• <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.國防科技大學(xué)系統(tǒng)工程學(xué)院,長沙 410073;2.國防科技大學(xué)信息系統(tǒng)工程重點(diǎn)實(shí)驗(yàn)室,長沙 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,人們發(fā)現(xiàn)合理的利用先驗(yàn)知識,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 算法首先對樣本數(shù)據(jù)進(jìn)行二分類處理以及頻繁項(xiàng)挖掘,通過關(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;最后以BDeu(Bayesian Dirichlet equivalent uniform)評分函數(shù)為基礎(chǔ)提出融合先驗(yàn)知識的評分方法,并使用該評分方法對樣本數(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)重于評分函數(shù)的設(shè)計(jì)和搜索方法的優(yōu)化[4],通過對可能的網(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題求解能力,在單一的問題領(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)有限或問題復(fù)雜的情況下,往往會出現(xiàn)過擬合的情況[5],難以在實(shí)際中應(yīng)用。

    近年來,人們發(fā)現(xiàn)結(jié)合先驗(yàn)知識可以改進(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)挖掘中重要的研究內(nèi)容,其核心思想是通過對數(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。肖海慧等[9]提出了一種融合關(guān)聯(lián)規(guī)則與知識的貝葉斯網(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)測的方法。這些方法均嘗試通過挖掘節(jié)點(diǎn)間的關(guān)聯(lián)規(guī)則來提升貝葉斯網(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,上述方法均沒有實(shí)現(xiàn)通過挖掘關(guān)聯(lián)規(guī)則自動化地進(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,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,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,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。

    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]對其進(jìn)行結(jié)構(gòu)學(xué)習(xí)。PC 算法通過條件獨(dú)立性測試來學(xué)習(xí)數(shù)據(jù)的依賴結(jié)構(gòu),嘗試通過分析數(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算法對個(gè)體獨(dú)立性檢測的失敗比較敏感,某次檢測的錯(cuò)誤結(jié)果將誤導(dǎo)整個(gè)網(wǎng)絡(luò)的構(gòu)建過程,故使用上節(jié)中求得的關(guān)聯(lián)規(guī)則分析集Ass對頻繁項(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)知識的魯棒性。具體過程如下:對于任意節(jié)點(diǎn)對(Vi→Vj)∈BNmax_f,若(Vi→Vj)∈Ass,則將該節(jié)點(diǎn)對加入先驗(yàn)知識白名單,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)知識來進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)。

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

    本文基于BDeu[11]評分函數(shù)融合先驗(yàn)知識提出新的評分方法,并使用爬山搜索算法尋找評分最優(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

    基于評分的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法利用評分函數(shù)對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的好壞進(jìn)行評判,并通過搜索算法尋找評分最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。因此,該算法主要包括兩個(gè)方面:評分函數(shù)的選取和搜索算法的選取。評分函數(shù)包括評價(jià)后驗(yàn)概率P(G|D)的評分函數(shù)以及同時(shí)考慮結(jié)構(gòu)擬合度和復(fù)雜度的評分函數(shù)。常用的評分函數(shù)有經(jīng)典評分函數(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分函數(shù)Min-BDeu&Max-BDeu[15]、NO TEARS[16]等。對于搜索算法,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,搜索出最優(yōu)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)是個(gè)NP難問題,通常使用近似算法來求取次優(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評分函數(shù)和爬山搜索算法。

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

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

    將P(D|G)展開可得:

    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),該評分函數(shù)為BDeu 評分函數(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)的評分都比當(dāng)前結(jié)構(gòu)低。

    輸入 數(shù)據(jù)集D,評分函數(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)知識的結(jié)構(gòu)學(xué)習(xí)

    為了融合上文中得出的先驗(yàn)知識Priwhite_list和Priblack_list,本節(jié)提出一種新的評分模型,在評分函數(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)的評分函數(shù)如下:

    算法2 融合先驗(yàn)知識的結(jié)構(gòu)學(xué)習(xí)算法。該算法分為評分函數(shù)和搜索算法兩個(gè)階段,與未融合先驗(yàn)知識的結(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)知識獲取過程。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;再結(jié)合樣本數(shù)據(jù)特點(diǎn)確定評分函數(shù)的罰項(xiàng)權(quán)重γ的取值,并得出最終的評分函數(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,評分函數(shù)SPrior(G),評分函數(shù)參數(shù)γ;

    輸出 使得評分函數(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BNSL-FIM 算法進(jìn)行有效性仿真驗(yàn)證,并通過對比融合先驗(yàn)知識所學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)和未融合先驗(yàn)知識所學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)與原始結(jié)構(gòu)的漢明距離來評判網(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,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)集均來源于公開在線平臺Bayesian Network Repository[17],并使用開源python 軟件包pyAgrum 對貝葉斯網(wǎng)絡(luò)進(jìn)行采樣,mlxtend 對采樣后數(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)的漢明距離來評判該算法的有效性。

    4.2 實(shí)驗(yàn)過程

    為了多維度驗(yàn)證BNSL-FIM 算法的有效性,實(shí)驗(yàn)過程中分別使用表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;并且在仿真過程中對不同數(shù)據(jù)量的樣本數(shù)據(jù)進(jìn)行了測試,通過驗(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;再使用本文中提出的融合先驗(yàn)知識的評分函數(shù)對數(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)開始之前要根據(jù)樣本數(shù)據(jù)的分布特點(diǎn)對最小支持度θ、最小置信度c以及評分函數(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)過程主要分為三個(gè)階段:第一階段對數(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。

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

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

    第二階段使用未融合先驗(yàn)知識的算法和融合先驗(yàn)知識的算法分別對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4.2 節(jié)所述的實(shí)驗(yàn)配置和實(shí)驗(yàn)方法,分別對不同樣本大小的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Asia和Hailfinder網(wǎng)絡(luò)有較為顯著的提升效果,但對Alarm 和Hepar2 網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)幾乎沒有提升效果。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)知識的評分函數(shù)的罰項(xiàng)會導(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)對比Tab.4 Structure learning results(Hamming distance)of two algorithms on 6 standard datasets under different sample sizes

