• <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LSTM-BLS的突發(fā)氣象災(zāi)害事件中公眾情感傾向分析

    2021-10-14 08:57:44羅嘉王樂豪涂姍姍宋鴿韓瑩
    關(guān)鍵詞:輿情準(zhǔn)確率向量

    羅嘉 王樂豪 涂姍姍 宋鴿 韓瑩

    0 引言

    我國(guó)作為氣象災(zāi)害[1-2]發(fā)生頻率較高的國(guó)家之一,各種極端天氣的頻繁發(fā)生,給人們帶來了嚴(yán)重的經(jīng)濟(jì)損失,甚至?xí)T發(fā)災(zāi)難造成人員傷亡.氣象災(zāi)害的發(fā)生不僅是對(duì)國(guó)家應(yīng)急治理體制的重大考驗(yàn),影響人們的日常生活,還會(huì)在網(wǎng)絡(luò)上引起社會(huì)輿論的爆發(fā)[3],使人產(chǎn)生負(fù)面焦慮的情緒[4].對(duì)于災(zāi)害引起的輿論[5],若不加以干預(yù)引導(dǎo),容易在網(wǎng)絡(luò)上演變成新的突發(fā)事件,加劇危機(jī)事件本身的負(fù)面影響.

    網(wǎng)絡(luò)用戶數(shù)量在近幾年呈幾何趨勢(shì)增長(zhǎng),大大提升了輿論的產(chǎn)生和傳播速度,網(wǎng)絡(luò)輿論本身帶有的情感指向性和其內(nèi)在包含的應(yīng)用價(jià)值也逐漸成為專家們關(guān)注的熱點(diǎn).傳統(tǒng)的機(jī)器學(xué)習(xí)算法諸如支持向量機(jī)(Support Vector Machines,SVM)[6]、K-means算法[7]等方法已被提出用于英語和漢語的情感極性分析,且取得了很大的進(jìn)展.但是面對(duì)大量數(shù)據(jù)時(shí),傳統(tǒng)算法的訓(xùn)練力不從心.深度學(xué)習(xí)的發(fā)展減輕了機(jī)器學(xué)習(xí)模型手動(dòng)提取特征的負(fù)擔(dān).長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)[8]具有長(zhǎng)時(shí)記憶功能并且實(shí)現(xiàn)起來簡(jiǎn)單的優(yōu)勢(shì),解決了訓(xùn)練過程中存在的梯度消失和梯度爆炸的問題.文獻(xiàn)[9]將LSTM模型與SVM模型在相同數(shù)據(jù)集上進(jìn)行對(duì)比,在情感分類方面LSTM模型的準(zhǔn)確率遠(yuǎn)高于基線模型.輿情文本分析[10-11]是通過度量向量空間中單詞向量之間的關(guān)系進(jìn)行的,因此單詞嵌入的質(zhì)量直接影響到分類結(jié)果.雖然LSTM能夠從訓(xùn)練數(shù)據(jù)中挖掘出更抽象的特征,使其具有很好的泛化能力,但它的擬合能力并不理想,而且LSTM提取特征時(shí)存在語義不完整、精度不高等問題.

    研究者通過引入卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)來彌補(bǔ)上述缺陷,CNN-LSTM模型[12]的提出使得處理高維數(shù)據(jù)更加輕松、精度更高.自然語言包含結(jié)合詞和短語的句法特性使得底層模型不滿足應(yīng)用需求.短文包含的上下文信息往往有限,對(duì)其進(jìn)行情感分類具有一定的挑戰(zhàn)性.文獻(xiàn)[13]將10層CNN和10層LSTM結(jié)合起來,使用不同的超參數(shù)和不同的預(yù)訓(xùn)練策略訓(xùn)練,其產(chǎn)生的模型比單獨(dú)使用模型的歷史最高精度更勝一籌.許杰等[14]考慮到CNN并行計(jì)算能力強(qiáng)的優(yōu)點(diǎn)而將其作為特征提取器,提取到的高層次特征輸入到LSTM中得到最終結(jié)果.較之以往模型,該模型能夠在提取局部特征的同時(shí)獲取句子的時(shí)態(tài)語義,提高了情感文本分類的精度.但CNN-LSTM模型存在性能過度依賴于標(biāo)記數(shù)據(jù)的數(shù)量和質(zhì)量,且未考慮到單詞之間的句法依存的問題,情感文本分類的精度仍有提升的空間.

    注意到寬度學(xué)習(xí)(Broad Learning System,BLS)作為一種簡(jiǎn)單的新型快速增量學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)[15],是基于隨機(jī)向量函數(shù)連接網(wǎng)絡(luò)RVFL(Random Vector Functional Link Network),將原始的輸入先通過特征節(jié)點(diǎn)學(xué)習(xí)稀疏的映射特征,然后經(jīng)由增強(qiáng)節(jié)點(diǎn)非線性擴(kuò)展得到增強(qiáng)特征,并聯(lián)兩種特征表達(dá)作為最后的總輸入送到輸出層進(jìn)行分類識(shí)別,由此可以從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到重要的特征,對(duì)訓(xùn)練數(shù)據(jù)達(dá)到高度擬合.

    本文爬取了2020年末斷崖式降溫輿情文本并對(duì)其進(jìn)行數(shù)據(jù)預(yù)處理之后,發(fā)現(xiàn)文本中大多是短句文本,其包含的上下文信息有限,因此底層模型不滿足應(yīng)用需求.將數(shù)據(jù)集使用LSTM模型進(jìn)行訓(xùn)練,得到的實(shí)驗(yàn)結(jié)果在擬合度方面沒有達(dá)到預(yù)期的效果,精確度不高.

