• <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 ?

    基于頻繁項(xiàng)挖掘的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法BNSL-FIM

    2022-01-05 02:31:20李昡熠
    計(jì)算機(jī)應(yīng)用 2021年12期
    關(guān)鍵詞:關(guān)聯(lián)規(guī)則

    李昡熠,周 鋆*

    (1.國(guó)防科技大學(xué)系統(tǒng)工程學(xué)院,長(zhǎng)沙 410073;2.國(guó)防科技大學(xué)信息系統(tǒng)工程重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙 410073)

    (?通信作者電子郵箱zhouyun@nudt.edu.cn)

    0 引言

    貝葉斯網(wǎng)絡(luò)是一種通用的概率圖模型,它可以表示隨機(jī)變量之間的相關(guān)性,是隨機(jī)變量聯(lián)合概率分布的一種圖形化表示,具有很強(qiáng)的可解釋性,在機(jī)器學(xué)習(xí)領(lǐng)域有著廣泛的應(yīng)用,是領(lǐng)域研究的熱點(diǎn)之一。

    然而在真實(shí)機(jī)器學(xué)習(xí)問(wèn)題中,由于實(shí)際樣本數(shù)據(jù)存在噪聲和大小限制以及網(wǎng)絡(luò)空間搜索的復(fù)雜性,學(xué)習(xí)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)是一個(gè)NP 難(Non-deterministic Polynomial hard,NPhard)問(wèn)題[1]。因此,如何減小貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的誤差成為了貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的研究難點(diǎn)之一。近年來(lái),人們發(fā)現(xiàn)合理的利用先驗(yàn)知識(shí),可以提高貝葉斯結(jié)構(gòu)學(xué)習(xí)的準(zhǔn)確度[2],成為當(dāng)前貝葉斯網(wǎng)絡(luò)研究領(lǐng)域關(guān)注的重點(diǎn)。

    本文提出一種基于頻繁項(xiàng)挖掘及關(guān)聯(lián)規(guī)則校正的結(jié)構(gòu)學(xué)習(xí)算法BNSL-FIM(Bayesian Network Structure Learning based on Frequent Item Mining),通過(guò)確定頻繁項(xiàng)之間的結(jié)構(gòu)關(guān)系,從中提取先驗(yàn)信息,并設(shè)計(jì)算法輔助提升最終結(jié)構(gòu)學(xué)習(xí)的準(zhǔn)確度。

    如圖1 所示,本文提出的BNSL-FIM 算法首先對(duì)樣本數(shù)據(jù)進(jìn)行二分類處理以及頻繁項(xiàng)挖掘,通過(guò)關(guān)聯(lián)規(guī)則分析初步提取變量間的因果關(guān)系;然后使用PC 算法(PC-Algorithm)[3]對(duì)頻繁項(xiàng)進(jìn)行結(jié)構(gòu)學(xué)習(xí),并利用關(guān)聯(lián)規(guī)則分析結(jié)果對(duì)頻繁項(xiàng)的結(jié)構(gòu)學(xué)習(xí)進(jìn)行校正,從而形成最后的先驗(yàn)知識(shí);最后以BDeu(Bayesian Dirichlet equivalent uniform)評(píng)分函數(shù)為基礎(chǔ)提出融合先驗(yàn)知識(shí)的評(píng)分方法,并使用該評(píng)分方法對(duì)樣本數(shù)據(jù)進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)以得到最終的網(wǎng)絡(luò)結(jié)構(gòu)。

    圖1 BNSL-FIM算法流程Fig.1 Flowchart of BNSL-FIM

    1 相關(guān)工作

    經(jīng)典的貝葉斯網(wǎng)絡(luò)學(xué)習(xí)研究側(cè)重于評(píng)分函數(shù)的設(shè)計(jì)和搜索方法的優(yōu)化[4],通過(guò)對(duì)可能的網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)參數(shù)形式進(jìn)行描述,提高學(xué)習(xí)算法的智能水平和問(wèn)題求解能力,在單一的問(wèn)題領(lǐng)域已經(jīng)達(dá)到了一定的學(xué)習(xí)極限。這些研究偏重模型對(duì)訓(xùn)練數(shù)據(jù)的可解釋性,學(xué)習(xí)準(zhǔn)確度主要由訓(xùn)練數(shù)據(jù)的質(zhì)量決定,在數(shù)據(jù)有限或問(wèn)題復(fù)雜的情況下,往往會(huì)出現(xiàn)過(guò)擬合的情況[5],難以在實(shí)際中應(yīng)用。

    近年來(lái),人們發(fā)現(xiàn)結(jié)合先驗(yàn)知識(shí)可以改進(jìn)貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的準(zhǔn)確度,如引入結(jié)構(gòu)先驗(yàn)[6],或引入一定的約束條件[7]等,都可以大大減少結(jié)構(gòu)學(xué)習(xí)的搜索空間,從而便于算法在有限的時(shí)間內(nèi)找到可行解,因此設(shè)計(jì)先驗(yàn)知識(shí)的引入方法,是改進(jìn)現(xiàn)有貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法的一種思路。

    關(guān)聯(lián)分析是數(shù)據(jù)挖掘中重要的研究?jī)?nèi)容,其核心思想是通過(guò)對(duì)數(shù)據(jù)的共現(xiàn)關(guān)系進(jìn)行計(jì)算分析[8],從而發(fā)現(xiàn)數(shù)據(jù)之間隱含的關(guān)系與規(guī)律。肖?;鄣龋?]提出了一種融合關(guān)聯(lián)規(guī)則與知識(shí)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法;Kharya 等[10]提出通過(guò)計(jì)算關(guān)聯(lián)規(guī)則置信度和提升度并結(jié)合貝葉斯網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的方法。這些方法均嘗試通過(guò)挖掘節(jié)點(diǎn)間的關(guān)聯(lián)規(guī)則來(lái)提升貝葉斯網(wǎng)絡(luò)的準(zhǔn)確度,但由于關(guān)聯(lián)規(guī)則并不顯式地表示變量的因果關(guān)系,上述方法均沒(méi)有實(shí)現(xiàn)通過(guò)挖掘關(guān)聯(lián)規(guī)則自動(dòng)化地進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)。為了解決該問(wèn)題,本文設(shè)計(jì)了一種新的基于頻繁項(xiàng)挖掘的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法。

