• <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 ?

    基于全局采樣的混合門控神經(jīng)網(wǎng)絡(luò)推薦模型

    2022-12-30 07:51:32張意靈邵雄凱王春枝吳歆韻
    計算機工程與設(shè)計 2022年12期
    關(guān)鍵詞:全局損失神經(jīng)網(wǎng)絡(luò)

    張意靈,邵雄凱,高 榕,2+,王春枝,吳歆韻

    (1.湖北工業(yè)大學(xué) 計算機學(xué)院,湖北 武漢 430068;2.南京大學(xué) 計算機軟件新技術(shù)國家重點實驗室,江蘇 南京 210093)

    0 引 言

    當(dāng)前,互聯(lián)網(wǎng)中的數(shù)據(jù)規(guī)模增速日趨加快,使得人們難以從海量候選產(chǎn)品中選擇自己中意的產(chǎn)品。因此,推薦系統(tǒng)應(yīng)運而生,并逐漸成為減輕信息過載問題的重要手段。

    目前在基于內(nèi)容的推薦算法[1-4]方面的研究盡管取得了一定的成果,但仍存在一些不足:首先,以前的工作大多利用加權(quán)正則化項對多源信息的隱藏表示進行融合。然而,由于不同的數(shù)據(jù)源具有不同的統(tǒng)計特性和不同的數(shù)量級,這可能無法充分利用來自異構(gòu)數(shù)據(jù)源的數(shù)據(jù),并引發(fā)繁瑣的超參數(shù)調(diào)整。其次,現(xiàn)有的神經(jīng)推薦方法主要依靠負采樣策略,而負采樣對采樣分布和采樣數(shù)非常敏感[5]。因此,基于抽樣的策略很難收斂到最優(yōu)性能。

    基于上述分析,本文提出一種基于改進門控神經(jīng)網(wǎng)絡(luò)的混合推薦模型(IGNN)。本文的主要創(chuàng)新點如下:

    (1)提出一個改進的混合門控神經(jīng)網(wǎng)絡(luò),以增強對多源數(shù)據(jù)中隱藏特征的獲取。

    (2)采用一種基于全局采樣策略來對損失函數(shù)進行優(yōu)化,以減少有用信息的損失,從而提供更加精準(zhǔn)的推薦服務(wù)。

    1 相關(guān)工作

    在這一部分中,我們將闡述與所提出模型相關(guān)的研究工作:基于隱式反饋推薦和推薦模型中的優(yōu)化技術(shù)。

    1.1 基于隱式反饋的推薦算法

    近幾年,基于隱式反饋的推薦方法的研究是推薦領(lǐng)域關(guān)注的重點[6]?;陔[式反饋的協(xié)同過濾(CF)通常被視為一個top-N的推薦任務(wù),其目標(biāo)是向用戶推薦可能感興趣的項目列表。與評分預(yù)測任務(wù)相比,項目推薦問題更具實際性和挑戰(zhàn)性[7],更符合現(xiàn)實世界的推薦場景。為了利用潛在因素模型進行項目推薦,早期的工作要么采用統(tǒng)一的加權(quán)方案,將所有缺失數(shù)據(jù)作為負樣本處理[8],要么從缺失數(shù)據(jù)中抽取負樣本[9]。最近,Bayer等[10]為基于特征的因子分解模型開發(fā)了隱式坐標(biāo)下降方法。由于具有學(xué)習(xí)顯著表征的能力,還采用了基于深度神經(jīng)網(wǎng)絡(luò)的方法。為了進一步提高性能,研究人員嘗試融合多源數(shù)據(jù)特征,以幫助減輕用戶-項目交互數(shù)據(jù)中的稀疏性和冷啟動問題。Kim等[11]將卷積神經(jīng)網(wǎng)絡(luò)集成到概率矩陣分解中,通過捕獲文檔的情境信息,使用戶項目評分?jǐn)?shù)據(jù)稀疏性對推薦系統(tǒng)的影響得到了一定的緩解,提高評分預(yù)測的準(zhǔn)確性。

    1.2 推薦模型中的優(yōu)化技術(shù)

    推薦模型有兩種采樣策略:①負采樣策略[12],這種策略從缺失數(shù)據(jù)中抽取負實例;②基于全局采樣的采樣策略[13],將所有缺失的數(shù)據(jù)都視為負實例。如之前的研究工作[14]所示,這兩種策略都有其優(yōu)缺點:負采樣策略通過減少訓(xùn)練中的負面例子提高性能,但可能會降低模型的性能;基于全局采樣的策略可能更好地覆蓋完整全部數(shù)據(jù),保持模型性能不變。

    本文提出的模型與上述工作的主要區(qū)別在于,本文利用改進的神經(jīng)門控網(wǎng)絡(luò)融合多源數(shù)據(jù),并有效減少了融合過程中的特征丟失;此外,為了提高模型的精確性,本文受到文獻[15]在遷移學(xué)習(xí)中采樣策略的啟發(fā),使用基于全局采樣策略,并繼而基于全局采樣策略的優(yōu)化損失函數(shù)從而提高推薦系統(tǒng)的性能。

    2 問題表述

    在推薦系統(tǒng)中,整體項目D中通常包含m個用戶的用戶集合U={u1,u2,…,ui,…,um},n個項目的項目集合I={i1,i2,…,ij,…,in}, 用戶偏好R∈Rm×n。 項目之間的關(guān)系由鄰接矩陣N∈Rn×n表示,如果項目i和項目j相關(guān),則Nij=1。