    考慮到深度學(xué)習(xí)模型能夠從訓(xùn)練數(shù)據(jù)中挖掘出更抽象的特征,這使得它具有很好的泛化能力,而BLS具有能夠從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到重要的特征,對(duì)訓(xùn)練數(shù)據(jù)達(dá)到高度擬合的特點(diǎn),因此使用LSTM作為本文模型的特征提取層,將文本進(jìn)行初步分類,再將初步分類的文本輸入到BLS層中進(jìn)一步提取重要特征,最終獲取高精度分類結(jié)果.本文提出的LSTM-BLS模型,將不同級(jí)別的特征層信息進(jìn)行融合使用,既有低級(jí)紋理信息又有高級(jí)語義信息,彌補(bǔ)了LSTM、CNN-LSTM模型在輿情文本分析方面提取特征時(shí)存在語義不完整、精度不高和未考慮到單詞之間的句法依存等問題.實(shí)驗(yàn)結(jié)果表明,本文提出的模型較之于K-means、SVM模型精度分別提高了17.23和13.46個(gè)百分點(diǎn),與LSTM與CNN-LSTM模型相比精度分別提高了7.13和4.17個(gè)百分點(diǎn).文中模型在經(jīng)過數(shù)據(jù)集測(cè)試后取得良好的效果,并且不依賴特定領(lǐng)域的自然語言庫,也可以應(yīng)用在其他中文文本分析驗(yàn)證上,具有廣泛的適用性.

    1 模型

    1.1 LSTM

    LSTM的核心概念在于細(xì)胞狀態(tài)以及“門”結(jié)構(gòu).

    圖1展示了LSTM的基本架構(gòu),其包含的三個(gè)門:輸入門、遺忘門和輸出門.通過三個(gè)門的函數(shù)和細(xì)胞狀態(tài),LSTM可以捕獲短期和長(zhǎng)期時(shí)間序列中的復(fù)雜相關(guān)性.其中,xt是輸入向量,it是時(shí)間步長(zhǎng)t中的輸入狀態(tài),ft是時(shí)間步長(zhǎng)t中的遺忘狀態(tài),ot是時(shí)間步長(zhǎng)t中的輸出狀態(tài),ht(ht-1)是時(shí)間步長(zhǎng)t(t-1)中的隱藏狀態(tài),ct(ct-1)是時(shí)間步長(zhǎng)t(t-1)中的單元狀態(tài).以tanh和sigmoid激活函數(shù)σ的形式在三個(gè)門的頂部添加非線性.

    圖1 LSTM的基本架構(gòu)Fig.1 Basic architecture of LSTM

    LSTM的數(shù)學(xué)原理在式(1)—(6)中給出:

    ft=σ(Wxfxt+Whfht-1+bf),

    (1)

    it=σ(Wxixt+Whiht-1+bi),

    (2)

    ot=σ(Wxoxt+Whoht-1+bo),

    (3)

    (4)

    (5)

    ht=ot?tanh(ct),

    (6)

    其中,Wxf,Whf,Wxi,Whi,Wxo,Who,Wxc,Whc代表了輸入向量與輸入門、輸出門、記憶單元之間對(duì)應(yīng)的權(quán)向量,bf,bi,bo,bc是偏置變量,?是矩陣的Hadamard積.

    1.2 BLS

    BLS網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

    圖2 BLS網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure of BLS

    假設(shè)輸入數(shù)據(jù)集X包含N個(gè)樣本,每個(gè)樣本有M個(gè)維度,Y是屬于RN×C的輸出矩陣.對(duì)于n個(gè)特征通過式(7)映射后生成k個(gè)節(jié)點(diǎn):

    Zi=φ(XWei+βei),i=1,…,n.

    (7)

    將所有特征節(jié)點(diǎn)表示為Zn≡[Z1,…,Zn],第m組增強(qiáng)節(jié)點(diǎn)表示為

    Hm≡ξ(ZnWhj+βhj),j=1,…,m,

    (8)

    其中Wei,Whj和βei,βhj分別是隨機(jī)生成的連接權(quán)重和偏置值.

    因此,BLS模型可以表示為

    Y=[Z1,…,Zn|ξ(ZnWh1+βh1),…,ξ(ZnWhm+βhm)]Wm=

    [Z1,…,Zn|H1,…,Hm]Wm=

    [Zn|Hm]Wm.

    (9)

    1.3 LSTM-BLS輿情文本情感分類模塊

    針對(duì)輿情文本的歧義性或多義性的問題,考慮到深度學(xué)習(xí)能夠?qū)γ總€(gè)分量進(jìn)行數(shù)據(jù)特征識(shí)別與特征提取,從而實(shí)現(xiàn)分量的單步向前預(yù)測(cè),達(dá)到獲取最終分類的效果的特點(diǎn),本文在上述基礎(chǔ)模型上通過融合BLS提出了一種新的的文本情感分析模型.該模型整體結(jié)構(gòu)如圖3所示.

    圖3 LSTM-BLS的文本情感分析流程Fig.3 Flow chart of text sentiment analysis based on LSTM-BLS

    LSTM-BLS模型(圖4)的主體是3個(gè)拼接的LSTM層、2個(gè)全連接層(Dense)和1個(gè)BLS模型通道,3層LSTM通道主要用來提取句子特征,而加入的BLS層可以和別的機(jī)器學(xué)習(xí)算法靈活地結(jié)合,即利用LSTM提取到的特征來訓(xùn)練.并且,其加入的增量學(xué)習(xí)算法,允許在網(wǎng)絡(luò)結(jié)構(gòu)中加入新的節(jié)點(diǎn)時(shí),以很小的計(jì)算開銷來更新網(wǎng)絡(luò)權(quán)重.

