• <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 ?

    基于深度學(xué)習(xí)的在線學(xué)習(xí)成績(jī)預(yù)測(cè)研究

    2021-12-28 23:23:05鄭安琪王宇琪郝川艷
    計(jì)算機(jī)時(shí)代 2021年12期
    關(guān)鍵詞:深度學(xué)習(xí)

    鄭安琪 王宇琪 郝川艷

    摘? 要: 通過分析在線學(xué)習(xí)平臺(tái)中的教育文本,能挖掘其所蘊(yùn)含的情感、認(rèn)知等信息進(jìn)行學(xué)業(yè)預(yù)測(cè)。然而目前在線學(xué)習(xí)成績(jī)預(yù)測(cè)大多基于結(jié)構(gòu)化數(shù)據(jù),難以深入、精準(zhǔn)地挖掘?qū)W習(xí)者的狀態(tài)、情感等信息,影響到預(yù)測(cè)的準(zhǔn)確性。采用深度學(xué)習(xí)技術(shù),其中CNN模型能夠有效提取局部特征,而LSTM模型能夠考慮全局文本順序的優(yōu)勢(shì),能對(duì)教育短文本數(shù)據(jù)進(jìn)行分類和細(xì)粒度情感傾向分析,挖掘其包含的影響學(xué)習(xí)成績(jī)的因素,實(shí)現(xiàn)對(duì)在線學(xué)習(xí)成績(jī)的有效預(yù)測(cè)。

    關(guān)鍵詞: 深度學(xué)習(xí); 成績(jī)預(yù)測(cè); 文本分析; 教育數(shù)據(jù)挖掘; 情感分析

    中圖分類號(hào):TP391? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ?文章編號(hào):1006-8228(2021)12-69-04

    Abstract: By analyzing the educational texts in the online learning platform, the emotional and cognitive information contained in them can be mined to make academic achievement prediction. However, at present, online academic performance prediction is mostly based on structured data, which makes it difficult to excavate learners' state, emotion and other information deeply and accurately, thus affecting the accuracy of the prediction. Adopting deep learning technology, in which CNN model can effectively extract local features and LSTM model has the advantage of considering global text order, can classify educational short text data and analyze fine-grained emotional tendency, mining the factors that influence academic performance to achieve effective prediction of online learning performance.

    Key words: deep learning; performance prediction; text analysis; educational data mining; sentiment analysis

    0 引言

    在線學(xué)習(xí)中蘊(yùn)含的教育大數(shù)據(jù)資源與人工智能等新興技術(shù)的融合,提升了教育大數(shù)據(jù)研究的深度與廣度;深度探索教育過程中各因素之間的內(nèi)在關(guān)系,為教育發(fā)展及策略改進(jìn)提供了有力的支持,將成為教育發(fā)展的重要方向[1]。同時(shí),在教育大數(shù)據(jù)支持下,學(xué)習(xí)預(yù)測(cè)已經(jīng)成為教育數(shù)據(jù)挖掘的重點(diǎn)內(nèi)容,通過揭示學(xué)習(xí)過程各因素與成績(jī)之間的關(guān)系,形成預(yù)測(cè)模型,能夠預(yù)判學(xué)習(xí)者的最終表現(xiàn)及成績(jī)類別,從而為學(xué)業(yè)預(yù)警、調(diào)整教學(xué)策略及學(xué)習(xí)計(jì)劃制定等提供重要依據(jù)[2]。

    當(dāng)前有關(guān)學(xué)習(xí)情況預(yù)測(cè)的研究中,所選用的數(shù)據(jù)類型單一,大多局限于較為整齊的結(jié)構(gòu)化數(shù)據(jù),使用學(xué)習(xí)過程的文本數(shù)據(jù)進(jìn)行預(yù)測(cè)的工作仍較少;而文本數(shù)據(jù)中蘊(yùn)含著大量的情感信息和學(xué)習(xí)狀態(tài)信息,有效捕捉其中的情感傾向,診斷當(dāng)前的學(xué)習(xí)狀態(tài),能夠?yàn)閷W(xué)習(xí)成績(jī)預(yù)測(cè)提供重要的依據(jù)。近十年來,機(jī)器學(xué)習(xí)領(lǐng)域發(fā)展最快的一個(gè)分支,深度學(xué)習(xí)技術(shù),在文本數(shù)據(jù)分析等方面表現(xiàn)出了優(yōu)越的能力。它能夠?qū)W習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次,對(duì)數(shù)據(jù)解釋進(jìn)行強(qiáng)有力的支持。因此,本文提出使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)與長(zhǎng)短期記憶網(wǎng)絡(luò)(Long ShortTerm Memory,LSTM)相結(jié)合的方法進(jìn)行在線學(xué)習(xí)成績(jī)預(yù)測(cè)。CNN 模型的卷積結(jié)構(gòu)能夠有效提取大量數(shù)據(jù)中的局部特征,準(zhǔn)確抓取到文本數(shù)據(jù)中的關(guān)鍵信息,同時(shí),LSTM 模型具有能考慮到全局文本順序的優(yōu)勢(shì),可以綜合課程學(xué)習(xí)全過程分析語(yǔ)義及情感傾向,結(jié)合二者的特點(diǎn),能夠更精準(zhǔn)地挖掘?qū)W習(xí)成績(jī)的影響因素,實(shí)現(xiàn)有效預(yù)測(cè)。

    1 相關(guān)工作

    對(duì)教育數(shù)據(jù)篩選與整理,借助分析統(tǒng)計(jì)工具建立關(guān)系模型,可以挖掘?qū)W習(xí)者學(xué)習(xí)行為和學(xué)習(xí)效果之間的潛在聯(lián)系,從而對(duì)學(xué)習(xí)者后續(xù)的表現(xiàn)進(jìn)行預(yù)測(cè)。已有的研究?jī)?nèi)容:一是基于日常表現(xiàn)數(shù)據(jù)對(duì)學(xué)習(xí)者能力及后續(xù)發(fā)展進(jìn)行預(yù)測(cè),該類方法基于學(xué)習(xí)者自身情況[3]、環(huán)境及學(xué)習(xí)過程中各因素[4],分析學(xué)習(xí)趨勢(shì),進(jìn)而為未來發(fā)展提供指向性建議;二是對(duì)學(xué)習(xí)者的課程成績(jī)進(jìn)行預(yù)測(cè),利用從學(xué)習(xí)平臺(tái)收集的客觀、結(jié)構(gòu)化的基本信息數(shù)據(jù)、學(xué)習(xí)行為數(shù)據(jù)及階段性的學(xué)習(xí)成績(jī)來進(jìn)行預(yù)測(cè)[5],同時(shí),通過參考以往學(xué)生的課程成績(jī),能分析各門課程間、前導(dǎo)課程與后續(xù)課程的相互聯(lián)系,為教學(xué)計(jì)劃制定提供重要依據(jù)[6]。

