• <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 ?

    融合知識表示學習的雙向注意力問答模型

    2021-12-12 02:51:18潘志松
    計算機工程與應用 2021年23期
    關鍵詞:三元組圖譜注意力

    盧 琪,潘志松,謝 鈞

    中國人民解放軍陸軍工程大學 指揮控制工程學院,南京 210000

    知識圖譜以節(jié)點和邊來表示真實世界中存在的各種實體及其之間的關系,最早于2012年由谷歌提出,起初用于提高搜索引擎智能化搜索能力,如今各公司,如微軟Bing、搜狗知立方、百度知心等,都構建了自己的知識圖譜。而隨著Freebase、DBpedia、YAGO等大規(guī)模開源知識圖譜的誕生,知識圖譜相關的研究和應用在多個領域飛速發(fā)展[1],知識圖譜問答(Question Answering over Knowledge Graph,KGQA)便是研究熱點之一。

    近年來智能問答取得了極大的發(fā)展,很多智能問答系統(tǒng)走進了人們的生活,為人們帶來了很大的便利。蘋果公司研發(fā)的智能語音助手Siri不僅能智能問答還可以對手機進行語音控制等操作。之后各大公司也推出了自己的語音助手或者問答系統(tǒng),如微軟開發(fā)了Windows上的語音助手微軟小娜Cortana,百度推出了自己的人工智能助手小度,騰訊開發(fā)的聊天機器人QQ小冰等。根據(jù)數(shù)據(jù)的來源可以把智能問答分為三類:(1)基于知識庫問答,也稱為知識圖譜問答,即直接從構建好的結構化知識庫中檢索答案;(2)基于文本問答,也稱為機器閱讀理解式(Machine Reading Comprehension,MRC)問答,每個問題對應若干篇非結構化文本數(shù)據(jù),從文本數(shù)據(jù)中檢索和抽取答案;(3)基于社區(qū)的問答,用戶生成的問答對組成了社區(qū)問答的數(shù)據(jù),例如百度知道、搜狗問答、知乎等論壇。隨著知識圖譜的發(fā)展,知識圖譜問答有了越來越重要的現(xiàn)實意義。

    知識圖譜問答任務形式定義為:給定一個包含若干三元組的知識圖譜G和一個自然語言問題q,要求根據(jù)知識圖譜正確回答問題。如今知識圖譜問答的方法要分為基于語義解析和基于信息檢索兩種方法,近年與深度學習相結合,取得了優(yōu)異的表現(xiàn),但是仍然面臨諸多的挑戰(zhàn)。Bordes[2]、Huang[3]等人都基于知識嵌入設計了有效的知識圖譜問答框架,在簡單問題方面實現(xiàn)了優(yōu)異的性能,但是模型推理能力較差,回答多跳問題的能力有待提升。Sun等人[4]增強了模型的推理能力,并且在知識圖譜的基礎上引入了額外的文本數(shù)據(jù),但是仍然無法有效處理知識圖譜中數(shù)據(jù)缺失和數(shù)據(jù)稀疏的問題。此外,Sun[5]、Bao[6]等人的工作都是通過限制問題的跳數(shù)先得到知識圖譜的子圖,然后在子圖上進行推理得到答案。綜上可知目前的知識圖譜問答仍然存在下列問題:(1)復雜的場景下,要求模型具有推理能力,從而正確回答多跳問題;(2)當知識圖譜的信息不完整時,如何保證知識圖譜問答的性能;(3)如今的多跳知識圖譜問答大多對跳數(shù)有所限制,模型僅對知識圖譜局部建模,損失了長距離信息。

    針對上述問題,本文提出一種融合知識表示學習的雙向注意力模型,該模型引入知識表示學習以解決知識圖譜數(shù)據(jù)稀疏和數(shù)據(jù)缺失問題,BiDAF[7]模型使用了雙向注意力模型在機器閱讀理解任務上取得非常優(yōu)異的性能,受Seo等人啟發(fā),KR-BAT模型構建了雙向注意力模型來提高模型的推理能力,能夠更好地處理多跳問題。主要貢獻為:(1)設計一個主題實體預測模型,引入知識表示,對于未登錄實體也能預測其表示,有效解決知識圖譜不完整所帶來的信息損失;(2)結合雙向注意力機制和LSTM,提高模型的多跳推理能力;(3)提出融合知識表示的雙向注意力模型,經(jīng)過實驗,模型針對多跳問題和不完整知識圖譜情況實現(xiàn)了優(yōu)秀的性能。

    1 相關工作

    1.1 知識表示學習

    知識表示是知識組織的前提和基礎,表示學習把數(shù)據(jù)轉換成一種機器能夠有效處理的方式,便于模型提取特征。

    早期的獨熱表示[8](One-hot representation)是一種簡單有效的數(shù)據(jù)表示方法,獨熱表示通過0和1將數(shù)據(jù)編碼成向量,如果數(shù)據(jù)維度為L,則獨熱編碼中只有一維元素為1,其余L-1維為0。獨熱表示方法優(yōu)點在于通過無監(jiān)督的方法,有效地把數(shù)據(jù)區(qū)分開來,耗費少。但是該方法的缺點也較為突出,獨熱編碼認為數(shù)據(jù)之間都是獨立的,無法對數(shù)據(jù)之間的語義相似度進行建模,然而在自然語言處理領域中,語義相似度尤為重要,這樣會導致信息損失嚴重;其次,當數(shù)據(jù)規(guī)模較大時,獨熱表示容易造成維度災難,且編碼的向量過于稀疏。

