• <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 ?

    基于多任務學習的微博謠言檢測方法

    2021-12-21 13:52:40沈瑞琳潘偉民尹鵬博
    計算機工程與應用 2021年24期
    關鍵詞:多任務謠言神經(jīng)網(wǎng)絡

    沈瑞琳,潘偉民,彭 成,尹鵬博

    新疆師范大學 計算機科學技術學院,烏魯木齊830054

    新浪微博的廣泛應用,使信息的傳播和共享更加的快捷。大量的微博用戶隨時隨地地發(fā)表自己對各種信息的看法,這些信息借助關注者的轉(zhuǎn)發(fā),在整個社交網(wǎng)絡中傳播,其中不乏有謠言信息。謠言信息的廣泛傳播給人們的日常生活和社交網(wǎng)絡的健康發(fā)展都造成了不利影響。因此,研究如何自動有效地檢測謠言具有非常重要的意義。

    研究表明[1-4],當一條謠言信息被發(fā)表之后,其他用戶在轉(zhuǎn)發(fā)或者評論該信息時,常伴隨著負面的情感,例如懷疑、焦慮、憂愁、忐忑、恐懼、驚慌等,相比于非謠言博文,謠言博文伴隨的負面情感色彩更濃厚[1]。因此情感傾向作為謠言檢測的一個重要特征,對于準確識別謠言有非常大的幫助。

    目前,謠言檢測主要采用基于傳統(tǒng)機器學習和深度神經(jīng)網(wǎng)絡的方法,不僅研究了如何構(gòu)建高效的神經(jīng)網(wǎng)絡模型,還研究了很多方面的特征,例如謠言的文本特征、情感特征[2]或發(fā)表者的相關特征等。

    雖然基于深度神經(jīng)網(wǎng)絡的方法已經(jīng)在微博謠言檢測任務上取得了很大的進步。但是,采用基于受監(jiān)督的單任務目標來訓練模型面臨著帶標簽數(shù)據(jù)不足的問題。對此,鑒于謠言與情感傾向的強關聯(lián)性,本文采用多任務學習(Multi Task Learning,MTL)框架來共同學習謠言檢測和情感分析兩個相關任務,由于涉及多個任務的數(shù)據(jù)集,增加了謠言檢測模型學習的數(shù)據(jù)量,解決了帶標簽數(shù)據(jù)不足的問題,并降低了單任務學習中的過度擬合程度。本文設計了一種基于BERT(Bidirectional Encoder Representations from Transformers)和雙向門控循環(huán)單元(Gated Recurrent Unit,GRU)的聯(lián)合神經(jīng)網(wǎng)絡對謠言檢測數(shù)據(jù)和情感分析數(shù)據(jù)進行建模,包含謠言檢測層和共享層,通過聯(lián)合訓練,獲取任務之間的共享特征,通過謠言檢測層獲取謠言檢測任務的獨有特征,利用共享特征輔助謠言檢測任務,提升模型的學習能力。

    1 相關工作

    1.1 謠言檢測

    謠言自動檢測一直是自然語言處理領域(Natural Language Processing,NLP)的研究熱點。根據(jù)研究方法的區(qū)別,可以將其分為兩類,分別是基于傳統(tǒng)機器學習的方法和基于深度神經(jīng)網(wǎng)絡的方法。

    (1)基于傳統(tǒng)機器學習的方法

    相比于國內(nèi)的微博平臺,國外的Twitter平臺對謠言檢測的時間更早。Castillo等人[5]在2011年針對Twitter平臺,打破了人工檢測的制約,首次提出自動檢測博文信息是否可信的方法,開啟了謠言自動檢測的先河。2012年,Yang等人[6]首次提出面向新浪微博的自動謠言檢測方法,該方法根據(jù)微博平臺提供的信息提取了19個特征,然后利用SVM分類器對微博信息進行分類。隨后,研究者在此基礎上展開了進一步的研究[7-11],通過尋找事件相關信息中的情感極性、質(zhì)疑更正信號、用戶影響力、地理位置信息、傳播結(jié)構(gòu)的相似性等特征提高模型的檢測效果。但是,基于傳統(tǒng)機器學習的方法需要人工構(gòu)建特征,不僅消耗大量的人力、物力和時間,模型的魯棒性也不強。

    (2)基于深度神經(jīng)網(wǎng)絡的方法

    為避免人工構(gòu)造特征,研究者提出了基于深度學習的方法。Ma等人[12]采用循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network,RNN),通過學習微博事件的連續(xù)信息來捕獲信息隨時間變化的特征,實驗結(jié)果表明該方法優(yōu)于使用手工制造特征的謠言檢測模型。隨著卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)在圖像處理領域取得的成功,Yu等人[13]提出了一種基于卷積神經(jīng)網(wǎng)絡的謠言檢測方法,該方法根據(jù)謠言信息和非謠言信息的分布特點,對事件進行分組,進而獲取輸入信息的全局特征和分布在每個輸入序列的關鍵特征。單一模型對特征的提取總是存在局限,對此研究中提出了聯(lián)合神經(jīng)網(wǎng)絡模型,尹鵬博等人[14]提出了一種基于用戶特征分析的微博謠言早期檢測方法,通過對用戶歷史微博進行情感分析得到用戶的發(fā)文行為特征,結(jié)合用戶屬性和微博文本,采用CNN和長短期記憶神經(jīng)網(wǎng)絡(Long Short-Term Memory,LSTM)聯(lián)合模型提取特征進行謠言檢測。相比LSTM神經(jīng)網(wǎng)絡,GRU的參數(shù)更少,李力釗等人[15]提出一種將CNN和GRU聯(lián)合的微博謠言檢測模型,該方法利用CNN捕獲微博信息的局部特征,利用GRU捕獲微博信息的上下文特征,從而得到全局特征。