    通過對整體項目D, 項目之間的關(guān)系N以及訓(xùn)練集中用戶偏好R進行用戶行為建模,從而對測試集中的用戶偏好進行預(yù)測,并生成一個推薦列表。

    3 IGNN推薦模型

    在本節(jié)中,本文將介紹IGNN推薦模型。首先本文具體介紹特征提取模塊,對輸入的數(shù)據(jù)提取特征。然后,對數(shù)據(jù)融合模塊介紹,本文使用改進的神經(jīng)門控網(wǎng)絡(luò)對獲得的多源數(shù)據(jù)進行特征融合。接下來,對融合鄰域特征的用戶行為建模模塊進行介紹。最后,本文介紹一種基于全局采樣策略的損失函數(shù)以減少有用信息的丟失??傮w模型如圖1所示。

    圖1 推薦模型總體框架

    該模型從下到上分為4部分。第一部分:輸入用戶評分和項目描述;第二部分:特征提取模塊提取用戶評分和項目描述的潛在特征向量,并且采用詞級注意模塊從用戶評分和項目描述中學(xué)習(xí)項目的特征;第三部分:使用改進的門控神經(jīng)網(wǎng)絡(luò)對獲得的多源數(shù)據(jù)進行特征融合;同時,本文使用集成鄰域注意力和自動編碼器的學(xué)習(xí)框架對項目與項目之間的相關(guān)關(guān)系——這一重要的輔助信息進行學(xué)習(xí),然后對用戶偏好進行建模。第四部分:本文采用了一個基于全局采樣策略的損失函數(shù),以減少有用信息的丟失。最后給出計算公式,得到推薦列表。

    3.1 特征提取部分—基于多源信息特征建模

    本節(jié)中,介紹該模型框架的輸入層和特征提取模塊,通過輸入層為該模型提供必要的數(shù)據(jù)準(zhǔn)備。特征提取模塊模型如圖2所示。

    圖2 特征提取模塊

    3.1.1 項目描述的特征提取

    在進行特征嵌入操作時,受Transformer[16]的啟發(fā),本文僅依賴于機器翻譯中的注意機制,在不使用復(fù)雜的遞歸或卷積神經(jīng)網(wǎng)絡(luò)的情況下,對單詞序列應(yīng)用多維注意機制進行學(xué)習(xí)項目的隱藏表示。由于在現(xiàn)實生活中,用戶可能更關(guān)心句子中的幾個重要詞語,而不是順序中的單詞關(guān)系。詞級注意的目標(biāo)是對單詞賦予不同的重要性,然后以加權(quán)的方式聚合單詞嵌入來表征項目。給定項目Di的單詞嵌入,計算注意權(quán)重的普通注意機制由兩層神經(jīng)網(wǎng)絡(luò)表示

    (1)

    式中:wa1∈Rh,Wa2∈Rh×h,ba2∈Rh是學(xué)習(xí)參數(shù), softmax(·) 可以確保所有計算的權(quán)重總和為1。然后本文根據(jù)ai提供的權(quán)重對Di中的嵌入進行匯總,得到項目的向量表示

    (2)

    然而,在進行嵌入時為一個單詞設(shè)置一個重要值通常會使模型關(guān)注于項目描述的一個特定方面[17]。它可以是項目描述中的多個方面共同表征這個項目,特別是當(dāng)字?jǐn)?shù)很多時尤其如此。因此,本文需要多個ai來關(guān)注項目描述的不同部分?;谶@一啟發(fā),本文采用矩陣來捕獲多維注意,并為每個詞的嵌入指定一個注意權(quán)重向量。注意權(quán)重向量的每一個維度表示Di中所有嵌入特征的某一個方面。假設(shè)本文希望從嵌入中提取的注意維度為da, 然后本文將wa擴展到Wa1∈Rda×h

    Ai=softmax(Wa1tanh(Wa2Di+ba2)+ba1)

    (3)

    式中:Ai∈Rda×li是注意權(quán)重矩陣,ba1∈Rda是偏差項。

    通過將注意力權(quán)重矩陣與單詞嵌入相乘,本文得到了項目的矩陣表示

    (4)

    (5)

    式中:wt∈Rda是聚合層中的參數(shù),at(·) 是激活函數(shù)。

    3.1.2 用戶評分的特征提取

    (6)

    3.2 建模層

    本節(jié)使用混合神經(jīng)門控層,先對數(shù)據(jù)融合模塊進行闡述,然后對融合鄰域特征的用戶行為建模模塊進行闡述,建模層模塊如圖3所示。

    圖3 建模層模塊

    3.2.1 數(shù)據(jù)融合模塊

    本文從兩個不同來源的數(shù)據(jù)——用戶評分和項目描述,分別得到了用戶和項目的相應(yīng)特征。本模塊的目標(biāo)是將這兩種多源異構(gòu)數(shù)據(jù)的特征結(jié)合起來,以便于對用戶的偏好進行預(yù)測。

    (7)

    (8)

    (9)

    (10)

    式中:w1,w2是對隱藏表示合并進行加權(quán)的權(quán)重值。

    3.2.2 融合鄰域特征模塊—集成鄰域注意力和自動編碼器的學(xué)習(xí)框架

    (11)