    5 結(jié)語

    本文針對如何提高貝葉斯網(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分函數(shù)的爬山搜索的算法性能,使得對于大型網(wǎng)絡(luò)的適應(yīng)性較差;對于小樣本數(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)則對我國的啟示
    国产黄色免费在线视频| 免费大片黄手机在线观看| 99热全是精品| 成年人午夜在线观看视频 | 亚洲av一区综合| 久久久精品94久久精品| 久久久久久久久久黄片| 欧美bdsm另类| 一区二区三区高清视频在线| 久久这里有精品视频免费| 午夜爱爱视频在线播放| 国产 亚洲一区二区三区 | 白带黄色成豆腐渣| 男女那种视频在线观看| 欧美激情在线99| 欧美性感艳星| 欧美高清成人免费视频www| 国产精品一二三区在线看| 日日干狠狠操夜夜爽| 草草在线视频免费看| 欧美精品一区二区大全| 日本一本二区三区精品| 美女cb高潮喷水在线观看| 久久精品综合一区二区三区| 国产极品天堂在线| 久久久久免费精品人妻一区二区| 久久精品国产亚洲网站| 一个人观看的视频www高清免费观看| 亚洲综合精品二区| 国产麻豆成人av免费视频| 精品欧美国产一区二区三| 春色校园在线视频观看| 天天躁日日操中文字幕| 一二三四中文在线观看免费高清| 亚洲av电影在线观看一区二区三区 | 韩国高清视频一区二区三区| 亚洲国产色片| 高清欧美精品videossex| 男女国产视频网站| 国产亚洲最大av| 最近视频中文字幕2019在线8| 搡老乐熟女国产| 亚洲美女视频黄频| 国产精品无大码| 国产伦理片在线播放av一区| 亚洲人成网站高清观看| 欧美 日韩 精品 国产| 亚洲精品第二区| 最近2019中文字幕mv第一页| 一本久久精品| 一边亲一边摸免费视频| 亚洲av.av天堂| 日韩制服骚丝袜av| 久久国产乱子免费精品| 国产真实伦视频高清在线观看| 亚洲激情五月婷婷啪啪| 两个人的视频大全免费| 国产免费福利视频在线观看| 国产熟女欧美一区二区| 岛国毛片在线播放| 成人高潮视频无遮挡免费网站| 天堂av国产一区二区熟女人妻| 夫妻午夜视频| 亚洲乱码一区二区免费版| 免费看光身美女| 麻豆成人午夜福利视频| 我的女老师完整版在线观看| .国产精品久久| 亚洲在线观看片| 色播亚洲综合网| 五月伊人婷婷丁香| 插逼视频在线观看| 亚洲在久久综合| 观看免费一级毛片| 国产精品伦人一区二区| 熟女人妻精品中文字幕| 在线 av 中文字幕| 一二三四中文在线观看免费高清| 搡老乐熟女国产| 美女xxoo啪啪120秒动态图| 一夜夜www| 国产精品一区二区三区四区久久| 在线观看av片永久免费下载| 国产熟女欧美一区二区| av线在线观看网站| 狂野欧美白嫩少妇大欣赏| 一二三四中文在线观看免费高清| 亚洲综合色惰| 边亲边吃奶的免费视频| 伊人久久精品亚洲午夜| 蜜桃久久精品国产亚洲av| 亚洲精品日本国产第一区| 欧美性猛交╳xxx乱大交人| 日本午夜av视频| 十八禁国产超污无遮挡网站| 91精品国产九色| 国产中年淑女户外野战色| 啦啦啦中文免费视频观看日本| 国产精品爽爽va在线观看网站| 日韩三级伦理在线观看| 精品久久久久久久久亚洲| 天天躁日日操中文字幕| 一个人观看的视频www高清免费观看| 国产成人福利小说| 最新中文字幕久久久久| 少妇丰满av| 我的女老师完整版在线观看| 少妇的逼好多水| 久久久久精品久久久久真实原创| 你懂的网址亚洲精品在线观看| 国内精品一区二区在线观看| 欧美日本视频| 熟妇人妻久久中文字幕3abv| 天天一区二区日本电影三级| .