    目前,微博謠言檢測領域的帶標簽數(shù)據(jù)尚不充足,采用深度神經(jīng)網(wǎng)絡模型容易導致模型過擬合。對此,一些研究者提出了無監(jiān)督的方法[16-17],但是,無監(jiān)督模型存在穩(wěn)定性差的問題。

    1.2 多任務學習

    MTL早在1997年就已經(jīng)被提出,在NLP任務中能夠顯著改進實驗結(jié)果。例如,Liu等人[18]提出了三種基于RNN的共享信息模型,第一個模型對所有任務使用一個共享層,第二個模型對不同的任務使用不同的網(wǎng)絡層,但是每一層都可以從其他層獲取信息,第三個模型為每個任務分配一個特定的網(wǎng)絡層,同時為所有任務建立一個共享層。實驗結(jié)果表明,模型三的效果最好,該模型通過將多個任務聯(lián)合起來訓練,解決了帶標簽數(shù)據(jù)少的問題。在此基礎上,Ma等人[19]對模型三進行了改進,采用GRU作為共享層和任務特定層,提出了一個將謠言檢測和姿態(tài)分類這兩個高度相關的任務結(jié)合起來的聯(lián)合框架,通過權值共享的方法對兩個任務進行聯(lián)合訓練,提取出多個任務的共同特征,同時每個任務仍然可以學習其任務的特定特征,該方法使兩個任務都獲得了比基線方法更好的效果。

    在謠言檢測工作中,研究者指出情感特征對謠言檢測的重要性[1-4]。如首歡容等人[3]指出網(wǎng)絡謠言具有語言風格夸張、情感特征異常的特點,對此提出了一種基于情感分析技術的謠言檢測方法,通過基于情感詞典的情感分析方法,判定低質(zhì)量信息源提供的信息是否屬于謠言。李巍胤[4]指出謠言信息中包含的負面情緒遠超出非謠言信息中所包含的負面情緒,將情感極性特征作為識別謠言的一個重要特征,提取評論和轉(zhuǎn)發(fā)信息中的情感特征,加入到微博謠言識別的特征屬性之中,訓練謠言檢測分類器。

    以往的謠言檢測研究中都有一個共同的不足,即都是單任務學習,只涉及謠言檢測這一個任務。單任務學習對數(shù)據(jù)集中包含的信息利用并不充分,現(xiàn)有的微博謠言檢測任務僅有少量的帶標簽數(shù)據(jù),在基于深度神經(jīng)網(wǎng)絡的模型中數(shù)據(jù)集較少時容易出現(xiàn)過擬合的現(xiàn)象。對此,本文采用MTL的方法,通過將微博謠言檢測任務和情感分析任務之間的信息共享解決微博謠言檢測任務帶標簽數(shù)據(jù)少的問題。

    2 基于多任務學習謠言檢測模型的構(gòu)建

    MTL將多個相關任務放在一個神經(jīng)網(wǎng)絡中并行學習,一般分為一個主要任務和若干個輔助任務,通過隱層利用不同任務之間的相似性來輔助決策。本文中微博謠言檢測為主任務,情感分析為輔助任務。

    考慮到謠言檢測和情感分析既有相關聯(lián)的共同特征,又有各自獨有的特征,比如負向情感和判斷為是謠言信息具有共同的特征,但是情感分析更加注重情感傾向性,而謠言檢測更加注重信息的真?zhèn)涡浴Υ?,本文模型既包含共享隱層又包含獨立于特定任務的網(wǎng)絡層,由嵌入層、謠言檢測層、共享層、分類器四部分組成,如圖1所示。

    圖1 基于BERT-BiGRU的多任務微博謠言檢測模型Fig.1 Multi-task Weibo rumor detection model based on BERT-BiGRU

    利用World2vec對數(shù)據(jù)進行向量化,將謠言檢測數(shù)據(jù)和情感分析數(shù)據(jù)分別輸入到各自的嵌入層,然后由謠言檢測層捕獲任務特有的數(shù)據(jù)特征,此外,還要將多個任務的數(shù)據(jù)輸入到共享層,捕獲多個任務之間的共同特征,將共同特征作為謠言檢測任務的補充信息,提高謠言檢測的效果。

    (1)共享層

    BBiGM的成功之處就是可以通過共享層共享多個任務之間的共同特征,充分利用任務之間的互補性及語料數(shù)據(jù)信息,進而提高微博謠言檢測任務的預測性能。在這一層提取的共同特征,將作為微博謠言檢測任務的輸入之一。

    共享層采用預訓練語言模型BERT。BERT通過自注意力機制建模,可以直接獲取文本的全局信息,由于其沒有遺忘門機制,所有詞的信息都得以保留,因此BERT能夠更好地表達句子的完整語義信息,同時也能從全局的詞特征中直接尋找詞與詞之間的相關性特征。因此,采用BERT模型能夠捕獲多個任務之間更多的共享信息。

