人在线| 男人狂女人下面高潮的视频| 日本色播在线视频| 简卡轻食公司| 国产精品.久久久| 2018国产大陆天天弄谢| 三上悠亚av全集在线观看 | 欧美精品亚洲一区二区| 国产伦精品一区二区三区四那| 免费黄频网站在线观看国产| 美女大奶头黄色视频| 亚洲色图综合在线观看| 欧美变态另类bdsm刘玥| 久久久久久久久久成人| 大码成人一级视频| 大又大粗又爽又黄少妇毛片口| 久久久久视频综合| 日韩精品免费视频一区二区三区 | 国产白丝娇喘喷水9色精品| 在线观看免费高清a一片| 成人亚洲精品一区在线观看| 日韩欧美精品免费久久| 寂寞人妻少妇视频99o| 色婷婷久久久亚洲欧美| 成人亚洲精品一区在线观看| 啦啦啦在线观看免费高清www| 久久久久久久久大av| 午夜福利影视在线免费观看| 亚洲国产精品999| 久久久久久伊人网av| 老司机亚洲免费影院| 久久精品国产亚洲av涩爱| 在线观看三级黄色| 亚洲人成网站在线播| 日韩欧美 国产精品| 国产免费视频播放在线视频| 成年女人在线观看亚洲视频| 草草在线视频免费看| 日本黄色片子视频| 欧美三级亚洲精品| 91精品国产国语对白视频| 蜜桃在线观看..| 爱豆传媒免费全集在线观看| 在线亚洲精品国产二区图片欧美 | 寂寞人妻少妇视频99o| 少妇猛男粗大的猛烈进出视频| 蜜桃在线观看..| 精品午夜福利在线看| 九九爱精品视频在线观看| 国产极品天堂在线| 亚洲精品456在线播放app| 少妇丰满av| 97在线人人人人妻| 少妇的逼好多水| 赤兔流量卡办理| 一级毛片久久久久久久久女| 成人亚洲精品一区在线观看| 日本欧美国产在线视频| 亚洲精品日韩在线中文字幕| 美女视频免费永久观看网站| 亚洲国产av新网站| 精品久久久噜噜| 自拍欧美九色日韩亚洲蝌蚪91 | 丝瓜视频免费看黄片| 99视频精品全部免费 在线| 午夜免费鲁丝| 又爽又黄a免费视频| 亚洲精品久久久久久婷婷小说| 国产亚洲最大av| 内地一区二区视频在线| 汤姆久久久久久久影院中文字幕| a级毛片免费高清观看在线播放| 老熟女久久久| 美女大奶头黄色视频| 免费观看性生交大片5| 日本欧美视频一区| 熟女电影av网| 观看美女的网站| 亚洲三级黄色毛片| 69精品国产乱码久久久| 2021少妇久久久久久久久久久| 亚洲无线观看免费| 国产成人精品婷婷| 三上悠亚av全集在线观看 | 高清不卡的av网站| 成年av动漫网址| 91午夜精品亚洲一区二区三区| 人妻人人澡人人爽人人| 亚洲国产精品999| 一级毛片 在线播放| 韩国av在线不卡| 免费观看在线日韩| 91精品伊人久久大香线蕉| 久久亚洲国产成人精品v| 一边亲一边摸免费视频| 有码 亚洲区| 黄色日韩在线| 色视频在线一区二区三区| 久久精品国产鲁丝片午夜精品| 大话2 男鬼变身卡| 18禁在线无遮挡免费观看视频| 久久亚洲国产成人精品v| 自拍偷自拍亚洲精品老妇| 简卡轻食公司| h日本视频在线播放| 国产成人免费无遮挡视频| 久久鲁丝午夜福利片| 偷拍熟女少妇极品色| 欧美+日韩+精品| 免费大片18禁| 国产精品不卡视频一区二区| 欧美少妇被猛烈插入视频| 国产淫语在线视频| 高清av免费在线| 欧美丝袜亚洲另类| 久久免费观看电影| 2021少妇久久久久久久久久久| 中国美白少妇内射xxxbb| 各种免费的搞黄视频| 91精品国产九色| 日韩av在线免费看完整版不卡| 99久国产av精品国产电影| 亚洲成人av在线免费| av国产精品久久久久影院| 