    式中:Wn∈Rh×h是在相鄰層中學(xué)習(xí)的參數(shù)。

    (12)

    3.3 基于全局采樣策略的損失函數(shù)

    在遷移學(xué)習(xí)中對損失函數(shù)優(yōu)化方法的啟發(fā),本文采用基于全局采樣策略的學(xué)習(xí)方法。

    3.3.1 加權(quán)策略

    本文首先給出了矩陣R中每個條目的權(quán)重策略:

    (2)負采樣的權(quán)重計算如下,將較大的權(quán)重分配給頻率較高的項目

    (13)

    3.3.2 損失函數(shù)優(yōu)化

    在以往的研究中往往會采用一個基于負反饋的損失函數(shù)

    (14)

    為了提高模型預(yù)測的準(zhǔn)確度,本文將基于式(14),推導(dǎo)出一個基于全局優(yōu)化的損失函數(shù)

    (15)

    式中:B和V分別是計算時的用戶批次和該批次中的用戶集。

    在隱式數(shù)據(jù)中,由于Ruv∈{0,1} 表示用戶u是否點擊了項目v, 因此可以用一個常數(shù)來代替它以簡化方程。此外,缺失數(shù)據(jù)的丟失可以用所有數(shù)據(jù)丟失與正數(shù)據(jù)丟失之間的殘差表示

    (16)

    (17)

    (18)

    將Zn進行展開,可以獲得以下公式

    (19)

    通過將式(18)帶入式(16)并移除常量部分,可以得到最終的基于全局采樣策略的損失函數(shù)

    (20)

    4 實驗結(jié)果與分析

    為了驗證本文所提出模型的性能,本節(jié)主要展示在真實數(shù)據(jù)集下該模型與其它主流先進的推薦模型的實驗結(jié)果及其分析。首先介紹實驗采用的數(shù)據(jù)集和評估指標(biāo),然后設(shè)計了多組實驗從不同的角度對比分析了本模型的性能情況。

    4.1 實驗數(shù)據(jù)集

    所提出的模型是在兩個真實世界數(shù)據(jù)集上進行評估的:Movielens-20M[21]和Amazon-CDs[22]。Movielens-20M是一個用戶電影數(shù)據(jù)集。Amazon-CDs數(shù)據(jù)集取自Amazon review dataset,它包含了大量的用戶和項目相交互數(shù)據(jù),如評論、評分、項目標(biāo)簽等。本文將評分不低于四(滿分五分)的評分作為正反饋,并將所有其它評分視為數(shù)據(jù)集中缺失的條目。本文從評分矩陣中計算項目-項目相似性,并將閾值設(shè)置為0.2,以選擇項目的鄰域。為了過濾噪音數(shù)據(jù),本文只保留至少10個等級的用戶和至少5個等級的項目。

    預(yù)處理后的數(shù)據(jù)統(tǒng)計見表1。對于每個用戶,本文隨機選擇評分項目的20%作為測試集。其余部分構(gòu)成訓(xùn)練集。隨機選擇獨立進行5次。

    表1 數(shù)據(jù)集的統(tǒng)計信息

    4.2 評價指標(biāo)

    (21)

    NDCG是信息檢索領(lǐng)域中用于評測搜索引擎性能的重要指標(biāo)之一。對于目標(biāo)用戶u′, 其推薦列表中被推薦物品i的NDCG值計算公式

    (22)

    式中:λu′表示用戶u′的最大DCG的值。其中,reln表示第n個物品與用戶的相關(guān)度。

    4.3 對比模型

    為了驗證本文模型的有效性,我們將本文提出的方法與如下幾種方法進行了對比:

    ConvMF:卷積矩陣分解(ConvMF),它應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)(CNN)捕獲文檔的上下文信息,并將CNN集成到概率矩陣分解(PMF)中。

    CVAE:協(xié)同變分自動編碼器(CVAE)是一種生成潛變量模型,它對項目描述和用戶評分的隱藏表示進行融合,并使用帶推理網(wǎng)絡(luò)的變分貝葉斯進行變分推理。

    JRL[23]:聯(lián)合表示學(xué)習(xí)(JRL),是一個從不同信息源學(xué)習(xí)聯(lián)合表示的框架,用于top-N推薦。

    GATE:門控自動編碼器(GATE)是一種多源數(shù)據(jù)融合模型,將不同信息源的隱藏特征提取并融合。

    4.4 實驗設(shè)置

    在實驗中,所有模型的潛在維數(shù)都設(shè)置為50。對于CVAE,本文參照原論文所設(shè)置的參數(shù)a=1,b=0.01, 當(dāng)λu=0.1,λv=10,λr=0.01時,CVAE能獲得良好的性能。對于ConvMF,本文將CNN配置設(shè)置為與原稿相同,當(dāng)a=1,b=0.01,λu=0.1,λv=10時,可以獲得較好的效果。對于JRL,本文按照原論文中的設(shè)置,將batch size設(shè)置為64,負樣本數(shù),λ1=1。 上述方法的網(wǎng)絡(luò)體系結(jié)構(gòu)也與原論文設(shè)置相同。對于GATE,本文按照原論文中的設(shè)置,將batch size設(shè)置為1024,激活函數(shù)設(shè)置為tanh(·)。 對于IGNN,項目的評分是來自所有用戶的評分向量;項目的描述是來自其描述的單詞序列。本文將字序列的最大長度設(shè)置為300,學(xué)習(xí)率和λ分別設(shè)置為0.01和0.001。激活函數(shù)同樣設(shè)置為tanh。 batch size設(shè)置為1024。本文的實驗是在Nvidia GeForce GTX 3070的GPU機器上運行的PyTorch(https://Pytorch.org/)。

