• <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
    国产麻豆69| 美女xxoo啪啪120秒动态图| 婷婷色综合www| 国产精品久久久久久久久免| 人人妻人人爽人人添夜夜欢视频| 亚洲第一区二区三区不卡| 成人手机av| 欧美少妇被猛烈插入视频| 婷婷色综合www| 国产在线一区二区三区精| 国产不卡av网站在线观看| 黄频高清免费视频| 可以免费在线观看a视频的电影网站 | 熟女av电影| 久久久久久久久久久久大奶| 欧美国产精品一级二级三级| 欧美成人午夜精品| 亚洲第一青青草原| 一区在线观看完整版| 制服人妻中文乱码| 亚洲精品成人av观看孕妇| 国产日韩欧美在线精品| 永久免费av网站大全| 一级毛片 在线播放| 日韩成人av中文字幕在线观看| 男人爽女人下面视频在线观看| tube8黄色片| 欧美最新免费一区二区三区| 亚洲综合色惰| av卡一久久| 亚洲国产成人一精品久久久| 亚洲av电影在线进入| 国产极品粉嫩免费观看在线| 王馨瑶露胸无遮挡在线观看| 久久久a久久爽久久v久久| 人体艺术视频欧美日本| 国产男人的电影天堂91| 九色亚洲精品在线播放| 1024香蕉在线观看| 在线观看免费日韩欧美大片| 久久人人爽av亚洲精品天堂| 青春草国产在线视频| 另类亚洲欧美激情| 黄片无遮挡物在线观看| 久久99热这里只频精品6学生| 一区二区三区激情视频| 岛国毛片在线播放| 美女主播在线视频| 亚洲国产欧美网| 日韩制服丝袜自拍偷拍| 美女高潮到喷水免费观看| 免费观看a级毛片全部| 久久久久久久精品精品| 久久久精品区二区三区| 国产色婷婷99| 熟女av电影| 两个人免费观看高清视频| 免费看不卡的av| 不卡视频在线观看欧美| 中文字幕人妻丝袜一区二区 | 波野结衣二区三区在线| 国产成人精品久久二区二区91 | 精品国产一区二区三区久久久樱花| 满18在线观看网站| 亚洲精品久久久久久婷婷小说| 哪个播放器可以免费观看大片| 国产成人91sexporn| 欧美少妇被猛烈插入视频| av在线播放精品| 下体分泌物呈黄色| 乱人伦中国视频| 久久毛片免费看一区二区三区| 电影成人av| av一本久久久久| 亚洲精品第二区| 18+在线观看网站| 国产精品一区二区在线不卡| 欧美成人精品欧美一级黄| 免费大片黄手机在线观看| 99香蕉大伊视频| 国精品久久久久久国模美| 男人舔女人的私密视频| 久久人妻熟女aⅴ| 各种免费的搞黄视频| 高清欧美精品videossex| 熟妇人妻不卡中文字幕| 狠狠婷婷综合久久久久久88av| 18禁裸乳无遮挡动漫免费视频| 春色校园在线视频观看| 午夜免费男女啪啪视频观看| 99香蕉大伊视频| 亚洲成人手机| 男女无遮挡免费网站观看| 亚洲av欧美aⅴ国产| 亚洲欧洲日产国产| 久久久久久免费高清国产稀缺| 十八禁网站网址无遮挡| 七月丁香在线播放| 免费黄色在线免费观看| www.av在线官网国产| 一区二区av电影网| 亚洲一区中文字幕在线| 国产精品二区激情视频| 欧美日韩一级在线毛片| 免费日韩欧美在线观看| 国产色婷婷99| 日本色播在线视频| 我要看黄色一级片免费的| 精品国产一区二区三区四区第35| 亚洲美女黄色视频免费看| 亚洲 欧美一区二区三区| 亚洲精品国产av蜜桃| 岛国毛片在线播放| 欧美日韩亚洲国产一区二区在线观看 | 91aial.com中文字幕在线观看| 一区二区三区四区激情视频| 日本91视频免费播放| 国产成人精品久久久久久| 日本猛色少妇xxxxx猛交久久| 韩国av在线不卡| 