    在成績(jī)預(yù)測(cè)的技術(shù)實(shí)現(xiàn)方面,在探究各因素之間的關(guān)系時(shí),以往研究較多采用線性回歸、決策樹及神經(jīng)網(wǎng)絡(luò)等算法,但由于與學(xué)習(xí)成績(jī)或效果相關(guān)聯(lián)的因素是多種類且復(fù)雜的,使用這類算法計(jì)算得到的關(guān)系預(yù)測(cè)模型,仍沒有達(dá)到理想的效果。

    深度學(xué)習(xí)是機(jī)器學(xué)習(xí)算法重要的分支與發(fā)展成果之一,最早由多倫多大學(xué)的 Hinton 教授于2006年提出[7]。它的基本機(jī)制是讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力,對(duì)樣本數(shù)據(jù)或訓(xùn)練集進(jìn)行學(xué)習(xí),分析其內(nèi)在規(guī)律,從而能夠有力地解釋識(shí)別諸如文本、圖像和聲音等數(shù)據(jù),達(dá)到遠(yuǎn)超過先前相關(guān)技術(shù)的目標(biāo),目前已經(jīng)在諸多領(lǐng)域取得了優(yōu)秀成果[8],教育領(lǐng)域也不例外。就深度學(xué)習(xí)在學(xué)習(xí)預(yù)測(cè)中的研究而言,其對(duì)教育數(shù)據(jù)具有良好的分析效果,使用復(fù)雜神經(jīng)網(wǎng)絡(luò)對(duì)文本數(shù)據(jù)處理的分析及預(yù)測(cè),能夠更有效地刻畫教育數(shù)據(jù)中豐富的內(nèi)在信息。

    2 深度學(xué)習(xí)技術(shù)對(duì)成績(jī)預(yù)測(cè)的支持

    2.1 細(xì)粒度文本情感傾向分析

    在線教育中,師生通過交流、評(píng)價(jià)和反饋等互動(dòng)來深化和完善課程學(xué)習(xí),平臺(tái)記錄下大量文本數(shù)據(jù),其中蘊(yùn)含了豐富的觀點(diǎn)、想法、態(tài)度及主觀情感等;當(dāng)前文本情感傾向分析,可以分為篇章級(jí)、句子級(jí)的粗粒度文本情感分析以及短語(yǔ)級(jí)的細(xì)粒度文本分析[9],粗粒度分析方法適合判斷整體的情感,可以處理一些寫作作業(yè)的文本分析任務(wù),但在線平臺(tái)產(chǎn)生的大多是簡(jiǎn)短、隨意性較強(qiáng)的短文本,使用粗粒度分析難以得到細(xì)致、精準(zhǔn)的處理結(jié)果。使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型能對(duì)多類型數(shù)據(jù)進(jìn)行處理與變量轉(zhuǎn)換,模擬人類的神經(jīng)系統(tǒng)對(duì)文本逐步分析、進(jìn)行特征的提取,自動(dòng)學(xué)習(xí)優(yōu)化模型輸出,能有效地提高文本分類的有效性[10],實(shí)現(xiàn)細(xì)粒度情感分析,為成績(jī)預(yù)測(cè)提供支撐。

    另一方面,影響學(xué)習(xí)結(jié)果的因素十分復(fù)雜,涉及的特征提取過程是一個(gè)巨大的需要專業(yè)領(lǐng)域知識(shí)的工程,人工特征提取存在著難以聯(lián)系上下文、特征稀疏等困難,很難精準(zhǔn)高效地識(shí)別并歸納出特征,影響預(yù)測(cè)結(jié)果的有效性和準(zhǔn)確性。而深度學(xué)習(xí)技術(shù)可以利用任何可向量化的數(shù)據(jù)作為輸入且不需要特別的注解和標(biāo)記,從而減少了大量的人工特征提取工作。這對(duì)于學(xué)生成績(jī)建模極具優(yōu)勢(shì),可以提升預(yù)測(cè)結(jié)果的效度和信度[11]。

    2.2 復(fù)雜函數(shù)關(guān)系的擬合

    在線學(xué)習(xí)中各影響因素與學(xué)習(xí)成績(jī)之間的關(guān)系并不是簡(jiǎn)單的線性關(guān)系,因素與因素之間,因素與成績(jī)之間的關(guān)系都是復(fù)雜多變的,各變量之間的函數(shù)關(guān)系通過簡(jiǎn)單的分類回歸難以擬合。對(duì)于結(jié)構(gòu)化數(shù)據(jù),指定輸入(影響學(xué)習(xí)成績(jī)的各類數(shù)據(jù))和輸出(最終學(xué)習(xí)成績(jī))以后,提供足夠量的數(shù)據(jù),通過訓(xùn)練可以輕松地得出兩者之間的關(guān)系,從而在輸入新的數(shù)據(jù)時(shí)得到成績(jī)預(yù)測(cè)結(jié)果。但當(dāng)輸入變?yōu)榇罅康?、多類型的非結(jié)構(gòu)化數(shù)據(jù)時(shí),蘊(yùn)含的影響因子復(fù)雜,很難得出輸入與輸出之間的映射關(guān)系,而神經(jīng)網(wǎng)絡(luò)則能夠解決這個(gè)問題。典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱藏層、輸出層構(gòu)成。隱藏層的神經(jīng)網(wǎng)絡(luò)模擬了人類大腦皮層神經(jīng)網(wǎng)絡(luò),由多個(gè)神經(jīng)元組成。底層神經(jīng)元的輸出是高層神經(jīng)元的輸入,可以擬合任意復(fù)雜度的函數(shù)。深層神經(jīng)網(wǎng)絡(luò)則是增加了網(wǎng)絡(luò)層數(shù)來模擬人腦復(fù)雜的層次化認(rèn)知規(guī)律,以使機(jī)器獲得“抽象概念”的能力,在特征學(xué)習(xí)方面表現(xiàn)出了更為優(yōu)越的性能[12]。因此使用深度學(xué)習(xí)技術(shù)可以有效的對(duì)非結(jié)構(gòu)化數(shù)據(jù)實(shí)現(xiàn)特征學(xué)習(xí),精準(zhǔn)得出影響因素與成績(jī)之間的關(guān)系,實(shí)現(xiàn)預(yù)測(cè)任務(wù)。