    2 基于頻繁項(xiàng)挖掘的先驗(yàn)知識(shí)獲取方法

    本章主要介紹如何基于頻繁項(xiàng)挖掘貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)所使用的先驗(yàn)知識(shí),包括:1)基于貝葉斯結(jié)構(gòu)學(xué)習(xí)樣本數(shù)據(jù)的頻繁項(xiàng)集挖掘及其關(guān)聯(lián)規(guī)則分析方法;2)基于關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)校正。

    2.1 頻繁項(xiàng)挖掘及其關(guān)聯(lián)規(guī)則分析

    關(guān)聯(lián)規(guī)則分析主要包括兩個(gè)階段:第一階段是從樣本數(shù)據(jù)中找到頻繁項(xiàng)集,第二階段是從這些頻繁項(xiàng)集中挖掘出關(guān)聯(lián)規(guī)則。本文中的最大頻繁項(xiàng)集挖掘和關(guān)聯(lián)規(guī)則分析的形式化描述如下:

    1)由于關(guān)聯(lián)規(guī)則分析要求給定的數(shù)據(jù)是布爾型變量,故對(duì)給定的數(shù)據(jù)集D={V,Dv}(其中V表示隨機(jī)變量,Dv表示隨機(jī)變量V的樣本數(shù)據(jù))進(jìn)行二分類,使得分類后數(shù)據(jù)集可用于頻繁項(xiàng)挖掘。

    2)使用Apriori算法[4]挖掘支持度Support=P(Vi1∪Vi2∪…∪Vin)≥θ的頻繁項(xiàng)Freq_itemi={Vi1,Vi2,…,Vin},其中θ為根據(jù)數(shù)據(jù)集分布規(guī)律所定義的最小支持度;并通過(guò)頻繁項(xiàng)集F=∪Freq_itemi得出最大頻繁項(xiàng)集Max_F={item|item∈F∩?(item∪(Vi?item)) ?F}。

    3)對(duì)頻繁項(xiàng)集進(jìn)行關(guān)聯(lián)規(guī)則分析,由于變量的關(guān)聯(lián)規(guī)則并不顯式地表示變量間的因果關(guān)系,故本文中并不使用關(guān)聯(lián)規(guī)則分析結(jié)果作為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的先驗(yàn)知識(shí),而是將關(guān)聯(lián)規(guī)則分析作為最大頻繁項(xiàng)集結(jié)構(gòu)學(xué)習(xí)的校正。關(guān)聯(lián)規(guī)則分析的具體表示如下:對(duì)于任意兩個(gè)隨機(jī)變量Vi,Vj∈V,計(jì)算其支持度和置信度,公式如下所示:

    其中:Sup(Vi→Vj)表示關(guān)聯(lián)規(guī)則(Vi→Vj)的支持度,即Vi、Vj同時(shí)發(fā)生的概率P(Vi∪Vj),用來(lái)表示數(shù)據(jù)集中Vi、Vj同時(shí)發(fā)生的比例,反映了該關(guān)聯(lián)規(guī)則在數(shù)據(jù)庫(kù)中的重要性;Con(Vi→Vj)表示關(guān)聯(lián)規(guī)則(Vi→Vj)的置信度,即在變量Vi發(fā)生的情況下,Vj發(fā)生的條件概率,反映了該關(guān)聯(lián)規(guī)則的可信程度。本文通過(guò)篩選同時(shí)滿足最小支持度θ和最小置信度c的關(guān)聯(lián)規(guī)則{(Vi→Vj)|Sup(Vi→Vj)≥θ∩Con(Vi→Vj)≥c}確定最終的強(qiáng)關(guān)聯(lián)規(guī)則集Ass=∪(Vi→Vj)。

    2.2 基于最大頻繁項(xiàng)集的結(jié)構(gòu)學(xué)習(xí)與校正

    關(guān)聯(lián)規(guī)則分析可得出具有強(qiáng)相關(guān)性的節(jié)點(diǎn)對(duì),因果關(guān)系也是一種關(guān)聯(lián)關(guān)系,故可用關(guān)聯(lián)規(guī)則分析結(jié)果Ass對(duì)最大頻繁項(xiàng)集Max_F的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行校正,提高最大頻繁項(xiàng)集貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的準(zhǔn)確度,并以此作為總體樣本數(shù)據(jù)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的先驗(yàn)知識(shí)。

    首先描述最大頻繁項(xiàng)集Max_F的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)過(guò)程。由于最大頻繁項(xiàng)集的節(jié)點(diǎn)數(shù)通常較少,故使用基于約束的結(jié)構(gòu)學(xué)習(xí)方法學(xué)習(xí)最大頻繁項(xiàng)集的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu),本文使用PC 算法[3]對(duì)其進(jìn)行結(jié)構(gòu)學(xué)習(xí)。PC 算法通過(guò)條件獨(dú)立性測(cè)試來(lái)學(xué)習(xí)數(shù)據(jù)的依賴結(jié)構(gòu),嘗試通過(guò)分析數(shù)據(jù)中的條件依賴的獨(dú)立關(guān)系給出最好解釋的某個(gè)網(wǎng)絡(luò)。具體過(guò)程如下:依次提取頻繁項(xiàng)Freq_itemi,從給定的樣本數(shù)據(jù)集D={V,Dv}中提取頻繁項(xiàng)數(shù)據(jù)集,對(duì)Dfreq_i分別進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)得出貝葉斯結(jié)構(gòu)BNfreq_i,最終求得頻繁項(xiàng)集的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)集BNmax_f=∪BNfreq_i。

    但由于PC算法對(duì)個(gè)體獨(dú)立性檢測(cè)的失敗比較敏感,某次檢測(cè)的錯(cuò)誤結(jié)果將誤導(dǎo)整個(gè)網(wǎng)絡(luò)的構(gòu)建過(guò)程,故使用上節(jié)中求得的關(guān)聯(lián)規(guī)則分析集Ass對(duì)頻繁項(xiàng)集的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)集BNmax_f進(jìn)行校正,以增加先驗(yàn)知識(shí)的魯棒性。具體過(guò)程如下:對(duì)于任意節(jié)點(diǎn)對(duì)(Vi→Vj)∈BNmax_f,若(Vi→Vj)∈Ass,則將該節(jié)點(diǎn)對(duì)加入先驗(yàn)知識(shí)白名單,即

    同時(shí),若頻繁項(xiàng)集間的節(jié)點(diǎn)不存在關(guān)聯(lián)規(guī)則也無(wú)法得出貝葉斯網(wǎng)絡(luò)結(jié)構(gòu),則認(rèn)為其是不可能存在的變量依賴關(guān)系,并將其加入先驗(yàn)知識(shí)黑名單,即