久久精品国产亚洲av涩爱| 看非洲黑人一级黄片| 亚洲国产欧美网| 天天影视国产精品| 国产精品无大码| 美女福利国产在线| 午夜福利乱码中文字幕| 国产精品偷伦视频观看了| 高清不卡的av网站| 久久久a久久爽久久v久久| 一级片免费观看大全| 亚洲av电影在线观看一区二区三区| 亚洲av综合色区一区| 国产在线视频一区二区| 成人手机av| 国产成人91sexporn| 免费在线观看完整版高清| 不卡视频在线观看欧美| 午夜福利网站1000一区二区三区| 69精品国产乱码久久久| 久久久久国产一级毛片高清牌| 国产一区二区 视频在线| 国产精品久久久久成人av| 国产 精品1| 中文字幕亚洲精品专区| kizo精华| 寂寞人妻少妇视频99o| 欧美人与性动交α欧美精品济南到 | 国产精品偷伦视频观看了| 婷婷色综合大香蕉| 国产激情久久老熟女| 精品卡一卡二卡四卡免费| 午夜激情av网站| 久久久a久久爽久久v久久| 高清视频免费观看一区二区| 一级毛片黄色毛片免费观看视频| 制服诱惑二区| 又大又黄又爽视频免费| 国产免费现黄频在线看| 免费女性裸体啪啪无遮挡网站| 婷婷色综合大香蕉| 亚洲成人手机| 日韩制服丝袜自拍偷拍| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 纵有疾风起免费观看全集完整版| 一区二区三区精品91| 最新中文字幕久久久久| 欧美日韩视频高清一区二区三区二| 一边摸一边做爽爽视频免费| 久久毛片免费看一区二区三区| 黄色 视频免费看| 国产在线免费精品| 波多野结衣一区麻豆| 18禁裸乳无遮挡动漫免费视频| 国产成人免费观看mmmm| 成人18禁高潮啪啪吃奶动态图| 老司机影院成人| 久久人人97超碰香蕉20202| 成年动漫av网址| 国产福利在线免费观看视频| 五月伊人婷婷丁香| 精品久久久久久电影网| 国产激情久久老熟女| 亚洲欧洲日产国产| av女优亚洲男人天堂| av在线老鸭窝| 亚洲经典国产精华液单| 大陆偷拍与自拍| 国产熟女午夜一区二区三区| 女人精品久久久久毛片| 日本av手机在线免费观看| 欧美成人午夜精品| 人妻 亚洲 视频| 亚洲,欧美,日韩| 边亲边吃奶的免费视频| 99久久中文字幕三级久久日本| 天堂8中文在线网| xxxhd国产人妻xxx| 精品第一国产精品| 高清不卡的av网站| 亚洲综合精品二区| 亚洲国产精品成人久久小说| 18禁动态无遮挡网站| 午夜福利,免费看| 一区二区三区精品91| 亚洲国产av影院在线观看| 亚洲国产av新网站| 成年女人毛片免费观看观看9 | 99热全是精品| 国产欧美日韩一区二区三区在线| h视频一区二区三区| 久久久欧美国产精品| 欧美老熟妇乱子伦牲交| 久久毛片免费看一区二区三区| 国产白丝娇喘喷水9色精品| 国产精品一国产av| 日本午夜av视频| 国产精品三级大全| 黄色怎么调成土黄色| 久久综合国产亚洲精品| 青春草亚洲视频在线观看| av一本久久久久| 欧美国产精品一级二级三级| 人妻系列 视频| 波多野结衣av一区二区av| 国产成人一区二区在线| 伊人亚洲综合成人网| 欧美精品一区二区大全| 国产熟女午夜一区二区三区| 免费av中文字幕在线| 中文字幕最新亚洲高清| 久久青草综合色| 女性被躁到高潮视频| 女人被躁到高潮嗷嗷叫费观| 秋霞伦理黄片| 欧美最新免费一区二区三区| 人成视频在线观看免费观看| 色婷婷av一区二区三区视频| 熟女少妇亚洲综合色aaa.| 在现免费观看毛片| www.自偷自拍.com| 亚洲国产欧美日韩在线播放| 亚洲国产精品国产精品| 蜜桃在线观看..