    (2)謠言檢測層

    謠言檢測層采用BiGRU模型,用于獲取微博謠言檢測數(shù)據(jù)的特有特征。該部分包含兩個來源的輸入,微博數(shù)據(jù)嵌入層的輸出和共享層輸出的共享特征,將兩者進行融合相當于給微博謠言檢測增加了更多判斷信息。BiGRU是由兩個方向相反的GRU單元共同組成的,輸出狀態(tài)由兩個GRU共同決定的雙向網(wǎng)絡結(jié)構(gòu)。GRU與LSTM類似,都是RNN的衍生神經(jīng)網(wǎng)絡結(jié)構(gòu),在單向的網(wǎng)絡結(jié)構(gòu)中,數(shù)據(jù)總是單向順序地從前向后傳遞[8]。如果狀態(tài)能夠由前一時刻和后一時刻共同傳遞,將更有助于對文本深層次的特征進行提取。BiGRU的結(jié)構(gòu)如圖2所示。

    圖2 BiGRU神經(jīng)網(wǎng)絡模型Fig.2 BiGRU neural network model

    由于BiGRU可以看做是由兩個反向的GRU組成,因此在t時刻的隱層狀態(tài)是由前向隱層狀態(tài)hft-1和反向隱層狀態(tài)ht-1共同決定的:

    GRU()代表輸入詞向量的非線性變換,通過GRU()函數(shù)得到詞向量編碼對應的隱層狀態(tài),wt代表t時刻所對應的前向隱層狀態(tài)hft所對應的權重,vt表示t時刻所對應的反向隱層狀態(tài)hrt所對應的權重,bt代表t時刻隱層狀態(tài)所對應的偏置。

    (3)分類器

    將共享層和特定任務層融合后的特征輸入到softmax層,采用線性修正單元函數(shù)(Rectified Linear Units,ReLU)作為激活函數(shù)。輸出對一個事件是否為謠言的檢測結(jié)果。謠言檢測任務的分類過程可以定義為:

    其中,yr代表謠言檢測任務的預測概率;Wr代表需要學習的權重;hr是謠言檢測任務特定層的最終輸出;br是偏置項。

    3 實驗分析

    3.1 實驗平臺及環(huán)境

    本研究采用Pycharm作為編程IDE,BBiGM聯(lián)合神經(jīng)網(wǎng)絡模型基于Tensorflow 2.0實現(xiàn),編程語言為Python 3.6。

    采用操作系統(tǒng)為Windows10 64位、內(nèi)存為16 GB、CPU為i7-8750H、處理器為Intel?CoreTMi7-8750H CPU@2.20 GHz 2.21 GHz的計算機作為實驗硬件環(huán)境。

    3.2 數(shù)據(jù)集

    在MTL中,多個任務之間的相關性越強,對任務的輔助作用越大,因此,本文的兩個任務都采用微博相關的數(shù)據(jù)集。

    微博謠言檢測采用Ma等人公開的數(shù)據(jù)集,該數(shù)據(jù)集被認為是目前最權威的微博謠言檢測數(shù)據(jù)集,由事件及與事件相關的評論轉(zhuǎn)發(fā)等信息構(gòu)成。謠言事件和非謠言事件比例約是1∶1,其中謠言事件2 313個,非謠言事件2 351個。本文將數(shù)據(jù)分為驗證集、訓練集和測試集三部分,其中10%的事件為驗證集,其余數(shù)據(jù)按照3∶1的比例分割用于訓練集和測試集。

    情感分析采用公開的新浪微博評論語料(weibo_senti_100k)數(shù)據(jù)集。數(shù)據(jù)集含10萬條帶傾向性標注的數(shù)據(jù),其中正負評論各約5萬條,1表示正向評論,0表示負向評論。

    3.3 數(shù)據(jù)預處理

    為了提高數(shù)據(jù)的質(zhì)量,對微博謠言檢測任務數(shù)據(jù)和情感分析任務數(shù)據(jù)進行了去噪處理。利用正則表達式去除了數(shù)據(jù)中的@符號、@的內(nèi)容、空格、空行、URL信息等。本文中并沒有去掉表情符號,因為如今表情符號已經(jīng)成為人們在網(wǎng)絡平臺表達自己想法的一種重要形式,深度神經(jīng)網(wǎng)絡也可以根據(jù)表情符號挖掘深層情感特征,因此,這里保留了文本中的表情符號。

    3.4 學習率微調(diào)

    由于模型中將共享層提取的特征用于共享,因此可以將該層針對微博謠言檢測任務進行微調(diào),對于是否進行微調(diào)本文設計了相關實驗,結(jié)果如表1所示。進行微調(diào)比不進行微調(diào)的準確率高出了0.8個百分點。因此,本文選擇微調(diào)后的模型進行謠言檢測。其中,before對應的是模型微調(diào)前的結(jié)果,after對應的是模型微調(diào)后的結(jié)果。

    表1 模型微調(diào)前后的實驗結(jié)果對比Table 1 Comparison of experimental results before and after model fine-tuning

    學習率的最優(yōu)值可以通過學習率選擇實驗確定,本文分別在15組數(shù)據(jù)上進行實驗,實驗結(jié)果如圖3所示。

    圖3 準確率與微調(diào)學習率的關系Fig.3 Relationship between accuracy and fine-tuning learning rate

