• <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 ?

    基于改進(jìn)的傾向得分估計(jì)的無偏推薦模型

    2022-01-05 02:31:32駱錦濰劉杜鋼潘微科
    計(jì)算機(jī)應(yīng)用 2021年12期
    關(guān)鍵詞:長尾偏置物品

    駱錦濰,劉杜鋼,潘微科*,明 仲

    (1.大數(shù)據(jù)系統(tǒng)計(jì)算技術(shù)國家工程實(shí)驗(yàn)室(深圳大學(xué)),廣東深圳 518060;2.人工智能與數(shù)字經(jīng)濟(jì)廣東省實(shí)驗(yàn)室(深圳)(深圳大學(xué)),廣東深圳 518060;3.深圳大學(xué)計(jì)算機(jī)與軟件學(xué)院,廣東深圳 518060)

    (?通信作者電子郵箱panweike@szu.edu.cn)

    0 引言

    推薦系統(tǒng)作為大數(shù)據(jù)時(shí)代的產(chǎn)物,旨在為用戶推薦其感興趣或喜歡的物品。推薦系統(tǒng)所使用的數(shù)據(jù)通常來自用戶與物品的歷史交互行為,包括顯式反饋和隱式反饋兩種形式。顯式反饋通常是指能夠充分展示用戶對物品偏好程度的反饋(如評分);而隱式反饋則通常指點(diǎn)擊、瀏覽等不能充分表示用戶偏好的反饋[1]。相比收集過程困難的顯式反饋,隱式反饋廣泛存在于用戶與系統(tǒng)的行為日志中,收集成本低廉,因此基于隱式反饋的推薦算法研究更符合現(xiàn)實(shí)場景[2]。

    另一方面,推薦系統(tǒng)遭受著各種偏置問題,例如曝光偏置(exposure bias)、位置偏置(position bias)和選擇偏置(selection bias)等[3]。其中,曝光偏置是指推薦系統(tǒng)會給予不同的物品不同的曝光概率從而導(dǎo)致數(shù)據(jù)的采集存在偏置。例如:某不滿足用戶偏好的物品由于得到系統(tǒng)高頻的曝光而被用戶點(diǎn)擊,進(jìn)而導(dǎo)致系統(tǒng)增加推薦該物品的次數(shù)。如果不對數(shù)據(jù)偏置進(jìn)行處理,推薦系統(tǒng)難以捕捉用戶的真實(shí)偏好,有損推薦的多樣性和公平性。相比傳統(tǒng)推薦模型,無偏推薦模型的關(guān)注點(diǎn)在于如何從有偏的歷史交互記錄中挖掘用戶無偏的真實(shí)偏好信息,因此近年來受到學(xué)術(shù)界和工業(yè)界愈來愈多的關(guān)注[4-5]。

    其中,基于傾向得分估計(jì)(propensity socre estimation)的無偏推薦模型能夠有效緩解曝光偏置,但這類模型的糾偏程度和性能依賴于傾向得分估計(jì)的準(zhǔn)確度[6]。目前關(guān)于顯式反饋數(shù)據(jù)的傾向得分估計(jì)的研究已比較充分,而對于推薦系統(tǒng)中更常用的隱式反饋數(shù)據(jù)傾向得分估計(jì)的研究還非常少,這將限制基于傾向得分估計(jì)的推薦模型的糾偏能力和推薦性能。對于推薦系統(tǒng)中隱式反饋數(shù)據(jù)中的曝光偏置,先前的方法只通過從稀疏數(shù)據(jù)中獲取物品的流行度信息來估計(jì)傾向得分,這導(dǎo)致傾向得分估計(jì)不夠精確,進(jìn)而會對模型的性能和無偏性質(zhì)帶來損害。為了克服現(xiàn)有方法在傾向得分估計(jì)上的不足,本文同時(shí)挖掘隱式反饋數(shù)據(jù)中用戶層面和物品層面的信息,并通過用戶流行度偏好和物品流行度配對的思想將兩者融合起來,最終得到配對傾向得分估計(jì)(Match Propensity Estimator,MPE)方法。

    本文的主要工作包括:

    1)提出一種同時(shí)利用物品層面與用戶層面信息的MPE方法。該方法在無輔助數(shù)據(jù)集的情況下,以用戶的流行度偏好作為切入點(diǎn),融合用戶層面和物品層面的信息,實(shí)現(xiàn)了對傾向得分更精確的估計(jì)。

    2)將所提出的MPE 方法與傳統(tǒng)推薦模型和前沿?zé)o偏推薦模型進(jìn)行結(jié)合,并在無偏推薦領(lǐng)域的公開數(shù)據(jù)集上開展了一系列實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明MPE 方法能夠有效緩解隱式反饋數(shù)據(jù)中的曝光偏置,進(jìn)而讓模型在各項(xiàng)推薦指標(biāo)上優(yōu)于相關(guān)工作。

    3)得益于MPE 對曝光偏置問題的解決,可以使模型從有偏數(shù)據(jù)中更好地捕捉用戶無偏的真實(shí)偏好,進(jìn)而提升模型在長尾物品上的推薦性能。

    1 相關(guān)工作

    1.1 傳統(tǒng)推薦模型

    在推薦系統(tǒng)算法的研究中,基于協(xié)同過濾的算法被廣泛接受和應(yīng)用[7]。協(xié)同過濾的思想是通過尋找和利用不同用戶之間或(和)不同物品之間的相似性來協(xié)同地預(yù)測用戶對物品的喜好程度。在協(xié)同過濾的研究中,因?yàn)槠浜唵吻腋咝У奶攸c(diǎn),潛在因素模型(latent factor model)一直是推薦系統(tǒng)算法研究的熱點(diǎn)[8]。潛在特征模型通過訓(xùn)練學(xué)習(xí)用戶和物品的潛在特征向量,并利用這些潛在特征向量來計(jì)算用戶偏好,進(jìn)而實(shí)現(xiàn)推薦。