| 老司机影院毛片| 国产精品一国产av| 黑人猛操日本美女一级片| 国产免费视频播放在线视频| 天天躁日日躁夜夜躁夜夜| 女人被躁到高潮嗷嗷叫费观| 欧美老熟妇乱子伦牲交| 亚洲欧美一区二区三区黑人 | 欧美人与性动交α欧美软件| 国产精品蜜桃在线观看| videos熟女内射| 国产一区有黄有色的免费视频| 在线观看免费视频网站a站| 只有这里有精品99| 国语对白做爰xxxⅹ性视频网站| 精品视频人人做人人爽| 最近中文字幕2019免费版| 熟女少妇亚洲综合色aaa.| 日韩欧美精品免费久久| 婷婷成人精品国产| 十八禁网站网址无遮挡| 日韩不卡一区二区三区视频在线| 午夜91福利影院| 国产亚洲精品第一综合不卡| 国产成人精品久久久久久| 夫妻午夜视频| 国产精品一二三区在线看| 国产欧美亚洲国产| 国产精品秋霞免费鲁丝片| 人妻人人澡人人爽人人| 久久久久久久亚洲中文字幕| 边亲边吃奶的免费视频| 在线观看国产h片| 国产精品久久久久久久久免| 叶爱在线成人免费视频播放| 大片电影免费在线观看免费| 一区二区三区激情视频| 亚洲经典国产精华液单| 国产视频首页在线观看| 国产日韩欧美在线精品| 国产麻豆69| 在线观看www视频免费| 成人毛片60女人毛片免费| av国产久精品久网站免费入址| 亚洲在久久综合| 国产视频首页在线观看| 国产午夜精品一二区理论片| 高清av免费在线| 丁香六月天网| 久久久久久伊人网av| 国产成人欧美| 欧美日韩视频精品一区| 亚洲五月色婷婷综合| 边亲边吃奶的免费视频| 中文乱码字字幕精品一区二区三区| 欧美最新免费一区二区三区| 嫩草影院入口| 国产精品一区二区在线观看99| 天美传媒精品一区二区| 亚洲在久久综合| 久久影院123| 久久狼人影院| 午夜激情久久久久久久| 日韩视频在线欧美| 自拍欧美九色日韩亚洲蝌蚪91| 极品少妇高潮喷水抽搐| 日本vs欧美在线观看视频| 飞空精品影院首页| 99香蕉大伊视频| 久久久精品区二区三区| 1024视频免费在线观看| 侵犯人妻中文字幕一二三四区| 亚洲第一区二区三区不卡| 亚洲欧美一区二区三区久久| 成年人免费黄色播放视频| 中文字幕最新亚洲高清| 久久亚洲国产成人精品v| 欧美精品国产亚洲| 少妇精品久久久久久久| 777米奇影视久久| 女人高潮潮喷娇喘18禁视频| 色吧在线观看| 精品亚洲成a人片在线观看| 一区二区av电影网| 中文字幕制服av| 国产精品一国产av| 欧美成人精品欧美一级黄| 91aial.com中文字幕在线观看| 久久韩国三级中文字幕| 精品人妻熟女毛片av久久网站| 国产亚洲最大av| 国产淫语在线视频| 国产男女内射视频| 精品一品国产午夜福利视频| 欧美另类一区| 免费看不卡的av| 丰满乱子伦码专区| 日韩一区二区视频免费看| 亚洲综合色网址| 日本欧美视频一区| 国产激情久久老熟女| 亚洲国产看品久久| 日韩av免费高清视频| 国产乱人偷精品视频| 最新中文字幕久久久久| 黑人巨大精品欧美一区二区蜜桃| 久久精品久久久久久噜噜老黄| 亚洲精品中文字幕在线视频| 一区在线观看完整版| 蜜桃国产av成人99| 观看av在线不卡| 精品国产超薄肉色丝袜足j| 美女大奶头黄色视频| 咕卡用的链子| 欧美老熟妇乱子伦牲交| 女人精品久久久久毛片| 亚洲欧美中文字幕日韩二区| 久久国产精品大桥未久av| 在线观看免费高清a一片| 精品人妻熟女毛片av久久网站| 黑人欧美特级aaaaaa片| 亚洲在久久综合| 天美传媒精品一区二区| 国产精品.