    3 基于深度學(xué)習(xí)的成績(jī)預(yù)測(cè)設(shè)計(jì)

    在線學(xué)習(xí)平臺(tái)中,所留下的本文都具有簡(jiǎn)短、隨意性強(qiáng)的特點(diǎn),CNN的卷積層能有效提取此類短文本數(shù)據(jù)的特征,相比較傳統(tǒng)方法能夠更準(zhǔn)確地捕捉文本中的特征,找到與學(xué)習(xí)效果有關(guān)聯(lián)的因素。而LSTM網(wǎng)絡(luò)則考慮了文本的前后順序關(guān)系,從學(xué)習(xí)者個(gè)體發(fā)展脈絡(luò)和時(shí)間序列出發(fā),有效地提高了對(duì)文本的解釋能力。將CNN與LSTM相結(jié)合,能夠精準(zhǔn)擬合各影響因素與成績(jī)之間的關(guān)系,提高預(yù)測(cè)的精準(zhǔn)度。

    3.1 基于CNN的短語(yǔ)特征提取

    CNN是一種帶有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò),基本結(jié)構(gòu)由輸入層、卷積層、池化層(也稱為取樣層)、全連接層及輸出層構(gòu)成,卷積層和池化層通常以多個(gè)交替排列的方式存在。正是由于這種結(jié)構(gòu),CNN擅于從大量的數(shù)據(jù)中提取局部特征,并且能夠很好地將結(jié)果泛化到同類型的數(shù)據(jù)集上。CNN顯現(xiàn)出的巨大的優(yōu)勢(shì)在自然語(yǔ)言處理上同樣受到廣泛關(guān)注,能有效地提取文本特征并應(yīng)用于文本分類問題中[13]。

    3.1.1 文本嵌入

    在線平臺(tái)中師生產(chǎn)生的短文本作為一種自然語(yǔ)言,需要對(duì)其進(jìn)行向量化處理轉(zhuǎn)化為機(jī)器能夠理解的語(yǔ)言,也就是將文本數(shù)值化之后才可作為CNN模型的輸入數(shù)據(jù),這一步驟稱為詞向量表示詞語(yǔ)。首先需要對(duì)文本數(shù)據(jù)進(jìn)行分詞,然后轉(zhuǎn)化為詞向量。假設(shè)句子的最大長(zhǎng)度為[l],每個(gè)詞最終轉(zhuǎn)化為[m]維的詞向量,詞向量[wi]表示為[wi=[xi1,…,xij,…,xim]],最后每個(gè)短文本句子都將表示為[m×l]的二維矩陣[Z=[w1,…wi…wl]]。

    3.1.2 特征提取

    將短文本變?yōu)榭捎?jì)算的詞向量以后,將其輸入CNN模型中進(jìn)行特征提取;這一步工作主要由網(wǎng)絡(luò)模型中的卷積層來完成,經(jīng)過卷積層處理后的特征矩陣表示為:

    [b]為偏置量,[W]為濾波器,用于實(shí)現(xiàn)卷積操作。[f]為激活函數(shù),可以為給神經(jīng)元引入非線性因素,使得神經(jīng)網(wǎng)絡(luò)可以達(dá)到能模擬非線性函數(shù)的效果,在此采用ReLU反向激活函數(shù)進(jìn)行非線性映射:

    3.1.3 池化

    池化層的目的是保留主要的特征,去掉一些不必要的參數(shù),從而降低信息冗余。在這一步驟中,將提取到的文本特征進(jìn)行處理,實(shí)現(xiàn)了特征降維和特征不變性。我們采用最大值池化(Max pooling)方法來處理。池化后的特征表示為:

    3.2 基于LSTM的短文本情感特征分類

    經(jīng)過CNN模型處理計(jì)算后,能準(zhǔn)確有效地提取到師生互動(dòng)話語(yǔ)短文本的特征。但在線學(xué)習(xí)平臺(tái)的教育文本記錄了課程全過程中學(xué)習(xí)者狀態(tài)的變化,與時(shí)間序列有著密不可分的聯(lián)系,CNN能夠提取到短文本的特征,但是卻沒有考慮到這一問題;而LSTM是一種時(shí)間循環(huán)網(wǎng)絡(luò),對(duì)于有著時(shí)間特征的序列數(shù)據(jù)能夠有效地利用上下文的特征信息,將文本的順序信息考慮進(jìn)去。因此,采用兩種模型結(jié)合的方式,能夠?qū)NN提取局部特征和LSTM考慮全局上下文信息的特點(diǎn)相結(jié)合,有效地對(duì)在線教育平臺(tái)中的短文本進(jìn)行文本分類,從而分析情感傾向。

    LSTM的功能主要由輸入門、遺忘門、記憶單元和輸出門等結(jié)構(gòu)來完成,記憶門、遺忘門和輸出門的門控狀態(tài)以及當(dāng)前輸入單元狀態(tài)分別表示為[zi],[zf],[zo],[z],通過前一個(gè)記憶單元的輸入信息[ht-1]和當(dāng)前輸入信息[xt]計(jì)算得到,公式如下:

    遺忘門的功能是選擇性地忘記上一個(gè)門的狀態(tài)[ct-1]在下一步中所不需要的信息,由[zf]進(jìn)行控制;記憶門由[zi]控制,功能是決定輸入[xt]哪些信息將存儲(chǔ)在當(dāng)前記憶單元中,其中包括sigmoid層(決定更新值)和tanh層(建立新的候選向量),該層可以補(bǔ)充遺忘門所遺忘的信息,得到當(dāng)前傳輸給下一個(gè)記憶單元[ct]的輸入[z];最后為輸出門,由[zo]控制,經(jīng)過Sigmoid和tanh兩函數(shù)的處理,兩者相乘即為輸出信息[ht]。公式如下:

    3.3 學(xué)習(xí)成績(jī)預(yù)測(cè)

    在線學(xué)習(xí)成績(jī)的預(yù)測(cè),需要分析自變量及因變量之間的關(guān)系,即對(duì)各影響因素及成績(jī)之間的關(guān)系進(jìn)行建模。得出相關(guān)模型后,輸入學(xué)習(xí)者現(xiàn)階段的數(shù)據(jù)預(yù)測(cè)出未來學(xué)習(xí)趨勢(shì),同時(shí)根據(jù)不同維度并以時(shí)間為序列可視化呈現(xiàn)出學(xué)生的學(xué)習(xí)情況,為學(xué)習(xí)者及時(shí)調(diào)整學(xué)習(xí)策略或?qū)W習(xí)狀態(tài)提供依據(jù)。

    如圖1所示,深度神經(jīng)網(wǎng)絡(luò)模型(DNN)包含輸入層、隱藏層、輸出層,中間隱藏層的層數(shù)視情況而變化,每一層的全部神經(jīng)元與下一層全部神經(jīng)元以全連接的方式相連,多層隱藏層增加了模型的表達(dá)能力,能夠更精確的擬合變量間的關(guān)系。

    在本研究的成績(jī)預(yù)測(cè)中,設(shè)學(xué)生在線短文本數(shù)據(jù)中包含的影響因素變量為[x],學(xué)生的最終成績(jī)?yōu)閇z],以局部模型為例,基于深度神經(jīng)網(wǎng)絡(luò)得出學(xué)生成績(jī)影響因素變量[x]與學(xué)生成績(jī)變量[z]之間的關(guān)系需通過線性關(guān)系:

    及激活函數(shù)[σz]來表達(dá)。其中[i]為所在隱藏層的層數(shù),[m]為共有隱藏層的層數(shù),線性關(guān)系系數(shù)[w]及偏倚值[b]則為表達(dá)出影響因素變量與成績(jī)變量之間關(guān)系的重要參數(shù),也是得出關(guān)系模型的所求參數(shù)。從局部模型來看,神經(jīng)網(wǎng)絡(luò)仍是線性關(guān)系和激活函數(shù)的組合,但由于隱藏層數(shù)量和神經(jīng)元數(shù)量的增加,使其能夠更精確的擬合變量之間的關(guān)系。同時(shí),為提高模型表達(dá)力,使模型更有區(qū)分度,引用的激活函數(shù)為ReLU:

    然后通過反向傳播算法(Back Propagation,BP)可求得系數(shù)[w]及偏倚值[b],由前向傳播過程隨機(jī)為系數(shù)[w]及偏倚值[b]賦值,最后輸入成績(jī)影響變量[x],層數(shù)[m],及激勵(lì)函數(shù)等,生成輸出變量[zt]。接下來,需判斷[zt]與收集到的真實(shí)的學(xué)習(xí)數(shù)據(jù)中的值,也就是期望值[z]的相符情況;若不相符,則重復(fù)反向傳播過程。輸出量[zt]與[z]之間的差異程度則由損失函數(shù)表達(dá),在這里采用均方誤差來表示,公式為:

    系數(shù)[w]及偏倚值[b]的計(jì)算過程為:先初始化系數(shù)[w]及偏倚值[b]的值為隨機(jī)值,通過前向傳播算法與反向傳播算法計(jì)算輸出各隱藏層與輸出層的線性系數(shù)[w]及偏倚值[b],得出影響因素與學(xué)習(xí)成績(jī)之間的關(guān)系模型。之后將新的學(xué)生數(shù)據(jù)代入到預(yù)測(cè)模型中,經(jīng)過計(jì)算預(yù)測(cè)出學(xué)習(xí)者的最終成績(jī),實(shí)現(xiàn)學(xué)習(xí)預(yù)警及干預(yù)功能。

    4 總結(jié)

    本文提出使用CNN模型和LSTM模型相結(jié)合的方式對(duì)學(xué)習(xí)過程的短文本數(shù)據(jù)進(jìn)行文本分類和情感傾向處理,CNN的卷積層能有效提取短文本數(shù)據(jù)的特征,LSTM網(wǎng)絡(luò)則考慮了文本的前后順序關(guān)系。通過深度神經(jīng)網(wǎng)絡(luò)進(jìn)行成績(jī)預(yù)測(cè),能夠基于多個(gè)隱藏層和神經(jīng)元精準(zhǔn)擬合各影響因素與成績(jī)之間的關(guān)系,提高預(yù)測(cè)的精準(zhǔn)度。

    本研究方法還存在著一些不足之處。一方面,LSTM的計(jì)算被限制為是順序進(jìn)行的,時(shí)間片的計(jì)算依賴時(shí)刻的計(jì)算結(jié)果,但在線學(xué)習(xí)行為在每個(gè)時(shí)間階段上不一定能提供完整的特征信息;同時(shí)順序計(jì)算的過程中信息會(huì)丟失,盡管LSTM等門機(jī)制的結(jié)構(gòu)在一定程度上緩解了長(zhǎng)期依賴的問題,但是對(duì)于特別長(zhǎng)期的依賴現(xiàn)象,LSTM依舊無能為力。另一方面,基于深度學(xué)習(xí)對(duì)學(xué)生成績(jī)進(jìn)行預(yù)測(cè),對(duì)在線學(xué)習(xí)數(shù)據(jù)收集具有較高的要求?;谏疃葘W(xué)習(xí)的預(yù)測(cè)需建立在數(shù)據(jù)量龐大的學(xué)習(xí)數(shù)據(jù)的基礎(chǔ)上,數(shù)據(jù)的內(nèi)容也決定著預(yù)測(cè)的有效性。因此,當(dāng)前在線學(xué)習(xí)平臺(tái)的功能設(shè)計(jì)、數(shù)據(jù)收集與記錄能力與范圍是影響學(xué)生成績(jī)預(yù)測(cè)的重要因素,仍是今后值得深入探究的重要方向。