    與獨熱表示相比,基于機器學習的表示學習能夠把數(shù)據(jù)映射成低維的向量,解決了數(shù)據(jù)稀疏問題,并且學習過程能夠對數(shù)據(jù)之間的語義相似度進行建模,更有利于模型提取特征。

    知識表示學習是以知識圖譜中節(jié)點和關系為對象的表示學習[9],目標是把知識圖譜中的節(jié)點和關系映射為低維向量,實現(xiàn)對知識的建模,對知識圖譜的構建、補全、推理和應用有著重要意義。

    結構表示(Structured Embedding,SE)是距離模型的一種,對于每個三元組(h,r,t),模型為關系r定義了兩個投影矩陣,分別用于頭實體h和尾實體t的投影,然后計算兩個實體投影直接的距離,距離代表該三元組中頭實體和尾實體的語義相似度。但SE中頭實體和尾實體是根據(jù)兩個不同的矩陣進行投影,語義關系的建模能力較差。

    雙線性對角模型DistMult[10]把關系矩陣設置為對角陣,提高處理多關系數(shù)據(jù)能力的同時,極大簡化了模型。但是DistMult過于簡化,無法處理非對稱關系,于是ComplEx[11]在DistMult基礎上提高非對稱關系建模能力,通過把實體和關系映射到復數(shù)空間,利用埃爾米特乘積對非對稱關系進行建模。

    受到Word2Vec[12]中平移不變的啟發(fā),Bordes等人[13]提出TransE模型。對于每個三元組(h,r,t),TransE把尾實體向量νt看作頭實體向量νh經(jīng)過關系向量νr平移得到,希望滿足νh+νr≈νt。TransE模型參數(shù)較少、簡單有效,是知識表示學習中最為經(jīng)典的模型之一,但是無法建模復雜關系。TransH[14]在TransE的基礎上把實體向量投影到關系向量對應的超平面上,以此緩解復雜關系下的學習過度收斂問題。TransR[15]在TransH的基礎上定義了兩個投影矩陣,把實體向量投影到關系語義空間中,經(jīng)過投影的實體區(qū)分度增加,提高復雜關系建模能力。但是TransR構造的兩個投影矩陣提高了模型的計算復雜度,TransD[16]把TransR的投影矩陣分解成兩個向量,降低了模型的復雜度,并且關系和實體共同參與構造投影矩陣,模型對語義建模能力更強。

    1.2 知識圖譜問答

    知識圖譜問答的關鍵在于把用戶的自然語言問題轉化為機器可以理解的形式查詢。目前知識圖譜問答方法主要分為兩類:基于語義解析的方法和基于信息檢索的方法。

    基于語義解析的方法:把要解決的問題看作語義解析問題,即把自然語言問題轉化成語義表示,再映射成邏輯形式,在知識圖譜上進行查詢得到答案。Zhang等人[17]提出了一個基于注意力機制的模型來根據(jù)候選答案的不同側重點動態(tài)地表示問題,利用了知識圖譜的全局信息,并且一定程度上解決了未登錄詞的問題。Alvarezmelis等人[18]提出了一種改進型樹狀解碼器,使用兩個獨立的RNN分別對父-子和兄弟-兄弟節(jié)點之間的信息流建模,提供了使用RNN從自然語言查詢生成可執(zhí)行的查詢語言這一思路。Mohammed等人[19]用最基本的神經(jīng)網(wǎng)絡結構(CNN、LSTM)加上一些簡單的規(guī)則,便能在簡單問題上達到很好的性能。

    基于信息檢索的方法:先確定用戶查詢中的中心實體,然后鏈接到知識圖譜中確定相關實體得到候選答案集合,之后通過評分或者排序的方式找出最可能的答案。Yih等人[20]使用卷積神經(jīng)網(wǎng)絡解決單關系問答。通過CNN構建兩個不同的匹配模型,分別用來識別問題中出現(xiàn)的實體和匹配實體與KG中實體的相似度,相似度最高的三元組作為問題的答案,但是模型難以處理復雜的多關系情況。Hao等人[21]更關注問題的表示,提出了一種新的基于Cross-Attention的模型,根據(jù)不同的答案類型賦予問題中不同單詞的權重,這種動態(tài)表示不僅精確而且更加靈活。

    在引入知識表示學習之后,Bordes等人[2]進行了進一步的研究,僅使用少量的手工特征來學習單詞和知識的低維向量。Li等人[22]提出使用多列卷積神經(jīng)網(wǎng)絡(Multi-column CNN)從答案路徑、答案類型和答案上下文三個角度來表示問題,提取了更豐富的信息并且不依賴手工特征和規(guī)則。Huang等人[3]基于知識嵌入設計了一個簡單有效的知識圖譜問答框架(KEQA),針對簡單問題,要求模型恢復出實體和謂詞,在簡單問題方面實現(xiàn)了優(yōu)異的性能,但是模型不具有推理能力,無法處理多跳問題。Saxena等人[23]基于預訓練模型設計了EmbedKGQA模型,在多跳問題上有很好的處理能力,尤其是當知識圖譜不完整時,利用鏈接預測實現(xiàn)知識補全而不需要額外的文本數(shù)據(jù)。