    4.5 實驗結(jié)果與分析

    本節(jié)將從3個方面:對比實驗結(jié)果分析、混合神經(jīng)門控層參數(shù)對實驗?zāi)P托Ч挠绊懞突谌植蓸硬呗缘膿p失函數(shù)對模型效果的影響對實驗結(jié)果進行分析。

    4.5.1 對比實驗結(jié)果分析

    在4.4節(jié)設(shè)置實驗條件的情況下,所有對比算法在2個數(shù)據(jù)集上的實驗結(jié)果見表2。

    表2 在兩個數(shù)據(jù)集上各個模型的性能比較

    從表2中可以發(fā)現(xiàn):首先,本文提出的模型IGNN在兩個數(shù)據(jù)集上都達到了最好的性能,說明了該模型性能處于優(yōu)勢。其次,IGNN相較于JRL和ConvMF有更好的結(jié)果。盡管JRL和ConvMF分別通過doc2vec模型和卷積神經(jīng)網(wǎng)絡(luò)捕獲項目描述中的上下文信息,但它們平等地對待項目的每個單詞,沒有考慮到信息詞帶來的影響,導(dǎo)致對項目描述的文本信息的理解不夠充分。第三,IGNN優(yōu)于CVAE的原因可能是,CVAE是通過詞袋來學(xué)習(xí)項目描述中的文本表示,忽略了重要詞對項目主題或概要的描述作用,同時這種方法通過正則化項將不同數(shù)據(jù)源的隱藏表示聯(lián)系起來,這可能無法平穩(wěn)地平衡各種數(shù)據(jù)表示的影響,并導(dǎo)致繁瑣的超參數(shù)調(diào)整。第四,IGNN性能優(yōu)于GATE的原因可能是,IGNN對門控神經(jīng)網(wǎng)絡(luò)進行了優(yōu)化,將被網(wǎng)絡(luò)“遺忘”的信息重新記憶入網(wǎng)絡(luò)中,同時使用了基于全局采樣的優(yōu)化方法,從而在對隱藏特征進行獲取方面表現(xiàn)的更優(yōu)秀。

    4.5.2 混合神經(jīng)門控層參數(shù)對模型效果的影響

    在式(9)中,兩個信息源的信息不一定是相同重要的,所以我們以一定比例進行混合,不妨將混合的比例設(shè)計為w1+w2=1。 其中,w1,w2是超參。為了研究不同的混合比例對模型的影響,我們在兩個數(shù)據(jù)集上進行了實驗。我們規(guī)定以w1為x軸,取Recall@10和NDCG@10為示例進行分析,如表3所示。

    表3 在兩個數(shù)據(jù)集上不同比例混合對性能的影響

    通過觀察實驗結(jié)果,我們可以發(fā)現(xiàn):當(dāng)w1為0或1時,模型變?yōu)槠胀ㄩT控網(wǎng)絡(luò),并且模型獲得的結(jié)果也不相同,說明傳統(tǒng)的門控神經(jīng)網(wǎng)絡(luò)對于多源數(shù)據(jù)融合確實出現(xiàn)特征丟失的情況。

    4.5.3 基于全局的優(yōu)化損失函數(shù)對模型效果的影響

    為了驗證本文的基于全局采樣策略的損失函數(shù)是否比原損失函數(shù)能更有效率地學(xué)習(xí),所以在本節(jié)中,我們將從損失函數(shù)的收斂性以及模型運行時間這兩個方面與原損失函數(shù)進行對比實驗。損失函數(shù)收斂趨勢對比見表4;模型運行時間對比見表5。

    表4 損失函數(shù)收斂趨勢對比

    表5 模型運行時間對比實驗

    其中,IGNN-E表示使用了原本的損失函數(shù),IGNN表示使用了基于全局采樣的損失函數(shù)。表4中表頭表示訓(xùn)練批次,表的內(nèi)容表示當(dāng)前批次訓(xùn)練損失值;表5中的s、m分別表示秒和分鐘,S表示單個迭代的訓(xùn)練時間、I表示收斂所需的迭代次數(shù)、T表示總訓(xùn)練時間。

    從表4中,我們發(fā)現(xiàn)IGNN收斂性優(yōu)于IGNN-E的收斂性;而從表5中,我們發(fā)現(xiàn)IGNN的訓(xùn)練時間開銷比IGNN-E小。這驗證了本文的損失函數(shù)的高效性與先進性。

    5 結(jié)束語

    本文中,我們提出一種基于全局采樣優(yōu)化策略的改進門控神經(jīng)網(wǎng)絡(luò)(IGNN)的混合推薦模型進行推薦。IGNN使用了改進的優(yōu)化門控神經(jīng)網(wǎng)絡(luò)將用戶評分和項目描述進行充分的特征融合。為了減少有用信息的丟失,我們采用了一個基于全局采樣的損失函數(shù)。實驗結(jié)果表明,我們的方法優(yōu)于其它主流先進的推薦模型。未來,我們將在多源數(shù)據(jù)融合方面開展進一步研究工作,以期減少特征丟失,讓推薦模型達到最佳性能。