    參考文獻(xiàn)(References):

    [1] 胡水星.教育數(shù)據(jù)挖掘及其教學(xué)應(yīng)用實(shí)證分析[J].現(xiàn)代遠(yuǎn)距離教育,2017.4:29-37

    [2] 陳子健,朱曉亮.基于教育數(shù)據(jù)挖掘的在線學(xué)習(xí)者學(xué)業(yè)成績(jī)預(yù)測(cè)建模研究[J].中國(guó)電化教育,2017.12:75-81,89

    [3] 舒忠梅,屈瓊斐.基于教育數(shù)據(jù)挖掘的大學(xué)生學(xué)習(xí)成果分析[J].東北大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2014.16(3):309-314

    [4] 錢增瑾,孫東平.數(shù)據(jù)挖掘在研究生教育管理信息系統(tǒng)中的應(yīng)用[J].學(xué)位與研究生教育,2013.5:46-49

    [5] 尤佳鑫,孫眾.云學(xué)習(xí)平臺(tái)大學(xué)生學(xué)業(yè)成績(jī)預(yù)測(cè)與干預(yù)研究[J].中國(guó)遠(yuǎn)程教育,2016.9:14-20,79

    [6] 黃建明.貝葉斯網(wǎng)絡(luò)在學(xué)生成績(jī)預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)科學(xué),2012.39(S3):280-282

    [7] Geoffrey E. Hinton,Simon Osindero,Yee-Whye Teh. A Fast Learning Algorithm for Deep Belief Nets[J].Neural Computation,2006.18(7).

    [8] 陳先昌.基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D].浙江工商大學(xué),2014.

    [9] 宋嚴(yán).社交媒體文本信息多層次細(xì)粒度屬性挖掘方法研究[J].情報(bào)科學(xué),2020.38(11):98-103

    [10] 王婷,楊文忠.文本情感分析方法研究綜述[J].計(jì)算機(jī)工程與應(yīng)用,2021.57(12):11-24

    [11] Steven Tang,Joshua C. Peterson,Zachary A. Pardos.Deep Neural Networks and How They Apply to Sequential Education Data[P]. Learning @ Scale,2016.

    [12] 焦李成,楊淑媛,劉芳,王士剛,馮志璽.神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J].計(jì)算機(jī)學(xué)報(bào),2016.39(8):1697-1716

    [13] ATTARDI G,SARTIANO D.Unipi at semeval-2016 task?4:convolutional neural networks for sentiment classification[C] //Proceedings of the 10th International Workshop on Semantic Evaluation (SemEval-2016).San Diego: Association for Computational Linguistics,2016:220224.