    圖4 LSTM-BLS模型Fig.4 LSTM-BLS public opinion analysis model

    1)第1層是輸入層(input layer),將爬取到的文本進(jìn)行人工數(shù)據(jù)集標(biāo)注后生成的文本導(dǎo)入程序.

    2)第2層是嵌入層(embedding layer),作用是把輸入的每個(gè)詞語映射成一個(gè)向量表示.

    3)第3~5層是LSTM層,主要是為了提取句子的特征.本文詞向量維度選取300維,選擇的過濾器分別為256、128、64個(gè),訓(xùn)練次數(shù)(epochs)=50,并在LSTM的每一層都加入了dropout機(jī)制,該機(jī)制可以在訓(xùn)練過程中通過讓部分神經(jīng)元停止工作,而達(dá)到防止過擬合的效果.

    4)第6層是Dense層,將LSTM層輸出端融合的特征作為全連接層的輸入,應(yīng)用Sigmoid激活函數(shù)后的值是介于0到1之間的浮點(diǎn)數(shù),表示概率或者置信度,并加入L2正則化,防止過擬合.

    5)第7層為BLS層,利用前面提取到的特征進(jìn)行計(jì)算,調(diào)用Softmax進(jìn)行分類,其中每個(gè)映射特征點(diǎn)的個(gè)數(shù)N1=10、映射特征個(gè)數(shù)N2=30、增強(qiáng)節(jié)點(diǎn)個(gè)數(shù)N3=280以及正則化參數(shù)C=0.000 1.

    2 實(shí)證分析

    2.1 數(shù)據(jù)來源

    本文主要以2020年末兩次斷崖式降溫輿情數(shù)據(jù)為例.2020年12月28—30日我國(guó)中東部大部地區(qū)迎來大風(fēng)降溫天氣,局部地區(qū)遭遇了16 ℃以上的斷崖式降溫.中央氣象臺(tái)迅速發(fā)布了最高級(jí)別的寒潮橙色預(yù)警.此次寒潮影響范圍廣,以及其伴隨而來的劇烈降溫、長(zhǎng)時(shí)間持續(xù)性大風(fēng),給各行各業(yè),甚至人們?nèi)粘5拇┮鲁鲂卸紟砹藰O大的影響,并迅速在網(wǎng)絡(luò)上掀起了輿論風(fēng)暴.本文基于Python的Scrapy模塊,爬取微博大V及相關(guān)媒體共計(jì)37 852條數(shù)據(jù),包括發(fā)表評(píng)論的用戶名稱、評(píng)論內(nèi)容、發(fā)表時(shí)間、轉(zhuǎn)發(fā)量、點(diǎn)贊量等多極化數(shù)據(jù)信息.

    在對(duì)文本進(jìn)行訓(xùn)練前,先對(duì)爬取到的信息進(jìn)行了一系列的數(shù)據(jù)清洗工作,包括繁體字簡(jiǎn)化、刪除垃圾廣告、無效評(píng)論等,最終得到32 358條有效數(shù)據(jù).預(yù)處理包括以下內(nèi)容:

    1) 去除含HTML標(biāo)簽的內(nèi)容;

    2) 刪除純標(biāo)點(diǎn)評(píng)論;

    3) 去除表情評(píng)論;

    4) 單詞詞形還原;

    5) 刪除停用詞.

    2.2 超參數(shù)設(shè)置

    社交網(wǎng)絡(luò)的快速發(fā)展使得媒體信息在社交平臺(tái)的傳播更加迅速.災(zāi)害相關(guān)信息會(huì)在事件發(fā)生短期內(nèi)迅速傳播發(fā)酵,在網(wǎng)絡(luò)上引起輿論風(fēng)波.輿情結(jié)果往往會(huì)形成兩極分化,積極的輿論引導(dǎo)事件朝好的方向發(fā)展,而消極的輿論將會(huì)在網(wǎng)絡(luò)上引發(fā)二次災(zāi)害.因此,輿情文本分析的準(zhǔn)確性,大大影響著輿情引導(dǎo)的走向.有鑒于此,本文將數(shù)據(jù)集分為兩個(gè)類別:積極的、消極的.

    將分類結(jié)果生成詞云可以直觀地反映正面和負(fù)面評(píng)論中出現(xiàn)頻率最高的詞語,可以看到圖5、6中,部分詞匯可以清楚地反映用戶的積極和消極情緒.然而,網(wǎng)絡(luò)評(píng)論中時(shí)常包含褒義貶用以及貶義褒用的詞匯,此類詞匯經(jīng)常包含在具有完全相反含義的評(píng)論中.因此,僅僅根據(jù)是否出現(xiàn)代表積極或者消極情緒的詞語而對(duì)評(píng)論進(jìn)行簡(jiǎn)單的分類已經(jīng)達(dá)不到預(yù)想的結(jié)果時(shí),便需要深度學(xué)習(xí)技術(shù)來分析詞語之間的關(guān)系,獲取語義從而進(jìn)行分類.

    圖5 積極的詞匯Fig.5 Examples of positive word

    圖6 消極的詞匯Fig.6 Examples of negative word

    本文使用人工標(biāo)注的微博語料數(shù)據(jù)集正向和負(fù)向評(píng)論各14 000條,從中挑取正負(fù)向評(píng)論各8 000條作為訓(xùn)練集,剩下的作為測(cè)試集進(jìn)行測(cè)試.實(shí)驗(yàn)需要通過詞袋模型將語料庫更改詞向量,之后將訓(xùn)練好的詞向量輸入到搭建好的神經(jīng)網(wǎng)絡(luò)中.