    基于隱式反饋的推薦算法面臨著兩大難題,即正未標(biāo)記問題(positive-unlabeled problem)和非隨機(jī)缺失(Missing-Not-At-Random,MNAR)問題。正未標(biāo)記問題是指推薦系統(tǒng)所收集的隱式反饋只包括正反饋(如點(diǎn)擊、收藏、購買),而未觀測樣本可能包含負(fù)反饋和潛在的正反饋[9]。這意味著一個物品沒有得到點(diǎn)擊可能是由于用戶不喜歡,也可能是因?yàn)橛脩魶]有觀測到該物品而無法點(diǎn)擊。非隨機(jī)缺失問題則是由于數(shù)據(jù)偏置所導(dǎo)致的[10-11],例如,推薦系統(tǒng)通常會傾向于推薦熱門的物品,這會導(dǎo)致在長尾物品上的數(shù)據(jù)缺失程度比熱門物品上的嚴(yán)重得多。如果推薦模型不對數(shù)據(jù)偏置進(jìn)行處理,將使得原本的流行物品獲得更多的曝光機(jī)會,而長尾物品則難以被用戶所觀測到,即馬太效應(yīng)。

    隱式反饋通常對應(yīng)于top-K排序問題,而成對偏好假設(shè)更為接近排序問題的設(shè)定,因此有學(xué)者提出了基于成對損失函數(shù)的貝葉斯個性化排序(Bayesian Personalized Ranking,BPR)模型[12],其核心思想為:相比未點(diǎn)擊的物品,用戶可能更喜歡點(diǎn)擊的物品,模型通過極大似然估計(jì)來最大化正負(fù)樣本(即點(diǎn)擊與未點(diǎn)擊樣本)之間的差異。BPR 模型在排序任務(wù)上能取得較好的效果,且先前的工作通常都將其作為一個重要的基線模型。

    作為另外一個重要的分支,權(quán)重矩陣分解(Weighted Matrix Factorization,WMF)[13]基于一個啟發(fā)式的想法:在隱式反饋的設(shè)定下,由于正未標(biāo)記問題的存在,無法將未觀測樣本完全置信地作為負(fù)樣本。因此,相比未觀測樣本,應(yīng)給予正樣本更高的權(quán)重。在后續(xù)的工作中,有學(xué)者認(rèn)為WMF對未觀測樣本賦予一樣的權(quán)重是不合理的,并首次提出了基于物品流行度來為未觀測樣本進(jìn)行加權(quán)的快速矩陣分解(Fast Matrix Factorization,F(xiàn)MF)方法[14]。FMF 同樣基于一個啟發(fā)式的想法:用戶沒有點(diǎn)擊一個流行物品則表示該用戶很可能不喜歡該物品。

    在傳統(tǒng)推薦模型的研究中,先前的工作主要基于啟發(fā)式的想法來設(shè)計(jì)新的模型,以便更好地符合隱式反饋的設(shè)定;另一方面,數(shù)據(jù)偏置的問題沒有得到充分的重視和研究。

    1.2 無偏推薦模型

    在現(xiàn)有文獻(xiàn)中,無偏推薦算法的研究方向主要分為以下兩種:1)利用少量無偏權(quán)威數(shù)據(jù)(gold-standard data)的方法;2)基于逆傾向得分(Inverse Propensity Score,IPS)的方法。

    利用少量無偏權(quán)威數(shù)據(jù)的方法旨在利用由均勻策略收集得到的小規(guī)模的無偏數(shù)據(jù)集去幫助在大規(guī)模的有偏數(shù)據(jù)集上構(gòu)建無偏的推薦算法[15]。均勻策略是指不使用部署的推薦策略進(jìn)行物品的推送,而是隨機(jī)地從候選集中選擇物品,且對它們進(jìn)行隨機(jī)排序以進(jìn)行展示。均勻策略盡可能地屏蔽了系統(tǒng)層面上偏置的來源,這意味著在均勻策略下收集到的觀測數(shù)據(jù)可以被認(rèn)為是一個權(quán)威的無偏數(shù)據(jù)。文獻(xiàn)[15]中,作者分別對有偏數(shù)據(jù)和無偏數(shù)據(jù)進(jìn)行建模,并且利用一個參數(shù)對齊項(xiàng)來將無偏知識進(jìn)行遷移。隨后,有研究人員提出了一個基于無偏數(shù)據(jù)和知識蒸餾的反事實(shí)推薦框架[16],其中無偏數(shù)據(jù)分別在四個不同的蒸餾模塊中被更充分地利用。但是這個方向的一個難處在于無偏數(shù)據(jù)的收集需要高昂的代價(jià),尤其當(dāng)其在真實(shí)產(chǎn)品的線上流量中部署時(shí)。

    基于IPS 的方法旨在利用傾向得分來將有偏數(shù)據(jù)分布平衡為無偏數(shù)據(jù)分布,從而解決偏置問題。傾向得分(propensity score)的概念于1983 年首次提出[17]。文獻(xiàn)[6]中,作者首次將IPS 應(yīng)用在推薦算法中,提出了矩陣分解的IPS 版本MF-IPS,同時(shí)也提出了顯式反饋設(shè)定下的傾向得分估計(jì)方法(naive Bayes 等)。文獻(xiàn)[18]中,字節(jié)跳動公司在搜索系統(tǒng)領(lǐng)域首次提出了基于成對損失函數(shù)的無偏置排序算法,緩解了在搜索系統(tǒng)領(lǐng)域中位置偏置的問題。由于IPS 具有簡潔、可離線計(jì)算和高效的特點(diǎn),當(dāng)前大部分旨在解決偏置問題的工作都遵循這個思路。

    除了上述兩個方向,有研究者嘗試在評分預(yù)測問題上同時(shí)使用無偏數(shù)據(jù)和傾向得分來緩解數(shù)據(jù)偏置[19]。

    文獻(xiàn)[20]的作者將IPS 框架首次應(yīng)用到基于隱式反饋的推薦算法中,提出了相關(guān)性矩陣分解(Relevance Matrix Factorization,RMF)模型,并從理論上證明了該模型具有無偏的性質(zhì)。