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠(yuǎn)程開放實(shí)驗(yàn)平臺(tái)構(gòu)建研究
    基于自動(dòng)智能分類器的圖書館亂架圖書檢測(cè)
    搭建深度學(xué)習(xí)的三級(jí)階梯
    有體驗(yàn)的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識(shí)別研究
    利用網(wǎng)絡(luò)技術(shù)促進(jìn)學(xué)生深度學(xué)習(xí)的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    男插女下体视频免费在线播放| 一卡2卡三卡四卡精品乱码亚洲| 亚洲欧美日韩高清专用| 91在线精品国自产拍蜜月| 亚洲av美国av| 国产蜜桃级精品一区二区三区| 日韩欧美精品v在线| 香蕉av资源在线| 国产精品免费一区二区三区在线| 日韩欧美一区二区三区在线观看| 香蕉av资源在线| 99热只有精品国产| 成人国产麻豆网| 亚洲综合色惰| 亚洲熟妇中文字幕五十中出| 一区二区三区四区激情视频 | 免费不卡的大黄色大毛片视频在线观看 | 欧美3d第一页| 99在线视频只有这里精品首页| 日本爱情动作片www.在线观看 | 亚洲aⅴ乱码一区二区在线播放| 天堂√8在线中文| 国产成人福利小说| 亚洲精品色激情综合| 国国产精品蜜臀av免费| 天堂动漫精品| 久久精品综合一区二区三区| 亚洲狠狠婷婷综合久久图片| 在线观看美女被高潮喷水网站| 国内毛片毛片毛片毛片毛片| 最近中文字幕高清免费大全6 | 免费黄网站久久成人精品| 老女人水多毛片| 中文字幕免费在线视频6| 九九爱精品视频在线观看| 国产aⅴ精品一区二区三区波| 人妻丰满熟妇av一区二区三区| 特级一级黄色大片| 午夜福利在线观看免费完整高清在 | 久久精品国产99精品国产亚洲性色| 国产麻豆成人av免费视频| 18禁黄网站禁片午夜丰满| 久久久久国内视频| 日本爱情动作片www.在线观看 | 校园人妻丝袜中文字幕| 啪啪无遮挡十八禁网站| 国产精品精品国产色婷婷| 日日干狠狠操夜夜爽| 听说在线观看完整版免费高清| 99九九线精品视频在线观看视频| 久久6这里有精品| 亚洲精品456在线播放app | 俺也久久电影网| 久久精品国产亚洲av天美| 99久久九九国产精品国产免费| av国产免费在线观看| 搡老妇女老女人老熟妇| 亚洲图色成人| 国产精品98久久久久久宅男小说| 亚洲国产欧洲综合997久久,| 少妇人妻精品综合一区二区 | 国产视频内射| 在线播放无遮挡| 欧美又色又爽又黄视频| 美女xxoo啪啪120秒动态图| 色视频www国产| 国产午夜精品论理片| 日韩精品青青久久久久久| 国产伦精品一区二区三区视频9| www.色视频.com| 久久人人爽人人爽人人片va| 99在线人妻在线中文字幕| 国产欧美日韩精品亚洲av| 我要搜黄色片| 岛国在线免费视频观看| 97热精品久久久久久| 午夜精品久久久久久毛片777| 97超级碰碰碰精品色视频在线观看| 内地一区二区视频在线| 精品一区二区三区av网在线观看| 欧美日本视频| 全区人妻精品视频| 88av欧美| xxxwww97欧美| 在线观看66精品国产| 久久久久久伊人网av| 俺也久久电影网| 精品久久久噜噜| 我的老师免费观看完整版| 变态另类丝袜制服| 欧美黑人巨大hd| 日本三级黄在线观看| 亚洲专区国产一区二区| 长腿黑丝高跟| 国内精品久久久久久久电影| 婷婷亚洲欧美| 国产精品人妻久久久影院| 免费观看的影片在线观看| 天堂网av新在线| 国产高潮美女av| АⅤ资源中文在线天堂| 又爽又黄无遮挡网站| 国产精品国产高清国产av| 九九久久精品国产亚洲av麻豆| 亚洲va在线va天堂va国产| 99热这里只有是精品50| 免费看a级黄色片| 一个人免费在线观看电影| 婷婷丁香在线五月| av.在线天堂| 变态另类丝袜制服| 色av中文字幕| 国产精品一区二区性色av| 久久久久久久午夜电影| 一卡2卡三卡四卡精品乱码亚洲| 三级男女做爰猛烈吃奶摸视频| 亚洲综合色惰| 久久精品国产亚洲网站| 变态另类成人亚洲欧美熟女| 欧美性猛交黑人性爽| 麻豆av噜噜一区二区三区| 亚洲欧美日韩东京热| 亚洲成人中文字幕在线播放| 91麻豆精品激情在线观看国产| 亚洲中文日韩欧美视频| 老熟妇乱子伦视频在线观看| 黄色配什么色好看| 日本黄大片高清| 少妇丰满av| 日本爱情动作片www.在线观看 | 嫩草影院新地址| 国产成人av教育| 亚洲性久久影院| 国产不卡一卡二| 欧美成人一区二区免费高清观看| 日韩大尺度精品在线看网址| 亚洲自拍偷在线| 欧美成人a在线观看| 午夜精品一区二区三区免费看| 国产精品综合久久久久久久免费| 岛国在线免费视频观看| 日日夜夜操网爽| 国产三级在线视频| 禁无遮挡网站| 欧美激情国产日韩精品一区| 97超视频在线观看视频| 中出人妻视频一区二区| 国产一区二区三区视频了| a级毛片免费高清观看在线播放| 男人狂女人下面高潮的视频| 黄色日韩在线| 久久精品夜夜夜夜夜久久蜜豆| 天美传媒精品一区二区| 成人鲁丝片一二三区免费| 欧美激情久久久久久爽电影| 精品人妻视频免费看| 免费不卡的大黄色大毛片视频在线观看 | 亚洲成人中文字幕在线播放| 亚洲综合色惰| 天堂动漫精品| 欧美成人一区二区免费高清观看| 亚洲美女搞黄在线观看 | 久久精品影院6| 两人在一起打扑克的视频| 伊人久久精品亚洲午夜| 国产精品三级大全| 黄色丝袜av网址大全| 午夜福利高清视频| 夜夜爽天天搞| netflix在线观看网站| 国产一区二区在线观看日韩| 99在线视频只有这里精品首页| av在线亚洲专区| 日韩欧美一区二区三区在线观看| 麻豆精品久久久久久蜜桃| 国语自产精品视频在线第100页| АⅤ资源中文在线天堂| 成人亚洲精品av一区二区| 亚洲中文字幕一区二区三区有码在线看| 国产一区二区三区在线臀色熟女| 又黄又爽又刺激的免费视频.