    在本文搭建的輿情文本分析模型中,輸入的詞向量的效果很大程度上影響著最終訓(xùn)練結(jié)果,多次實(shí)驗(yàn)結(jié)果表明,將詞向量進(jìn)行預(yù)訓(xùn)練可以有效地提高模型的準(zhǔn)確率.經(jīng)過不斷調(diào)試模型參數(shù),本文最終采用詞向量維度為300.?dāng)?shù)據(jù)訓(xùn)練前,利用Jieba分詞工具將原文本進(jìn)行分詞、去除停用詞后,將得到的詞語轉(zhuǎn)換為詞向量并進(jìn)行預(yù)訓(xùn)練,得到的結(jié)果將作為本文模型的輸入.

    為了得到更加豐富的情感特征信息,本文在LSTM-BLS模型上進(jìn)行了一系列實(shí)驗(yàn).為了防止過擬合現(xiàn)象,本文使用了dropout機(jī)制和L2正則化.詳細(xì)超參數(shù)設(shè)置如表1所示.

    表1 模型超參數(shù)設(shè)置

    2.3 結(jié)果討論

    為了驗(yàn)證本文提出的模型的有效性,本文使用準(zhǔn)確率(A)、召回率(R)、F1值(F1)作為評(píng)估指標(biāo).

    準(zhǔn)確率計(jì)算公式:

    (10)

    召回率計(jì)算公式:

    (11)

    F1值計(jì)算公式:

    (12)

    其中:ηTP為正確的匹配數(shù)目;ηFP為匹配不正確的數(shù)目;ηFN為沒有找到正確匹配的數(shù)目;ηTN為正確的非匹配數(shù)目.

    將本文使用的LSTM-BLS模型分別與另外的4種模型方法在準(zhǔn)確率上進(jìn)行實(shí)驗(yàn)對(duì)比:

    1) K-means.K-means算法是無監(jiān)督的聚類算法,因其實(shí)現(xiàn)簡(jiǎn)單、聚類效果好,被廣泛應(yīng)用.本文設(shè)置算法模型最大迭代次數(shù)為300,k值為2,容忍度為0.000 1.

    2) SVM.SVM是機(jī)器學(xué)習(xí)中最好的現(xiàn)成的分類器,可以不加修改直接使用,并且能夠得到較低的錯(cuò)誤率.本次試驗(yàn)將句子中的單詞轉(zhuǎn)換為詞向量,再將這些向量進(jìn)行加權(quán)平均作為模型的輸入進(jìn)行分類.

    3)LSTM.本文使用的是三層LSTM的單通道模型,將詞向量作為輸入,最后通過全連接層和Softmax層輸出分類結(jié)果.

    4)CNN-LSTM.該模型由CNN和LSTM組合而成,在上述LSTM模型的基礎(chǔ)上,使用CNN提取特征,作為L(zhǎng)STM模型的輸入.

    5)LSTM-BLS.本文提出的模型,是在上述三層LSTM的基礎(chǔ)上拼接了BLS層.將爬取到的微博評(píng)論經(jīng)過預(yù)處理,分詞后經(jīng)過詞嵌入生成詞向量,作為本文模型的輸入得到最終準(zhǔn)確率結(jié)果.

    實(shí)驗(yàn)結(jié)果對(duì)比如表2、3所示.

    表2 基線模型在斷崖式降溫?cái)?shù)據(jù)集上的性能對(duì)比

    由表2和表3可知,在斷崖式降溫?cái)?shù)據(jù)集上,LSTM-BLS模型的網(wǎng)絡(luò)輿情分析準(zhǔn)確率相比基礎(chǔ)的機(jī)器學(xué)習(xí)模型K-means和SVM,分別提高了17.23和13.46個(gè)百分點(diǎn),比LSTM模型提高7.13個(gè)百分點(diǎn),比CNN-LSTM復(fù)合模型提高4.17個(gè)百分點(diǎn).準(zhǔn)確率和召回率在實(shí)踐中會(huì)出現(xiàn)矛盾的情況,而F1值作為準(zhǔn)確率和召回率的調(diào)和平均值,往往成為實(shí)驗(yàn)最有效的綜合評(píng)價(jià)指標(biāo).由表2、3可知,本文提出的新模型在綜合評(píng)價(jià)方面表現(xiàn)最優(yōu),效果最好.綜上,LSTM-BLS模型在文本情感分析方面具有良好的性能,可以更加準(zhǔn)確地對(duì)輿情文本進(jìn)行正負(fù)向情感分類,彌補(bǔ)了現(xiàn)有的機(jī)器學(xué)習(xí)模型面對(duì)大量數(shù)據(jù)集時(shí)訓(xùn)練吃力的缺陷,解決了深度學(xué)習(xí)模型擬合能力欠佳、精度不高的問題.