    下文中將利用本節(jié)求得的Priwhite_list和Priblack_list作為先驗(yàn)知識(shí)來(lái)進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)。

    3 融合先驗(yàn)知識(shí)的評(píng)分方法與結(jié)構(gòu)學(xué)習(xí)

    本文基于BDeu[11]評(píng)分函數(shù)融合先驗(yàn)知識(shí)提出新的評(píng)分方法,并使用爬山搜索算法尋找評(píng)分最優(yōu)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。下面將詳細(xì)介紹融合先驗(yàn)知識(shí)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法。

    3.1 基本定義

    基于評(píng)分的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法利用評(píng)分函數(shù)對(duì)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的好壞進(jìn)行評(píng)判,并通過(guò)搜索算法尋找評(píng)分最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。因此,該算法主要包括兩個(gè)方面:評(píng)分函數(shù)的選取和搜索算法的選取。評(píng)分函數(shù)包括評(píng)價(jià)后驗(yàn)概率P(G|D)的評(píng)分函數(shù)以及同時(shí)考慮結(jié)構(gòu)擬合度和復(fù)雜度的評(píng)分函數(shù)。常用的評(píng)分函數(shù)有經(jīng)典評(píng)分函數(shù)BDeu[11]、K2[12]、最短信息準(zhǔn)則(Minimum Description Length,MDL)[13]、貝葉斯信息準(zhǔn)則(Bayesian Information Criterion,BIC)[14]和近幾年新提出的評(píng)分函數(shù)Min-BDeu&Max-BDeu[15]、NO TEARS[16]等。對(duì)于搜索算法,由于網(wǎng)絡(luò)空間的復(fù)雜度隨節(jié)點(diǎn)數(shù)增加呈指數(shù)增長(zhǎng),搜索出最優(yōu)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)是個(gè)NP難問(wèn)題,通常使用近似算法來(lái)求取次優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。本節(jié)將詳細(xì)介紹本文中使用的BDeu評(píng)分函數(shù)和爬山搜索算法。

    定義1BDeu評(píng)分函數(shù)。該評(píng)分函數(shù)基于貝葉斯定理提出:對(duì)于給定的樣本數(shù)據(jù)D和模型結(jié)構(gòu)G,根據(jù)貝葉斯公式

    將后驗(yàn)概率作為評(píng)分。由于P(D)不會(huì)影響不同的模型結(jié)構(gòu)G,故評(píng)分公式等價(jià)為:

    將P(D|G)展開(kāi)可得:

    其中:θg表示給定模型結(jié)構(gòu)G時(shí)的參數(shù)。當(dāng)參數(shù)θg的先驗(yàn)分布滿足乘積狄利克雷分布時(shí),可以得到:

    其中:Г()表示gamma 函數(shù);n表示隨機(jī)變量的個(gè)數(shù);rПi表示第i個(gè)隨機(jī)變量Xi的父節(jié)點(diǎn)集可能的取值數(shù);ri表示隨機(jī)變量Vi可能的取值數(shù);nijk表示隨機(jī)變量Vi取k,隨機(jī)變量Vi的父節(jié)點(diǎn)集取j時(shí)的樣本個(gè)數(shù);αijk為狄利克雷參數(shù),當(dāng)時(shí),該評(píng)分函數(shù)為BDeu 評(píng)分函數(shù),α*為等效樣本量(Equivalent Sample Size)。

    算法1 爬山搜索算法。該搜索算法是一種局部擇優(yōu)的搜索算法,算法思路是從當(dāng)前結(jié)構(gòu)的相鄰結(jié)構(gòu)里,選取評(píng)分最高的結(jié)構(gòu)作為下一個(gè)當(dāng)前結(jié)構(gòu),重復(fù)操作直至所有相鄰結(jié)構(gòu)的評(píng)分都比當(dāng)前結(jié)構(gòu)低。

    輸入 數(shù)據(jù)集D,評(píng)分函數(shù)SD(G);

    輸出 使得分函數(shù)SD(G)最大的網(wǎng)絡(luò)結(jié)構(gòu)Gmax。

    3.2 融合先驗(yàn)知識(shí)的結(jié)構(gòu)學(xué)習(xí)

    為了融合上文中得出的先驗(yàn)知識(shí)Priwhite_list和Priblack_list,本節(jié)提出一種新的評(píng)分模型,在評(píng)分函數(shù)中增加罰項(xiàng):

    其中:rw表示滿足(Vi→Vj)∈Priwhite_list∩(Vi→Vj)∈G的元素個(gè)數(shù),nk表示第k個(gè)滿足(Vi→Vj)∈Priwhite_list∩(Vi→Vj)∈G的樣本個(gè)數(shù);rb表示滿足(Vi→Vj)∈Priblack_list∩(Vi→Vj)∈G的 元 素 個(gè) 數(shù),nt表 示 第t個(gè) 滿 足(Vi→Vj)∈Priblack_list∩(Vi→Vj)∈G的樣本個(gè)數(shù)。定義本文中融合先驗(yàn)的評(píng)分函數(shù)如下:

    算法2 融合先驗(yàn)知識(shí)的結(jié)構(gòu)學(xué)習(xí)算法。該算法分為評(píng)分函數(shù)和搜索算法兩個(gè)階段,與未融合先驗(yàn)知識(shí)的結(jié)構(gòu)學(xué)習(xí)算法相比,該算法增加了基于頻繁項(xiàng)挖掘的先驗(yàn)知識(shí)獲取過(guò)程。具體算法描述如下:首先基于頻繁項(xiàng)挖掘獲取先驗(yàn)知識(shí);再結(jié)合樣本數(shù)據(jù)特點(diǎn)確定評(píng)分函數(shù)的罰項(xiàng)權(quán)重γ的取值,并得出最終的評(píng)分函數(shù);最后使用爬山搜索算法尋找最優(yōu)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。

    輸入 數(shù)據(jù)集D,評(píng)分函數(shù)SPrior(G),評(píng)分函數(shù)參數(shù)γ;

    輸出 使得評(píng)分函數(shù)SPrior(G)最大的網(wǎng)絡(luò)結(jié)構(gòu)Gmax。

    4 實(shí)驗(yàn)與結(jié)果分析

    本章使用經(jīng)典數(shù)據(jù)集對(duì)BNSL-FIM 算法進(jìn)行有效性仿真驗(yàn)證,并通過(guò)對(duì)比融合先驗(yàn)知識(shí)所學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)和未融合先驗(yàn)知識(shí)所學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)與原始結(jié)構(gòu)的漢明距離來(lái)評(píng)判網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)劣性。