    2 融合知識表示學習的雙向注意力模型

    本文結合知識表示學習和雙向注意力機制,提出了一個融合知識表示學習的雙向注意力模型(KR-BAT)用于知識圖譜問答,模型框架如圖1所示,主要包括兩個模型:(1)主題實體預測模型:預測問題中主題實體的表示;(2)雙向注意力模型:問題與實體進行交互并返回答案。圖1中紫色部分TEP(Topic Entity Prediction,TEP)即為主題實體預測模型,剩下的部分構成了雙向注意力模型(Bidirection ATtention,BAT)。在BAT中的注意力層實現(xiàn)兩個模型的有機結合,TEP模型的輸出作為BAT模型中注意力層的輸入,通過雙向注意力實現(xiàn)信息交互。TEP為三層結構的層級模型,BAT模型由四層組成,兩個模型的細節(jié)部分將在2.2節(jié)和2.3節(jié)進行詳細介紹。在介紹模型框架之前,先介紹相關概念及任務形式。

    2.1 相關概念及任務形式

    一個三元組表示為<h,r,t>,h和t分別表示頭實體(head entity)和尾實體(tail entity),r表示兩個實體間的關系。知識圖譜是由眾多三元組構成的集合,對于知識圖譜可以形式化描述為G={ }E,R,E,其中E和R分別表示所有實體和關系的集合。對于知識圖譜G,使用如TransE等知識表示學習模型可以得到關系和實體的分布式表示,一個三元組被表示為<eh,er,et>。

    知識圖譜問答任務形式定義為:給定一個知識圖譜G和一個自然語言問題q,要求根據(jù)知識圖譜正確地回答問題。

    2.2 主題實體預測模型

    知識圖譜問答首先要預測出問題中的主題實體,可以通過序列標注、語法句法解析等方法來檢測出主題實體。但是,面對用戶給出的問題可能包含未登錄實體,以及知識圖譜不完整等情況,這些方法難以檢測出主題實體。針對上述問題,構建了主題實體預測模型(TEP)。

    TEP是一個層次結構,架構如圖2所示,主要由三層構成,輸入層(Input Layer)、建模層(Modeling Layer)、輸出層(Output Layer)。輸入層中,給定一個長度為J的自然語言問題,首先把J個單詞表示成詞向量{qj},j=1,2,…,J。詞向量輸入建模層后,使用BiLSTM[24]進行建模提取語義信息,得到正向的隱層狀態(tài)序列和反向的隱層狀態(tài)序列。

    圖1 KR-BAT整體框架圖Fig.1 Overview of KR-BAT

    圖2 主題實體預測模型Fig.2 Topic entity prediction model

    正向隱層狀態(tài)可通過公式(1)~(5)得到:

    其中,fj、ij和oj分別是LSTM遺忘門、輸入門和輸出門的激活向量,Wf、Wi、Wo、Wc與bf、bi、bo、bc分別為三個門控機制與記憶細胞的權重和偏置,cj是記憶細胞狀態(tài)向量,°是對應元素乘積。正向和反向狀態(tài)拼接得到當前詞的隱層狀態(tài):。輸出層中經(jīng)過全連接層,得到token的目標向量rj,再對所有token的目標向量求平均得到主題實體表示向量:

    當給定一個自然語言問題作為輸入時,TEP目標并非判斷主題實體的位置,而是直接對主題實體的表示進行預測,使預測的表示盡可能接近該實體經(jīng)過知識表示學習得到的向量表示,注意這里是經(jīng)過知識表示學習的向量et,而非主題實體的詞向量qt。即使問題中的主題實體是未登錄實體,TEP也能給出該主題實體經(jīng)過知識表示學習后的向量,通過主題實體預測模型引入知識表示學習,得到包含知識圖譜中其他節(jié)點信息的主題實體表示,這時的實體表示是具有知識圖譜感知的主題實體(KG-aware Topic Entity)。

    2.3 雙向注意力模型

    雙向注意力模型(BAT)為圖1中TEP模型右側部分,由四層組成:輸入層(Input Layer)、問題嵌入層(Query Embedding Layer)、注意力層(Attention Layer)和輸出層(Output Layer)。

    (1)輸入層。把一個長度為J的自然語言問題中的每個詞,映射到向量空間:{qj},j=1,2,…,J,qj∈?d。這里使用Manning等人[25]提出的GloVe預訓練詞向量,GloVe是基于共現(xiàn)矩陣分解得到的表示,向量包含了全局信息。

    (2)問題嵌入層。使用一個BiLSTM對詞向量表示的問題進行建模,實現(xiàn)問題內部的信息傳遞,對BiLSTM正向和反向隱層表示進行拼接,獲得隱層表示hj∈?2d,j=1,2,…,J。

    (3)注意力層。TEP輸出預測的主題實體表示向量,與候選答案實體表示eai拼接:

    首先計算Q和E的相似度矩陣S∈?T×J:

    Sij表示第i個候選答案與問題中第j個詞的相似度,Ei為E的第i個列向量,Qj為Q的第i個列向量,α是可訓練的映射函數(shù),用于編碼輸入向量之間的相似度,本文使用的映射函數(shù)為:

    其中w(S)∈?6d,為相似度矩陣S的權重向量。然后用相似度矩陣S得到行和列兩個方向的注意力。

    ①行注意力(Row-wise Attention,RA)。行注意力如圖3所示,針對相似度矩陣的每一行計算注意力:

    圖3 行注意力Fig.3 Row-wise attention

    ai∈?J表示問題中哪個詞qj與每個答案實體ei最相關,Si為相似度矩陣的第i行。則加權后問題的每個單詞表示向量為:,加權后的整個問題編碼矩陣為。

    ②列注意力(Column-wise Attention,CA)。列注意力如圖4所示,針對相似度矩陣的每一列計算注意力,先對相似度矩陣每一行求最大值,然后對列進行歸一化得到:

    b∈?T,maxrow表示對行求最大值,加權后的實體表示向量為,重復T次得到加權后整個實體編碼矩陣,。

    圖4 列注意力Fig.4 Column-wise attention

    得到兩個方向的問題編碼和實體編碼之后,進行拼接得到問題感知的實體表示:

    (4)輸出層:輸出層以問題感知的實體表示{gi},i=1,2,…,T為輸入,輸出每個實體為答案的概率:

    使用兩層全連接層和softmax函數(shù)得到每個候選答案實體的概率,概率最大的即為預測答案,其中Wfc為全連接層的權重。

    3 實驗

    3.1 實驗數(shù)據(jù)

    本文使用開放數(shù)據(jù)集MetaQA[26]進行實驗,該數(shù)據(jù)集是WikiMovies的擴展,包含用于單跳和多跳推理的40萬多個問題,數(shù)據(jù)分為1跳、2跳和3跳,具體數(shù)量如表1所示。此外,MetaQA還提供了一個知識圖譜,該知識圖譜包含13.5萬條三元組、4.3萬個實體以及9種關系。表2展示了MetaQA中三種跳數(shù)的問題形式。

    3.2 實驗設置

    實驗使用的操作系統(tǒng)為Ubuntu16.04,GPU使用顯存為32 GB的V100,開發(fā)環(huán)境為Python3.7、Pytorch 1.7.1。

    表1 MetaQA數(shù)據(jù)集Table 1 MetaQA dataset

    表2 MetaQA數(shù)據(jù)集問題(跳數(shù)示例)Table 2 MetaQA dataset questions(hop example)

    兩個模型的具體參數(shù)設置如表3所示。其中預訓練詞向量采用GloVe,知識表示方法采用TuckER[27]。

    表3 模型參數(shù)設置Table 3 Model parameters setting

    為了加快學習速度,防止過擬合以及模型不收斂等問題,設置了EarlyStopping,其中Patience表示當模型在指定數(shù)量的epoch內沒有改進時,停止訓練。

    3.3 實驗結果及分析

    本文和以下幾種基準模型進行比較:

    (1)Bordes等人[2]基于子圖嵌入表示提出的模型,學習單詞和知識庫子圖組成的低維向量,向量用于給自然語言問題打分。

    (2)VRN[26]:提出了一種端到端的變分學習算法,讓模型能夠處理問題中的噪聲問題,同時具有多跳推理能力。

    (3)KV-MemNN[28]:提出了一種基于Key-Value Memory Network的模型,可以通過鍵-值對的形式編碼信息,并用于檢索。

    (4)GraftNet[4]:引入了知識圖譜之外的非結構化文本用于數(shù)據(jù)增強,創(chuàng)建一個特定于問題的子圖,該子圖包含文本語料庫中的KG實體、關系和句子,然后使用圖表示學習方法來回答問題。

    實驗結果(hit@1)如表4所示,其中基準模型的結果來自Zhang[26]和Saxena[23]。知識圖譜問答與機器閱讀理解相比較為簡單,因為數(shù)據(jù)都有一定的結構性并且答案一定存在于知識圖譜中,為了驗證當知識圖譜不完整時模型的性能,設計了50%KG,即以50%的概率隨機丟掉一條三元組。

    表4 實驗結果對比Table 4 Comparison of experimental results %

    表5 不同模型結果對比Table 5 Comparison of results of different models %

    對于完整的知識圖譜,KR-BAT達到了很有競爭力的結果。當問題是1跳時,五個模型的結果較為接近,KR-BAT排名第三,性能略低于VRN和GraftNet,這是因為1跳問題為簡單問題,僅用一條三元組即可回答問題,并不需要模型具有推理能力,而KR-BAT為了提高推理能力,聚焦于建模長距離信息,包含了豐富的全局信息,損失了部分局部信息。當問題是2跳時,KR-BAT性能排名第二,僅比GraftNet低0.9%,卻大幅度由于第三名VRN(4%),這是因為GraftNet進行了數(shù)據(jù)增強處理,引入文本數(shù)據(jù)來輔助問答。當問題是3跳時,KR-BAT性能優(yōu)于其他基準模型,這說明該模型具有優(yōu)異的推理能力,能夠很好地回答多跳問題。

    對于不完整的知識圖譜,KR-BAT在1跳、2跳和3跳問題上均大幅優(yōu)于其他基準模型。當知識圖譜不完整時,該任務對模型的鏈接預測能力要求很高,使用鏈接預測模型——TuckER來學習知識圖譜的知識表示,即使面對不完整的知識圖譜,也能通過模型進行知識補全,并把知識編碼到知識表示中。此外,還對比了不同知識表示學習模型對KR-BAT在不完整知識圖譜上的性能影響,結果展示在表5中。

    4 結語

    本文提出了一種融合知識表示學習的雙向注意力模型用于知識圖譜問答,其核心包括:(1)主題實體預測模型,用于融合知識表示并且對自然語言問題中的主題實體進行預測,有效解決了未登錄實體和知識圖譜不完整問題。(2)雙向注意力模型,用于建模候選答案實體和問題之間的關系,捕捉答案和問題之間的信息,分析問題中的哪些詞對于選擇答案最重要以及哪些候選答案和問題相關,進行推理并選擇答案。在MetaQA數(shù)據(jù)集上驗證模型并與基準模型對比,在完整知識圖譜中模型達到非常有競爭力的性能,在不完整知識圖譜中,模型性能大幅優(yōu)于其他基準模型。

    在未來的工作中,考慮提高模型的局部建模能力,以提高模型在簡單問題上的性能。此外,考慮將主題實體預測模型與雙向注意力模型結合為一個整體,構建端到端模型聯(lián)合訓練。

