• <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
    国产精品一区二区在线不卡| 亚洲三区欧美一区| 亚洲国产精品国产精品| 国产精品九九99| 婷婷色麻豆天堂久久| 欧美黄色淫秽网站| 午夜91福利影院| 中文字幕亚洲精品专区| 日本黄色日本黄色录像| 男人操女人黄网站| 啦啦啦在线免费观看视频4| 亚洲精品一卡2卡三卡4卡5卡 | 亚洲av成人不卡在线观看播放网 | 亚洲精品久久久久久婷婷小说| 少妇的丰满在线观看| 亚洲精品av麻豆狂野| 国产精品久久久久久精品古装| 午夜免费男女啪啪视频观看| 免费人妻精品一区二区三区视频| 亚洲欧美日韩高清在线视频 | 9热在线视频观看99| 亚洲成人免费av在线播放| 国产三级黄色录像| 极品人妻少妇av视频| 高清不卡的av网站| 亚洲国产精品国产精品| 国产免费福利视频在线观看| av又黄又爽大尺度在线免费看| 美国免费a级毛片| 国产深夜福利视频在线观看| 午夜福利免费观看在线| e午夜精品久久久久久久| 亚洲色图综合在线观看| 久久久久久久大尺度免费视频| 久久av网站| 亚洲激情五月婷婷啪啪| 久久综合国产亚洲精品| 午夜视频精品福利| 国产高清不卡午夜福利| 女人精品久久久久毛片| 女性被躁到高潮视频| 国产精品麻豆人妻色哟哟久久| 香蕉丝袜av| e午夜精品久久久久久久| 亚洲欧美一区二区三区久久| 免费少妇av软件| 少妇裸体淫交视频免费看高清 | 精品一区在线观看国产| 97精品久久久久久久久久精品| 国产主播在线观看一区二区 | 婷婷成人精品国产| 精品少妇黑人巨大在线播放| 精品国产一区二区久久| 精品国产国语对白av| 亚洲精品一区蜜桃| 性色av乱码一区二区三区2| 首页视频小说图片口味搜索 | 日韩av在线免费看完整版不卡| 一级片'在线观看视频| 高清欧美精品videossex| 丁香六月天网| 性色av乱码一区二区三区2| 亚洲综合色网址| 五月天丁香电影| 丝袜喷水一区| 又大又爽又粗| 制服人妻中文乱码| 中文字幕制服av| 亚洲国产日韩一区二区| 99精品久久久久人妻精品| 久久精品久久精品一区二区三区| 乱人伦中国视频| 国产男女超爽视频在线观看| xxx大片免费视频| www日本在线高清视频| 波多野结衣av一区二区av| 一级毛片黄色毛片免费观看视频| 免费久久久久久久精品成人欧美视频| 亚洲av在线观看美女高潮| videosex国产| 一本—道久久a久久精品蜜桃钙片| 精品卡一卡二卡四卡免费| 伊人久久大香线蕉亚洲五| 欧美激情极品国产一区二区三区| 操出白浆在线播放| 热re99久久国产66热| 另类精品久久| 久久鲁丝午夜福利片| 久久精品久久久久久噜噜老黄| 午夜福利视频精品| 日本五十路高清| 美女脱内裤让男人舔精品视频| 欧美黄色淫秽网站| 五月天丁香电影| av欧美777| 51午夜福利影视在线观看| 亚洲av男天堂| 在线观看免费高清a一片| 韩国精品一区二区三区| 精品免费久久久久久久清纯 | 国产91精品成人一区二区三区 | 亚洲黑人精品在线| 久久人人爽av亚洲精品天堂| 麻豆乱淫一区二区| 十八禁网站网址无遮挡| 国产精品一国产av| 亚洲国产欧美网| 亚洲成人免费av在线播放| 黑丝袜美女国产一区| 少妇人妻久久综合中文| 欧美精品亚洲一区二区| 亚洲国产日韩一区二区| 久久久久久亚洲精品国产蜜桃av| 国产精品熟女久久久久浪| 日韩精品免费视频一区二区三区| 这个男人来自地球电影免费观看| 高潮久久久久久久久久久不卡| 亚洲精品中文字幕在线视频| 色94色欧美一区二区| 亚洲精品乱久久久久久| 在线观看www视频免费| 