免费看不卡的av| 欧美少妇被猛烈插入视频| 精品亚洲成国产av| 国产精品福利在线免费观看| 中文乱码字字幕精品一区二区三区| 女性生殖器流出的白浆| 一级二级三级毛片免费看| 久久这里有精品视频免费| av免费在线看不卡| 国产精品久久久久久久久免| 国内少妇人妻偷人精品xxx网站| 国产男女内射视频| 乱人伦中国视频| 国产精品无大码| 高清不卡的av网站| 人妻一区二区av| 夫妻午夜视频| 国产免费又黄又爽又色| 久久精品久久久久久噜噜老黄| 久久人人爽人人片av| 永久免费av网站大全| 免费观看的影片在线观看| 免费大片黄手机在线观看| 91久久精品国产一区二区三区| 亚洲精品一区蜜桃| 国产一区二区三区av在线| 人妻少妇偷人精品九色| 99视频精品全部免费 在线| 青青草视频在线视频观看| 国产欧美日韩精品一区二区| 中国三级夫妇交换| 三上悠亚av全集在线观看 | 美女xxoo啪啪120秒动态图| 婷婷色综合大香蕉| 免费看av在线观看网站| 伊人亚洲综合成人网| 亚洲欧美清纯卡通| 亚洲av二区三区四区| 啦啦啦视频在线资源免费观看| 国产毛片在线视频| 国产视频首页在线观看| 又黄又爽又刺激的免费视频.| 搡女人真爽免费视频火全软件| 国产精品国产三级国产专区5o| 中文天堂在线官网| 日本欧美国产在线视频| 插逼视频在线观看| 99久久综合免费| 高清视频免费观看一区二区| 97在线视频观看| 美女中出高潮动态图| 爱豆传媒免费全集在线观看| 老熟女久久久| 亚洲欧洲国产日韩| 久久久久久久大尺度免费视频| av播播在线观看一区| 99热6这里只有精品| 日本黄大片高清| 国语对白做爰xxxⅹ性视频网站| 看十八女毛片水多多多| 日日摸夜夜添夜夜爱| 日本黄色日本黄色录像| 在线观看国产h片| 国产午夜精品一二区理论片| 国产精品免费大片| 在线观看一区二区三区激情| 草草在线视频免费看| 久久久久久久大尺度免费视频| 国产真实伦视频高清在线观看| 狂野欧美激情性bbbbbb| 大话2 男鬼变身卡| 国内精品宾馆在线| 亚洲欧美一区二区三区黑人 | 亚洲,一卡二卡三卡| 亚洲无线观看免费| 国产亚洲最大av| 80岁老熟妇乱子伦牲交| 午夜久久久在线观看| 美女中出高潮动态图| 日韩中文字幕视频在线看片| 久久久国产欧美日韩av| 日韩大片免费观看网站| 久久久a久久爽久久v久久| 成人国产av品久久久| 国产精品不卡视频一区二区| 成人影院久久| 色5月婷婷丁香| 久久精品久久精品一区二区三区| 九草在线视频观看| 精品国产国语对白av| 永久网站在线| 曰老女人黄片| 国产黄色免费在线视频| 免费看日本二区| 久久国产乱子免费精品| 青春草国产在线视频| 中文欧美无线码| 美女视频免费永久观看网站| 26uuu在线亚洲综合色| 精品亚洲成a人片在线观看| 大片电影免费在线观看免费| 熟女av电影| 高清不卡的av网站| 免费av不卡在线播放| 欧美日韩国产mv在线观看视频| 肉色欧美久久久久久久蜜桃| 久久韩国三级中文字幕| 欧美最新免费一区二区三区| 日韩亚洲欧美综合| 91久久精品电影网| 麻豆成人午夜福利视频| 亚洲精品自拍成人| 嫩草影院入口| 波野结衣二区三区在线| 午夜福利影视在线免费观看| 插逼视频在线观看| 亚洲四区av| 纵有疾风起免费观看全集完整版| 亚洲欧美中文字幕日韩二区| 一区二区三区精品91| 欧美3d第一页| 看非洲黑人一级黄片| 亚洲精品乱码久久久v下载方式| 一区二区av电影网|