    2 推薦模型

    本章將給出符號描述與相關(guān)定義,并介紹本文所使用的傳統(tǒng)推薦模型FMF和前沿的無偏推薦模型RMF。

    2.1 符號系統(tǒng)描述

    假設(shè)有用戶全集U={1,2,…,n}和物品集合I={1,2,…,m};Yu,i∈{0,1}則表示用戶u對物品i的點(diǎn)擊反饋,包括點(diǎn)擊(1)和未點(diǎn)擊(0);D為訓(xùn)練數(shù)據(jù),其中包括觀測到的點(diǎn)擊樣本和隨機(jī)采樣的未觀測樣本。在本文中,推薦系統(tǒng)的目標(biāo)是根據(jù)D中不同用戶的歷史交互記錄,挖掘用戶的真實(shí)偏好,并最終給用戶生成先前未交互過且符合用戶偏好的物品列表。

    本文所涉及的模型均屬于潛在特征模型,該類模型將反饋矩陣分解或映射為潛在特征空間中的用戶特征矩陣和物品特征矩陣。通過優(yōu)化預(yù)設(shè)的損失函數(shù)獲得最佳的用戶特征向量和物品特征向量后,便可以通過向量的內(nèi)積來計(jì)算用戶在原有隱式反饋矩陣中的缺失值。最終按照預(yù)測值進(jìn)行降序排序后,選擇前K個物品推薦給用戶。

    2.2 快速矩陣分解模型

    快速矩陣分解(FMF)模型[14]的損失函數(shù)為:

    其中:w≥1 是一個超參數(shù),表示點(diǎn)擊數(shù)據(jù)相比未點(diǎn)擊數(shù)據(jù)的置信度,在沒有先驗(yàn)知識的情況下,該方法對所有點(diǎn)擊數(shù)據(jù)設(shè)置相同的權(quán)重;ci為物品i的流行度;Uu?和Vi?則表示用戶u和物品i的潛在特征向量;λ為正則化項(xiàng)上的參數(shù),用于防止模型過擬合;分別表示一個樣本(u,i)的正損失函數(shù)(標(biāo)簽為1)和負(fù)損失函數(shù)(標(biāo)簽為0),其中損失函數(shù)可以是交叉熵或平方損失等。為了公平起見,在本文的所有實(shí)驗(yàn)中都采用平方損失(square loss):

    2.3 相關(guān)性矩陣分解模型

    相關(guān)性矩陣分解(RMF)從理想損失函數(shù)出發(fā),通過IPS框架得到RMF模型[20]的損失函數(shù)如下:

    其中:θu,i為IPS 框架下的傾向得分,在RMF 模型中也可以解釋為樣本(u,i)的曝光概率。RMF 采用潛在特征模型,預(yù)測規(guī)則同式(3)。本文略去RMF 的具體推導(dǎo)過程,但從其損失函數(shù)可以看出在正樣本部分(點(diǎn)擊數(shù)據(jù)),RMF 給每個樣本(u,i)賦予一個個性化的權(quán)重,代表不同曝光概率的正樣本相關(guān)性不同,即RMF 通過逆傾向得分在一定程度上恢復(fù)由曝光偏置導(dǎo)致的分布漂移。在已知真實(shí)的傾向得分的理想情況下,RMF可以有效緩解曝光偏置。

    3 傾向得分估計(jì)

    與傳統(tǒng)推薦算法相比,基于IPS 的推薦模型能較好地解決數(shù)據(jù)的偏置問題,但是其性能嚴(yán)重依賴于傾向得分估計(jì)的準(zhǔn)確性,即傾向得分的估計(jì)準(zhǔn)確性直接影響IPS 模型的糾偏能力,只有在已知真實(shí)的傾向得分的理想情況下,IPS 模型才能被認(rèn)為具有真正的無偏性質(zhì)。然而在現(xiàn)實(shí)中,只能通過傾向得分估計(jì)方法對傾向得分進(jìn)行估計(jì),其中傾向得分估計(jì)值越準(zhǔn)確,則IPS 模型越接近于無偏模型,從而具有更好的性能。對于推薦系統(tǒng)中常見的隱式反饋數(shù)據(jù),現(xiàn)有工作在傾向得分估計(jì)的準(zhǔn)確性上亟待改進(jìn)。本章將首先分析現(xiàn)有傾向得分估計(jì)方法的缺陷,隨后,提出一個新的配對傾向得分估計(jì)(MPE)方法來克服這些缺陷,從而進(jìn)一步提升基于IPS 的推薦模型的性能。

    3.1 流行度傾向得分估計(jì)方法

    在RMF[20]中,作者采用流行度敏感(popularity-aware)的傾向得分估計(jì)方法,即通過計(jì)算物品流行度來估計(jì)曝光率。其估計(jì)方法如下所示:其中:τ≤1 為平滑項(xiàng),U為用戶全集,I為物品全集。式(5)旨在通過計(jì)算物品i的相對點(diǎn)擊概率來估計(jì)物品流行度,從而確定傾向得分的具體數(shù)值。

    流行度傾向得分估計(jì)方法可以解釋為對于所有用戶,推薦系統(tǒng)都“一視同仁”地按照物品的流行度高低進(jìn)行推薦。這與推薦系統(tǒng)旨在實(shí)現(xiàn)個性化推薦的目標(biāo)不一致。換言之,推薦系統(tǒng)應(yīng)該學(xué)習(xí)不同用戶的不同偏好,從而對不同的用戶采用不同的推薦策略。另一方面,只考慮物品層面的信息來估計(jì)傾向得分可能是不充分和不準(zhǔn)確的。正如前面所述,傾向得分的估計(jì)精度會直接影響模型的糾偏能力并最終影響推薦效果,因此有必要引入更多信息來提升傾向得分估計(jì)的準(zhǔn)確性。