国产精品久久| 亚洲无线观看免费| 成人高潮视频无遮挡免费网站| 三级男女做爰猛烈吃奶摸视频| 成人毛片60女人毛片免费| 日韩欧美 国产精品| 国内少妇人妻偷人精品xxx网站| 久久久午夜欧美精品| 国产亚洲5aaaaa淫片| 国产 一区精品| 精品一区二区免费观看| 国产av不卡久久| 中文精品一卡2卡3卡4更新| 国产欧美另类精品又又久久亚洲欧美| 99久久中文字幕三级久久日本| 国产男人的电影天堂91| 国产成人福利小说| 欧美一区二区亚洲| freevideosex欧美| 26uuu在线亚洲综合色| 亚洲图色成人| 国内揄拍国产精品人妻在线| 国产在线一区二区三区精| 国产视频首页在线观看| 国产激情偷乱视频一区二区| 一级毛片电影观看| av在线蜜桃| 极品少妇高潮喷水抽搐| 激情 狠狠 欧美| 国产精品久久久久久久电影| 国产高清三级在线| 久久精品久久久久久久性| 超碰av人人做人人爽久久| 成人国产麻豆网| 美女脱内裤让男人舔精品视频| 精品久久久久久久久久久久久| 国产乱来视频区| 免费看日本二区| 一级av片app| 麻豆乱淫一区二区| 韩国av在线不卡| 欧美日韩国产mv在线观看视频 | 啦啦啦中文免费视频观看日本| 中文精品一卡2卡3卡4更新| 国产 亚洲一区二区三区 | av播播在线观看一区| 国内少妇人妻偷人精品xxx网站| 亚洲欧美精品自产自拍| 99视频精品全部免费 在线| 国产精品一区二区在线观看99 | 婷婷色麻豆天堂久久| 亚洲精品,欧美精品| 亚洲精品自拍成人| 熟女电影av网| 最近中文字幕2019免费版| 天天一区二区日本电影三级| 日韩欧美一区视频在线观看 | av女优亚洲男人天堂| 非洲黑人性xxxx精品又粗又长| 韩国高清视频一区二区三区| 又爽又黄无遮挡网站| 久久精品国产鲁丝片午夜精品| 免费人成在线观看视频色| 国产精品人妻久久久久久| 日韩视频在线欧美| 如何舔出高潮| 国产淫片久久久久久久久| 国产免费视频播放在线视频 | 日韩欧美国产在线观看| av专区在线播放| 免费黄网站久久成人精品| 色尼玛亚洲综合影院| 十八禁国产超污无遮挡网站| 91狼人影院| 夫妻性生交免费视频一级片| 免费观看av网站的网址| 91午夜精品亚洲一区二区三区| 精品一区二区三区人妻视频| 亚洲精品,欧美精品| 少妇人妻一区二区三区视频| 热99在线观看视频| 美女国产视频在线观看| 国产男人的电影天堂91| 免费大片18禁| 91午夜精品亚洲一区二区三区| av线在线观看网站| 最近2019中文字幕mv第一页| 日韩 亚洲 欧美在线| 午夜福利视频精品| 久久6这里有精品| 国产精品一区二区性色av| 麻豆精品久久久久久蜜桃| 青春草亚洲视频在线观看| 亚洲真实伦在线观看| 亚洲av中文字字幕乱码综合| 国产精品蜜桃在线观看| 韩国av在线不卡| 午夜福利视频精品| 亚洲av福利一区| 亚洲av成人精品一二三区| av在线蜜桃| 亚洲成色77777| 91狼人影院| 日本免费a在线| 亚洲婷婷狠狠爱综合网| 最近2019中文字幕mv第一页| 亚洲在线观看片| 人妻夜夜爽99麻豆av| av国产免费在线观看| 亚洲成人av在线免费| 国产高潮美女av| 汤姆久久久久久久影院中文字幕 | 国产高清不卡午夜福利| av天堂中文字幕网| 中文字幕av成人在线电影| 免费看a级黄色片| av.