    4.1 實(shí)驗(yàn)配置

    實(shí)驗(yàn)基于linux-4.19.128-microsoft-standard 平臺(tái),使用python集成環(huán)境anaconda3,python版本為3.7.9。實(shí)驗(yàn)使用的6 個(gè)數(shù)據(jù)集均來(lái)源于公開(kāi)在線平臺(tái)Bayesian Network Repository[17],并使用開(kāi)源python 軟件包pyAgrum 對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行采樣,mlxtend 對(duì)采樣后數(shù)據(jù)進(jìn)行頻繁項(xiàng)集挖掘和關(guān)聯(lián)規(guī)則分析,pgmpy 對(duì)數(shù)據(jù)進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí),最后通過(guò)比較學(xué)習(xí)到的網(wǎng)絡(luò)結(jié)構(gòu)與原始網(wǎng)絡(luò)結(jié)構(gòu)的漢明距離來(lái)評(píng)判該算法的有效性。

    4.2 實(shí)驗(yàn)過(guò)程

    為了多維度驗(yàn)證BNSL-FIM 算法的有效性,實(shí)驗(yàn)過(guò)程中分別使用表1所示的6個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行分析,其中包括小型貝葉斯網(wǎng)絡(luò)Asia、Sachs;中型貝葉斯網(wǎng)絡(luò)Alarm、Insurance 和大型貝葉斯網(wǎng)絡(luò)Hailfinder、Hepar2;并且在仿真過(guò)程中對(duì)不同數(shù)據(jù)量的樣本數(shù)據(jù)進(jìn)行了測(cè)試,通過(guò)驗(yàn)證不同類型的網(wǎng)絡(luò)結(jié)構(gòu)和不同大小的樣本數(shù)據(jù)更真實(shí)地判斷本文提出算法的優(yōu)劣性。

    表1 實(shí)驗(yàn)使用的6個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集Tab.1 Six standard datasets used in experiments

    實(shí)驗(yàn)首先通過(guò)采樣數(shù)據(jù)集挖掘出頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則,并確定最終的先驗(yàn)知識(shí);再使用本文中提出的融合先驗(yàn)知識(shí)的評(píng)分函數(shù)對(duì)數(shù)據(jù)集進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí);最后計(jì)算學(xué)習(xí)所得網(wǎng)絡(luò)結(jié)構(gòu)與原始網(wǎng)絡(luò)結(jié)構(gòu)的漢明距離。所以在實(shí)驗(yàn)開(kāi)始之前要根據(jù)樣本數(shù)據(jù)的分布特點(diǎn)對(duì)最小支持度θ、最小置信度c以及評(píng)分函數(shù)的罰項(xiàng)權(quán)重γ這些實(shí)驗(yàn)參數(shù)進(jìn)行設(shè)置。本文中最小支持度與最小置信度的取值是通過(guò)分析樣本數(shù)據(jù)特點(diǎn)選取的經(jīng)驗(yàn)值,具體參數(shù)值見(jiàn)本文源代碼[18]。下面以采樣大小為5 000的Asia網(wǎng)絡(luò)為例詳細(xì)闡述實(shí)驗(yàn)過(guò)程,其原始網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    圖2 Asia數(shù)據(jù)集的原始網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Original network structure of Asia dataset

    實(shí)驗(yàn)過(guò)程主要分為三個(gè)階段:第一階段對(duì)數(shù)據(jù)集進(jìn)行關(guān)聯(lián)規(guī)則分析,首先將數(shù)據(jù)集變量轉(zhuǎn)換為布爾值變量,設(shè)置最小支持度θ為0.75,最小置信度c為0.95,對(duì)數(shù)據(jù)集進(jìn)行頻繁項(xiàng)集挖掘和關(guān)聯(lián)規(guī)則分析,表2 是一次實(shí)驗(yàn)中對(duì)Aisa 采樣所得數(shù)據(jù)集進(jìn)行關(guān)聯(lián)規(guī)則分析的數(shù)據(jù),挖掘到的最大頻繁項(xiàng)集為:{(Either,XraY,Tub,Asia,Lung)};接著對(duì)最大頻繁項(xiàng)集進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí),結(jié)合關(guān)聯(lián)規(guī)則分析結(jié)果確定最終的先驗(yàn)知識(shí)。

    表2 Asia數(shù)據(jù)集的關(guān)聯(lián)規(guī)則分析Tab.2 Association rule analysis of Asia dataset

    實(shí)驗(yàn)最終得到的先驗(yàn)知識(shí)如圖3 所示,分析先驗(yàn)知識(shí)的準(zhǔn)確率可以得出,實(shí)驗(yàn)中白名單先驗(yàn)知識(shí)的準(zhǔn)確率為100%,黑名單先驗(yàn)知識(shí)的準(zhǔn)確率為85.7%(虛線為錯(cuò)誤邊)。雖然先驗(yàn)知識(shí)的準(zhǔn)確率未達(dá)到100%,但由于本文中提出的評(píng)分函數(shù)是基于權(quán)重和節(jié)點(diǎn)對(duì)同時(shí)出現(xiàn)的概率來(lái)設(shè)定懲罰項(xiàng),故對(duì)于先驗(yàn)知識(shí)有一定的容錯(cuò)率。

    圖3 Asia數(shù)據(jù)集中提取的先驗(yàn)知識(shí)Fig.3 Prior knowledge extracted from Asia dataset

    第二階段使用未融合先驗(yàn)知識(shí)的算法和融合先驗(yàn)知識(shí)的算法分別對(duì)Asia 數(shù)據(jù)集進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí),求得貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示,可以看出,融合先驗(yàn)知識(shí)的結(jié)構(gòu)學(xué)習(xí)結(jié)果正確邊數(shù)(實(shí)線所示)多于未融合先驗(yàn)知識(shí)的結(jié)構(gòu)學(xué)習(xí)結(jié)果。

    圖4 添加/不添加先驗(yàn)下Asia數(shù)據(jù)集的結(jié)構(gòu)學(xué)習(xí)結(jié)果Fig.4 Structure learning results on Asia dataset with/without prior knowledge