    傳統(tǒng)的推薦模型FMF 雖然沒有使用IPS 框架,但其在未觀測數(shù)據(jù)部分的加權(quán)處理在一定程度上也可以被解釋為傾向得分。為了實(shí)驗(yàn)的統(tǒng)一,本文同樣采用式(5)來計(jì)算FMF 模型在損失函數(shù)式(1)中的ci,即物品i的流行度。

    3.2 配對傾向得分估計(jì)方法

    在沒有輔助數(shù)據(jù)集的情況下,估計(jì)傾向得分的難點(diǎn)在于如何從稀疏的隱式反饋數(shù)據(jù)中挖掘用戶層面的信息和物品層面的流行度信息,并將它們進(jìn)行結(jié)合,以更好地建模歷史推薦系統(tǒng)的曝光率。

    在流行度偏置的研究中,研究人員已經(jīng)觀察到不同用戶對待“流行物品”的態(tài)度是不一樣的。文獻(xiàn)[21]的作者將用戶劃分為熱門導(dǎo)向型(blockbusters-focused)、追求多樣型(diverse)和獵奇型(niche),通過實(shí)證研究驗(yàn)證了不同用戶對流行度的偏好程度是不同的。基于這個結(jié)論,本文創(chuàng)新性地以用戶的“流行度偏好”作為切入點(diǎn)來挖掘用戶層面的信息,進(jìn)而提出MPE方法:

    其中:pi表示物品i的流行度,由式(7)計(jì)算;Pu表示從歷史數(shù)據(jù)中估計(jì)的用戶u的“流行度偏好”,數(shù)值越高表示該用戶的流行度偏好程度越高。本文首先提取用戶u的歷史點(diǎn)擊物品集合Iu,然后計(jì)算所有物品流行度pi的均值,如式(8)所示;α∈(0,1]為閾值參數(shù),代表樣本(u,i)在推薦系統(tǒng)中能獲得的最大曝光率。MPE方法的思想是歷史推薦系統(tǒng)可以捕捉到用戶個性化的“流行度偏好”,當(dāng)物品i的流行度與用戶u的“流行度偏好”越匹配時(shí),樣本(u,i)在歷史推薦系統(tǒng)中就會獲得越高的曝光率。注意,當(dāng)兩者完全匹配(|Pu-pi|=0)時(shí),曝光率θu,i為閾值α。

    進(jìn)一步可以發(fā)現(xiàn),式(5)的流行度傾向得分估計(jì)方法實(shí)際上是本文MPE 方法的一個特例,即當(dāng)α=1,Pu=1 時(shí),θu,i=1-||1-pi=pi,MPE 退化為流行度傾向得分估計(jì)方法。從這個視角可以看出,流行度傾向得分實(shí)際上是將所有用戶看作極端的熱門導(dǎo)向型用戶,而這顯然是對用戶群體做出的一個過于簡化的假設(shè)。挖掘并結(jié)合用戶流行度偏好信息的MPE方法可以很好地解決這個問題。

    為了驗(yàn)證本文MPE 方法的有效性,本文分別將MPE 與原始的FMF 模型[14]和RMF 模型[20]進(jìn)行結(jié)合,并將它們稱作FMF-MPE 模型和RMF-MPE 模型,其中RMF-MPE 模型的訓(xùn)練算法如下:

    算法1 RMF-MPE模型訓(xùn)練算法。

    輸入 觀測數(shù)據(jù)點(diǎn)擊矩陣Y∈{0,1}n×m,學(xué)習(xí)率μ,潛在特征維度d,正則化參數(shù)λ,傾向得分的最小閾值M,迭代次數(shù)T;

    輸出 訓(xùn)練好的模型參數(shù):用戶潛在特征矩陣U∈Rn×d,物品潛在特征矩陣V∈Rm×d。

    RMF-MPE模型的算法流程主要分為兩部分:

    1)傾向得分的估計(jì)。輸入觀測數(shù)據(jù)點(diǎn)擊矩陣Y∈{0,1}n×m,通過MPE 估計(jì)每個(u,i)樣本的傾向得分并保存。值得注意的是,本文通過預(yù)先設(shè)置的閾值M來限制傾向得分的最小值(算法1第3)步)。先前的研究已經(jīng)表明這種處理有助于減少IPS模型的方差[20]。

    2)模型的損失函數(shù)的優(yōu)化。在每一次迭代中,根據(jù)模型具體的損失函數(shù)求取梯度,然后通過梯度下降的方式來更新模型參數(shù),即用戶潛在特征矩陣U∈Rn×d和物品潛在特征矩陣V∈Rm×d。

    4 實(shí)驗(yàn)與結(jié)果

    4.1 數(shù)據(jù)集

    本文采用在現(xiàn)有工作中最常用的Yahoo!R3數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集。需要說明的是,本文僅選用Yahoo!R3 數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集是因?yàn)樗悄壳皟H有的一個較大的,且提供在均勻策略下收集到的測試集的公開的推薦系統(tǒng)數(shù)據(jù)集。Yahoo!R3 數(shù)據(jù)集是雅虎公司在音樂服務(wù)推薦中收集的顯式反饋評分?jǐn)?shù)據(jù)。Yahoo!R3 數(shù)據(jù)包括15 400 位用戶和1 000首歌曲。訓(xùn)練集中有超過300 000 條在正常交互場景下收集的用戶對音樂的評分記錄,其中每個用戶至少有10 條評分記錄。Yahoo!R3 數(shù)據(jù)集還提供了一個使用均勻策略收集到的測試集:系統(tǒng)為5 400 位用戶中的每個用戶隨機(jī)選取10 首音樂作品,并要求該用戶對這些音樂作品給予反饋。因此,Yahoo!R3 的測試集可以被認(rèn)為是完全隨機(jī)缺失的(missing at complete random),即具有無偏性質(zhì)。

    需要說明的是,不同于傳統(tǒng)推薦算法的評估,無偏置推薦算法的評估需要在具有無偏性質(zhì)的測試集上才能驗(yàn)證推薦模型的無偏性質(zhì)與真正性能[22]。因此,本文采用Yahoo!R3 數(shù)據(jù)集而不是其他常見的推薦數(shù)據(jù)集,例如MovieLens數(shù)據(jù)集。