在线天堂| 亚洲第一区二区三区不卡| 欧美xxⅹ黑人| 国产免费一级a男人的天堂| 在线观看av片永久免费下载| 亚洲自拍偷在线| 搡女人真爽免费视频火全软件| 亚洲国产精品专区欧美| av播播在线观看一区| 3wmmmm亚洲av在线观看| 欧美bdsm另类| 99久久中文字幕三级久久日本| xxx大片免费视频| 亚洲av电影在线观看一区二区三区 | 国产亚洲av片在线观看秒播厂 | 一个人看的www免费观看视频| av网站免费在线观看视频 | 午夜激情久久久久久久| 亚洲国产欧美在线一区| 我要看日韩黄色一级片| 亚洲精品影视一区二区三区av| 精品欧美国产一区二区三| 蜜桃亚洲精品一区二区三区| 欧美一级a爱片免费观看看| 少妇的逼水好多| 91精品一卡2卡3卡4卡| www.av在线官网国产| 国产爱豆传媒在线观看| 亚洲欧洲国产日韩| 男女国产视频网站| 国产精品久久视频播放| 最近的中文字幕免费完整| 亚洲图色成人| 久久鲁丝午夜福利片| 身体一侧抽搐| 国产精品久久久久久精品电影| 我要看日韩黄色一级片| 久久精品夜夜夜夜夜久久蜜豆| 黄片wwwwww| 五月伊人婷婷丁香| xxx大片免费视频| 日韩伦理黄色片| 美女黄网站色视频| 日韩不卡一区二区三区视频在线| 97人妻精品一区二区三区麻豆| 婷婷色综合大香蕉| 黄色日韩在线| 欧美日韩综合久久久久久| 精品熟女少妇av免费看| 自拍偷自拍亚洲精品老妇| 日韩av免费高清视频| 一本久久精品| 在线免费观看不下载黄p国产| 亚洲不卡免费看| 国产成人精品一,二区| 久久精品国产亚洲av涩爱| 男的添女的下面高潮视频| 亚洲欧美成人综合另类久久久| 一级a做视频免费观看| 免费观看无遮挡的男女| 国产亚洲一区二区精品| 观看免费一级毛片| 十八禁国产超污无遮挡网站| 波多野结衣巨乳人妻| 欧美高清成人免费视频www| 国产探花极品一区二区| 国产午夜福利久久久久久| 天天躁夜夜躁狠狠久久av| 久久精品久久久久久噜噜老黄| 最近最新中文字幕免费大全7| 国产精品三级大全| 在线观看免费高清a一片| 99热6这里只有精品| 国产综合懂色| 麻豆成人av视频| 人妻夜夜爽99麻豆av| 高清日韩中文字幕在线| 成人漫画全彩无遮挡| 亚洲欧美清纯卡通| 伊人久久国产一区二区| 肉色欧美久久久久久久蜜桃 | 伦精品一区二区三区| 干丝袜人妻中文字幕| 成人亚洲精品一区在线观看 | 日本免费a在线| 久热久热在线精品观看| 国产精品福利在线免费观看| 18禁在线播放成人免费| 国产精品一区www在线观看| 欧美潮喷喷水| 你懂的网址亚洲精品在线观看| 亚洲av免费在线观看| 免费看美女性在线毛片视频| 99久久人妻综合| 一级毛片黄色毛片免费观看视频| 亚洲熟女精品中文字幕| av在线天堂中文字幕| 午夜老司机福利剧场| 熟妇人妻不卡中文字幕| 国产精品不卡视频一区二区| 天天躁夜夜躁狠狠久久av| 日日撸夜夜添| 亚洲aⅴ乱码一区二区在线播放| 亚洲成人一二三区av| 亚洲丝袜综合中文字幕| 久久久久久久久久人人人人人人| 热99在线观看视频| 午夜福利在线观看吧| 乱码一卡2卡4卡精品| 国产成人一区二区在线| 一级毛片黄色毛片免费观看视频| 亚洲欧美精品专区久久| 麻豆国产97在线/欧美| 精品久久久精品久久久| 亚洲人成网站在线播| 日韩国内少妇激情av| 天天躁夜夜躁狠狠久久av| 国产一区亚洲一区在线观看| 国产成人a∨麻豆精品| 亚洲精品456在线播放app| 国产又色又爽无遮挡免| 国产女主播在线喷水免费视频网站 | 欧美bdsm另类| 嫩草影院精品99| 最近2019中文字幕mv第一页| 一级爰片在线观看| 成人亚洲欧美一区二区av| 欧美bdsm另类| 国产黄片视频在线免费观看| 99热全是精品| 可以在线观看毛片的网站| 精品熟女少妇av免费看| 夫妻午夜视频| 