    通過圖3的實驗結(jié)果可知,當微調(diào)學習率為0.000 8時,得到的準確率最高。

    3.5 多任務學習與單任務學習實驗對比

    為了探究多任務學習模型是否比單任務學習更有效,以及情感分析任務是否對謠言檢測有幫助。本文設計了單任務學習與多任務學習的對比實驗,以本文設計的多任務學習模型為基礎設計單任務學習模型,將BBiGM模型中的情感分析嵌入層去掉,將向量化后的微博謠言檢測數(shù)據(jù)分別輸入到謠言檢測層和共享層,將兩個神經(jīng)網(wǎng)絡輸出的最終狀態(tài)進行融合,然后再通過Softmax層進行分類。實驗結(jié)果對比如表2所示。其中S-task表示單任務學習(Single-task),M-task表示多任務學習(Multi-task)。

    表2 單任務與多任務實驗結(jié)果對比Table 2 Comparison of single-task and multi-task experimental results

    從表2的結(jié)果可以看出多任務學習比單任務學習的準確率高出了1.7個百分點,證明了多任務學習比單任務學習效果更好。

    3.6 與基線模型的實驗對比

    為了驗證本文方法的有效性,選取了目前較好的模型作為基線模型進行對比實驗,分別是DT-Rank[5]、DTC[8]、SVM-TS[10]、GRU、GRU-2[12]、C-LSTM[14]。本文將BBiGM模型的實驗結(jié)果與上述線模型進行對比,如表3所示。

    表3 展示了本文模型與各基線模型的對比結(jié)果,基線模型中包含傳統(tǒng)機器學習方法和傳統(tǒng)深度學習方法,其中,DT-Rank、DTC、SVM-TS是傳統(tǒng)機器學習模型,GRU、GRU-2、C-LSTM是深度學習模型。

    表3 BBiGM模型與各基線模型的實驗結(jié)果對比Table 3 Comparison of experimental results between BBiGM model and each baseline model

    在基于傳統(tǒng)機器學習的方法中,SVM-TS的效果最優(yōu),準確率達到了85.7%,由于深度學習模型可以提取數(shù)據(jù)的更多隱層特征,因此基于深度學習方法的結(jié)果普遍優(yōu)于基于傳統(tǒng)機器學習的方法。在基于深度學習的方法中,C-LSTM模型的效果最優(yōu),準確率達到了91.7%,這是由于雙層網(wǎng)絡結(jié)構(gòu)有助于獲取更深層的特征信息,C-LSTM模型在雙層神經(jīng)網(wǎng)絡的基礎上將CNN提取局部特征的優(yōu)勢和LSTM提取全局特征的優(yōu)勢相結(jié)合,有利于全局特征的提取。與各基線模型相比,BBiGM模型在準確率、精確率和F1值上都表現(xiàn)出最優(yōu)的結(jié)果,其中準確率達到了95.8%,這是優(yōu)于單任務深度學習方法存在帶標簽數(shù)據(jù)少的問題,而且單任務學習對現(xiàn)有數(shù)據(jù)的利用并不充分。BBiGM模型利用情感分析任務輔助謠言檢測,不僅隱形地增加了謠言檢測的數(shù)據(jù)集,還融入了情感特征。此外,BERT模型的深層網(wǎng)絡結(jié)構(gòu)有助于挖掘更多的多個任務之間的關聯(lián)特征,雙向的GRU結(jié)構(gòu)有助于獲取謠言檢測數(shù)據(jù)的全面特定。因此,本文提出的BBiGM模型比基線模型學習效果更佳。

    3.7 輔助任務的數(shù)據(jù)量對主任務的影響

    為了探究多任務學習中相關輔助任務的數(shù)據(jù)量對主任務的影響,本文用不同數(shù)據(jù)量的微博情感分析數(shù)據(jù)對模型進行訓練。按照有放回的采樣方法隨機抽取微博情感分析數(shù)據(jù)中的1萬條、2萬條……10萬條數(shù)據(jù)對模型進行訓練,每次訓練都是從模型的原始狀態(tài)開始。觀察10組數(shù)據(jù)對微博謠言檢測任務學習效果的影響,選取準確率作為參照指標,實驗對比結(jié)果如圖4所示。

    圖4 準確率與輔助任務數(shù)據(jù)量的關系Fig.4 Relationship between accuracy and auxiliary task data volume

    圖4 表明,隨著輔助任務數(shù)據(jù)量的增長,主任務的準確率也在提高。這是由于共享層采用BERT模型,包含12層的transfermer,在這種深層網(wǎng)絡結(jié)構(gòu)中,數(shù)據(jù)量是支撐模型獲取深層特征的重要因素,因此隨著輔助任務數(shù)據(jù)量的增加,共享層可以獲取越來越多的共同特征。同樣的,BiGRU作為模型中的任務特定層,更多的數(shù)據(jù)對于獲取謠言檢測任務中的深層特征也非常必要。但是,當輔助任務的量增加到一定程度時,準確率的增長速度趨于平緩,說明本文模型僅需一定量的帶標簽輔助數(shù)據(jù)集就可以達到較好的學習效果。

    4 總結(jié)及展望

    本文所提出的基于多任務學習的微博謠言檢測方法,通過將微博謠言檢測任務和相關任務進行聯(lián)合學習,有效利用了相關領域的數(shù)據(jù),解決了深度學習中帶標簽數(shù)據(jù)少的問題,提高了謠言檢測的效果。實驗研究表明了基于多任務學習方法的可行性和有效性。本文方法的輔助任務需要與微博謠言檢測任務有較強的相關性,否則檢測效果不太理想。為實現(xiàn)對謠言的有效檢測,還需進一步探究模型算法,以提高模型的泛化能力,減少模型對數(shù)據(jù)相關性的依賴。