    本文采用與文獻(xiàn)[20]一致的數(shù)據(jù)集處理方式:將數(shù)據(jù)集里的評分記錄數(shù)據(jù)轉(zhuǎn)化為隱式反饋數(shù)據(jù),即將評分記錄ru,i≥4 的樣本當(dāng)作點(diǎn)擊數(shù)據(jù)(Yu,i=1),將其他樣本作為未觀測數(shù)據(jù)(Yu,i=0)。由于Yahoo!R3已劃分好訓(xùn)練集和均勻策略收集的測試集,本文在訓(xùn)練集中隨機(jī)選取10%的樣本作為驗(yàn)證集,并在驗(yàn)證集上對模型參數(shù)進(jìn)行調(diào)優(yōu)。最后,在權(quán)威的隨機(jī)測試集上進(jìn)行效果評估。

    4.2 評估指標(biāo)

    本文采用三種常用的排序評估指標(biāo),分別是折損累計(jì)增益(Discounted Cumulative Gain,DCG)、召回率(Recall)和平均精確率(Mean Average Precision,MAP)。將推薦列表的長度記為K,則三個評估指標(biāo)可以表示為DCG@K、Recall@K和MAP@K,用于評估推薦算法在排序前K個位置的表現(xiàn)。令推薦算法為用戶u產(chǎn)生的長度為k的推薦列表為Ire@ku,實(shí)驗(yàn)測試集中用戶u喜歡的物品集合為Iteu,測試集中的用戶集合為Ute。

    DCG 是評估排序任務(wù)的一個綜合性指標(biāo),計(jì)算公式如式(9),其中:l表示用戶u的推薦列表中的位置,δ(i(l)∈Iteu)表示推薦列表中第l個物品是否在測試集中用戶u的喜歡物品中。DCG越大表示算法在排序推薦中的準(zhǔn)確性越高。

    召回率計(jì)算推薦列表前K個位置包含的測試集中用戶喜歡的物品個數(shù)占測試集中用戶喜歡的物品總個數(shù)的比例,計(jì)算公式如式(10)。算法的召回率越大表示算法能夠準(zhǔn)確地覆蓋更多的未知正樣本。

    4.3 對比模型

    如前所述,本文專注于解決推薦系統(tǒng)中隱式反饋數(shù)據(jù)的曝光偏置問題。在基于隱式反饋的傳統(tǒng)推薦方法中,貝葉斯個性化排序(BPR)[12]是一個有代表性的經(jīng)典算法,本文將其作為一個基線模型。FMF[14]和RMF[20]是與本文方法最接近的兩個主流算法,在本文中被視為兩個重要的基線模型。其中,RMF 是前沿且具有代表性的基于隱式反饋的無偏推薦算法。因此,實(shí)驗(yàn)部分包含BPR、FMF、RMF、FMF-MPE 和RMFMPE 五個推薦模型,其中FMF-MPE 和RMF-MPE 是結(jié)合本文MPE方法的模型。

    4.4 參數(shù)調(diào)節(jié)

    對于FMF模型和FMF-MPE模型,本文統(tǒng)一地設(shè)置正樣本權(quán)重為1 以確保對比的公平性。流行度傾向得分估計(jì)方法和MPE 方法中的τ值根據(jù)文獻(xiàn)[20]將其設(shè)置為τ=0.5,傾向得分的最小閾值統(tǒng)一地設(shè)置為M=0.01。MPE 方法中的α在{0.6,0.7,…,1}范圍內(nèi)進(jìn)行選擇。本文所有模型算法的潛在特征的特征維度d在{20,30,…,200}范圍內(nèi)進(jìn)行選擇,正則化參數(shù)λ在{0.000 01,0.000 1,…,0.01}范圍內(nèi)選擇,迭代次數(shù)T統(tǒng)一設(shè)置為300。五個模型的最佳參數(shù)如下所示:

    BPR:d=30,λ=0.000 1。

    FMF:w=1,d=200。

    FMF-MPE:w=1,d=200,λ=0.000 01,α=0.8。

    RMF:d=200,λ=0.000 01。

    RMF-MPE:d=200,λ=0.000 01,α=0.8。

    4.5 實(shí)驗(yàn)結(jié)果及分析

    實(shí)驗(yàn)一:物品全集上的實(shí)驗(yàn)。

    上述五個模型算法在Yahoo!R3數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如表1所示。

    表1 五個模型在Yahoo!R3數(shù)據(jù)集上的推薦性能Tab.1 Recommendation performance of five models on Yahoo!R3 dataset

    通過對表1的實(shí)驗(yàn)結(jié)果進(jìn)行分析,可以得出以下結(jié)論:

    1)FMF 的表現(xiàn)與BPR 相近,總體上略微遜色于BPR?;贗PS 的RMF 模型表現(xiàn)顯著優(yōu)于FMF 和BPR,這得益于IPS模型可以有效地緩解數(shù)據(jù)的偏置問題,從而使RMF 模型可以學(xué)習(xí)到更為無偏的潛在特征。

    2)結(jié)合本文MPE方法的RMF-MPE的表現(xiàn)相比RMF有顯著的提升(DCG@5相比RMF提升了5.35%),是在各項(xiàng)評估指標(biāo)中表現(xiàn)最佳的模型。這表明相較于流行度傾向得分估計(jì)方法,MPE能在相同的數(shù)據(jù)中挖掘出更多的有用信息,即用戶層面的流行度偏好信息,最終實(shí)現(xiàn)對曝光率更精確的建模。由于IPS 框架模型的效果與傾向得分估計(jì)精確度直接相關(guān),RMF-MPE 的實(shí)驗(yàn)結(jié)果驗(yàn)證了本文MPE 方法實(shí)現(xiàn)了更加精確的傾向得分估計(jì),進(jìn)而提升了推薦模型的無偏程度和推薦性能。