    猜你喜歡
    全局損失神經(jīng)網(wǎng)絡(luò)
    Cahn-Hilliard-Brinkman系統(tǒng)的全局吸引子
    少問一句,損失千金
    量子Navier-Stokes方程弱解的全局存在性
    胖胖損失了多少元
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    落子山東,意在全局
    金橋(2018年4期)2018-09-26 02:24:54
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    一般自由碰撞的最大動能損失
    成人综合一区亚洲| 搞女人的毛片| 亚洲成人一二三区av| 狂野欧美白嫩少妇大欣赏| 亚洲激情五月婷婷啪啪| 精品一区二区免费观看| 又粗又硬又长又爽又黄的视频| 五月玫瑰六月丁香| 日韩强制内射视频| 免费观看无遮挡的男女| 久久久久国产精品人妻一区二区| 成年av动漫网址| 精品人妻熟女av久视频| 久久精品国产亚洲av天美| 乱码一卡2卡4卡精品| 亚洲,欧美,日韩| 三级男女做爰猛烈吃奶摸视频| 免费观看av网站的网址| 又大又黄又爽视频免费| 777米奇影视久久| 色视频在线一区二区三区| 婷婷色综合www| 午夜福利视频精品| av福利片在线观看| 亚洲综合色惰| 日韩伦理黄色片| 五月伊人婷婷丁香| 欧美+日韩+精品| 日韩一区二区视频免费看| 国产 精品1| 亚洲伊人久久精品综合| 有码 亚洲区| 女人十人毛片免费观看3o分钟| 2018国产大陆天天弄谢| 在线观看国产h片| 亚洲欧美日韩东京热| 尾随美女入室| 久久99热6这里只有精品| 色哟哟·www| 亚洲av.av天堂| 国产精品久久久久久久电影| 国产一区二区三区综合在线观看 | 国产在线一区二区三区精| 久热这里只有精品99| av.在线天堂| 又大又黄又爽视频免费| 久久6这里有精品| 国产69精品久久久久777片| 日韩视频在线欧美| 国内精品美女久久久久久| 99热网站在线观看| 免费观看的影片在线观看| 九九爱精品视频在线观看| 在线精品无人区一区二区三 | 亚洲精品国产色婷婷电影| 亚洲最大成人手机在线| 大又大粗又爽又黄少妇毛片口| 人体艺术视频欧美日本| 最近最新中文字幕免费大全7| 91久久精品国产一区二区成人| 欧美丝袜亚洲另类| kizo精华| 国产真实伦视频高清在线观看| 欧美另类一区| 青春草国产在线视频| 久久精品熟女亚洲av麻豆精品| 免费av不卡在线播放| 看非洲黑人一级黄片| 国产综合精华液| 久久国内精品自在自线图片| 精品久久久噜噜| 欧美日韩一区二区视频在线观看视频在线 | 自拍偷自拍亚洲精品老妇| 欧美少妇被猛烈插入视频| 中文乱码字字幕精品一区二区三区| 国产大屁股一区二区在线视频| h日本视频在线播放| 五月伊人婷婷丁香| 天天躁日日操中文字幕| 老女人水多毛片| 亚洲成人av在线免费| 神马国产精品三级电影在线观看| 美女国产视频在线观看| 大香蕉97超碰在线| 欧美潮喷喷水| 男女边摸边吃奶| 高清av免费在线| 精品一区二区三区视频在线| 精品久久久久久久人妻蜜臀av| 91久久精品电影网| 激情 狠狠 欧美| 亚洲精品第二区| 另类亚洲欧美激情| 日韩欧美精品v在线| 欧美性猛交╳xxx乱大交人| 午夜激情福利司机影院| 国产精品99久久久久久久久| 成人国产麻豆网| 国产免费视频播放在线视频| 极品教师在线视频| 三级男女做爰猛烈吃奶摸视频| 国产精品av视频在线免费观看| 嫩草影院入口| 欧美一级a爱片免费观看看| 亚洲av日韩在线播放| 在线观看三级黄色| av女优亚洲男人天堂| 精品一区二区三卡| 日韩av不卡免费在线播放| 久久精品综合一区二区三区| 久久久久性生活片| 国产成人精品福利久久| 我的女老师完整版在线观看| 好男人在线观看高清免费视频| 国产 一区 欧美 日韩| 一级毛片黄色毛片免费观看视频| 日韩av免费高清视频| 亚洲精品日本国产第一区| 最近最新中文字幕大全电影3| 99久久九九国产精品国产免费| 久久精品久久久久久噜噜老黄| 69av精品久久久久久| 亚洲久久久久久中文字幕| 一个人看的www免费观看视频| 99久久精品热视频| 国产老妇伦熟女老妇高清| 男女无遮挡免费网站观看| 亚洲av欧美aⅴ国产| 欧美另类一区| 国产爽快片一区二区三区| 亚洲成色77777| 99热网站在线观看| 少妇人妻精品综合一区二区| 国产一区二区三区综合在线观看 | 欧美成人a在线观看| 亚洲国产精品国产精品| 欧美精品一区二区大全| 