久久久| 国产1区2区3区精品| 在线天堂中文资源库| 亚洲精品久久午夜乱码| 大香蕉久久网| 国产免费视频播放在线视频| 99精国产麻豆久久婷婷| 免费日韩欧美在线观看| 日韩av不卡免费在线播放| 国产精品免费视频内射| 91国产中文字幕| 热re99久久精品国产66热6| 成人手机av| 久久久久久免费高清国产稀缺| 中文欧美无线码| 一区二区三区激情视频| av福利片在线| 久久久久久人妻| 亚洲欧美成人综合另类久久久| 日韩制服丝袜自拍偷拍| 各种免费的搞黄视频| 亚洲第一av免费看| √禁漫天堂资源中文www| 久久毛片免费看一区二区三区| 成人影院久久| 欧美老熟妇乱子伦牲交| 一区二区三区四区激情视频| 久久久久久久久久久免费av| 春色校园在线视频观看| 美女大奶头黄色视频| 亚洲欧美日韩另类电影网站| 国产精品成人在线| 狠狠精品人妻久久久久久综合| 精品国产一区二区久久| 午夜福利视频在线观看免费| 2018国产大陆天天弄谢| 精品一品国产午夜福利视频| 丰满迷人的少妇在线观看| 亚洲成av片中文字幕在线观看 | 十八禁高潮呻吟视频| 99热网站在线观看| 国产一区有黄有色的免费视频| 啦啦啦在线观看免费高清www| 精品一区二区三卡| 制服人妻中文乱码| 岛国毛片在线播放| 日韩免费高清中文字幕av| 天堂中文最新版在线下载| 国产精品久久久久久精品电影小说| 寂寞人妻少妇视频99o| 黄色视频在线播放观看不卡| 亚洲人成电影观看| 亚洲国产欧美日韩在线播放| 99热网站在线观看| 精品一品国产午夜福利视频| 久久久久久久久免费视频了| 亚洲成色77777| 国产精品久久久久久av不卡| 国产男女超爽视频在线观看| 久久韩国三级中文字幕| 国产白丝娇喘喷水9色精品| 卡戴珊不雅视频在线播放| 国产精品不卡视频一区二区| 综合色丁香网| 国产成人精品福利久久| 国产免费视频播放在线视频| 成年人免费黄色播放视频| 啦啦啦在线免费观看视频4| 亚洲久久久国产精品| 久久久久久久精品精品| 久久精品国产a三级三级三级| 国产黄色免费在线视频| 黄网站色视频无遮挡免费观看| 欧美日韩成人在线一区二区| 欧美亚洲日本最大视频资源| 91国产中文字幕| 蜜桃国产av成人99| 亚洲天堂av无毛| 美女视频免费永久观看网站| 超色免费av| 最近的中文字幕免费完整| 国产黄色免费在线视频| 超碰97精品在线观看| 69精品国产乱码久久久| 欧美 日韩 精品 国产| 最新中文字幕久久久久| 欧美成人午夜免费资源| 最近最新中文字幕免费大全7| 欧美av亚洲av综合av国产av | 一边亲一边摸免费视频| 秋霞伦理黄片| 丰满迷人的少妇在线观看| 考比视频在线观看| 日韩大片免费观看网站| 亚洲精品久久成人aⅴ小说| 国产日韩一区二区三区精品不卡| 成人免费观看视频高清| 成年人午夜在线观看视频| 欧美日韩成人在线一区二区| 国产深夜福利视频在线观看| 国产一区亚洲一区在线观看| 亚洲精品一二三| 精品少妇久久久久久888优播| 亚洲av电影在线进入| 国产片特级美女逼逼视频| 亚洲精品久久久久久婷婷小说| 国产欧美日韩一区二区三区在线| 少妇的丰满在线观看| 免费看不卡的av| 啦啦啦视频在线资源免费观看| 丝袜美腿诱惑在线| 最近的中文字幕免费完整| 美女主播在线视频| 丝袜喷水一区| 久久午夜综合久久蜜桃| 免费高清在线观看日韩| 97人妻天天添夜夜摸| 国产一区二区三区av在线| 亚洲精品一区蜜桃| 欧美中文综合在线视频| 九草在线视频观看| 亚洲四区av| 只有这里有精品99| 极品少妇高潮喷水抽搐| 久久ye,这里只有精品| 美女高潮到喷水免费观看| 