国产精品久久久久久久久免| 美女脱内裤让男人舔精品视频| 有码 亚洲区| 亚洲精品乱码久久久v下载方式| 国产精品一区二区性色av| 欧美一区二区亚洲| 午夜福利成人在线免费观看| 国产女主播在线喷水免费视频网站 | 最近手机中文字幕大全| a级一级毛片免费在线观看| 自拍偷自拍亚洲精品老妇| 18禁在线播放成人免费| 晚上一个人看的免费电影| 国产精品一区二区三区四区免费观看| 我的女老师完整版在线观看| av女优亚洲男人天堂| 免费看光身美女| 少妇的逼好多水| 久热久热在线精品观看| 网址你懂的国产日韩在线| 国产成人免费观看mmmm| 日韩欧美精品免费久久| 真实男女啪啪啪动态图| 欧美区成人在线视频| 日韩不卡一区二区三区视频在线| av在线播放精品| 久久草成人影院| 看免费成人av毛片| 免费观看a级毛片全部| 天美传媒精品一区二区| 男人狂女人下面高潮的视频| 国产又色又爽无遮挡免| 午夜日本视频在线| 午夜激情久久久久久久| 免费观看的影片在线观看| 老师上课跳d突然被开到最大视频| 老司机影院毛片| 我的女老师完整版在线观看| 插阴视频在线观看视频| 亚洲图色成人| 欧美日韩综合久久久久久| 日韩大片免费观看网站| 一区二区三区乱码不卡18| 亚洲图色成人| 精品国产露脸久久av麻豆 | 男女国产视频网站| 超碰97精品在线观看| 伦精品一区二区三区| 美女大奶头视频| av卡一久久| 老女人水多毛片| 精品人妻偷拍中文字幕| 狂野欧美激情性xxxx在线观看| 午夜福利成人在线免费观看| 精品熟女少妇av免费看| or卡值多少钱| 欧美3d第一页| 女人久久www免费人成看片| 国产不卡一卡二| 色播亚洲综合网| 免费黄网站久久成人精品| 精品国产一区二区三区久久久樱花 | 肉色欧美久久久久久久蜜桃 | 天堂√8在线中文| 在线 av 中文字幕| 免费av观看视频| 久久精品久久久久久噜噜老黄| 亚洲av免费高清在线观看| 黄色配什么色好看| 亚洲精品国产成人久久av| 精品亚洲乱码少妇综合久久| 亚洲精品亚洲一区二区| 亚洲av电影在线观看一区二区三区 | 色吧在线观看| 亚洲精品日本国产第一区| 欧美变态另类bdsm刘玥| 亚洲成人中文字幕在线播放| 一本久久精品| 干丝袜人妻中文字幕| 免费无遮挡裸体视频| 舔av片在线| 国产探花在线观看一区二区| 色综合亚洲欧美另类图片| 久久草成人影院| 久久久亚洲精品成人影院| 日本欧美国产在线视频| 能在线免费看毛片的网站| 成年女人在线观看亚洲视频 | 热99在线观看视频| 蜜桃亚洲精品一区二区三区| 午夜福利高清视频| 一本久久精品| 国产精品1区2区在线观看.| 国产亚洲精品久久久com| 国产爱豆传媒在线观看| 亚洲成人一二三区av| 久久精品夜夜夜夜夜久久蜜豆| 国产大屁股一区二区在线视频| 国产av不卡久久| 国产成人午夜福利电影在线观看| 嫩草影院新地址| 老司机影院毛片| 在线 av 中文字幕| 国产黄频视频在线观看| av线在线观看网站| 亚洲av成人av| 国产伦在线观看视频一区| 亚洲aⅴ乱码一区二区在线播放| 精品不卡国产一区二区三区| 美女cb高潮喷水在线观看| 成人毛片60女人毛片免费| 久久久久性生活片| 欧美bdsm另类| 精品久久久噜噜| 激情 狠狠 欧美| 黄色一级大片看看| 婷婷色综合www| 男女啪啪激烈高潮av片| 特大巨黑吊av在线直播| 久久久久久久久久黄片| 国产又色又爽无遮挡免| 色播亚洲综合网| 午夜福利在线观看免费完整高清在| 国产人妻一区二区三区在| 黄片无遮挡物在线观看| 精品久久久久久久久久久久久| 国产国拍精品亚洲av在线观看| 久久久精品免费免费高清| 