    猜你喜歡
    多任務謠言神經(jīng)網(wǎng)絡
    中國使館駁斥荒謬謠言
    神經(jīng)網(wǎng)絡抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    基于中心化自動加權多任務學習的早期輕度認知障礙診斷
    當謠言不攻自破之時
    謠言
    基于判別性局部聯(lián)合稀疏模型的多任務跟蹤
    自動化學報(2016年3期)2016-08-23 12:02:56
    基于多任務異步處理的電力系統(tǒng)序網(wǎng)絡拓撲分析
    電測與儀表(2016年5期)2016-04-22 01:13:46
    謠言大揭秘
    學生天地(2016年32期)2016-04-16 05:16:19
    基于神經(jīng)網(wǎng)絡的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復數(shù)神經(jīng)網(wǎng)絡在基于WiFi的室內(nèi)LBS應用
    久久久久网色| 欧美黄色片欧美黄色片| 大话2 男鬼变身卡| 少妇人妻久久综合中文| 91在线精品国自产拍蜜月| 欧美成人午夜精品| 午夜免费男女啪啪视频观看| 男女下面插进去视频免费观看| 91国产中文字幕| 国产精品三级大全| 国产黄色视频一区二区在线观看| 精品国产一区二区三区四区第35| 日本免费在线观看一区| 亚洲一级一片aⅴ在线观看| 日本爱情动作片www.在线观看| 侵犯人妻中文字幕一二三四区| 999久久久国产精品视频| 深夜精品福利| 18在线观看网站| 国产激情久久老熟女| 精品国产国语对白av| 老汉色∧v一级毛片| 亚洲人成网站在线观看播放| 亚洲一区二区三区欧美精品| 制服人妻中文乱码| 亚洲欧美精品综合一区二区三区 | 捣出白浆h1v1| 国产极品天堂在线| 男女国产视频网站| 欧美日韩av久久| 国产 精品1| 欧美国产精品va在线观看不卡| 啦啦啦在线免费观看视频4| 天堂8中文在线网| 国产1区2区3区精品| 91在线精品国自产拍蜜月| a级毛片黄视频| 三上悠亚av全集在线观看| 午夜福利一区二区在线看| 美女高潮到喷水免费观看| 欧美日韩一区二区视频在线观看视频在线| 日韩人妻精品一区2区三区| 免费播放大片免费观看视频在线观看| 97在线视频观看| 毛片一级片免费看久久久久| 五月天丁香电影| 妹子高潮喷水视频| 高清在线视频一区二区三区| 1024香蕉在线观看| 国产午夜精品一二区理论片| 黄色一级大片看看| 午夜日本视频在线| 成人国语在线视频| 天堂8中文在线网| 中文字幕精品免费在线观看视频| 老司机亚洲免费影院| 热re99久久精品国产66热6| 欧美精品高潮呻吟av久久| 亚洲成av片中文字幕在线观看 | 日韩不卡一区二区三区视频在线| 久久久国产一区二区| 日本av手机在线免费观看| 又黄又粗又硬又大视频| 久热久热在线精品观看| 巨乳人妻的诱惑在线观看| 久久国产精品大桥未久av| 午夜福利网站1000一区二区三区| 婷婷色麻豆天堂久久| 亚洲欧美成人综合另类久久久| 亚洲内射少妇av| 日韩成人av中文字幕在线观看| 天天躁日日躁夜夜躁夜夜| 999精品在线视频| 欧美97在线视频| 美女高潮到喷水免费观看| 一级片免费观看大全| 精品一区二区三区四区五区乱码 | 超碰97精品在线观看| 欧美精品高潮呻吟av久久| 少妇的逼水好多| 免费观看av网站的网址| 午夜av观看不卡| 精品一区在线观看国产| 色播在线永久视频| 欧美成人午夜精品| 久久这里有精品视频免费| 中文字幕人妻丝袜制服| 精品国产乱码久久久久久小说| 青青草视频在线视频观看| 午夜老司机福利剧场| 日韩中文字幕欧美一区二区 | 久久99热这里只频精品6学生| 最近手机中文字幕大全| 国产乱来视频区| 99久久人妻综合| 国产免费又黄又爽又色| 性高湖久久久久久久久免费观看| 街头女战士在线观看网站| 国产亚洲欧美精品永久| 天天躁日日躁夜夜躁夜夜| 久久精品久久久久久久性| 亚洲av电影在线进入| 久热这里只有精品99| 中文字幕人妻丝袜制服| 极品人妻少妇av视频| 日日摸夜夜添夜夜爱| 晚上一个人看的免费电影| 日韩电影二区| 免费观看av网站的网址| 国产成人免费观看mmmm| 国产1区2区3区精品| 飞空精品影院首页| 亚洲视频免费观看视频| 伊人亚洲综合成人网| 国产免费福利视频在线观看| 成人手机av| 日韩制服骚丝袜av| 亚洲国产av影院在线观看| 午夜久久久在线观看| av在线播放精品| 丰满饥渴人妻一区二区三| tube8黄色片| 久久久久久久久久人人人人人人| 