    猜你喜歡
    三元組圖譜注意力
    基于語義增強雙編碼器的方面情感三元組提取
    軟件工程(2024年12期)2024-12-28 00:00:00
    基于帶噪聲數(shù)據(jù)集的強魯棒性隱含三元組質檢算法*
    讓注意力“飛”回來
    繪一張成長圖譜
    關于余撓三元組的periodic-模
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    補腎強身片UPLC指紋圖譜
    中成藥(2017年3期)2017-05-17 06:09:01
    A Beautiful Way Of Looking At Things
    主動對接你思維的知識圖譜
    三元組輻射場的建模與仿真
    99riav亚洲国产免费| 国产亚洲欧美精品永久| 狠狠狠狠99中文字幕| av欧美777| 精品福利观看| 欧美乱码精品一区二区三区| 18禁裸乳无遮挡动漫免费视频| 久久九九热精品免费| 午夜福利,免费看| 国产精品久久久av美女十八| 日韩中文字幕欧美一区二区| 超碰成人久久| 亚洲国产欧美网| 制服人妻中文乱码| 欧美成人免费av一区二区三区 | 性色av乱码一区二区三区2| 国产精品免费一区二区三区在线 | 亚洲片人在线观看| 777久久人妻少妇嫩草av网站| 大片电影免费在线观看免费| 91国产中文字幕| 欧美日韩亚洲综合一区二区三区_| 在线天堂中文资源库| 日本五十路高清| 精品少妇一区二区三区视频日本电影| 丝袜美足系列| 在线播放国产精品三级| 国产成人av教育| a级毛片在线看网站| 90打野战视频偷拍视频| 久久精品国产清高在天天线| 午夜福利视频在线观看免费| ponron亚洲| 又紧又爽又黄一区二区| 国产视频一区二区在线看| 国产精品久久久久成人av| 十分钟在线观看高清视频www| 啪啪无遮挡十八禁网站| 欧美激情极品国产一区二区三区| 久久精品熟女亚洲av麻豆精品| 婷婷精品国产亚洲av在线 | 久久中文字幕人妻熟女| 欧美午夜高清在线| 欧美精品高潮呻吟av久久| 自线自在国产av| 色婷婷久久久亚洲欧美| 欧美精品av麻豆av| 操美女的视频在线观看| 亚洲熟女精品中文字幕| 国产精品久久视频播放| 欧美日韩亚洲综合一区二区三区_| 亚洲熟妇熟女久久| 美女午夜性视频免费| 一级a爱视频在线免费观看| 精品久久久精品久久久| 国产在线精品亚洲第一网站| 国产精品秋霞免费鲁丝片| 欧美亚洲 丝袜 人妻 在线| 国产男女超爽视频在线观看| 亚洲精品美女久久av网站| 黄色女人牲交| 丁香欧美五月| 亚洲精品在线美女| 在线观看www视频免费| 午夜激情av网站| 欧美日韩av久久| 亚洲欧美精品综合一区二区三区| 亚洲欧美激情在线| 亚洲第一青青草原| 日韩制服丝袜自拍偷拍| 老司机亚洲免费影院| 正在播放国产对白刺激| 自拍欧美九色日韩亚洲蝌蚪91| 成年女人毛片免费观看观看9 | 国产精品 欧美亚洲| 亚洲综合色网址| 高清av免费在线| 国内久久婷婷六月综合欲色啪| 国产精品欧美亚洲77777| 两人在一起打扑克的视频| 视频区图区小说| 69精品国产乱码久久久| 无人区码免费观看不卡| 美女 人体艺术 gogo| 亚洲五月婷婷丁香| 免费看十八禁软件| 人人妻人人澡人人爽人人夜夜| 免费少妇av软件| 亚洲欧美色中文字幕在线| 免费看a级黄色片| 成人国产一区最新在线观看| 18禁观看日本| 亚洲 国产 在线| 亚洲国产欧美日韩在线播放| 老司机靠b影院| 激情视频va一区二区三区| 国产一区二区三区视频了| 黄网站色视频无遮挡免费观看| 久久精品亚洲熟妇少妇任你| av不卡在线播放| 高清欧美精品videossex| 国产精品乱码一区二三区的特点 | 国产男女超爽视频在线观看| 岛国毛片在线播放| 亚洲男人天堂网一区| 色在线成人网| 亚洲片人在线观看| 国产精品免费一区二区三区在线 | а√天堂www在线а√下载 | 久久久久国产精品人妻aⅴ院 | 俄罗斯特黄特色一大片| 中文字幕另类日韩欧美亚洲嫩草| 色精品久久人妻99蜜桃| 人成视频在线观看免费观看| 啪啪无遮挡十八禁网站| 中国美女看黄片| 性色av乱码一区二区三区2| 久久国产精品大桥未久av| 国产有黄有色有爽视频| 一夜夜www| 久久久久久久久久久久大奶| 欧美在线一区亚洲| 黄色视频不卡| 91精品三级在线观看| 成人免费观看视频高清| 大香蕉久久网| 国产av精品麻豆| 久久精品91无色码中文字幕| 日韩大码丰满熟妇| 久久天躁狠狠躁夜夜2o2o| 波多野结衣一区麻豆| 成人手机av| 亚洲成a人片在线一区二区| 精品欧美一区二区三区在线| 黑人猛操日本美女一级片| 黄片播放在线免费| 亚洲在线自拍视频| 