    3)結(jié)合本文MPE 方法的FMF-MPE 模型相比FMF 模型在所有指標(biāo)上也都有顯著地提升,綜合性能接近RMF 模型。值得注意的是,F(xiàn)MF 不是基于IPS 框架的模型,其效果的提升也驗(yàn)證了MPE 對歷史推薦系統(tǒng)在曝光率建模上的有效性,并且說明MPE具有較好的通用性。

    實(shí)驗(yàn)二:長尾物品上的實(shí)驗(yàn)。

    將Yahoo!R3數(shù)據(jù)集中的物品按照點(diǎn)擊數(shù)從大到小進(jìn)行排序,并以物品排序?yàn)闄M坐標(biāo),點(diǎn)擊次數(shù)為縱坐標(biāo)進(jìn)行統(tǒng)計(jì),得到長尾分布如圖1所示。

    圖1 Yahoo!R3數(shù)據(jù)集中物品的點(diǎn)擊次數(shù)分布Fig.1 Distribution of number of clicks on items in Yahoo!R3 dataset

    在推薦系統(tǒng)的場景下,長尾物品的有效推薦也是一個非常重要的研究問題。推薦系統(tǒng)往往能夠在流行度高的“短頭”(short-head)部分取得很好的推薦效果,而在“長尾”(long-tail)部分的推薦效果往往不盡人意[23-24]。處理長尾部分中零散的、個性化的需求問題能夠創(chuàng)造比短頭部分還要大的利潤。由于曝光偏置可能是導(dǎo)致長尾效應(yīng)的一個重要因素,解決曝光偏置可望提升推薦模型在長尾物品上的推薦效果。

    因此,本文對上述五種模型算法在長尾物品上的推薦效果進(jìn)行進(jìn)一步的實(shí)驗(yàn)。將點(diǎn)擊數(shù)排名前10%的物品標(biāo)記為Yahoo!R3 的短頭物品,其余為長尾物品。在保持所有實(shí)驗(yàn)的模型參數(shù)、訓(xùn)練過程不變的基礎(chǔ)上,僅在測試集中的長尾物品(點(diǎn)擊次數(shù)<250 的物品)子集上進(jìn)行推薦效果評估。實(shí)驗(yàn)結(jié)果如圖2所示。

    圖2 五個模型在Yahoo!R3數(shù)據(jù)集中長尾物品上的推薦效果Fig.2 Recommendation performance of five models on long-tail items in Yahoo!R3 dataset

    通過對圖2的實(shí)驗(yàn)結(jié)果進(jìn)行分析,可以得出以下結(jié)論:

    1)從DCG 和MAP評估指標(biāo)來看,五個模型在長尾物品上的實(shí)驗(yàn)結(jié)果相比在物品全集上的實(shí)驗(yàn)結(jié)果有較大的差距,而在召回率上呈現(xiàn)出不一樣的趨勢。這可能是因?yàn)樵趯y試集縮小為原來的長尾物品子集后,長尾物品實(shí)驗(yàn)中的待召回物品數(shù)目減少而導(dǎo)致召回率提升(評估指標(biāo)的局限性)。五個模型在長尾部分的推薦效果表現(xiàn)均遜色于它們在物品全集上的表現(xiàn),這驗(yàn)證了推薦系統(tǒng)中長尾難題的存在,也符合經(jīng)驗(yàn)上的認(rèn)知。

    2)BPR、FMF、FMF-MPE、RMF和RMF-MPE在長尾物品上的推薦性能依次提升,且FMF 在長尾物品上的表現(xiàn)優(yōu)于BPR(物品全集上呈現(xiàn)相反的趨勢)??梢钥闯?,基于IPS 的RMF和RMF-MPE相比傳統(tǒng)推薦模型,在長尾物品推薦上的性能有顯著的提升,這得益于傾向得分對數(shù)據(jù)偏置問題的有效解決。從式(4)可以看到,RMF 為觀測數(shù)據(jù)中的長尾物品樣本(即曝光率小的點(diǎn)擊樣本)賦予了更高的權(quán)重。這表示在訓(xùn)練過程中模型根據(jù)傾向得分適應(yīng)性地提高了長尾物品的權(quán)重,即系統(tǒng)更加信任從這些長尾物品樣本中所學(xué)習(xí)到的個性化偏好信息,這也是符合直覺的一個結(jié)果。

    3)我們認(rèn)為RMF-MPE 相比RMF 在長尾物品上的提升來自MPE 對傾向得分估計(jì)精度的提高,使得模型捕捉到用戶更具適應(yīng)性的無偏偏好。RMF 與RMF-MPE 都是基于逆傾向得分的模型,因此整體來說都會提升長尾物品在損失函數(shù)中的權(quán)重(長尾物品的曝光率低);而MPE 根據(jù)用戶的流行度偏好將用戶分類,融合用戶側(cè)和物品側(cè)的信息來估計(jì)傾向得分,使得同一物品對不同用戶有不同的傾向得分值,這在一定程度上增強(qiáng)了模型的表達(dá)能力,從而提升長尾物品上的性能。這說明數(shù)據(jù)糾偏對于提升長尾物品上的推薦性能是至關(guān)重要的,也值得今后在這方向上進(jìn)行更深入的研究。

    5 結(jié)語

    本文針對現(xiàn)有的基于隱式反饋的無偏推薦算法在傾向得分估計(jì)上的缺陷,在分析先前工作不足的基礎(chǔ)上,引入用戶的流行度偏好,并通過配對用戶流行度偏好和物品流行度,提出了配對傾向得分估計(jì)(MPE)方法,并在公開數(shù)據(jù)集上通過實(shí)驗(yàn)驗(yàn)證了MPE 的有效性和通用性。在未來希望能夠進(jìn)一步研究以下幾點(diǎn):1)由于推薦系統(tǒng)的迭代,不同時(shí)間點(diǎn)的傾向得分是變化的,在未來的研究中可以探討如何有效地利用時(shí)序信息;2)基于隱式反饋的傾向得分的估計(jì)精度還有進(jìn)一步提升的空間,我們將研究如何構(gòu)建更加通用和更加精確的傾向得分估計(jì)方法;3)無偏置推薦算法在評估時(shí)受限于無偏置測試集的收集,在未來的研究中可以探討傳統(tǒng)推薦算法的評估和無偏置推薦算法的評估的互補(bǔ)性。