    第三階段計(jì)算學(xué)習(xí)所得的網(wǎng)絡(luò)結(jié)構(gòu)與原始結(jié)構(gòu)的漢明距離,由于采樣數(shù)據(jù)的不確定性以及搜索過(guò)程中起始變量的不確定性,每次結(jié)果學(xué)習(xí)所得到的網(wǎng)絡(luò)結(jié)構(gòu)存在差異,故為提高實(shí)驗(yàn)結(jié)果的可靠性,每組數(shù)據(jù)進(jìn)行多次采樣與結(jié)構(gòu)學(xué)習(xí),最后計(jì)算所得結(jié)構(gòu)與原始結(jié)構(gòu)漢明距離的平均值,以樣本數(shù)量為5 000的Asia網(wǎng)絡(luò)為例,重復(fù)10次的實(shí)驗(yàn)結(jié)果如表3所示。

    表3 Asia數(shù)據(jù)集的結(jié)構(gòu)學(xué)習(xí)結(jié)果(漢明距離)對(duì)比Tab.3 Structure learning results(Hamming distance)on Asia dataset

    4.3 實(shí)驗(yàn)結(jié)果與分析

    通過(guò)4.2 節(jié)所述的實(shí)驗(yàn)配置和實(shí)驗(yàn)方法,分別對(duì)不同樣本大小的6 個(gè)經(jīng)典網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析,結(jié)果如表4 所示。由表4可以看出,BNSL-FIM算法對(duì)Asia和Hailfinder網(wǎng)絡(luò)有較為顯著的提升效果,但對(duì)Alarm 和Hepar2 網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)幾乎沒(méi)有提升效果。一方面,這取決于數(shù)據(jù)集中的頻繁項(xiàng)集的特點(diǎn),比如頻繁項(xiàng)集中能否挖掘出有效的因果關(guān)系信息或先驗(yàn)信息是否可靠;另一方面,由于pgmpy軟件包提供的爬山搜索算法是基于可分解的評(píng)分函數(shù)[19]搜索網(wǎng)絡(luò),當(dāng)網(wǎng)絡(luò)節(jié)點(diǎn)較多時(shí),融合先驗(yàn)知識(shí)的評(píng)分函數(shù)的罰項(xiàng)會(huì)導(dǎo)致ΔS>epsilon的情況增多,搜索空間成倍增大,影響搜索效率,為平衡搜索時(shí)間和內(nèi)存使用情況,實(shí)驗(yàn)中調(diào)低了大型網(wǎng)絡(luò)中先驗(yàn)知識(shí)的權(quán)重取值,也影響了實(shí)驗(yàn)結(jié)果;同時(shí),BNSL-FIM 算法在小樣本數(shù)據(jù)下的效果沒(méi)有大樣本數(shù)據(jù)下效果明顯,這是由于小樣本數(shù)據(jù)信息量不足,更難挖掘出正確的關(guān)聯(lián)信息,這導(dǎo)致了小樣本情況下所獲取的先驗(yàn)知識(shí)準(zhǔn)確性較低,從而影響實(shí)驗(yàn)結(jié)果。

    表4 兩個(gè)算法在6個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上的不同樣本大小條件下的結(jié)構(gòu)學(xué)習(xí)結(jié)果(漢明距離)對(duì)比Tab.4 Structure learning results(Hamming distance)of two algorithms on 6 standard datasets under different sample sizes

    5 結(jié)語(yǔ)

    本文針對(duì)如何提高貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)提出了一種以挖掘頻繁項(xiàng)集生成先驗(yàn)知識(shí)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法,實(shí)驗(yàn)結(jié)果表明該算法對(duì)具有某些特點(diǎn)(比如網(wǎng)絡(luò)節(jié)點(diǎn)較少/頻繁項(xiàng)集中隨機(jī)變量存在因果關(guān)系)的網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)有較明顯的提升效果。但該算法仍然存在一些不足,比如降低了基于可分解評(píng)分函數(shù)的爬山搜索的算法性能,使得對(duì)于大型網(wǎng)絡(luò)的適應(yīng)性較差;對(duì)于小樣本數(shù)據(jù)和錯(cuò)誤先驗(yàn)信息的適應(yīng)能力仍需要提高。針對(duì)如何提升該算法的魯棒性和搜索算法的性能是下一步需要繼續(xù)研究的問(wèn)題。