国产在线免费精品| 成人国产av品久久久| 欧美精品一区二区大全| 亚洲伊人久久精品综合| 黄色毛片三级朝国网站| 国产精品麻豆人妻色哟哟久久| 日韩一本色道免费dvd| 亚洲av电影在线观看一区二区三区| 久久精品久久久久久久性| 日本黄色日本黄色录像| 两人在一起打扑克的视频| 亚洲欧美清纯卡通| 国产又色又爽无遮挡免| 欧美人与性动交α欧美精品济南到| 少妇猛男粗大的猛烈进出视频| 男女午夜视频在线观看| 这个男人来自地球电影免费观看| 黄色毛片三级朝国网站| 久久精品aⅴ一区二区三区四区| 国产精品成人在线| 久久99热这里只频精品6学生| 欧美 日韩 精品 国产| 久久精品国产亚洲av涩爱| 精品一区二区三区四区五区乱码 | 看十八女毛片水多多多| 大码成人一级视频| 蜜桃国产av成人99| 欧美日韩亚洲综合一区二区三区_| 国产激情久久老熟女| 亚洲中文字幕日韩| 日韩熟女老妇一区二区性免费视频| 亚洲精品乱久久久久久| 亚洲三区欧美一区| 男女之事视频高清在线观看 | 欧美精品高潮呻吟av久久| 一级片免费观看大全| 人人妻人人添人人爽欧美一区卜| av天堂在线播放| 男女下面插进去视频免费观看| 国产人伦9x9x在线观看| 狠狠精品人妻久久久久久综合| 中文字幕人妻丝袜制服| 精品一区二区三区av网在线观看 | 久久精品国产综合久久久| 国产精品国产三级国产专区5o| 最新的欧美精品一区二区| 日韩av在线免费看完整版不卡| 国产亚洲午夜精品一区二区久久| 丰满少妇做爰视频| 国产精品免费视频内射| 亚洲成人免费av在线播放| 99国产精品免费福利视频| 国产成人精品久久二区二区91| 日本午夜av视频| 青春草亚洲视频在线观看| a级毛片黄视频| 免费黄频网站在线观看国产| 国产精品.久久久| 欧美成狂野欧美在线观看| 制服人妻中文乱码| 亚洲精品成人av观看孕妇| avwww免费| 亚洲欧美一区二区三区黑人| 桃花免费在线播放| 亚洲,一卡二卡三卡| 久久久久久久大尺度免费视频| 亚洲国产日韩一区二区| 极品人妻少妇av视频| 丝袜美足系列| 亚洲少妇的诱惑av| 国产黄频视频在线观看| 午夜福利影视在线免费观看| 赤兔流量卡办理| bbb黄色大片| 水蜜桃什么品种好| 在线天堂中文资源库| 日韩中文字幕视频在线看片| 啦啦啦啦在线视频资源| 精品国产一区二区三区久久久樱花| 国产片内射在线| 男人舔女人的私密视频| 国产黄频视频在线观看| 欧美人与性动交α欧美软件| 女性生殖器流出的白浆| 两个人看的免费小视频| 一边摸一边做爽爽视频免费| 久久久久精品人妻al黑| 操美女的视频在线观看| 丝袜在线中文字幕| 亚洲国产精品一区二区三区在线| 男男h啪啪无遮挡| 免费黄频网站在线观看国产| 国产极品粉嫩免费观看在线| 亚洲午夜精品一区,二区,三区| 欧美日本中文国产一区发布| 国产高清videossex| 嫩草影视91久久| 男的添女的下面高潮视频| 脱女人内裤的视频| 亚洲成人国产一区在线观看 | 老司机靠b影院| 国产成人精品久久久久久| 91老司机精品| 久久久精品免费免费高清| 日本wwww免费看| 欧美成人午夜精品| 美女脱内裤让男人舔精品视频| 黑人欧美特级aaaaaa片| 久热这里只有精品99| 久久这里只有精品19| 国产精品免费视频内射| 中文字幕另类日韩欧美亚洲嫩草| 啦啦啦视频在线资源免费观看| 精品视频人人做人人爽| 各种免费的搞黄视频| 欧美日韩黄片免| 大型av网站在线播放| 91精品国产国语对白视频| 两个人免费观看高清视频| 日韩一卡2卡3卡4卡2021年| 久久人人爽人人片av| 一级毛片黄色毛片免费观看视频| 国产成人精品久久二区二区免费| 