校园人妻丝袜中文字幕| 一级毛片黄色毛片免费观看视频| 精品一区二区三区视频在线| 精品人妻视频免费看| 尤物成人国产欧美一区二区三区| 精品久久久久久久久av| 亚洲在久久综合| 97热精品久久久久久| 国产精品综合久久久久久久免费| 干丝袜人妻中文字幕| 亚洲欧洲国产日韩| 免费人成在线观看视频色| 一级毛片久久久久久久久女| 大陆偷拍与自拍| 亚洲国产色片| av国产免费在线观看| 久久久a久久爽久久v久久| 色综合站精品国产| 看免费成人av毛片| 精品欧美国产一区二区三| 国产三级在线视频| 色尼玛亚洲综合影院| 久久人人爽人人爽人人片va| 91狼人影院| 最后的刺客免费高清国语| 男女啪啪激烈高潮av片| 精品久久久久久成人av| 少妇的逼好多水| 伊人久久精品亚洲午夜| 国内精品宾馆在线| 国产真实伦视频高清在线观看| 久久久久久久久久久丰满| 亚洲欧洲日产国产| 99久久九九国产精品国产免费| 老司机影院成人| 欧美日韩在线观看h| 老女人水多毛片| 中国国产av一级| 三级男女做爰猛烈吃奶摸视频| 能在线免费观看的黄片| 最新中文字幕久久久久| 精品国内亚洲2022精品成人| 日本爱情动作片www.在线观看| 精品国产露脸久久av麻豆 | 午夜福利在线观看免费完整高清在| 国产精品国产三级国产专区5o| 久久99热这里只有精品18| 80岁老熟妇乱子伦牲交| 少妇猛男粗大的猛烈进出视频 | 九色成人免费人妻av| 十八禁网站网址无遮挡 | 中文字幕av成人在线电影| 欧美极品一区二区三区四区| 亚洲内射少妇av| 国产毛片a区久久久久| 国产片特级美女逼逼视频| 亚洲欧美日韩无卡精品| 老师上课跳d突然被开到最大视频| 激情 狠狠 欧美| 欧美日韩综合久久久久久| 久久精品国产亚洲网站| 我的女老师完整版在线观看| av在线亚洲专区| 春色校园在线视频观看| 久久久午夜欧美精品| 精品久久久久久久久久久久久| 狂野欧美激情性xxxx在线观看| 欧美最新免费一区二区三区| 非洲黑人性xxxx精品又粗又长| 九九久久精品国产亚洲av麻豆| 国产色婷婷99| 一区二区三区四区激情视频| 一区二区三区高清视频在线| 熟妇人妻不卡中文字幕| 激情五月婷婷亚洲| 三级男女做爰猛烈吃奶摸视频| 欧美xxxx性猛交bbbb| 草草在线视频免费看| 人人妻人人看人人澡| 欧美日韩国产mv在线观看视频 | 波野结衣二区三区在线| 最近的中文字幕免费完整| 搡女人真爽免费视频火全软件| 亚洲人成网站在线观看播放| 亚洲高清免费不卡视频| 亚洲激情五月婷婷啪啪| 精品亚洲乱码少妇综合久久| 日韩av免费高清视频| 久久鲁丝午夜福利片| 精品人妻熟女av久视频| 婷婷六月久久综合丁香| 97超碰精品成人国产| 春色校园在线视频观看| 亚洲成人中文字幕在线播放| 美女被艹到高潮喷水动态| 大片免费播放器 马上看| 在线观看av片永久免费下载| 蜜桃久久精品国产亚洲av| 国产精品爽爽va在线观看网站| 插逼视频在线观看| 国产单亲对白刺激| 天堂√8在线中文| 欧美不卡视频在线免费观看| 亚洲精品成人av观看孕妇| 亚洲一级一片aⅴ在线观看| 日本熟妇午夜| 最近2019中文字幕mv第一页| 日日撸夜夜添| 不卡视频在线观看欧美| 亚洲国产色片| www.色视频.com| 欧美激情国产日韩精品一区| 久久久久网色| 99久久精品热视频| 亚洲性久久影院| 久久久久精品性色| 久久精品夜夜夜夜夜久久蜜豆| 亚洲欧美成人精品一区二区| 国内精品宾馆在线| 免费播放大片免费观看视频在线观看| 小蜜桃在线观看免费完整版高清| 午夜免费激情av| 精品久久久久久久久亚洲| 赤兔流量卡办理|