    猜你喜歡
    關(guān)聯(lián)規(guī)則
    撐竿跳規(guī)則的制定
    不懼于新,不困于形——一道函數(shù)“關(guān)聯(lián)”題的剖析與拓展
    “苦”的關(guān)聯(lián)
    數(shù)獨(dú)的規(guī)則和演變
    “一帶一路”遞進(jìn),關(guān)聯(lián)民生更緊
    規(guī)則的正確打開(kāi)方式
    幸福(2018年33期)2018-12-05 05:22:42
    奇趣搭配
    讓規(guī)則不規(guī)則
    Coco薇(2017年11期)2018-01-03 20:59:57
    智趣
    讀者(2017年5期)2017-02-15 18:04:18
    TPP反腐敗規(guī)則對(duì)我國(guó)的啟示
    亚洲av欧美aⅴ国产| 婷婷色av中文字幕| 国产不卡av网站在线观看| 国产淫语在线视频| 日本黄大片高清| 日日撸夜夜添| 国产亚洲精品久久久com| 纯流量卡能插随身wifi吗| 久久av网站| 亚洲精品aⅴ在线观看| 3wmmmm亚洲av在线观看| 十分钟在线观看高清视频www| 欧美性感艳星| 亚洲国产欧美日韩在线播放| 国产精品一区二区三区四区免费观看| 少妇人妻 视频| 啦啦啦中文免费视频观看日本| 曰老女人黄片| 欧美日韩亚洲高清精品| 一区二区三区四区激情视频| 成人黄色视频免费在线看| 2022亚洲国产成人精品| 亚洲精品日韩在线中文字幕| 日韩人妻高清精品专区| 亚洲精品视频女| 午夜日本视频在线| 欧美日韩在线观看h| 又大又黄又爽视频免费| 亚洲一级一片aⅴ在线观看| 日韩大片免费观看网站| 久久人人爽av亚洲精品天堂| 免费观看的影片在线观看| 丝瓜视频免费看黄片| 黄色一级大片看看| 亚洲怡红院男人天堂| 亚洲欧美日韩卡通动漫| 少妇人妻精品综合一区二区| 麻豆成人av视频| 欧美亚洲 丝袜 人妻 在线| 男女国产视频网站| 少妇 在线观看| 精品视频人人做人人爽| 欧美精品一区二区大全| 一边亲一边摸免费视频| 美女国产高潮福利片在线看| h视频一区二区三区| 亚洲国产精品一区二区三区在线| 国国产精品蜜臀av免费| 妹子高潮喷水视频| 国产在线免费精品| 99热网站在线观看| 午夜老司机福利剧场| 如何舔出高潮| 日韩精品免费视频一区二区三区 | 在线播放无遮挡| 国产探花极品一区二区| 久久99一区二区三区| 人人妻人人澡人人看| 亚洲国产av影院在线观看| 亚州av有码| 精品午夜福利在线看| 青春草亚洲视频在线观看| 91久久精品国产一区二区成人| 午夜福利影视在线免费观看| 亚洲五月色婷婷综合| 18禁动态无遮挡网站| 亚洲国产毛片av蜜桃av| 秋霞伦理黄片| 精品人妻熟女毛片av久久网站| 最近中文字幕2019免费版| 91午夜精品亚洲一区二区三区| 2018国产大陆天天弄谢| 三级国产精品片| 人人妻人人爽人人添夜夜欢视频| 久久99蜜桃精品久久| 9色porny在线观看| 国产精品国产三级国产专区5o| 韩国高清视频一区二区三区| 男人操女人黄网站| 2022亚洲国产成人精品| 中文天堂在线官网| 超色免费av| 制服诱惑二区| 草草在线视频免费看| 国产成人精品婷婷| 午夜免费鲁丝| 欧美 亚洲 国产 日韩一| 在线免费观看不下载黄p国产| 香蕉精品网在线| 久久久久久久亚洲中文字幕| 18+在线观看网站| 成人亚洲精品一区在线观看| 中文天堂在线官网| 人人妻人人澡人人看| 欧美日韩国产mv在线观看视频| 在线观看人妻少妇| 日韩一本色道免费dvd| 精品久久国产蜜桃| 亚洲精品av麻豆狂野| 一区二区三区乱码不卡18| av电影中文网址| 丝瓜视频免费看黄片| 国产片特级美女逼逼视频| 欧美人与性动交α欧美精品济南到 | 九九在线视频观看精品| 亚洲精品日韩av片在线观看| 日韩av免费高清视频| 欧美日韩视频高清一区二区三区二| 久久午夜福利片| 午夜激情av网站| 韩国高清视频一区二区三区| 一个人免费看片子| 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 | 欧美精品国产亚洲| 综合色丁香网| 久久久久国产精品人妻一区二区| 男女无遮挡免费网站观看| 国产免费一级a男人的天堂| 欧美另类一区| 精品99又大又爽又粗少妇毛片| 国产男女超爽视频在线观看| 日韩中文字幕视频在线看片| 最近的中文字幕免费完整| 国产伦理片在线播放av一区| 少妇人妻 视频| 王馨瑶露胸无遮挡在线观看| 飞空精品影院首页| 特大巨黑吊av在线直播| 777米奇影视久久| 少妇的逼好多水| 黄片播放在线免费| 卡戴珊不雅视频在线播放| 亚洲精品国产av成人精品| 成人二区视频| 久久婷婷青草| 久久女婷五月综合色啪小说| 在线观看免费日韩欧美大片 | 亚洲精品成人av观看孕妇| 中文字幕人妻熟人妻熟丝袜美| 五月开心婷婷网| 99精国产麻豆久久婷婷| 美女国产视频在线观看| a级毛色黄片| 日韩熟女老妇一区二区性免费视频| 日本vs欧美在线观看视频| 在现免费观看毛片| 日韩在线高清观看一区二区三区| av免费观看日本| 性色avwww在线观看| 欧美一级a爱片免费观看看| 亚洲精品自拍成人| 亚洲高清免费不卡视频| 少妇的逼水好多| 在线观看免费日韩欧美大片 | 男女免费视频国产| 日本av手机在线免费观看| 久久久久久久国产电影| 中文天堂在线官网| 亚洲高清免费不卡视频| 成人午夜精彩视频在线观看| 少妇丰满av| 国产精品久久久久成人av| 久久狼人影院| 视频区图区小说| 免费日韩欧美在线观看| 成年人免费黄色播放视频| 97超视频在线观看视频| 国产精品久久久久久久久免| 男的添女的下面高潮视频| 黄色怎么调成土黄色| videos熟女内射| a级毛片在线看网站| 日日摸夜夜添夜夜爱| 国产成人精品一,二区| 婷婷色麻豆天堂久久| av在线播放精品| 丁香六月天网| 一区二区三区精品91| 18禁在线无遮挡免费观看视频| 大又大粗又爽又黄少妇毛片口| 大香蕉久久成人网| 在线 av 中文字幕| 国产在线免费精品| 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| 久久免费观看电影| 亚洲综合精品二区| 国产在线视频一区二区| 亚洲一级一片aⅴ在线观看| 青春草国产在线视频| .