捣出白浆h1v1| 国产精品一区二区免费欧美 | 交换朋友夫妻互换小说| 婷婷色综合www| 十八禁网站网址无遮挡| 欧美久久黑人一区二区| 日本欧美视频一区| 亚洲av男天堂| 99久久人妻综合| 久久99精品国语久久久| 狂野欧美激情性bbbbbb| 国产成人精品无人区| 99国产精品99久久久久| 久久av网站| 大片电影免费在线观看免费| 日本91视频免费播放| 91国产中文字幕| 欧美国产精品va在线观看不卡| 国产三级黄色录像| 久久精品久久精品一区二区三区| 男女床上黄色一级片免费看| 久久影院123| 日本欧美视频一区| 国产精品亚洲av一区麻豆| 国产成人欧美| 中文欧美无线码| 国产片特级美女逼逼视频| 日韩熟女老妇一区二区性免费视频| 久久午夜综合久久蜜桃| 国产免费又黄又爽又色| 国产一区亚洲一区在线观看| 久久久国产欧美日韩av| 亚洲伊人久久精品综合| www.自偷自拍.com| bbb黄色大片| 久久精品久久久久久久性| 人成视频在线观看免费观看| av电影中文网址| 啦啦啦 在线观看视频| 搡老乐熟女国产| 在线观看一区二区三区激情| 亚洲av男天堂| 97在线人人人人妻| 少妇人妻 视频| 性色av一级| 日韩一本色道免费dvd| 老司机深夜福利视频在线观看 | 国产成人91sexporn| 亚洲国产欧美日韩在线播放| 亚洲熟女精品中文字幕| 99热全是精品| 看十八女毛片水多多多| av又黄又爽大尺度在线免费看| 成人亚洲欧美一区二区av| 午夜老司机福利片| 亚洲精品av麻豆狂野| tube8黄色片| 日韩av不卡免费在线播放| 久久99热这里只频精品6学生| 欧美国产精品va在线观看不卡| 一个人免费看片子| 中文字幕另类日韩欧美亚洲嫩草| 国产激情久久老熟女| 一区二区三区激情视频| 亚洲av日韩精品久久久久久密 | 天堂8中文在线网| www.自偷自拍.com| 人成视频在线观看免费观看| 欧美久久黑人一区二区| 亚洲图色成人| 肉色欧美久久久久久久蜜桃| 男女边吃奶边做爰视频| 欧美日韩亚洲高清精品| 最近中文字幕2019免费版| 2018国产大陆天天弄谢| 性色av一级| 亚洲激情五月婷婷啪啪| 国产黄色视频一区二区在线观看| 久久免费观看电影| 亚洲欧美日韩另类电影网站| 又大又爽又粗| 黄色视频在线播放观看不卡| 久久免费观看电影| 久久国产精品影院| 欧美精品人与动牲交sv欧美| 亚洲午夜精品一区,二区,三区| 久久人妻熟女aⅴ| 欧美乱码精品一区二区三区| 少妇裸体淫交视频免费看高清 | 国产视频一区二区在线看| 国产精品 国内视频| 国产老妇伦熟女老妇高清| 99国产综合亚洲精品| 少妇猛男粗大的猛烈进出视频| 亚洲国产日韩一区二区| 91精品国产国语对白视频| 在线天堂中文资源库| 亚洲欧美日韩高清在线视频 | 赤兔流量卡办理| 男女边吃奶边做爰视频| 午夜福利乱码中文字幕| 一级毛片电影观看| 熟女av电影| av天堂久久9| 国产精品国产av在线观看| √禁漫天堂资源中文www| 在线观看免费视频网站a站| 自拍欧美九色日韩亚洲蝌蚪91| 国产精品久久久av美女十八| 777米奇影视久久| 日本欧美视频一区| 国产亚洲午夜精品一区二区久久| 热99久久久久精品小说推荐| 久久国产精品人妻蜜桃| 精品人妻熟女毛片av久久网站| 国产精品一区二区免费欧美 | 婷婷色综合大香蕉| 18禁观看日本| 色婷婷av一区二区三区视频| 国产亚洲av片在线观看秒播厂| 操美女的视频在线观看| 搡老岳熟女国产| 国产男人的电影天堂91| h视频一区二区三区| 精品久久久精品久久久| 免费女性裸体啪啪无遮挡网站| 久久精品国产综合久久久| 天天添夜夜摸| 