| 嫩草影视91久久| 欧美zozozo另类| 久久久久久久亚洲中文字幕| 亚洲精品成人久久久久久| 性色avwww在线观看| 赤兔流量卡办理| 在线观看一区二区三区| 欧美xxxx性猛交bbbb| 久久久久国产精品人妻aⅴ院| 在线免费观看的www视频| aaaaa片日本免费| 亚洲经典国产精华液单| av在线天堂中文字幕| 久久精品国产鲁丝片午夜精品 | 亚洲男人的天堂狠狠| 国产午夜福利久久久久久| 深爱激情五月婷婷| 性欧美人与动物交配| 国产精品野战在线观看| 1000部很黄的大片| 国产精品自产拍在线观看55亚洲| 久久久久性生活片| 欧美日本视频| av国产免费在线观看| 亚洲精品久久国产高清桃花| 久久国产精品人妻蜜桃| 国产午夜福利久久久久久| 中文字幕熟女人妻在线| 免费看av在线观看网站| 中文字幕av在线有码专区| 男女啪啪激烈高潮av片| 免费大片18禁| 极品教师在线视频| 国内精品一区二区在线观看| 国产午夜精品久久久久久一区二区三区 | 12—13女人毛片做爰片一| а√天堂www在线а√下载| 成人美女网站在线观看视频| 男女做爰动态图高潮gif福利片| 能在线免费观看的黄片| 99视频精品全部免费 在线| 国产精品自产拍在线观看55亚洲| 国产色爽女视频免费观看| 日本黄色视频三级网站网址| 99国产精品一区二区蜜桃av| av在线亚洲专区| 国产成年人精品一区二区| 性欧美人与动物交配| 亚洲一区二区三区色噜噜| 听说在线观看完整版免费高清| 黄色丝袜av网址大全| av在线观看视频网站免费| 午夜老司机福利剧场| 中文资源天堂在线| 亚洲国产欧洲综合997久久,| 又爽又黄a免费视频| 99国产极品粉嫩在线观看| 美女cb高潮喷水在线观看| 日韩国内少妇激情av| 天堂动漫精品| 精品久久久久久成人av| av中文乱码字幕在线| 男人的好看免费观看在线视频| 欧美日韩国产亚洲二区| 成人特级av手机在线观看| 又爽又黄a免费视频| 色在线成人网| 久久久国产成人免费| 亚洲av五月六月丁香网| 欧美性猛交黑人性爽| 久久国产精品人妻蜜桃| 久久99热这里只有精品18| 国产美女午夜福利| 国产高清三级在线| 一边摸一边抽搐一进一小说| 干丝袜人妻中文字幕| 国产精品99久久久久久久久| 日韩中字成人| 国产av不卡久久| 人妻少妇偷人精品九色| 国产欧美日韩精品一区二区| 欧美区成人在线视频| 亚洲成人中文字幕在线播放| 亚洲黑人精品在线| 别揉我奶头 嗯啊视频| av天堂中文字幕网| 色综合站精品国产| 大又大粗又爽又黄少妇毛片口| 日韩精品有码人妻一区| 色视频www国产| 悠悠久久av| videossex国产| 成人永久免费在线观看视频| 99在线人妻在线中文字幕| 蜜桃久久精品国产亚洲av| 日本五十路高清| 久久午夜亚洲精品久久| 国产亚洲精品久久久久久毛片| 国产伦人伦偷精品视频| 大又大粗又爽又黄少妇毛片口| 国产高清激情床上av| 两人在一起打扑克的视频| 国内精品美女久久久久久| 性插视频无遮挡在线免费观看| 日韩在线高清观看一区二区三区 | 国产人妻一区二区三区在| 国产高清不卡午夜福利| 亚洲精华国产精华精| 91狼人影院| 九色成人免费人妻av| 色尼玛亚洲综合影院| 精品人妻视频免费看| 欧美xxxx性猛交bbbb| 永久网站在线| 亚洲国产精品成人综合色| 久久国产精品人妻蜜桃| 可以在线观看毛片的网站| 亚洲精华国产精华液的使用体验 | 亚洲精品国产成人久久av| 欧美中文日本在线观看视频| 免费无遮挡裸体视频| 亚洲精品在线观看二区| 99在线人妻在线中文字幕| 又爽又黄无遮挡网站| 日韩,欧美,国产一区二区三区 | 日韩强制内射视频| 国产精品美女特级片免费视频播放器| 国产免费男女视频| 日本免费一区二区三区高清不卡| 日本爱情动作片www.在线观看 | 国产乱人伦免费视频| 亚洲国产欧美人成| 日日夜夜操网爽| 亚洲18禁久久av| 久久草成人影院| 人人妻人人澡欧美一区二区| x7x7x7水蜜桃| 婷婷精品国产亚洲av在线| 午夜精品久久久久久毛片777| 一区二区三区激情视频| 精品久久久久久久末码| .国产精品久久| 91在线精品国自产拍蜜月| 色5月婷婷丁香| 日韩强制内射视频| 欧美日本视频| 一级毛片久久久久久久久女| 久久久久久久久久成人| 少妇裸体淫交视频免费看高清| 亚洲午夜理论影院| av在线天堂中文字幕| 午夜日韩欧美国产| 亚洲精品国产成人久久av| 99精品在免费线老司机午夜| 九色成人免费人妻av| 亚洲在线自拍视频| 国产精品一区二区三区四区久久| 国产色爽女视频免费观看| 99热网站在线观看| 国产色爽女视频免费观看| 亚洲综合色惰| 十八禁国产超污无遮挡网站| 国产精品一区二区三区四区久久| 免费在线观看日本一区| 亚洲熟妇熟女久久| 午夜视频国产福利| 久久久精品欧美日韩精品| 看黄色毛片网站| 琪琪午夜伦伦电影理论片6080| 国产精品电影一区二区三区| 亚洲精品粉嫩美女一区| 99久久精品一区二区三区| 十八禁网站免费在线| 老女人水多毛片| 99久久中文字幕三级久久日本| 亚洲不卡免费看| 3wmmmm亚洲av在线观看| 九九爱精品视频在线观看| 午夜a级毛片| 蜜桃久久精品国产亚洲av| 午夜a级毛片| 亚洲男人的天堂狠狠| 男女下面进入的视频免费午夜| 亚洲av电影不卡..在线观看| 搡女人真爽免费视频火全软件 | 中文字幕人妻熟人妻熟丝袜美| 九九久久精品国产亚洲av麻豆| 内地一区二区视频在线| 九九久久精品国产亚洲av麻豆| 国产久久久一区二区三区| 神马国产精品三级电影在线观看| x7x7x7水蜜桃| 人妻夜夜爽99麻豆av| 狠狠狠狠99中文字幕| 女的被弄到高潮叫床怎么办 | 伊人久久精品亚洲午夜| 国产精品一及| 国模一区二区三区四区视频| 99精品在免费线老司机午夜| 国产伦在线观看视频一区| 色吧在线观看| 日韩 亚洲 欧美在线| 国产亚洲精品久久久久久毛片| 我要看日韩黄色一级片| 校园春色视频在线观看| 一区二区三区高清视频在线| 欧美日韩乱码在线| 天堂网av新在线| 日韩欧美精品v在线| 最近最新免费中文字幕在线| 窝窝影院91人妻| 亚洲精品日韩av片在线观看| 好男人在线观看高清免费视频| 国产毛片a区久久久久| 久久精品综合一区二区三区| 中文在线观看免费www的网站| 国产三级在线视频| 乱系列少妇在线播放| 精品一区二区三区视频在线观看免费| 