人妻丰满熟妇av一区二区三区 | 免费日韩欧美在线观看| 99国产精品一区二区三区| 黑人巨大精品欧美一区二区mp4| 中文亚洲av片在线观看爽 | 亚洲国产精品一区二区三区在线| 91国产中文字幕| 亚洲免费av在线视频| 国产成人啪精品午夜网站| 人人妻人人添人人爽欧美一区卜| 亚洲午夜理论影院| 欧美日韩精品网址| av中文乱码字幕在线| 精品国产一区二区三区四区第35| av在线播放免费不卡| 岛国毛片在线播放| 亚洲av熟女| 国产av又大| 精品无人区乱码1区二区| 久久久久国产一级毛片高清牌| 国产高清国产精品国产三级| 丁香六月欧美| 亚洲国产欧美网| av不卡在线播放| 亚洲专区字幕在线| 不卡av一区二区三区| 黄网站色视频无遮挡免费观看| 国产高清视频在线播放一区| 国产无遮挡羞羞视频在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 99re6热这里在线精品视频| 久久人妻福利社区极品人妻图片| 国产成人影院久久av| 别揉我奶头~嗯~啊~动态视频| 国产精品美女特级片免费视频播放器 | 十八禁高潮呻吟视频| 精品亚洲成国产av| 黄片小视频在线播放| 国产午夜精品久久久久久| 免费高清在线观看日韩| 在线看a的网站| 99国产精品一区二区蜜桃av | 99国产精品一区二区三区| 激情视频va一区二区三区| 久久人人97超碰香蕉20202| 色在线成人网| 久久国产精品男人的天堂亚洲| 久久久精品免费免费高清| 久久国产精品男人的天堂亚洲| av在线播放免费不卡| 啦啦啦 在线观看视频| 色94色欧美一区二区| 国产精品久久久久久人妻精品电影| av福利片在线| 精品欧美一区二区三区在线| 两个人看的免费小视频| 国产成+人综合+亚洲专区| 精品一区二区三区视频在线观看免费 | av有码第一页| 久久久国产精品麻豆| а√天堂www在线а√下载 | 9191精品国产免费久久| 侵犯人妻中文字幕一二三四区| 男人舔女人的私密视频| 国产av一区二区精品久久| 精品国产乱码久久久久久男人| 国产黄色免费在线视频| 国产成人欧美在线观看 | 天天影视国产精品| a级片在线免费高清观看视频| 女人久久www免费人成看片| 中亚洲国语对白在线视频| x7x7x7水蜜桃| 黑人欧美特级aaaaaa片| 国产精品久久久久成人av| 老汉色∧v一级毛片| 美女午夜性视频免费| 国产亚洲欧美在线一区二区| 国产成人影院久久av| 很黄的视频免费| 久久久久久久久免费视频了| 成年人午夜在线观看视频| 亚洲全国av大片| 99久久人妻综合| 黄色女人牲交| 免费女性裸体啪啪无遮挡网站| 人人妻人人澡人人看| 久久人妻av系列| 一区二区三区国产精品乱码| 欧美性长视频在线观看| 成人特级黄色片久久久久久久| 美女午夜性视频免费| 美女高潮到喷水免费观看| av网站免费在线观看视频| 日本一区二区免费在线视频| 国产日韩一区二区三区精品不卡| 亚洲专区国产一区二区| 国产真人三级小视频在线观看| 国产精品.久久久| 交换朋友夫妻互换小说| 国产精品秋霞免费鲁丝片| 亚洲情色 制服丝袜| www日本在线高清视频| 免费在线观看影片大全网站| 国产高清激情床上av| 性色av乱码一区二区三区2| 国产熟女午夜一区二区三区| 久久精品国产99精品国产亚洲性色 | 99精品在免费线老司机午夜| 国产亚洲精品久久久久久毛片 | 午夜精品在线福利| 国产精品 欧美亚洲| 久久精品亚洲熟妇少妇任你| 亚洲国产欧美日韩在线播放| 国产蜜桃级精品一区二区三区 | 亚洲 欧美一区二区三区| 97人妻天天添夜夜摸| 日韩 欧美 亚洲 中文字幕| 亚洲中文av在线| 十八禁人妻一区二区| 国产成人啪精品午夜网站| 天天躁日日躁夜夜躁夜夜| www.自偷自拍.com| 高清视频免费观看一区二区| 免费人成视频x8x8入口观看| 久久草成人影院| 淫妇啪啪啪对白视频| 老司机深夜福利视频在线观看| 久久人人97超碰香蕉20202| 91精品三级在线观看| 这个男人来自地球电影免费观看| 日本一区二区免费在线视频| www.精华液| 一边摸一边抽搐一进一出视频| tube8黄色片| 99国产综合亚洲精品| 99热网站在线观看| 美女福利国产在线| 国产99白浆流出| 欧美黄色片欧美黄色片| 久久精品91无色码中文字幕| 久久久久久亚洲精品国产蜜桃av| 国产1区2区3区精品| 国产精品久久久久久精品古装| 国产一卡二卡三卡精品| 交换朋友夫妻互换小说| 亚洲免费av在线视频| 一级毛片高清免费大全| 国产亚洲一区二区精品| 午夜福利乱码中文字幕| 久久亚洲真实| 欧美中文综合在线视频| 亚洲av成人一区二区三| ponron亚洲| 日本精品一区二区三区蜜桃| 啪啪无遮挡十八禁网站| 大片电影免费在线观看免费| 欧美精品啪啪一区二区三区| 久久人人97超碰香蕉20202| 午夜福利乱码中文字幕| 精品免费久久久久久久清纯 | 婷婷成人精品国产| 亚洲,欧美精品.