91aial.com中文字幕在线观看| 日韩三级伦理在线观看| 制服人妻中文乱码| a级毛片黄视频| 欧美日韩亚洲高清精品| 精品一区二区三卡| 亚洲在久久综合| 中文字幕人妻丝袜制服| 欧美日韩一级在线毛片| 亚洲精品一区蜜桃| 这个男人来自地球电影免费观看 | 国产一区二区三区av在线| 捣出白浆h1v1| 午夜福利在线免费观看网站| 国产精品成人在线| 美女国产视频在线观看| 大片电影免费在线观看免费| 嫩草影院入口| 久久久久久久国产电影| 日本欧美视频一区| 亚洲,欧美,日韩| 大陆偷拍与自拍| 日本午夜av视频| 黄片无遮挡物在线观看| 大片电影免费在线观看免费| 免费在线观看视频国产中文字幕亚洲 | 国产精品一区二区在线不卡| 日本欧美国产在线视频| 老女人水多毛片| 亚洲成av片中文字幕在线观看 | 中文字幕最新亚洲高清| 最近2019中文字幕mv第一页| av在线老鸭窝| 午夜福利在线免费观看网站| 免费在线观看黄色视频的| 啦啦啦在线免费观看视频4| 久久人人爽人人片av| 另类亚洲欧美激情| 中文欧美无线码| 伦理电影免费视频| 午夜激情av网站| 久久婷婷青草| 成年美女黄网站色视频大全免费| 久久精品亚洲av国产电影网| 国产成人av激情在线播放| 中文字幕精品免费在线观看视频| 国产亚洲一区二区精品| 深夜精品福利| 午夜福利网站1000一区二区三区| 日韩制服骚丝袜av| 国精品久久久久久国模美| av电影中文网址| 999精品在线视频| 国产精品久久久久成人av| 2022亚洲国产成人精品| 欧美激情 高清一区二区三区| av一本久久久久| 高清视频免费观看一区二区| videosex国产| 黑丝袜美女国产一区| 欧美精品人与动牲交sv欧美| 1024视频免费在线观看| 满18在线观看网站| 日本色播在线视频| 亚洲综合色网址| 人人澡人人妻人| 欧美日韩国产mv在线观看视频| 日韩欧美精品免费久久| 国产成人精品婷婷| 老司机影院毛片| 黄色视频在线播放观看不卡| 免费看av在线观看网站| 伦精品一区二区三区| 伊人亚洲综合成人网| 爱豆传媒免费全集在线观看| 亚洲国产最新在线播放| 久久久a久久爽久久v久久| 欧美日韩综合久久久久久| 亚洲欧洲国产日韩| 青青草视频在线视频观看| 久热久热在线精品观看| 精品国产一区二区久久| 午夜免费鲁丝| 亚洲五月色婷婷综合| 男人添女人高潮全过程视频| 国产av码专区亚洲av| 亚洲av男天堂| 国语对白做爰xxxⅹ性视频网站| 国产爽快片一区二区三区| 免费大片黄手机在线观看| 香蕉国产在线看| 在线观看美女被高潮喷水网站| 青春草国产在线视频| 伦精品一区二区三区| 久久久久精品性色| 伦理电影免费视频| 国产精品一二三区在线看| 18+在线观看网站| 成人毛片a级毛片在线播放| 国产成人精品无人区| 欧美精品一区二区免费开放| 哪个播放器可以免费观看大片| 99热国产这里只有精品6| 人人妻人人澡人人看| 各种免费的搞黄视频| 成人国语在线视频| 黑人欧美特级aaaaaa片| 性色avwww在线观看| av在线app专区| 久久婷婷青草| 国产av精品麻豆| 七月丁香在线播放| 一区二区三区四区激情视频| 亚洲四区av| 黄色 视频免费看| 亚洲欧美中文字幕日韩二区| 国产亚洲av片在线观看秒播厂| 夫妻性生交免费视频一级片| 七月丁香在线播放| 国产精品熟女久久久久浪| 久久国产精品男人的天堂亚洲| 伊人亚洲综合成人网| 美女xxoo啪啪120秒动态图| 精品少妇一区二区三区视频日本电影 | 成年女人在线观看亚洲视频| 伦理电影大哥的女人| 黑丝袜美女国产一区| 视频在线观看一区二区三区| 国产精品成人在线| 日韩一卡2卡3卡4卡2021年| 亚洲精品av麻豆狂野| 国产精品蜜桃在线观看| 国产黄色免费在线视频| 亚洲欧美清纯卡通| 人人妻人人爽人人添夜夜欢视频| 国产男人的电影天堂91| 91成人精品电影| 一区在线观看完整版| 在线 av 中文字幕| 国产白丝娇喘喷水9色精品| 欧美精品av麻豆av| 久热这里只有精品99| 七月丁香在线播放| 乱人伦中国视频| 在线观看免费日韩欧美大片| 欧美国产精品va在线观看不卡| 看免费成人av毛片| 我的亚洲天堂| 亚洲精华国产精华液的使用体验| 国产亚洲欧美精品永久| 国产在线一区二区三区精| 中文欧美无线码| 欧美日韩av久久| 叶爱在线成人免费视频播放| 久久韩国三级中文字幕| 黄色一级大片看看| 啦啦啦中文免费视频观看日本| 欧美变态另类bdsm刘玥| 又粗又硬又长又爽又黄的视频| 天天躁夜夜躁狠狠躁躁| 国产熟女午夜一区二区三区| 国产精品一二三区在线看| 纵有疾风起免费观看全集完整版| 亚洲精品国产av成人精品| www.av在线官网国产| 