    表3 本文模型和其他深度學(xué)習(xí)模型在斷崖式降溫?cái)?shù)據(jù)集上的性能對(duì)比

    3 結(jié)論

    氣象輿情分析的主要任務(wù)是為了更加精準(zhǔn)地掌握網(wǎng)絡(luò)輿情動(dòng)態(tài),避免災(zāi)害事件在網(wǎng)絡(luò)輿情方面形成二次災(zāi)害.本文提出的LSTM-BLS算法模型一方面考慮到單詞之間的句法依存問題,另一方面在此次輿情文本分析經(jīng)過爬取到的數(shù)據(jù)集驗(yàn)證測(cè)試后,準(zhǔn)確率、F1值均超過K-means、SVM、LSTM和CNN-LSTM模型,在短文本情感分類方面效果優(yōu)異,經(jīng)公開數(shù)據(jù)集驗(yàn)證也同樣具有適用性.將寬度學(xué)習(xí)與深度學(xué)習(xí)相結(jié)合,對(duì)紛繁復(fù)雜的網(wǎng)絡(luò)輿情文本進(jìn)行準(zhǔn)確的分類,對(duì)短文本數(shù)據(jù)信息的有效分析和挖掘,提高了對(duì)網(wǎng)絡(luò)輿論的監(jiān)管能力,有利于開展后續(xù)引導(dǎo)工作.