观看美女的网站| 亚洲国产成人一精品久久久| 日本黄大片高清| 有码 亚洲区| 韩国高清视频一区二区三区| 亚洲成色77777| 黑人高潮一二区| 男人爽女人下面视频在线观看| a级一级毛片免费在线观看| 一区二区三区精品91| 久久99热这里只频精品6学生| 午夜精品国产一区二区电影 | 日本av手机在线免费观看| 在线亚洲精品国产二区图片欧美 | 人妻制服诱惑在线中文字幕| 国产一级毛片在线| 国产片特级美女逼逼视频| 亚洲欧美日韩卡通动漫| 欧美日韩视频高清一区二区三区二| 观看美女的网站| 久久99热这里只频精品6学生| 好男人视频免费观看在线| 人妻少妇偷人精品九色| 天堂俺去俺来也www色官网| 成年av动漫网址| 精品久久久噜噜| 男人添女人高潮全过程视频| 欧美xxxx黑人xx丫x性爽| 午夜精品一区二区三区免费看| 青春草国产在线视频| 伊人久久精品亚洲午夜| 97超视频在线观看视频| a级毛色黄片| 欧美激情久久久久久爽电影| 久久人人爽人人爽人人片va| 亚洲精品456在线播放app| 黄色日韩在线| 青春草亚洲视频在线观看| 极品教师在线视频| 欧美精品人与动牲交sv欧美| 久久6这里有精品| 观看免费一级毛片| 午夜福利在线在线| 午夜老司机福利剧场| 男女无遮挡免费网站观看| 亚洲欧美精品专区久久| 最近手机中文字幕大全| 亚洲性久久影院| 亚洲av成人精品一二三区| 亚洲最大成人手机在线| www.av在线官网国产| 亚洲av.av天堂| 亚洲欧美一区二区三区国产| 国产高清不卡午夜福利| 中国国产av一级| 国产欧美日韩一区二区三区在线 | 午夜福利视频精品| 亚洲av中文字字幕乱码综合| 欧美bdsm另类| 亚洲欧美一区二区三区国产| 久久久久久久久久久免费av| 中国国产av一级| 国产老妇伦熟女老妇高清| 高清在线视频一区二区三区| 亚洲真实伦在线观看| av免费在线看不卡| 熟女人妻精品中文字幕| 国产精品一区二区在线观看99| 五月玫瑰六月丁香| 久久久久久国产a免费观看| 女人被狂操c到高潮| 精品国产一区二区三区久久久樱花 | 欧美精品一区二区大全| 好男人视频免费观看在线| 精品一区二区三卡| 亚洲综合色惰| 美女视频免费永久观看网站| 男的添女的下面高潮视频| 国产高清有码在线观看视频| 欧美潮喷喷水| 国产精品一及| 欧美日韩亚洲高清精品| 精品国产一区二区三区久久久樱花 | 菩萨蛮人人尽说江南好唐韦庄| 熟女人妻精品中文字幕| 人人妻人人澡人人爽人人夜夜| 麻豆国产97在线/欧美| 午夜精品国产一区二区电影 | 婷婷色综合www| 日日摸夜夜添夜夜添av毛片| 大片电影免费在线观看免费| 国产精品蜜桃在线观看| 日本黄大片高清| 亚洲,一卡二卡三卡| 国产探花在线观看一区二区| 一区二区av电影网| 久久人人爽人人片av| 精品国产露脸久久av麻豆| 青春草亚洲视频在线观看| 国产色爽女视频免费观看| 欧美日韩视频精品一区| 99久国产av精品国产电影| 欧美人与善性xxx| xxx大片免费视频| 在线亚洲精品国产二区图片欧美 | 久久精品国产亚洲av天美| 男女啪啪激烈高潮av片| 久久国内精品自在自线图片| 大香蕉久久网| 久久影院123| 中文在线观看免费www的网站| 免费看a级黄色片| 精品久久久久久久末码| 国产毛片a区久久久久| 精品一区在线观看国产| 国产色婷婷99| av免费在线看不卡| 九九爱精品视频在线观看| 日产精品乱码卡一卡2卡三| 一本久久精品| 亚洲色图av天堂| 久久ye,这里只有精品| 国产精品麻豆人妻色哟哟久久| 国产真实伦视频高清在线观看| 亚洲欧美中文字幕日韩二区| 夜夜看夜夜爽夜夜摸| 日韩成人av中文字幕在线观看| 夜夜爽夜夜爽视频| 一级毛片 在线播放| 女人被狂操c到高潮| 国产av国产精品国产| 大又大粗又爽又黄少妇毛片口| 色播亚洲综合网| 国产91av在线免费观看| 国产老妇女一区| 在线天堂最新版资源| 五月开心婷婷网| 一区二区三区免费毛片| 99九九线精品视频在线观看视频| 日韩成人av中文字幕在线观看| 男插女下体视频免费在线播放| 简卡轻食公司| 久久精品夜色国产| 亚洲精品456在线播放app| 熟妇人妻不卡中文字幕| 午夜免费男女啪啪视频观看| 成人欧美大片| 成人亚洲精品一区在线观看 | 黄片无遮挡物在线观看| 啦啦啦在线观看免费高清www| 最近中文字幕高清免费大全6| 久久国内精品自在自线图片| 免费av观看视频| 成人国产av品久久久| 欧美精品一区二区大全| 性色avwww在线观看| 在线精品无人区一区二区三 | 亚洲国产色片| av.