男女国产视频网站| 久久精品aⅴ一区二区三区四区 | 999精品在线视频| 日韩一本色道免费dvd| 99久久精品国产国产毛片| 黄色配什么色好看| 人人妻人人添人人爽欧美一区卜| 尾随美女入室| 激情五月婷婷亚洲| 两个人免费观看高清视频| 日日撸夜夜添| 三上悠亚av全集在线观看| 亚洲av中文av极速乱| 99久国产av精品国产电影| 女性生殖器流出的白浆| 久久久久久久精品精品| 亚洲在久久综合| 久久久久人妻精品一区果冻| 亚洲国产看品久久| 国产男人的电影天堂91| 天天躁狠狠躁夜夜躁狠狠躁| 美女国产视频在线观看| 日日啪夜夜爽| 久久精品久久久久久噜噜老黄| 一边摸一边做爽爽视频免费| 日韩一本色道免费dvd| 老司机影院成人| 在线天堂最新版资源| 国产1区2区3区精品| 99国产精品免费福利视频| √禁漫天堂资源中文www| 韩国精品一区二区三区| 亚洲av日韩在线播放| 少妇人妻 视频| 亚洲精品一区蜜桃| 免费高清在线观看视频在线观看| 精品卡一卡二卡四卡免费| 国产成人精品一,二区| 亚洲人成77777在线视频| 久久人妻熟女aⅴ| 啦啦啦在线观看免费高清www| 在线观看www视频免费| 久久女婷五月综合色啪小说| 成人影院久久| 亚洲国产毛片av蜜桃av| 男人操女人黄网站| 在线观看免费高清a一片| 另类亚洲欧美激情| 熟女少妇亚洲综合色aaa.| 毛片一级片免费看久久久久| 在线观看一区二区三区激情| 亚洲av欧美aⅴ国产| 亚洲色图综合在线观看| 在线观看一区二区三区激情| 国产精品成人在线| 五月天丁香电影| 亚洲中文av在线| 成人漫画全彩无遮挡| 女人高潮潮喷娇喘18禁视频| a级毛片在线看网站| 美女福利国产在线| 国产精品国产av在线观看| 国产熟女午夜一区二区三区| 亚洲av免费高清在线观看| 久久精品人人爽人人爽视色| 久久热在线av| 国产免费又黄又爽又色| 少妇被粗大猛烈的视频| 欧美 亚洲 国产 日韩一| 蜜桃在线观看..| 亚洲伊人久久精品综合| av女优亚洲男人天堂| 欧美日韩综合久久久久久| 天美传媒精品一区二区| 精品人妻一区二区三区麻豆| 亚洲av中文av极速乱| 国产在视频线精品| 久久久久国产网址| 日本猛色少妇xxxxx猛交久久| 999精品在线视频| 看免费成人av毛片| 亚洲一级一片aⅴ在线观看| 亚洲国产色片| 久久精品国产亚洲av涩爱| 日韩一卡2卡3卡4卡2021年| 麻豆乱淫一区二区| 色94色欧美一区二区| 一边亲一边摸免费视频| 国产爽快片一区二区三区| 国产精品 国内视频| 一二三四中文在线观看免费高清| 日韩一区二区视频免费看| 欧美日韩视频精品一区| 欧美 亚洲 国产 日韩一| 久久久久久久久久久免费av| 久久久久人妻精品一区果冻| 国产亚洲av片在线观看秒播厂| 1024视频免费在线观看| 国产免费视频播放在线视频| 午夜免费男女啪啪视频观看| 中文字幕色久视频| 在线观看www视频免费| 欧美精品一区二区大全| 91精品国产国语对白视频| 久久婷婷青草| 国产一区二区在线观看av| 在线免费观看不下载黄p国产| 女人久久www免费人成看片| 亚洲综合色网址| 在线亚洲精品国产二区图片欧美| 欧美日韩一区二区视频在线观看视频在线| 色哟哟·www| 韩国av在线不卡| 国产成人一区二区在线| av福利片在线| 搡老乐熟女国产| 国产片特级美女逼逼视频| 欧美变态另类bdsm刘玥| 亚洲熟女精品中文字幕| 久久午夜福利片| 亚洲第一av免费看| 婷婷色麻豆天堂久久| 久久 成人 亚洲| 精品人妻一区二区三区麻豆| 日产精品乱码卡一卡2卡三| 色视频在线一区二区三区| 成年av动漫网址| 久久国产精品大桥未久av| 在线观看三级黄色| 啦啦啦啦在线视频资源| 黑丝袜美女国产一区| 成年女人毛片免费观看观看9 | 精品99又大又爽又粗少妇毛片| 免费高清在线观看视频在线观看| 下体分泌物呈黄色| 免费观看av网站的网址| 91精品伊人久久大香线蕉| 亚洲成av片中文字幕在线观看 | 男人爽女人下面视频在线观看| 美女高潮到喷水免费观看| 青春草亚洲视频在线观看| 美女中出高潮动态图| 最近最新中文字幕免费大全7| 天天躁夜夜躁狠狠躁躁| 午夜日本视频在线| 超碰成人久久| 亚洲中文av在线| 久久久久人妻精品一区果冻| 久久久a久久爽久久v久久| 中文字幕人妻熟女乱码| 国产精品久久久久久精品电影小说| 国产一区二区激情短视频 | 亚洲色图综合在线观看| 热99久久久久精品小说推荐| 精品久久蜜臀av无| 午夜精品国产一区二区电影| 欧美精品人与动牲交sv欧美| 亚洲色图综合在线观看| 久久精品aⅴ一区二区三区四区 | 99久久综合免费| 久久久精品免费免费高清| 国产一区二区在线观看av| 