| 亚洲五月婷婷丁香| 夜夜躁狠狠躁天天躁| 国产高清视频在线播放一区| 午夜福利,免费看| 欧美色视频一区免费| 人妻丰满熟妇av一区二区三区 | 午夜福利乱码中文字幕| av网站免费在线观看视频| 色综合欧美亚洲国产小说| 亚洲自偷自拍图片 自拍| 精品久久久久久,| 91av网站免费观看| 可以免费在线观看a视频的电影网站| 黑人操中国人逼视频| 国产高清视频在线播放一区| 日本精品一区二区三区蜜桃| 波多野结衣一区麻豆| 精品国内亚洲2022精品成人 | 黄片小视频在线播放| 日韩人妻精品一区2区三区| 国产人伦9x9x在线观看| 曰老女人黄片| 亚洲国产看品久久| 亚洲七黄色美女视频| 亚洲第一欧美日韩一区二区三区| 欧美日韩瑟瑟在线播放| 一区福利在线观看| 一级,二级,三级黄色视频| 欧美大码av| 亚洲精品在线美女| 国产一区二区三区综合在线观看| tocl精华| 久久 成人 亚洲| av线在线观看网站| 女性生殖器流出的白浆| 免费不卡黄色视频| 看黄色毛片网站| 午夜影院日韩av| 人成视频在线观看免费观看| 丰满人妻熟妇乱又伦精品不卡| 老司机深夜福利视频在线观看| 一区二区日韩欧美中文字幕| 最近最新免费中文字幕在线| 制服人妻中文乱码| 在线观看www视频免费| 欧美日本中文国产一区发布| av福利片在线| 丝袜美足系列| 91成人精品电影| 这个男人来自地球电影免费观看| 国产在线精品亚洲第一网站| 欧美亚洲日本最大视频资源| 亚洲av美国av| a在线观看视频网站| 欧美最黄视频在线播放免费 | 亚洲国产欧美网| 久久久国产欧美日韩av| 国产伦人伦偷精品视频| 精品久久蜜臀av无| 97人妻天天添夜夜摸| 亚洲,欧美精品.| 如日韩欧美国产精品一区二区三区| 国产精品电影一区二区三区 | 国产av又大| 精品国产乱子伦一区二区三区| 欧美亚洲日本最大视频资源| 女人久久www免费人成看片| 久久草成人影院| 手机成人av网站| 日韩欧美一区二区三区在线观看 | www.精华液| 老熟妇乱子伦视频在线观看| 精品乱码久久久久久99久播| 国产熟女午夜一区二区三区| 韩国av一区二区三区四区| 午夜福利欧美成人| 最新的欧美精品一区二区| 亚洲欧美日韩高清在线视频| 中文字幕制服av| 国产有黄有色有爽视频| 黑人猛操日本美女一级片| 不卡一级毛片| 国产一区二区激情短视频| 久久精品国产99精品国产亚洲性色 | 欧美精品亚洲一区二区| 国产淫语在线视频| 欧美亚洲 丝袜 人妻 在线| 精品国内亚洲2022精品成人 | 捣出白浆h1v1| 激情在线观看视频在线高清 | 少妇的丰满在线观看| 精品福利观看| 天堂√8在线中文| 成熟少妇高潮喷水视频| 国产99白浆流出| 国产av精品麻豆| 国产高清videossex| 成人av一区二区三区在线看| 国产有黄有色有爽视频| 色综合欧美亚洲国产小说| 日本黄色视频三级网站网址 | 精品国产乱子伦一区二区三区| 亚洲少妇的诱惑av| 最新的欧美精品一区二区| 啦啦啦视频在线资源免费观看| 欧美av亚洲av综合av国产av| a在线观看视频网站| 成人精品一区二区免费| 黄色女人牲交| 国产亚洲欧美98| 国产无遮挡羞羞视频在线观看| 亚洲性夜色夜夜综合| 亚洲第一欧美日韩一区二区三区| 麻豆乱淫一区二区| 亚洲人成77777在线视频| 老司机午夜福利在线观看视频| 麻豆乱淫一区二区| 精品久久久久久久毛片微露脸| 欧洲精品卡2卡3卡4卡5卡区| 国产精品综合久久久久久久免费 | 精品久久久久久久久久免费视频 | 国产亚洲精品一区二区www | 亚洲精品国产一区二区精华液| 中文字幕制服av| 母亲3免费完整高清在线观看| 人妻丰满熟妇av一区二区三区 | 日韩三级视频一区二区三区| 大码成人一级视频| 亚洲精品一卡2卡三卡4卡5卡| 国产欧美日韩精品亚洲av| 自拍欧美九色日韩亚洲蝌蚪91| 丰满饥渴人妻一区二区三| 少妇裸体淫交视频免费看高清 | 黄色成人免费大全| 国产午夜精品久久久久久| 可以免费在线观看a视频的电影网站| 久久婷婷成人综合色麻豆| 国产欧美日韩一区二区三| 精品国产一区二区三区久久久樱花| 国产精品免费大片| 99久久人妻综合| 国产黄色免费在线视频| 9191精品国产免费久久| 一进一出好大好爽视频| 精品国产一区二区久久| 国产精品亚洲一级av第二区| 大陆偷拍与自拍| 成人18禁高潮啪啪吃奶动态图| 成人国产一区最新在线观看| 51午夜福利影视在线观看| 99精品在免费线老司机午夜| 久久狼人影院| 亚洲色图 男人天堂 中文字幕| 亚洲一区二区三区不卡视频| 天堂动漫精品| 