在线天堂| 国产高清有码在线观看视频| av在线亚洲专区| 国产av不卡久久| 国产久久久一区二区三区| 欧美亚洲 丝袜 人妻 在线| 国产亚洲av嫩草精品影院| 黄色一级大片看看| 在线观看美女被高潮喷水网站| 国产高清三级在线| 国产成人91sexporn| 成人鲁丝片一二三区免费| 国产高潮美女av| 一级毛片我不卡| 人妻制服诱惑在线中文字幕| 免费黄频网站在线观看国产| 国产午夜福利久久久久久| 欧美激情在线99| 欧美高清成人免费视频www| 五月玫瑰六月丁香| videos熟女内射| 精品国产乱码久久久久久小说| 秋霞在线观看毛片| 你懂的网址亚洲精品在线观看| 亚洲色图综合在线观看| 亚洲欧美日韩东京热| 日韩强制内射视频| 少妇的逼水好多| av又黄又爽大尺度在线免费看| 久久精品国产亚洲av天美| 久久国产乱子免费精品| 免费看av在线观看网站| 黄片无遮挡物在线观看| 亚洲成人一二三区av| 男女边摸边吃奶| 好男人在线观看高清免费视频| 色网站视频免费| 亚洲欧美日韩卡通动漫| 看免费成人av毛片| 69人妻影院| 91狼人影院| 久久ye,这里只有精品| 男女无遮挡免费网站观看| 我的女老师完整版在线观看| 精品人妻一区二区三区麻豆| 少妇人妻久久综合中文| 亚洲国产精品国产精品| 九九久久精品国产亚洲av麻豆| 蜜桃亚洲精品一区二区三区| 久久国产乱子免费精品| 女的被弄到高潮叫床怎么办| 久久久久精品久久久久真实原创| 狠狠精品人妻久久久久久综合| 亚洲自拍偷在线| 亚洲精品成人av观看孕妇| 身体一侧抽搐| av女优亚洲男人天堂| 免费观看av网站的网址| 在线看a的网站| 亚洲综合精品二区| 精品熟女少妇av免费看| 大香蕉97超碰在线| 永久网站在线| 在线 av 中文字幕| 三级国产精品欧美在线观看| 国产老妇伦熟女老妇高清| 日本免费在线观看一区| 国产亚洲精品久久久com| 久久久久久久久久人人人人人人| 亚洲欧美清纯卡通| 在线看a的网站| 最近手机中文字幕大全| 免费观看av网站的网址| av女优亚洲男人天堂| 国产高潮美女av| 人妻少妇偷人精品九色| 精品人妻偷拍中文字幕| 在线免费观看不下载黄p国产| 久久久久久九九精品二区国产| 色婷婷久久久亚洲欧美| 亚洲精品aⅴ在线观看| 国产亚洲av嫩草精品影院| 成年女人看的毛片在线观看| 国产精品熟女久久久久浪| 日本黄大片高清| 99久国产av精品国产电影| 欧美日韩一区二区视频在线观看视频在线 | 久久韩国三级中文字幕| 人人妻人人澡人人爽人人夜夜| 一二三四中文在线观看免费高清| 一个人看的www免费观看视频| 69av精品久久久久久| 国产毛片a区久久久久| 校园人妻丝袜中文字幕| 岛国毛片在线播放| 六月丁香七月| 精品国产露脸久久av麻豆| 国模一区二区三区四区视频| 免费观看av网站的网址| 简卡轻食公司| 2021天堂中文幕一二区在线观| 色视频www国产| 亚洲熟女精品中文字幕| 日本三级黄在线观看| 亚洲欧美成人综合另类久久久| 成年av动漫网址| 免费播放大片免费观看视频在线观看| 久久精品国产a三级三级三级| 国产精品av视频在线免费观看| 亚洲不卡免费看| 九九久久精品国产亚洲av麻豆| 新久久久久国产一级毛片| 亚洲综合色惰| 国产成人a区在线观看| 国产男人的电影天堂91| 午夜视频国产福利| 校园人妻丝袜中文字幕| 欧美最新免费一区二区三区| 日本一二三区视频观看| 麻豆久久精品国产亚洲av| 国产片特级美女逼逼视频| 日韩欧美 国产精品| 水蜜桃什么品种好| 欧美日韩在线观看h| 美女视频免费永久观看网站| 久久99热这里只有精品18| 高清在线视频一区二区三区| 一级毛片 在线播放| 国产免费又黄又爽又色| 狂野欧美激情性xxxx在线观看| 色5月婷婷丁香| 久久精品久久精品一区二区三区| 亚洲成色77777| 一级毛片我不卡| 在线看a的网站| 少妇 在线观看| 自拍偷自拍亚洲精品老妇| 亚洲精品中文字幕在线视频 | 亚洲精品456在线播放app| 国内少妇人妻偷人精品xxx网站| 欧美日韩视频高清一区二区三区二| 中文在线观看免费www的网站| 中文字幕av成人在线电影| 免费观看无遮挡的男女| 日韩视频在线欧美| 日韩人妻高清精品专区| 日韩成人av中文字幕在线观看| 国产综合懂色| 国产高潮美女av| 日本av手机在线免费观看| 亚洲av中文字字幕乱码综合| 国产精品一区二区性色av| 性色avwww在线观看| 1000部很黄的大片| 97精品久久久久久久久久精品| 亚洲精品,欧美精品| 久热久热在线精品观看| 少妇人妻久久综合中文| 一级爰片在线观看| 亚洲国产欧美人成| 亚洲国产精品999| 免费观看无遮挡的男女| av.