国产精品久久| 黑人猛操日本美女一级片| 国产精品久久久久久精品古装| 熟女电影av网| 亚洲精品久久午夜乱码| 国产亚洲av片在线观看秒播厂| 2022亚洲国产成人精品| 色婷婷久久久亚洲欧美| 夫妻性生交免费视频一级片| 免费大片18禁| 日韩欧美一区视频在线观看| 人人妻人人澡人人看| 黄色视频在线播放观看不卡| 久久精品人人爽人人爽视色| 99九九线精品视频在线观看视频| 美女中出高潮动态图| 免费观看a级毛片全部| 国产精品久久久久成人av| 色5月婷婷丁香| av免费在线看不卡| 超碰97精品在线观看| 成年美女黄网站色视频大全免费 | 国产高清不卡午夜福利| 久久青草综合色| 国产免费又黄又爽又色| 极品人妻少妇av视频| 亚洲精品第二区| 欧美最新免费一区二区三区| 亚洲av电影在线观看一区二区三区| 亚洲av在线观看美女高潮| 日韩av在线免费看完整版不卡| 久久国产亚洲av麻豆专区| 成年女人在线观看亚洲视频| 久久精品久久久久久噜噜老黄| 精品一区二区三区视频在线| 亚洲人成77777在线视频| 久久久久人妻精品一区果冻| 成年女人在线观看亚洲视频| 97超视频在线观看视频| 老熟女久久久| 亚洲精品日韩av片在线观看| 99热全是精品| 国产免费一级a男人的天堂| 日日爽夜夜爽网站| 欧美人与善性xxx| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲国产成人一精品久久久| 日本与韩国留学比较| 国产亚洲精品久久久com| 日韩,欧美,国产一区二区三区| 国产精品免费大片| 又黄又爽又刺激的免费视频.| 国产熟女午夜一区二区三区 | 观看av在线不卡| 欧美日韩av久久| 国产成人精品在线电影| 黄色怎么调成土黄色| 久久狼人影院| 国产欧美另类精品又又久久亚洲欧美| 亚洲国产精品国产精品| 99热国产这里只有精品6| 亚洲精品成人av观看孕妇| 99精国产麻豆久久婷婷| 午夜福利视频精品| 麻豆成人av视频| 一本色道久久久久久精品综合| 国产一级毛片在线| 免费人妻精品一区二区三区视频| 最近2019中文字幕mv第一页| 天堂中文最新版在线下载| 免费观看性生交大片5| 久久这里有精品视频免费| 久久久久久久久大av| 国产精品久久久久久精品古装| 交换朋友夫妻互换小说| 插阴视频在线观看视频| 日韩熟女老妇一区二区性免费视频| 国产精品三级大全| 国产69精品久久久久777片| 日韩熟女老妇一区二区性免费视频| 男女边吃奶边做爰视频| 亚洲精品中文字幕在线视频| 午夜福利在线观看免费完整高清在| 久久青草综合色| 午夜视频国产福利| 国产精品三级大全| 成年女人在线观看亚洲视频| 亚洲av福利一区| 国产深夜福利视频在线观看| 18在线观看网站| 欧美性感艳星| 蜜桃久久精品国产亚洲av| 精品人妻熟女毛片av久久网站| 精品国产乱码久久久久久小说| 精品卡一卡二卡四卡免费| av在线老鸭窝| 久久久久久久久久久久大奶| 搡老乐熟女国产| 嘟嘟电影网在线观看| 亚洲人成77777在线视频| 久久人人爽人人爽人人片va| 久久人人爽人人片av| 色网站视频免费| 免费久久久久久久精品成人欧美视频 | 成人黄色视频免费在线看| videossex国产| 国产免费视频播放在线视频| 国产毛片在线视频| 9色porny在线观看| 亚洲无线观看免费| 亚洲国产精品一区三区| 国产精品不卡视频一区二区| 国产精品一区二区在线不卡| kizo精华| av天堂久久9| h视频一区二区三区| 97超视频在线观看视频| 久久久国产欧美日韩av| 国产精品国产三级国产av玫瑰| a级毛色黄片| 91精品一卡2卡3卡4卡| 国产伦理片在线播放av一区| 久久精品久久久久久噜噜老黄| 午夜91福利影院| 久久婷婷青草| 日韩中字成人| 男人爽女人下面视频在线观看| 日日摸夜夜添夜夜添av毛片| 欧美bdsm另类| 一区二区三区乱码不卡18| 80岁老熟妇乱子伦牲交| 有码 亚洲区| 少妇精品久久久久久久| 黑人高潮一二区| 日日啪夜夜爽| 极品人妻少妇av视频| 久久久久久久国产电影| 亚洲av成人精品一二三区| 如何舔出高潮| 久久精品久久久久久噜噜老黄| 国产一级毛片在线| 国产一区二区在线观看日韩| 亚洲人成网站在线播| 哪个播放器可以免费观看大片| 99热这里只有是精品在线观看| 国产精品 国内视频| 国产精品熟女久久久久浪| 美女脱内裤让男人舔精品视频| 大片免费播放器 马上看| av有码第一页| 久久韩国三级中文字幕| 免费高清在线观看日韩| 一本久久精品| 国产精品久久久久久久电影| 高清欧美精品videossex| 99视频精品全部免费 在线| 卡戴珊不雅视频在线播放| 日韩,欧美,国产一区二区三区| 9色porny在线观看| 精品人妻熟女毛片av久久网站| 人人澡人人妻人| 日日摸夜夜添夜夜添av毛片| 午夜免费鲁丝| av有码第一页| 精品卡一卡二卡四卡免费| 成人亚洲精品一区在线观看| 午夜老司机福利剧场| 色网站视频免费| 精品国产国语对白av| 亚洲经典国产精华液单| 午夜福利影视在线免费观看| 男女免费视频国产| 亚洲欧美一区二区三区国产| 免费高清在线观看视频在线观看| 婷婷色av中文字幕| 国产 一区精品| 免费看av在线观看网站| 看非洲黑人一级黄片| 特大巨黑吊av在线直播| 亚洲国产av新网站| 一个人免费看片子| 高清av免费在线| 欧美97在线视频| 精品午夜福利在线看| 国产免费又黄又爽又色| 黑人猛操日本美女一级片| av视频免费观看在线观看| 黑人猛操日本美女一级片| 另类亚洲欧美激情| 欧美日韩视频高清一区二区三区二| 欧美人与善性xxx| 校园人妻丝袜中文字幕| 大香蕉久久网| 午夜老司机福利剧场| 一级毛片黄色毛片免费观看视频| 在现免费观看毛片| 日韩av在线免费看完整版不卡| 久久久久国产精品人妻一区二区| av播播在线观看一区| 婷婷成人精品国产| 99热国产这里只有精品6| 内地一区二区视频在线| 亚洲av男天堂| 在线观看一区二区三区激情| 国产精品三级大全| 欧美激情 高清一区二区三区| 青春草亚洲视频在线观看| 亚洲性久久影院| 免费观看性生交大片5| av有码第一页| 亚洲欧美清纯卡通| 91久久精品电影网| 