91久久精品国产一区二区成人| 天堂av国产一区二区熟女人妻| 搡女人真爽免费视频火全软件 | videossex国产| 婷婷亚洲欧美| 日本免费a在线| 少妇的逼水好多| 欧美黑人欧美精品刺激| 在线播放国产精品三级| 国产一区二区三区av在线 | 人人妻,人人澡人人爽秒播| 少妇猛男粗大的猛烈进出视频 | 两个人视频免费观看高清| 成人高潮视频无遮挡免费网站| 色播亚洲综合网| 国产精品98久久久久久宅男小说| 成年人黄色毛片网站| 99久久久亚洲精品蜜臀av| 男人和女人高潮做爰伦理| 精品人妻偷拍中文字幕| 干丝袜人妻中文字幕| 色噜噜av男人的天堂激情| 尤物成人国产欧美一区二区三区| 国产高清视频在线观看网站| 日韩欧美在线乱码| 亚洲av熟女| 小说图片视频综合网站| 麻豆成人午夜福利视频| 欧美日本亚洲视频在线播放| 蜜桃久久精品国产亚洲av| 国产精品国产三级国产av玫瑰| 中文字幕久久专区| 18禁在线播放成人免费| 一个人看的www免费观看视频| 日韩高清综合在线| 日本免费一区二区三区高清不卡| 免费看av在线观看网站| 精品一区二区免费观看| 欧美最黄视频在线播放免费| 国产精品女同一区二区软件 | 99在线视频只有这里精品首页| 久久精品人妻少妇| 亚洲欧美精品综合久久99| 日韩欧美一区二区三区在线观看| 免费在线观看日本一区| 免费大片18禁| 国产乱人伦免费视频| 久久国内精品自在自线图片| 中文字幕av成人在线电影| 国产中年淑女户外野战色| 精品一区二区三区人妻视频| 久久久久性生活片| 91av网一区二区| 高清在线国产一区| 少妇的逼好多水| 天堂av国产一区二区熟女人妻| 欧美一区二区亚洲| 欧美不卡视频在线免费观看| 日本 欧美在线| 精品福利观看| 天天躁日日操中文字幕| 黄色一级大片看看| 欧美在线一区亚洲| 人妻久久中文字幕网| 成人鲁丝片一二三区免费| 日韩欧美精品v在线| 91麻豆av在线| 婷婷精品国产亚洲av在线| 精品人妻熟女av久视频| 两个人的视频大全免费| 亚洲最大成人手机在线| 12—13女人毛片做爰片一| 久久久国产成人免费| 成人毛片a级毛片在线播放| 麻豆国产av国片精品| 午夜福利在线观看免费完整高清在 | 桃红色精品国产亚洲av| 欧美三级亚洲精品| 一本一本综合久久| 91久久精品电影网| 亚洲国产色片| 日韩一本色道免费dvd| 午夜精品久久久久久毛片777| 国产精品一区二区三区四区免费观看 | 男女啪啪激烈高潮av片| 天天躁日日操中文字幕| 老师上课跳d突然被开到最大视频| avwww免费| 特大巨黑吊av在线直播| 精品久久久久久,| 亚洲成a人片在线一区二区| 欧美+亚洲+日韩+国产| bbb黄色大片| 精品人妻偷拍中文字幕| 国产淫片久久久久久久久| av在线蜜桃| 精品欧美国产一区二区三| av在线蜜桃| 女人被狂操c到高潮| 香蕉av资源在线| 看片在线看免费视频| 国产伦人伦偷精品视频| 午夜福利在线观看免费完整高清在 | 国产一区二区激情短视频| 欧美激情国产日韩精品一区| 日本一二三区视频观看| 日本与韩国留学比较| 级片在线观看| 乱人视频在线观看| 波野结衣二区三区在线| 无人区码免费观看不卡| 午夜a级毛片| 欧美潮喷喷水| 免费人成视频x8x8入口观看| 亚洲第一区二区三区不卡| 国产中年淑女户外野战色| 一a级毛片在线观看| 免费观看精品视频网站| 91在线精品国自产拍蜜月| 999久久久精品免费观看国产| 天天躁日日操中文字幕| 天天一区二区日本电影三级| 美女xxoo啪啪120秒动态图| 又黄又爽又刺激的免费视频.| 91麻豆精品激情在线观看国产| 亚洲不卡免费看| 国产精品久久久久久精品电影| 人妻丰满熟妇av一区二区三区| 亚洲国产欧美人成| 国产探花极品一区二区| 女人十人毛片免费观看3o分钟| 日韩精品中文字幕看吧| 欧美在线一区亚洲| 在线观看66精品国产| 男女视频在线观看网站免费| 精品不卡国产一区二区三区| 国产免费男女视频| 亚洲熟妇中文字幕五十中出| 精品久久久久久久久久免费视频| 美女高潮喷水抽搐中文字幕| 男女那种视频在线观看| 国产男人的电影天堂91| 黄色欧美视频在线观看| 国产欧美日韩精品亚洲av| 免费一级毛片在线播放高清视频| 女生性感内裤真人,穿戴方法视频| 麻豆一二三区av精品| 嫩草影院精品99| 女同久久另类99精品国产91| 国产视频内射| 亚洲精品色激情综合| 国产探花极品一区二区| av女优亚洲男人天堂| 婷婷色综合大香蕉| 大又大粗又爽又黄少妇毛片口| 女人十人毛片免费观看3o分钟| 久久久久久九九精品二区国产| 免费黄网站久久成人精品| 亚洲av日韩精品久久久久久密| 婷婷精品国产亚洲av| 很黄的视频免费| 国产私拍福利视频在线观看| 亚洲,欧美,日韩| 国产精华一区二区三区| 美女免费视频网站| 美女被艹到高潮喷水动态| 69av精品久久久久久| 大型黄色视频在线免费观看| 中出人妻视频一区二区| 有码 亚洲区| .国产精品久久| 桃色一区二区三区在线观看| 88av欧美| 少妇高潮的动态图| 很黄的视频免费| 亚洲av免费在线观看| 成人高潮视频无遮挡免费网站| 乱系列少妇在线播放| 色综合亚洲欧美另类图片| 国产午夜精品论理片| 国产精品嫩草影院av在线观看 | 欧美xxxx性猛交bbbb| 99热网站在线观看| 熟妇人妻久久中文字幕3abv| 国产人妻一区二区三区在| 99久久精品热视频| 伦精品一区二区三区| 国产淫片久久久久久久久| 婷婷六月久久综合丁香| 中文资源天堂在线| 亚洲精华国产精华精| 2021天堂中文幕一二区在线观| 黄色欧美视频在线观看| 毛片一级片免费看久久久久 | 俺也久久电影网| 国产 一区精品| 啦啦啦韩国在线观看视频| 男女视频在线观看网站免费| 亚洲精品一区av在线观看| 亚洲人成网站高清观看| 欧美成人性av电影在线观看| 欧美+亚洲+日韩+国产| 十八禁国产超污无遮挡网站| 99国产精品一区二区蜜桃av| 婷婷精品国产亚洲av在线| 精品久久久噜噜| 亚洲五月天丁香| 日韩欧美精品v在线| 国产精品野战在线观看| 久久天躁狠狠躁夜夜2o2o| av在线观看视频网站免费| 国产成人a区在线观看| 99国产精品一区二区蜜桃av| 亚洲精品在线观看二区| 日韩大尺度精品在线看网址|