在线天堂| 亚洲人与动物交配视频| 日韩欧美精品v在线| 欧美成人精品欧美一级黄| 99热国产这里只有精品6| 丝袜喷水一区| 一边亲一边摸免费视频| 国产毛片在线视频| 毛片一级片免费看久久久久| 国产免费福利视频在线观看| 亚洲欧美日韩另类电影网站 | 久久久久久伊人网av| 天堂网av新在线| 色哟哟·www| 国产毛片在线视频| 精品久久久久久久末码| 日韩欧美 国产精品| 美女高潮的动态| 亚洲国产av新网站| 亚洲丝袜综合中文字幕| 久久久久久久精品精品| av天堂中文字幕网| 国产老妇伦熟女老妇高清| 2021天堂中文幕一二区在线观| 国产91av在线免费观看| 国产男人的电影天堂91| 亚洲性久久影院| 国产成人a∨麻豆精品| 成年女人看的毛片在线观看| 99热6这里只有精品| 97人妻精品一区二区三区麻豆| 久久久久久久久久久丰满| 精品午夜福利在线看| 免费高清在线观看视频在线观看| 成人亚洲精品av一区二区| 国产欧美另类精品又又久久亚洲欧美| 欧美变态另类bdsm刘玥| 啦啦啦中文免费视频观看日本| 精品国产露脸久久av麻豆| 少妇人妻精品综合一区二区| 欧美日韩精品成人综合77777| 国产日韩欧美亚洲二区| 欧美另类一区| 天天一区二区日本电影三级| 插阴视频在线观看视频| 男女啪啪激烈高潮av片| 欧美成人精品欧美一级黄| 亚州av有码| 亚洲精品一二三| 色播亚洲综合网| 国产高潮美女av| 香蕉精品网在线| 国产精品人妻久久久影院| 国产又色又爽无遮挡免| 69av精品久久久久久| 我的老师免费观看完整版| 男人狂女人下面高潮的视频| 爱豆传媒免费全集在线观看| 国产成人一区二区在线| 97热精品久久久久久| av网站免费在线观看视频| 男人狂女人下面高潮的视频| 亚洲av免费在线观看| 日日摸夜夜添夜夜添av毛片| 18禁在线无遮挡免费观看视频| 边亲边吃奶的免费视频| 成人亚洲精品av一区二区| 久久久国产一区二区| 成人高潮视频无遮挡免费网站| 国产精品嫩草影院av在线观看| av在线观看视频网站免费| av线在线观看网站| 男女边吃奶边做爰视频| 国产白丝娇喘喷水9色精品| 精品人妻熟女av久视频| 欧美日韩精品成人综合77777| 国产免费又黄又爽又色| 免费观看性生交大片5| 亚洲电影在线观看av| 国产乱来视频区| 精品久久久久久电影网| 欧美变态另类bdsm刘玥| av国产久精品久网站免费入址| 亚洲精品亚洲一区二区| 高清毛片免费看| 亚洲国产欧美人成| 免费av不卡在线播放| 亚洲人与动物交配视频| www.色视频.com| 另类亚洲欧美激情| 亚洲高清免费不卡视频| 91午夜精品亚洲一区二区三区| 亚洲精品国产av蜜桃| 国产成人精品婷婷| 国产一区二区三区综合在线观看 | 成人午夜精彩视频在线观看| 亚洲aⅴ乱码一区二区在线播放| 日韩欧美 国产精品| 亚洲久久久久久中文字幕| 国产男女内射视频| 五月开心婷婷网| 国产 精品1| 久久久久精品久久久久真实原创| 赤兔流量卡办理| 最后的刺客免费高清国语| 亚洲精品久久久久久婷婷小说| 伊人久久国产一区二区| 国产精品女同一区二区软件| 欧美日韩一区二区视频在线观看视频在线 | 久久久欧美国产精品| 王馨瑶露胸无遮挡在线观看| 亚洲av国产av综合av卡| 新久久久久国产一级毛片| 青青草视频在线视频观看| 免费观看av网站的网址| 欧美日韩亚洲高清精品| 有码 亚洲区| 国产白丝娇喘喷水9色精品| 最近2019中文字幕mv第一页| 菩萨蛮人人尽说江南好唐韦庄| 亚洲国产精品999| 男人和女人高潮做爰伦理| 哪个播放器可以免费观看大片| 国产色婷婷99| 亚洲欧美日韩卡通动漫| 亚洲av国产av综合av卡| 国产精品麻豆人妻色哟哟久久| 午夜免费鲁丝| 国产永久视频网站| 亚洲精品一区蜜桃| 深爱激情五月婷婷| 亚洲电影在线观看av| 成人亚洲精品av一区二区| av一本久久久久| 成年女人看的毛片在线观看| 午夜精品国产一区二区电影 | 男女无遮挡免费网站观看| 六月丁香七月| av在线观看视频网站免费| 亚洲在线观看片| 欧美zozozo另类| 男人舔奶头视频| 国产一区有黄有色的免费视频| 嫩草影院新地址| av网站免费在线观看视频| 乱码一卡2卡4卡精品| 综合色丁香网| 国产高潮美女av| 亚洲天堂国产精品一区在线| 亚洲av一区综合| 午夜福利网站1000一区二区三区| 亚洲精品一区蜜桃| 嫩草影院新地址| 亚洲av国产av综合av卡| 在线观看一区二区三区激情| av卡一久久| 一区二区三区精品91| 成年女人在线观看亚洲视频 |