    猜你喜歡
    輿情準(zhǔn)確率向量
    向量的分解
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    聚焦“向量與三角”創(chuàng)新題
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    輿情
    輿情
    向量垂直在解析幾何中的應(yīng)用
    輿情
    男的添女的下面高潮视频| 国产在线一区二区三区精| 欧美日韩国产mv在线观看视频 | 在线免费观看不下载黄p国产| 久久久久久国产a免费观看| 大话2 男鬼变身卡| 人妻 亚洲 视频| 久久久久性生活片| 国模一区二区三区四区视频| 久久久国产一区二区| 亚洲自拍偷在线| 亚洲av二区三区四区| 三级经典国产精品| 免费黄频网站在线观看国产| 日韩 亚洲 欧美在线| 偷拍熟女少妇极品色| 亚洲国产精品专区欧美| 亚洲激情五月婷婷啪啪| 亚洲精品一二三| 久久精品国产鲁丝片午夜精品| 一区二区三区乱码不卡18| 九色成人免费人妻av| 国产亚洲5aaaaa淫片| 国产精品福利在线免费观看| 91午夜精品亚洲一区二区三区| 搞女人的毛片| 日韩欧美一区视频在线观看 | 赤兔流量卡办理| 欧美3d第一页| 69av精品久久久久久| 亚州av有码| 亚洲欧美日韩无卡精品| 国产男女超爽视频在线观看| 男女那种视频在线观看| 国产精品久久久久久精品古装| 亚洲欧美清纯卡通| 噜噜噜噜噜久久久久久91| 亚洲欧美日韩无卡精品| 肉色欧美久久久久久久蜜桃 | 久久99精品国语久久久| 日韩在线高清观看一区二区三区| 国产久久久一区二区三区| 少妇熟女欧美另类| 精品一区二区三区视频在线| 欧美zozozo另类| av一本久久久久| 男女下面进入的视频免费午夜| 1000部很黄的大片| 亚洲色图av天堂| 日韩欧美一区视频在线观看 | 人妻制服诱惑在线中文字幕| 亚洲人成网站在线观看播放| 亚洲人成网站高清观看| 97精品久久久久久久久久精品| 性插视频无遮挡在线免费观看| 国产国拍精品亚洲av在线观看| 精品久久久久久久久亚洲| 男的添女的下面高潮视频| 肉色欧美久久久久久久蜜桃 | 七月丁香在线播放| 久久国产乱子免费精品| 亚洲精品乱码久久久久久按摩| 99精国产麻豆久久婷婷| 免费av观看视频| 在线观看一区二区三区激情| 成年av动漫网址| 特大巨黑吊av在线直播| 三级国产精品片| 人妻系列 视频| 亚洲精品日本国产第一区| av在线播放精品| av在线天堂中文字幕| 免费播放大片免费观看视频在线观看| 日韩人妻高清精品专区| 成人亚洲精品一区在线观看 | 91久久精品电影网| 最近手机中文字幕大全| 亚洲av国产av综合av卡| 免费观看av网站的网址| 特级一级黄色大片| 91精品一卡2卡3卡4卡| 亚洲在线观看片| 又黄又爽又刺激的免费视频.| 久久久久久久久久久丰满| 干丝袜人妻中文字幕| 日韩亚洲欧美综合| 国产黄片视频在线免费观看| 久久影院123| 久久久精品94久久精品| 啦啦啦在线观看免费高清www| 日韩制服骚丝袜av| 国产一区二区在线观看日韩| 2022亚洲国产成人精品| 国产女主播在线喷水免费视频网站| 亚洲欧美一区二区三区黑人 | 黄色配什么色好看| 国产成人freesex在线| 在线播放无遮挡| 亚洲在久久综合| 精品国产一区二区三区久久久樱花 | 国产精品一二三区在线看| 狂野欧美激情性bbbbbb| 99热6这里只有精品| 国内精品宾馆在线| 在现免费观看毛片| 一本久久精品| 99久久精品国产国产毛片| 亚洲综合精品二区| 大香蕉97超碰在线| av女优亚洲男人天堂| 最近的中文字幕免费完整| 国产人妻一区二区三区在| 日本一二三区视频观看| 深爱激情五月婷婷| 免费不卡的大黄色大毛片视频在线观看| 日韩精品有码人妻一区| 日日啪夜夜撸| 色综合色国产| 午夜免费观看性视频| 成人鲁丝片一二三区免费| 99热6这里只有精品| 少妇人妻精品综合一区二区| 日本黄色片子视频| 久热久热在线精品观看| 熟妇人妻不卡中文字幕| 久久久久久久大尺度免费视频| 久热久热在线精品观看| 99热6这里只有精品| 欧美xxxx性猛交bbbb| 丝袜脚勾引网站| 日韩 亚洲 欧美在线| 久久久久精品性色| 少妇人妻精品综合一区二区| 成年免费大片在线观看| 99热这里只有精品一区| 尤物成人国产欧美一区二区三区| 真实男女啪啪啪动态图| 久久精品熟女亚洲av麻豆精品| 日韩视频在线欧美| av专区在线播放| 看黄色毛片网站| 国产毛片在线视频| 国产精品.久久久| 日本免费在线观看一区| 日韩av不卡免费在线播放| 少妇人妻一区二区三区视频| 在线观看一区二区三区| 美女国产视频在线观看| 国产成人精品婷婷| 丰满乱子伦码专区| 午夜亚洲福利在线播放| 毛片一级片免费看久久久久| 亚洲最大成人手机在线| 乱系列少妇在线播放| 免费看日本二区| 国产 一区 欧美 日韩| 精品视频人人做人人爽| 亚洲国产精品999| 久久久精品免费免费高清| 最后的刺客免费高清国语| 人妻 亚洲 视频| av专区在线播放| a级一级毛片免费在线观看| 人妻一区二区av| 天天一区二区日本电影三级| 免费看光身美女| 免费大片黄手机在线观看| 国产精品.久久久| 美女脱内裤让男人舔精品视频| 午夜福利网站1000一区二区三区| 男的添女的下面高潮视频| 国产精品成人在线| 日韩精品有码人妻一区| 色吧在线观看| 国产亚洲最大av| 日韩成人av中文字幕在线观看| 男男h啪啪无遮挡| 插阴视频在线观看视频| 大香蕉97超碰在线| 国产人妻一区二区三区在| 亚洲人与动物交配视频| 99热6这里只有精品| 亚洲不卡免费看| 又黄又爽又刺激的免费视频.