    猜你喜歡
    長尾偏置物品
    基于40%正面偏置碰撞的某車型仿真及結(jié)構(gòu)優(yōu)化
    基于雙向線性插值的車道輔助系統(tǒng)障礙避讓研究
    中國信息化(2022年5期)2022-06-13 11:12:49
    稱物品
    “雙十一”,你搶到了想要的物品嗎?
    誰動了凡·高的物品
    長尾直銷產(chǎn)品圖鑒
    長尾豹馬修
    幽默大師(2018年5期)2018-10-27 05:53:50
    追蹤長尾豹馬修
    一級旋流偏置對雙旋流杯下游流場的影響
    找物品
    日本猛色少妇xxxxx猛交久久| 亚洲怡红院男人天堂| 亚州av有码| 人人澡人人妻人| 曰老女人黄片| 在线亚洲精品国产二区图片欧美 | 在线 av 中文字幕| 国产日韩欧美亚洲二区| 国产精品99久久久久久久久| 精品人妻偷拍中文字幕| 亚洲一级一片aⅴ在线观看| 人人妻人人添人人爽欧美一区卜| 建设人人有责人人尽责人人享有的| 精品亚洲成国产av| 最近中文字幕2019免费版| 成人黄色视频免费在线看| √禁漫天堂资源中文www| 一本久久精品| 亚洲av成人精品一区久久| 久久久国产精品麻豆| 国产免费一级a男人的天堂| 国产伦精品一区二区三区视频9| 18禁动态无遮挡网站| av视频免费观看在线观看| 女性生殖器流出的白浆| av福利片在线| 中国国产av一级| 亚洲欧美中文字幕日韩二区| 亚洲国产毛片av蜜桃av| 精品酒店卫生间| 日本与韩国留学比较| 日本vs欧美在线观看视频| 亚洲色图综合在线观看| 久久久久久久国产电影| 看免费成人av毛片| 国产极品粉嫩免费观看在线 | av在线老鸭窝| 大话2 男鬼变身卡| 黑人高潮一二区| 好男人视频免费观看在线| 欧美 日韩 精品 国产| a级片在线免费高清观看视频| 人妻夜夜爽99麻豆av| 亚洲综合色惰| 最近手机中文字幕大全| 又黄又爽又刺激的免费视频.| 久久精品人人爽人人爽视色| av福利片在线| 王馨瑶露胸无遮挡在线观看| 在线亚洲精品国产二区图片欧美 | av国产久精品久网站免费入址| 韩国av在线不卡| 久久狼人影院| 国产永久视频网站| 男女高潮啪啪啪动态图| 欧美3d第一页| 黄色一级大片看看| 久久久久精品久久久久真实原创| 91精品伊人久久大香线蕉| 女的被弄到高潮叫床怎么办| 免费看光身美女| 只有这里有精品99| 久久青草综合色| 国产69精品久久久久777片| 国产成人精品一,二区| 国产av码专区亚洲av| 国产一区二区在线观看日韩| 精品少妇内射三级| 亚洲国产毛片av蜜桃av| 国产毛片在线视频| 亚洲激情五月婷婷啪啪| 久久影院123| 久久人人爽人人片av| 国产精品国产av在线观看| 久久久久久久久久久久大奶| 国产亚洲欧美精品永久| 久久精品国产亚洲网站| 欧美人与善性xxx| 国产精品成人在线| 在线观看免费高清a一片| 亚洲av不卡在线观看| 国产探花极品一区二区| 亚洲欧美成人综合另类久久久| 91久久精品国产一区二区成人| 在线亚洲精品国产二区图片欧美 | 婷婷色综合www| 久久精品国产亚洲av天美| 伦理电影大哥的女人| 国产成人精品在线电影| 精品一区二区免费观看| 亚洲精品国产色婷婷电影| 性色avwww在线观看| 亚洲国产精品国产精品| 永久网站在线| 国产视频首页在线观看| 久久人人爽人人片av| 人人妻人人爽人人添夜夜欢视频| 欧美人与性动交α欧美精品济南到 | 国产欧美日韩一区二区三区在线 | 亚洲av免费高清在线观看| 亚洲av成人精品一区久久| 男女免费视频国产| 黑人猛操日本美女一级片| 青春草国产在线视频| 久久亚洲国产成人精品v| 久久久午夜欧美精品| 国产亚洲最大av| 少妇熟女欧美另类| 久久久久久久久久成人| 精品一区二区免费观看| 免费观看的影片在线观看| 亚洲三级黄色毛片| 国产精品无大码| 久久久久久久精品精品| 亚洲少妇的诱惑av| 22中文网久久字幕| 青青草视频在线视频观看| 国产精品久久久久久久久免| 久久久久久久久久人人人人人人| 亚洲一级一片aⅴ在线观看| a 毛片基地| 久久毛片免费看一区二区三区| 免费人妻精品一区二区三区视频| 高清不卡的av网站| 国产精品麻豆人妻色哟哟久久| 纵有疾风起免费观看全集完整版| 国国产精品蜜臀av免费| 在线亚洲精品国产二区图片欧美 | 精品久久久精品久久久| 一级毛片aaaaaa免费看小| 久久热精品热| 欧美日韩视频高清一区二区三区二| 国产精品不卡视频一区二区| av在线观看视频网站免费| 久久99热这里只频精品6学生| 99热这里只有精品一区| 99精国产麻豆久久婷婷| 亚洲欧洲精品一区二区精品久久久 | 人妻 亚洲 视频| 男女啪啪激烈高潮av片| 日日摸夜夜添夜夜爱| 日日啪夜夜爽| 久久免费观看电影| 在线观看美女被高潮喷水网站| 久久久久久人妻| 精品国产一区二区三区久久久樱花| 18禁裸乳无遮挡动漫免费视频| 老司机亚洲免费影院| 另类亚洲欧美激情| 极品人妻少妇av视频| 中文字幕精品免费在线观看视频 | 国产男女超爽视频在线观看| 欧美少妇被猛烈插入视频| 国产亚洲一区二区精品| 国产在线免费精品| 国产亚洲欧美精品永久| 国产精品一二三区在线看| 看免费成人av毛片| 最近最新中文字幕免费大全7| 曰老女人黄片| 五月开心婷婷网| 少妇人妻久久综合中文| 韩国av在线不卡| 国产精品.