少妇 在线观看| 在线观看免费日韩欧美大片 | 免费高清在线观看视频在线观看| 91精品国产九色| 国产极品粉嫩免费观看在线 | 国产精品成人在线| 美女视频免费永久观看网站| 搡女人真爽免费视频火全软件| 十八禁高潮呻吟视频| 桃花免费在线播放| 欧美精品高潮呻吟av久久| 十分钟在线观看高清视频www| 日本欧美视频一区| 国产亚洲最大av| 色5月婷婷丁香| av在线播放精品| 成人亚洲精品一区在线观看| 2021少妇久久久久久久久久久| 天堂中文最新版在线下载| 下体分泌物呈黄色| 黄片无遮挡物在线观看| 亚洲精品国产av蜜桃| 国产精品秋霞免费鲁丝片| 97在线人人人人妻| av又黄又爽大尺度在线免费看| 成人综合一区亚洲| 日韩强制内射视频| 人妻制服诱惑在线中文字幕| 一级毛片我不卡| 久久99一区二区三区| 国产成人aa在线观看| 一区二区三区精品91| 18禁动态无遮挡网站| 亚洲伊人久久精品综合| 精品久久久噜噜| 有码 亚洲区| 欧美激情 高清一区二区三区| 人人澡人人妻人| av有码第一页| 99久久精品国产国产毛片| 亚洲精品aⅴ在线观看| 麻豆乱淫一区二区| 26uuu在线亚洲综合色| 高清毛片免费看| www.色视频.com| 欧美精品高潮呻吟av久久| 一边亲一边摸免费视频| 欧美激情国产日韩精品一区| videossex国产| 成人毛片60女人毛片免费| 九色亚洲精品在线播放| 午夜av观看不卡| 亚洲精品一区蜜桃| 国产精品三级大全| 国产在线视频一区二区| 高清欧美精品videossex| a级毛片在线看网站| 亚洲av综合色区一区| 亚洲国产av新网站| 日韩精品免费视频一区二区三区 | 久久午夜福利片| 亚洲av日韩在线播放| 一边摸一边做爽爽视频免费| 少妇人妻 视频| 夜夜爽夜夜爽视频| 免费大片18禁| 美女脱内裤让男人舔精品视频| 日韩亚洲欧美综合| 黑人欧美特级aaaaaa片| 午夜福利视频在线观看免费| 精品一区二区免费观看| 亚洲精品国产av蜜桃| 69精品国产乱码久久久| 国产免费一区二区三区四区乱码| av有码第一页| 热99国产精品久久久久久7| 久久久午夜欧美精品| 女的被弄到高潮叫床怎么办| 国产欧美另类精品又又久久亚洲欧美| 欧美老熟妇乱子伦牲交| 好男人视频免费观看在线| 午夜福利网站1000一区二区三区| 热re99久久精品国产66热6| 亚洲国产精品专区欧美| 亚洲丝袜综合中文字幕| av在线播放精品| 精品熟女少妇av免费看| 人妻系列 视频| 搡女人真爽免费视频火全软件| 黄色欧美视频在线观看| 人人澡人人妻人| 大陆偷拍与自拍| 亚洲欧美一区二区三区国产| 日韩精品有码人妻一区| 精品一区二区三卡| 国产黄片视频在线免费观看| 欧美xxⅹ黑人| 亚洲成人一二三区av| av免费在线看不卡| 亚洲精品一二三| 国产精品久久久久久av不卡| 人成视频在线观看免费观看| 18禁动态无遮挡网站| 精品久久蜜臀av无| 国产成人一区二区在线| 午夜91福利影院| 91午夜精品亚洲一区二区三区| 午夜精品国产一区二区电影| 少妇的逼好多水| 人妻制服诱惑在线中文字幕| 国产片特级美女逼逼视频| 男人操女人黄网站| 国产免费又黄又爽又色| 久久99热这里只频精品6学生| 在线天堂最新版资源| 少妇熟女欧美另类| 久久久久久伊人网av| 国产午夜精品一二区理论片| 卡戴珊不雅视频在线播放| 欧美精品一区二区大全| 狠狠精品人妻久久久久久综合| 久久人人爽人人爽人人片va| 免费大片黄手机在线观看| 中文乱码字字幕精品一区二区三区| 欧美日韩视频精品一区| 国产精品麻豆人妻色哟哟久久| 在线观看国产h片| 久久女婷五月综合色啪小说| 欧美xxxx性猛交bbbb| 免费播放大片免费观看视频在线观看| 日韩一区二区视频免费看| 久久97久久精品| 在线看a的网站| 亚洲精品中文字幕在线视频| 自拍欧美九色日韩亚洲蝌蚪91| 一个人看视频在线观看www免费| 国内精品宾馆在线| av免费观看日本| 青春草视频在线免费观看| 国精品久久久久久国模美| 边亲边吃奶的免费视频| 免费黄网站久久成人精品| 国产亚洲欧美精品永久| 精品人妻熟女毛片av久久网站| 老司机亚洲免费影院| 日本午夜av视频| 黄色欧美视频在线观看| 啦啦啦视频在线资源免费观看| 欧美精品一区二区大全| 亚洲不卡免费看| 亚洲精品国产色婷婷电影| 欧美日韩综合久久久久久| 久久99热6这里只有精品| 七月丁香在线播放| 欧美激情国产日韩精品一区| 精品一区二区三区视频在线| 日韩不卡一区二区三区视频在线| 免费看不卡的av| 一本久久精品| 日本色播在线视频| 成年女人在线观看亚洲视频| 亚洲成人手机| 久久99精品国语久久久| 亚洲欧美色中文字幕在线| 亚洲色图综合在线观看| a级毛片在线看网站| 久久精品国产鲁丝片午夜精品| 国产亚洲最大av| 国产精品久久久久久久电影| 久热久热在线精品观看| 日本猛色少妇xxxxx猛交久久| 久久久久久久久久久免费av| 亚洲精品成人av观看孕妇| 日韩大片免费观看网站| 日韩,欧美,国产一区二区三区| 国产精品一区www在线观看| 精品久久久久久电影网| 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 | 精品人妻偷拍中文字幕| 国产深夜福利视频在线观看| 99九九线精品视频在线观看视频| 午夜福利在线观看免费完整高清在| 如何舔出高潮| a级毛片免费高清观看在线播放| 精品国产露脸久久av麻豆| 蜜桃国产av成人99| 男女边吃奶边做爰视频| 99视频精品全部免费 在线| 亚洲精品456在线播放app| 高清av免费在线| 老司机影院毛片| 国产无遮挡羞羞视频在线观看| 少妇的逼好多水| 久久国产精品大桥未久av| 亚洲av综合色区一区| 精品久久国产蜜桃| 99视频精品全部免费 在线| 香蕉精品网在线| 精品一区在线观看国产| 高清午夜精品一区二区三区| 香蕉精品网在线| 91久久精品国产一区二区三区| 免费观看av网站的网址| 国产欧美日韩一区二区三区在线 | 国产精品一区二区在线观看99| 性色av一级| 国产男女内射视频| 99视频精品全部免费 在线| 特大巨黑吊av在线直播| 狂野欧美激情性xxxx在线观看| 亚洲国产精品一区二区三区在线| 久久精品国产亚洲av天美| 免费大片18禁|