| 少妇的逼水好多| 伦理电影大哥的女人| 欧美最新免费一区二区三区| 天堂中文最新版在线下载 | 纵有疾风起免费观看全集完整版| 爱豆传媒免费全集在线观看| 天美传媒精品一区二区| 性插视频无遮挡在线免费观看| 插阴视频在线观看视频| av女优亚洲男人天堂| 日韩一区二区三区影片| 晚上一个人看的免费电影| 久久精品国产a三级三级三级| 伊人久久国产一区二区| 久久这里有精品视频免费| 香蕉精品网在线| 狠狠精品人妻久久久久久综合| 国产精品麻豆人妻色哟哟久久| 黄色欧美视频在线观看| 大香蕉久久网| 亚洲精品中文字幕在线视频 | 亚洲精品成人av观看孕妇| 国产精品久久久久久久久免| av在线app专区| 国产色婷婷99| 国产伦在线观看视频一区| 亚洲av二区三区四区| 欧美xxⅹ黑人| 日韩一本色道免费dvd| 久久国产乱子免费精品| 亚洲国产精品专区欧美| 亚洲精品国产成人久久av| 六月丁香七月| 久久久久网色| 国产欧美日韩一区二区三区在线 | 久久久a久久爽久久v久久| 小蜜桃在线观看免费完整版高清| 国产欧美亚洲国产| 三级国产精品欧美在线观看| 黄片wwwwww| 草草在线视频免费看| 欧美国产精品一级二级三级 | 欧美日韩综合久久久久久| 午夜日本视频在线| 99久久中文字幕三级久久日本| 一级毛片久久久久久久久女| 国产精品嫩草影院av在线观看| 久久久久久久大尺度免费视频| 日韩一区二区视频免费看| 国产精品.久久久| 日韩一本色道免费dvd| 少妇人妻久久综合中文| 黄色怎么调成土黄色| 好男人在线观看高清免费视频| 亚洲精品一区蜜桃| 欧美激情国产日韩精品一区| 欧美精品一区二区大全| 少妇丰满av| 听说在线观看完整版免费高清| 国产亚洲精品久久久com| 亚洲精品中文字幕在线视频 | 亚洲欧美日韩卡通动漫| 国产爽快片一区二区三区| 极品少妇高潮喷水抽搐| 免费av观看视频| 99精国产麻豆久久婷婷| 爱豆传媒免费全集在线观看| 中文字幕av成人在线电影| 亚洲欧洲国产日韩| 久久人人爽人人爽人人片va| 久久6这里有精品| 51国产日韩欧美| 97在线人人人人妻| 国产毛片在线视频| 久久99精品国语久久久| 免费不卡的大黄色大毛片视频在线观看| 丰满乱子伦码专区| 亚洲精品国产av成人精品| 亚洲图色成人| 99re6热这里在线精品视频| 熟女电影av网| 黄片无遮挡物在线观看| 国产男人的电影天堂91| 国产男女内射视频| 好男人视频免费观看在线| 欧美成人精品欧美一级黄| 小蜜桃在线观看免费完整版高清| av免费在线看不卡| 美女xxoo啪啪120秒动态图| 国产黄片视频在线免费观看| 777米奇影视久久| 日韩亚洲欧美综合| 男人添女人高潮全过程视频| 日韩中字成人| 婷婷色综合www| 免费人成在线观看视频色| 免费看a级黄色片| 日韩欧美精品免费久久| 在线播放无遮挡| 美女国产视频在线观看| 久久99热6这里只有精品| 成人亚洲精品一区在线观看 | 一级二级三级毛片免费看| 久久久久久久国产电影| 国产女主播在线喷水免费视频网站| 色视频在线一区二区三区| 亚洲在线观看片| 成人黄色视频免费在线看| 亚洲av免费高清在线观看| 亚洲,欧美,日韩| 高清日韩中文字幕在线| 国产精品国产三级国产专区5o| 三级男女做爰猛烈吃奶摸视频| 国产精品爽爽va在线观看网站| 国产大屁股一区二区在线视频| 亚洲av中文av极速乱| 亚洲婷婷狠狠爱综合网| 搞女人的毛片| a级毛片免费高清观看在线播放| 亚洲不卡免费看| 免费高清在线观看视频在线观看| 国产精品熟女久久久久浪| 看免费成人av毛片| 搡老乐熟女国产| 国产综合懂色| 在线观看一区二区三区| 97精品久久久久久久久久精品| 国产白丝娇喘喷水9色精品| 激情 狠狠 欧美| 国产日韩欧美在线精品| 99热网站在线观看| 蜜桃久久精品国产亚洲av| 汤姆久久久久久久影院中文字幕| 亚洲欧美中文字幕日韩二区| 亚洲国产高清在线一区二区三| 卡戴珊不雅视频在线播放| 亚洲精品一二三| 在线观看三级黄色| 国产 一区 欧美 日韩| 美女主播在线视频| 久久99热6这里只有精品| 男的添女的下面高潮视频| 欧美日韩国产mv在线观看视频 | 黄片无遮挡物在线观看| 亚洲精品第二区| 亚洲第一区二区三区不卡| 国产成人免费无遮挡视频| 亚洲精华国产精华液的使用体验| 国产成人福利小说| 国产色爽女视频免费观看| 亚洲欧美成人综合另类久久久| 麻豆精品久久久久久蜜桃| 我的老师免费观看完整版| av国产久精品久网站免费入址| 日韩国内少妇激情av| av一本久久久久| 欧美一级a爱片免费观看看| 一区二区av电影网| 香蕉精品网在线| 国产精品国产三级专区第一集| 好男人在线观看高清免费视频| av福利片在线观看| 少妇猛男粗大的猛烈进出视频 | 久久午夜福利片| 五月开心婷婷网| 久久人人爽av亚洲精品天堂 | 久久精品人妻少妇| 51国产日韩欧美| 国内精品美女久久久久久| 六月丁香七月| 女人久久www免费人成看片| 欧美一区二区亚洲| 国产精品不卡视频一区二区| 亚洲精品国产色婷婷电影| 欧美97在线视频| 我的女老师完整版在线观看| 97在线人人人人妻| 精品一区二区免费观看| 久久精品国产a三级三级三级| 免费观看a级毛片全部| 免费在线观看成人毛片| 久久久午夜欧美精品| 久久久久精品性色| 日韩欧美 国产精品| 男插女下体视频免费在线播放| 久久久久久久久久久免费av| 国产免费视频播放在线视频| 国产一区二区三区综合在线观看 | 在现免费观看毛片| 国产午夜福利久久久久久| 日日摸夜夜添夜夜爱| 日日摸夜夜添夜夜添av毛片| 国产亚洲最大av| 美女被艹到高潮喷水动态| 亚洲一级一片aⅴ在线观看| 别揉我奶头 嗯啊视频| 精品国产乱码久久久久久小说| 又爽又黄无遮挡网站| 国产极品天堂在线| a级毛色黄片| 欧美亚洲 丝袜 人妻 在线| 国产黄色视频一区二区在线观看| 日韩人妻高清精品专区| 三级国产精品片| 亚洲av国产av综合av卡| 久久久久性生活片| 一区二区三区精品91| 亚洲精品第二区| 婷婷色麻豆天堂久久| 日韩 亚洲 欧美在线| 亚洲精品aⅴ在线观看| 热99国产精品久久久久久7| 国产有黄有色有爽视频| 五月天丁香电影| 身体一侧抽搐| 丝袜脚勾引网站| 交换朋友夫妻互换小说| 成年人午夜在线观看视频| 寂寞人妻少妇视频99o| 国模一区二区三区四区视频| 黄色配什么色好看| 日日摸夜夜添夜夜爱| 成年版毛片免费区| 性色avwww在线观看| 三级男女做爰猛烈吃奶摸视频| 成人无遮挡网站| 在线a可以看的网站| 精品久久久久久久末码| 在线天堂最新版资源| 日本av手机在线免费观看| av黄色大香蕉| 国产黄色免费在线视频| 午夜亚洲福利在线播放| 中文字幕亚洲精品专区| av在线蜜桃| 午夜免费鲁丝| 秋霞伦理黄片| 亚洲av成人精品一二三区| 99热全是精品| 插逼视频在线观看| 综合色丁香网| 成人午夜精彩视频在线观看| 2022亚洲国产成人精品| 好男人在线观看高清免费视频| 少妇高潮的动态图| 日本猛色少妇xxxxx猛交久久| 中文字幕免费在线视频6| av.