久久精品亚洲熟妇少妇任你| 国产女主播在线喷水免费视频网站| 中文乱码字字幕精品一区二区三区| 最近最新中文字幕大全免费视频 | 成人黄色视频免费在线看| 日韩一区二区三区影片| 一区在线观看完整版| 99热全是精品| 亚洲天堂av无毛| 久久久久久人人人人人| 老司机午夜十八禁免费视频| 天天躁狠狠躁夜夜躁狠狠躁| 久久久国产一区二区| 亚洲国产看品久久| 欧美少妇被猛烈插入视频| 国产又色又爽无遮挡免| 校园人妻丝袜中文字幕| 色94色欧美一区二区| 久久精品国产综合久久久| 国产av精品麻豆| 女人爽到高潮嗷嗷叫在线视频| 性高湖久久久久久久久免费观看| 9191精品国产免费久久| 国产伦人伦偷精品视频| 国产精品99久久99久久久不卡| 男女边摸边吃奶| 亚洲欧美日韩另类电影网站| 成人黄色视频免费在线看| 三上悠亚av全集在线观看| 亚洲欧美成人综合另类久久久| 自线自在国产av| 99久久精品国产亚洲精品| av在线app专区| 中文字幕色久视频| h视频一区二区三区| 久久久久精品国产欧美久久久 | 国产男女超爽视频在线观看| 在现免费观看毛片| 亚洲精品日韩在线中文字幕| 美女视频免费永久观看网站| 菩萨蛮人人尽说江南好唐韦庄| 精品亚洲成国产av| 国产精品免费大片| 91麻豆精品激情在线观看国产 | 亚洲专区中文字幕在线| 99热网站在线观看| 久久精品熟女亚洲av麻豆精品| 男女国产视频网站| 99re6热这里在线精品视频| 国产99久久九九免费精品| 美女高潮到喷水免费观看| 亚洲欧美一区二区三区久久| 最近最新中文字幕大全免费视频 | 欧美日韩福利视频一区二区| 国产亚洲av片在线观看秒播厂| 自拍欧美九色日韩亚洲蝌蚪91| 久久久精品免费免费高清| 久久热在线av| 90打野战视频偷拍视频| 色婷婷久久久亚洲欧美| 汤姆久久久久久久影院中文字幕| 免费在线观看影片大全网站 | 热re99久久精品国产66热6| 99精品久久久久人妻精品| 亚洲国产精品国产精品| 美女主播在线视频| 少妇粗大呻吟视频| 两人在一起打扑克的视频| 欧美97在线视频| 国产亚洲午夜精品一区二区久久| 91精品三级在线观看| 国产免费视频播放在线视频| 51午夜福利影视在线观看| 狂野欧美激情性bbbbbb| 99精品久久久久人妻精品| 十八禁高潮呻吟视频| 久久久久国产一级毛片高清牌| 考比视频在线观看| 国精品久久久久久国模美| 色网站视频免费| 一边摸一边抽搐一进一出视频| 国产精品国产三级专区第一集| 999精品在线视频| 亚洲国产av新网站| 精品一品国产午夜福利视频| 欧美日韩视频高清一区二区三区二| 岛国毛片在线播放| 又黄又粗又硬又大视频| 男女边摸边吃奶| 免费在线观看影片大全网站 | 三上悠亚av全集在线观看| 久久久久久亚洲精品国产蜜桃av| 久热这里只有精品99| 高潮久久久久久久久久久不卡| 90打野战视频偷拍视频| 下体分泌物呈黄色| 一区在线观看完整版| 国产野战对白在线观看| 国产精品 欧美亚洲| 亚洲精品美女久久久久99蜜臀 | 久久免费观看电影| 每晚都被弄得嗷嗷叫到高潮| 少妇的丰满在线观看| 亚洲视频免费观看视频| 中文字幕高清在线视频| 男女下面插进去视频免费观看| 丰满饥渴人妻一区二区三| 国产成人一区二区三区免费视频网站 | 在线观看一区二区三区激情| 亚洲国产精品一区三区| 成在线人永久免费视频| 亚洲欧美一区二区三区国产| 久9热在线精品视频| 无遮挡黄片免费观看| 久久久久精品国产欧美久久久 | cao死你这个sao货| 另类精品久久| 成人国语在线视频| kizo精华| 热re99久久国产66热| 99国产精品一区二区蜜桃av | 国产成人欧美在线观看 | 好男人视频免费观看在线| 人成视频在线观看免费观看| 每晚都被弄得嗷嗷叫到高潮| 亚洲国产欧美在线一区| 精品少妇黑人巨大在线播放| 国产精品久久久久成人av| 这个男人来自地球电影免费观看| 亚洲图色成人| 久久久精品94久久精品| av有码第一页| 亚洲自偷自拍图片 自拍| 超色免费av| 韩国精品一区二区三区| 欧美国产精品一级二级三级| 性高湖久久久久久久久免费观看| 亚洲欧美中文字幕日韩二区| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美在线黄色| xxxhd国产人妻xxx| 中文字幕人妻丝袜制服| 超碰97精品在线观看| av片东京热男人的天堂| 亚洲成人国产一区在线观看 | 色精品久久人妻99蜜桃| 国产欧美日韩一区二区三区在线| 熟女少妇亚洲综合色aaa.| 捣出白浆h1v1| 国产片特级美女逼逼视频| 日本午夜av视频| 久久国产精品男人的天堂亚洲| 人人澡人人妻人| 免费观看av网站的网址| 精品国产超薄肉色丝袜足j| 日韩大片免费观看网站| 国产精品二区激情视频| 日本欧美国产在线视频| 69精品国产乱码久久久| 青春草视频在线免费观看| 亚洲欧美日韩高清在线视频 | 日本黄色日本黄色录像| 亚洲精品日本国产第一区| 69精品国产乱码久久久| 久久精品熟女亚洲av麻豆精品| 亚洲色图综合在线观看| 男的添女的下面高潮视频| 18禁观看日本| www.熟女人妻精品国产| 国产成人精品在线电影| 亚洲精品成人av观看孕妇| 免费不卡黄色视频| 午夜福利,免费看| 老司机深夜福利视频在线观看 | 中文字幕av电影在线播放| 欧美xxⅹ黑人| 女人被躁到高潮嗷嗷叫费观| 欧美中文综合在线视频| 五月开心婷婷网| 国产精品一区二区精品视频观看| 国产精品秋霞免费鲁丝片| 赤兔流量卡办理| 欧美日韩国产mv在线观看视频| 欧美亚洲 丝袜 人妻 在线| 午夜福利视频在线观看免费| 久久人人爽av亚洲精品天堂| 在线看a的网站| 亚洲专区中文字幕在线| 伦理电影免费视频| 你懂的网址亚洲精品在线观看| 亚洲精品中文字幕在线视频| 侵犯人妻中文字幕一二三四区| bbb黄色大片| 久久毛片免费看一区二区三区| 精品国产国语对白av| 只有这里有精品99| 亚洲第一av免费看| 91精品国产国语对白视频| 亚洲一区二区三区欧美精品| 999久久久国产精品视频| av一本久久久久| 欧美日韩综合久久久久久| 久久久久久免费高清国产稀缺| 中文精品一卡2卡3卡4更新| 美女高潮到喷水免费观看| 亚洲欧美日韩另类电影网站| 两人在一起打扑克的视频| 久久精品国产亚洲av涩爱| 老司机在亚洲福利影院| 日本vs欧美在线观看视频| 人人妻人人爽人人添夜夜欢视频| 99国产精品一区二区三区| 午夜av观看不卡| 青春草视频在线免费观看| 99久久综合免费| 免费高清在线观看视频在线观看| 亚洲第一av免费看| 男男h啪啪无遮挡| 日韩大码丰满熟妇| 巨乳人妻的诱惑在线观看| 91精品国产国语对白视频| 国产成人影院久久av| 国产一区有黄有色的免费视频| 亚洲精品av麻豆狂野| 这个男人来自地球电影免费观看| 亚洲欧美色中文字幕在线| 国产成人免费无遮挡视频| 亚洲人成电影观看| 国产免费又黄又爽又色| 丝袜美足系列| 午夜av观看不卡| 国产av一区二区精品久久| 亚洲自偷自拍图片 自拍| 国产极品粉嫩免费观看在线| 欧美老熟妇乱子伦牲交| 中文乱码字字幕精品一区二区三区| 国产麻豆69| 十八禁网站网址无遮挡| 97精品久久久久久久久久精品| 久久久久视频综合| 亚洲av日韩精品久久久久久密 | 天天躁夜夜躁狠狠久久av| av在线老鸭窝|