在线免费观看不下载黄p国产| 国产免费福利视频在线观看| 免费观看性生交大片5| 考比视频在线观看| 亚洲国产欧美在线一区| 在线观看www视频免费| 大话2 男鬼变身卡| 国产av国产精品国产| 日韩精品免费视频一区二区三区| 国产极品粉嫩免费观看在线| 午夜激情av网站| 黄频高清免费视频| 黄色毛片三级朝国网站| 国产色婷婷99| 深夜精品福利| av片东京热男人的天堂| 欧美日韩av久久| 91精品三级在线观看| av免费在线看不卡| 久久久久久久大尺度免费视频| 极品少妇高潮喷水抽搐| 欧美激情 高清一区二区三区| 日本vs欧美在线观看视频| 亚洲欧美日韩另类电影网站| 久久国产精品大桥未久av| 啦啦啦中文免费视频观看日本| 麻豆乱淫一区二区| 国产精品国产av在线观看| 午夜激情久久久久久久| 精品国产一区二区三区四区第35| 亚洲综合色网址| 精品亚洲成a人片在线观看| 日本午夜av视频| 秋霞在线观看毛片| 欧美xxⅹ黑人| 亚洲国产最新在线播放| kizo精华| www.精华液| 极品少妇高潮喷水抽搐| 在线 av 中文字幕| 考比视频在线观看| 亚洲欧洲日产国产| 欧美亚洲日本最大视频资源| 日韩av不卡免费在线播放| 人妻人人澡人人爽人人| 亚洲久久久国产精品| 男女国产视频网站| 80岁老熟妇乱子伦牲交| 在线观看国产h片| 国产av一区二区精品久久| 国产精品人妻久久久影院| 国产成人欧美| 国产黄频视频在线观看| 亚洲四区av| 久久久久久久久久人人人人人人| 久久久久久久久免费视频了| 精品一区二区三卡| 亚洲av成人精品一二三区| av女优亚洲男人天堂| 久久久久国产网址| √禁漫天堂资源中文www| 老女人水多毛片| 久久久精品国产亚洲av高清涩受| 久热久热在线精品观看| 国产黄频视频在线观看| 久久人人爽人人片av| 在线看a的网站| 欧美人与性动交α欧美软件| 岛国毛片在线播放| av天堂久久9| 亚洲国产看品久久| 国产精品亚洲av一区麻豆 | 免费观看无遮挡的男女| 精品一品国产午夜福利视频| 成年女人毛片免费观看观看9 | 久热久热在线精品观看| 91国产中文字幕| 99热全是精品| 久久久亚洲精品成人影院| 国产精品久久久久久精品电影小说| 满18在线观看网站| a级毛片黄视频| 久久久亚洲精品成人影院| 午夜激情av网站| 亚洲精品日韩在线中文字幕| 一级a爱视频在线免费观看| 日韩一本色道免费dvd| 少妇 在线观看| 在线观看免费日韩欧美大片| 一级黄片播放器| 婷婷色麻豆天堂久久| 狂野欧美激情性bbbbbb| 久久人妻熟女aⅴ| 王馨瑶露胸无遮挡在线观看| 高清视频免费观看一区二区| www.熟女人妻精品国产| av视频免费观看在线观看| 国产精品 欧美亚洲| h视频一区二区三区| 中文精品一卡2卡3卡4更新| 国产一区有黄有色的免费视频| 国产一区二区在线观看av| 女人被躁到高潮嗷嗷叫费观| 18在线观看网站| 亚洲精品第二区| 精品人妻偷拍中文字幕| 成年人午夜在线观看视频| 永久网站在线| 美国免费a级毛片| 亚洲中文av在线| 中文字幕av电影在线播放| 岛国毛片在线播放| 国产av国产精品国产| 美女高潮到喷水免费观看| 91在线精品国自产拍蜜月| 久久亚洲国产成人精品v| 国产亚洲午夜精品一区二区久久| 国产又爽黄色视频| 可以免费在线观看a视频的电影网站 | 久久久久国产一级毛片高清牌| 久久国产精品男人的天堂亚洲| 大片电影免费在线观看免费| 赤兔流量卡办理| 久久热在线av| 国产一区二区三区综合在线观看| 久久人人爽av亚洲精品天堂| 日韩,欧美,国产一区二区三区| 久久精品久久精品一区二区三区| 精品少妇黑人巨大在线播放| 日本av手机在线免费观看| 精品酒店卫生间| 日韩成人av中文字幕在线观看| 欧美+日韩+精品| 久久久久久久精品精品| 久久久久国产网址| 一二三四中文在线观看免费高清| 亚洲中文av在线| 亚洲国产欧美网| 国产高清不卡午夜福利| 一级毛片我不卡| 最近最新中文字幕大全免费视频 | 国产精品av久久久久免费| 亚洲国产欧美网| 免费观看av网站的网址| 最近手机中文字幕大全| 成人亚洲欧美一区二区av| 亚洲精品国产av成人精品| 亚洲欧美一区二区三区黑人 | 老司机影院毛片| 中文字幕精品免费在线观看视频| 大话2 男鬼变身卡| 国产成人aa在线观看| 欧美日韩成人在线一区二区| 国产无遮挡羞羞视频在线观看| 欧美日韩视频精品一区| 999久久久国产精品视频| 久久这里只有精品19| 午夜福利视频在线观看免费| xxx大片免费视频| av视频免费观看在线观看| 在线观看国产h片| 中文字幕人妻丝袜一区二区 | 亚洲国产精品一区三区| 国产精品二区激情视频| 久久 成人 亚洲|