在线天堂| 观看美女的网站| 国产成人精品一,二区| 黄片无遮挡物在线观看| 国产亚洲精品久久久com| 国产精品99久久久久久久久| 97超视频在线观看视频| 日本黄色片子视频| 在线看a的网站| 久久97久久精品| 成人一区二区视频在线观看| 精品国产三级普通话版| 三级国产精品片| 日本色播在线视频| 别揉我奶头 嗯啊视频| 日韩三级伦理在线观看| 日韩欧美一区视频在线观看 | 精品国产一区二区三区久久久樱花 | 在现免费观看毛片| 91狼人影院| 久久久精品94久久精品| 人人妻人人爽人人添夜夜欢视频 | 婷婷色综合大香蕉| 日日啪夜夜爽| 精品午夜福利在线看| 午夜视频国产福利| 午夜亚洲福利在线播放| 色网站视频免费| 禁无遮挡网站| 久久精品人妻少妇| 在线亚洲精品国产二区图片欧美 | 午夜视频国产福利| 91在线精品国自产拍蜜月| 国产高清不卡午夜福利| 亚洲精品日本国产第一区| 黄色一级大片看看| 亚洲精品国产成人久久av| 亚洲av成人精品一区久久| 成人黄色视频免费在线看| 狂野欧美白嫩少妇大欣赏| 亚洲经典国产精华液单| 爱豆传媒免费全集在线观看| 91精品国产九色| 亚洲av欧美aⅴ国产| 美女内射精品一级片tv| 色5月婷婷丁香| 国产成人精品婷婷| 直男gayav资源| 日韩中字成人| 韩国高清视频一区二区三区| 国产免费福利视频在线观看| 青春草国产在线视频| 亚洲天堂国产精品一区在线| 欧美日韩亚洲高清精品| 91午夜精品亚洲一区二区三区| 99久久精品热视频| 狠狠精品人妻久久久久久综合| 欧美日韩精品成人综合77777| 欧美丝袜亚洲另类| 亚洲av中文字字幕乱码综合| 一级毛片久久久久久久久女| 国产欧美亚洲国产| 国产在视频线精品| 亚洲国产高清在线一区二区三| 国产片特级美女逼逼视频| 午夜日本视频在线| 晚上一个人看的免费电影| 国产伦精品一区二区三区视频9| 蜜桃亚洲精品一区二区三区| 日韩伦理黄色片| 在线亚洲精品国产二区图片欧美 | av天堂中文字幕网| 五月天丁香电影| 亚洲精品自拍成人| 香蕉精品网在线| 一级毛片 在线播放| 中国美白少妇内射xxxbb| 99九九线精品视频在线观看视频| 九草在线视频观看| 高清欧美精品videossex| 精品人妻偷拍中文字幕| 亚洲精品中文字幕在线视频 | 日韩在线高清观看一区二区三区| 91在线精品国自产拍蜜月| 三级男女做爰猛烈吃奶摸视频| 高清欧美精品videossex| 一级毛片黄色毛片免费观看视频| 亚洲精品国产av成人精品| 1000部很黄的大片| 欧美丝袜亚洲另类| 精品人妻视频免费看| 亚洲不卡免费看| 色哟哟·www| 十八禁网站网址无遮挡 | 亚洲aⅴ乱码一区二区在线播放| 亚洲电影在线观看av| 51国产日韩欧美| 五月伊人婷婷丁香| 国产色爽女视频免费观看| av一本久久久久| 九草在线视频观看| 午夜爱爱视频在线播放| 精品久久久久久久久亚洲| 99热这里只有是精品50| 免费大片18禁| 全区人妻精品视频| 麻豆精品久久久久久蜜桃| 精品久久久久久电影网| 国产淫语在线视频| 69人妻影院| 亚洲第一区二区三区不卡| 久久久久性生活片| 久久久久久伊人网av| 国产午夜精品一二区理论片| 久久韩国三级中文字幕| 欧美精品人与动牲交sv欧美| 亚洲人成网站在线播| 国产一区亚洲一区在线观看| 国产伦在线观看视频一区| 一本久久精品| 2021天堂中文幕一二区在线观| 亚洲天堂国产精品一区在线| 91久久精品国产一区二区三区| 国产白丝娇喘喷水9色精品| 中文乱码字字幕精品一区二区三区| 精品人妻视频免费看| 国产免费又黄又爽又色| 久久久久久久精品精品| 亚洲第一区二区三区不卡| 国产一级毛片在线| 18禁裸乳无遮挡动漫免费视频 | 欧美成人一区二区免费高清观看| 亚洲精品乱码久久久久久按摩| 熟妇人妻不卡中文字幕| 国产亚洲午夜精品一区二区久久 | 亚洲国产色片| 欧美bdsm另类| 秋霞伦理黄片| 91精品伊人久久大香线蕉| 久久热精品热| av黄色大香蕉| 欧美性感艳星| 免费观看av网站的网址| 男人狂女人下面高潮的视频| 国产黄a三级三级三级人| 精品酒店卫生间| 国产中年淑女户外野战色| 国产成人91sexporn| 亚洲欧美成人精品一区二区| 插阴视频在线观看视频| 亚洲精品,欧美精品| 少妇人妻 视频| 日韩欧美一区视频在线观看 | 久久99热这里只频精品6学生| 永久网站在线| 特大巨黑吊av在线直播| 大片电影免费在线观看免费| 日本熟妇午夜| 久久精品夜色国产| 18禁裸乳无遮挡动漫免费视频 | 禁无遮挡网站| 亚洲天堂av无毛| 夜夜爽夜夜爽视频| 欧美成人a在线观看| 久久久午夜欧美精品| 乱码一卡2卡4卡精品| 综合色丁香网| 精品人妻偷拍中文字幕| 老师上课跳d突然被开到最大视频| 精品少妇久久久久久888优播| 永久免费av网站大全| 亚洲久久久久久中文字幕| 搡老乐熟女国产| 国产精品一区二区性色av| 国产91av在线免费观看| 男女国产视频网站| 插逼视频在线观看| 成人二区视频| 日本猛色少妇xxxxx猛交久久| 欧美日韩综合久久久久久| 干丝袜人妻中文字幕| 一级片'在线观看视频| 在线a可以看的网站| 建设人人有责人人尽责人人享有的 |