欧美国产精品va在线观看不卡| 婷婷色麻豆天堂久久| 成年av动漫网址| 国产成人精品婷婷| 国产在线视频一区二区| 免费日韩欧美在线观看| 国产 一区精品| 男女午夜视频在线观看| av天堂久久9| 90打野战视频偷拍视频| 下体分泌物呈黄色| 国产欧美日韩综合在线一区二区| 精品亚洲成国产av| 亚洲欧洲精品一区二区精品久久久 | 午夜福利视频在线观看免费| 亚洲av电影在线观看一区二区三区| 十八禁网站网址无遮挡| 老司机亚洲免费影院| 如日韩欧美国产精品一区二区三区| 丁香六月天网| 亚洲情色 制服丝袜| 老司机影院毛片| 免费黄色在线免费观看| 精品久久久久久电影网| 免费看不卡的av| 王馨瑶露胸无遮挡在线观看| 亚洲一区二区三区欧美精品| 自线自在国产av| 亚洲精品,欧美精品| 男女午夜视频在线观看| 精品第一国产精品| 日本免费在线观看一区| 国产无遮挡羞羞视频在线观看| 亚洲人成电影观看| 亚洲精品中文字幕在线视频| 中文字幕人妻熟女乱码| 久久精品国产鲁丝片午夜精品| 国产97色在线日韩免费| 亚洲国产看品久久| 日日爽夜夜爽网站| 天天躁夜夜躁狠狠久久av| 伊人久久大香线蕉亚洲五| 国产激情久久老熟女| 国产成人精品福利久久| 国产成人aa在线观看| 亚洲美女视频黄频| 青春草视频在线免费观看| 午夜免费鲁丝| 成人毛片60女人毛片免费| 中文字幕亚洲精品专区| 国产精品 欧美亚洲| 国产成人精品在线电影| 麻豆乱淫一区二区| 18禁裸乳无遮挡动漫免费视频| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 欧美黄色片欧美黄色片| 亚洲精品国产av成人精品| 欧美精品一区二区免费开放| 久久久久久久亚洲中文字幕| 成人18禁高潮啪啪吃奶动态图| 你懂的网址亚洲精品在线观看| 另类精品久久| 99久久中文字幕三级久久日本| 伦精品一区二区三区| 美国免费a级毛片| 国产一区二区三区av在线| 国产又爽黄色视频| 一二三四中文在线观看免费高清| 天天躁夜夜躁狠狠久久av| 亚洲伊人色综图| 欧美精品av麻豆av| 在线天堂最新版资源| 丰满饥渴人妻一区二区三| 一本色道久久久久久精品综合| 高清视频免费观看一区二区| 女性被躁到高潮视频| 又大又黄又爽视频免费| 国产成人午夜福利电影在线观看| 午夜福利影视在线免费观看| 亚洲天堂av无毛| h视频一区二区三区| 色播在线永久视频| 91国产中文字幕| 精品一区二区三卡| 丝袜美足系列| 国产极品天堂在线| 精品亚洲成国产av| 免费观看性生交大片5| 精品人妻偷拍中文字幕| 国产亚洲精品第一综合不卡| xxxhd国产人妻xxx| 日韩人妻精品一区2区三区| 亚洲av在线观看美女高潮| 男女边吃奶边做爰视频| 人体艺术视频欧美日本| 亚洲av综合色区一区| 午夜久久久在线观看| 99精国产麻豆久久婷婷| 日韩中文字幕欧美一区二区 | 亚洲综合色惰| 亚洲精品美女久久久久99蜜臀 | 亚洲av免费高清在线观看| 99热国产这里只有精品6| 欧美变态另类bdsm刘玥| 一本大道久久a久久精品| 99久久综合免费| 欧美亚洲 丝袜 人妻 在线| 日本欧美视频一区| 91精品伊人久久大香线蕉| 国产精品偷伦视频观看了| 男女无遮挡免费网站观看| videossex国产| 街头女战士在线观看网站| 精品一品国产午夜福利视频| 性色avwww在线观看| 日韩中字成人| kizo精华| 中文乱码字字幕精品一区二区三区| 亚洲国产av新网站| 99国产精品免费福利视频| 亚洲欧美精品综合一区二区三区 | www.自偷自拍.com|