可以免费在线观看a视频的电影网站| 999精品在线视频| 日本a在线网址| 日日夜夜操网爽| 99热只有精品国产| 国产精品免费大片| 日本五十路高清| 99香蕉大伊视频| 女同久久另类99精品国产91| 亚洲国产精品一区二区三区在线| 色综合婷婷激情| 久久久精品免费免费高清| 三级毛片av免费| 黄网站色视频无遮挡免费观看| 亚洲av第一区精品v没综合| av国产精品久久久久影院| 国产欧美日韩一区二区三| 国产区一区二久久| 悠悠久久av| 国产黄色免费在线视频| 在线观看舔阴道视频| 美女高潮喷水抽搐中文字幕| 校园春色视频在线观看| 久久精品国产a三级三级三级| 国产精品偷伦视频观看了| 又黄又爽又免费观看的视频| 在线天堂中文资源库| 老司机福利观看| 大型黄色视频在线免费观看| 亚洲精华国产精华精| 欧美人与性动交α欧美软件| 亚洲精品粉嫩美女一区| 国产精品一区二区在线不卡| 国产真人三级小视频在线观看| 一级作爱视频免费观看| 日韩中文字幕欧美一区二区| 69av精品久久久久久| 9191精品国产免费久久| 18禁国产床啪视频网站| av片东京热男人的天堂| 精品一区二区三区视频在线观看免费 | 亚洲欧美日韩高清在线视频| 国产精品久久久人人做人人爽| 国产97色在线日韩免费| 伊人久久大香线蕉亚洲五| 久久精品成人免费网站| 欧美日韩瑟瑟在线播放| 极品教师在线免费播放| 国产成人av激情在线播放| av在线播放免费不卡| 久久久久久亚洲精品国产蜜桃av| 自线自在国产av| 欧美乱妇无乱码| 少妇 在线观看| 男女免费视频国产| 亚洲成人手机| 99热只有精品国产| 国产成人啪精品午夜网站| 国产男靠女视频免费网站| 又大又爽又粗| 老司机亚洲免费影院| 人人妻人人澡人人爽人人夜夜| 一级毛片女人18水好多| 黄色女人牲交| 欧美另类亚洲清纯唯美| 国产一区有黄有色的免费视频| 99久久国产精品久久久| 亚洲精品中文字幕在线视频| 国产精华一区二区三区| 日本精品一区二区三区蜜桃| 欧美一级毛片孕妇| av线在线观看网站| 99热国产这里只有精品6| 999久久久精品免费观看国产| 18禁裸乳无遮挡免费网站照片 | 黑人猛操日本美女一级片| 日韩精品免费视频一区二区三区| 国产成人免费观看mmmm| 日韩免费av在线播放| 成年人黄色毛片网站| 国产精品亚洲一级av第二区| a级毛片在线看网站| 亚洲欧美精品综合一区二区三区| 亚洲七黄色美女视频| 午夜91福利影院| 国产成人精品在线电影| 看片在线看免费视频| 久久久水蜜桃国产精品网| xxxhd国产人妻xxx| 天堂动漫精品| 9色porny在线观看| 国产高清激情床上av| √禁漫天堂资源中文www| 精品视频人人做人人爽| 成熟少妇高潮喷水视频| 免费少妇av软件| 亚洲成a人片在线一区二区| 国产深夜福利视频在线观看| 国产极品粉嫩免费观看在线| 动漫黄色视频在线观看| 国产精品偷伦视频观看了| 激情视频va一区二区三区| 嫁个100分男人电影在线观看| 亚洲五月色婷婷综合| 久久天躁狠狠躁夜夜2o2o| 一边摸一边抽搐一进一出视频| 最近最新中文字幕大全免费视频| 国产亚洲精品一区二区www | 久久热在线av| 精品乱码久久久久久99久播| 久久国产精品人妻蜜桃| 欧美激情 高清一区二区三区| 亚洲欧洲精品一区二区精品久久久| 少妇被粗大的猛进出69影院| 在线播放国产精品三级| 另类亚洲欧美激情| 亚洲欧洲精品一区二区精品久久久| 热99久久久久精品小说推荐| 最近最新中文字幕大全电影3 | www.自偷自拍.com| 国产欧美日韩综合在线一区二区| 亚洲精品国产区一区二| 成人黄色视频免费在线看| 黄色 视频免费看| 久久香蕉激情| 成人av一区二区三区在线看| 黄色片一级片一级黄色片| www.自偷自拍.com| 久久久精品国产亚洲av高清涩受| av天堂在线播放| av片东京热男人的天堂| 国产男靠女视频免费网站| 免费不卡黄色视频| 国产一区有黄有色的免费视频| 狂野欧美激情性xxxx| 巨乳人妻的诱惑在线观看| 欧美另类亚洲清纯唯美| 热99久久久久精品小说推荐| 最新美女视频免费是黄的| 欧美黑人欧美精品刺激| 精品国内亚洲2022精品成人 | 高清毛片免费观看视频网站 | 国产激情欧美一区二区| 90打野战视频偷拍视频| netflix在线观看网站| 欧美日韩乱码在线| 欧美日韩精品网址| 一边摸一边抽搐一进一小说 | 18禁裸乳无遮挡免费网站照片 | 亚洲欧美一区二区三区久久| 国产亚洲精品久久久久5区| a级毛片黄视频| 99riav亚洲国产免费| 亚洲精品国产区一区二| 精品熟女少妇八av免费久了| 国产欧美日韩一区二区三区在线| 免费在线观看亚洲国产| 久久久国产欧美日韩av| 欧洲精品卡2卡3卡4卡5卡区| 国产91精品成人一区二区三区|