久久久| 99久久中文字幕三级久久日本| 在现免费观看毛片| 一个人看视频在线观看www免费| 久久精品久久久久久噜噜老黄| 国产免费一区二区三区四区乱码| 午夜免费男女啪啪视频观看| 久久久久久伊人网av| 老司机亚洲免费影院| 亚洲精华国产精华液的使用体验| 一区在线观看完整版| videossex国产| 欧美一级a爱片免费观看看| 亚洲精品久久久久久婷婷小说| 亚洲精品av麻豆狂野| 国产亚洲av片在线观看秒播厂| 亚洲精品aⅴ在线观看| 成人18禁高潮啪啪吃奶动态图 | 中文天堂在线官网| 在线观看免费高清a一片| 亚洲第一av免费看| 在线观看免费日韩欧美大片 | 你懂的网址亚洲精品在线观看| 免费久久久久久久精品成人欧美视频 | 国产在视频线精品| 少妇的逼水好多| 亚洲色图 男人天堂 中文字幕 | 久久久久国产精品人妻一区二区| 十八禁网站网址无遮挡| 亚洲av福利一区| 国产精品一二三区在线看| 色94色欧美一区二区| xxx大片免费视频| 妹子高潮喷水视频| 在线看a的网站| 青春草亚洲视频在线观看| 精品99又大又爽又粗少妇毛片| 欧美日韩一区二区视频在线观看视频在线| 亚洲欧洲精品一区二区精品久久久 | 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 | 伊人久久精品亚洲午夜| 高清av免费在线| 国产精品国产三级国产专区5o| 亚洲精品美女久久av网站| 亚洲美女视频黄频| 国产视频内射| 成人毛片60女人毛片免费| 黄色怎么调成土黄色| 极品少妇高潮喷水抽搐| 最新的欧美精品一区二区| 精品卡一卡二卡四卡免费| 一级毛片aaaaaa免费看小| 69精品国产乱码久久久| a 毛片基地| 欧美激情极品国产一区二区三区 | 日韩亚洲欧美综合| 精品酒店卫生间| 国产亚洲欧美精品永久| 亚洲av在线观看美女高潮| 成人毛片a级毛片在线播放| 最近中文字幕高清免费大全6| 亚洲av在线观看美女高潮| 亚洲精品亚洲一区二区| 人妻人人澡人人爽人人| 国产探花极品一区二区| av一本久久久久| 亚洲美女搞黄在线观看| 久久99精品国语久久久| 男人爽女人下面视频在线观看| 国产欧美亚洲国产| 免费久久久久久久精品成人欧美视频 | 亚洲国产色片| 国产av精品麻豆| 久久久久人妻精品一区果冻| 亚洲少妇的诱惑av| 一区在线观看完整版| 久久久久精品性色| 夫妻性生交免费视频一级片| 人人澡人人妻人| 在线观看一区二区三区激情| 91aial.com中文字幕在线观看| 欧美日韩国产mv在线观看视频| 在线播放无遮挡| 精品一区二区免费观看| 另类精品久久| 亚洲激情五月婷婷啪啪| 热99国产精品久久久久久7| 国产精品国产av在线观看| 最近最新中文字幕免费大全7| 在线观看www视频免费| 插逼视频在线观看| 日日爽夜夜爽网站| 精品一区二区三卡| 日韩制服骚丝袜av| 中文字幕制服av| 日本黄大片高清| 久久综合国产亚洲精品| 日韩一区二区视频免费看| 一区二区av电影网| 91精品国产九色| 欧美日韩综合久久久久久| 美女xxoo啪啪120秒动态图| 老女人水多毛片| 亚洲天堂av无毛| 老司机亚洲免费影院| 黄色一级大片看看| 国产成人av激情在线播放 | 久久精品久久久久久噜噜老黄| 亚洲欧美一区二区三区国产| 永久网站在线| 国产无遮挡羞羞视频在线观看| 国产精品一区二区在线观看99| 欧美性感艳星| 国产淫语在线视频| 亚洲国产av影院在线观看| 国产日韩欧美视频二区| 天天操日日干夜夜撸| 少妇猛男粗大的猛烈进出视频| 国产精品国产av在线观看| 亚洲精品乱久久久久久| 老熟女久久久| 一区在线观看完整版| 日韩 亚洲 欧美在线| 久久女婷五月综合色啪小说| 最近中文字幕高清免费大全6| 午夜免费观看性视频| 亚洲av男天堂| 久久精品国产鲁丝片午夜精品| 欧美精品一区二区免费开放| 99热6这里只有精品| 亚洲第一区二区三区不卡| 日本爱情动作片www.在线观看| 久久久精品免费免费高清| 日韩不卡一区二区三区视频在线| 999精品在线视频| 美女大奶头黄色视频| 国精品久久久久久国模美| 热99久久久久精品小说推荐| 97超视频在线观看视频| 亚洲av在线观看美女高潮| 国产 一区精品| 97精品久久久久久久久久精品| 欧美日韩一区二区视频在线观看视频在线| 91精品伊人久久大香线蕉| 久久精品国产亚洲av涩爱| 免费久久久久久久精品成人欧美视频 | 日韩一区二区三区影片| 男女啪啪激烈高潮av片| 最近的中文字幕免费完整| 精品熟女少妇av免费看| 一区二区三区免费毛片| 亚洲经典国产精华液单| 国产av国产精品国产| 国产成人一区二区在线| 国国产精品蜜臀av免费| 秋霞伦理黄片| 国产国拍精品亚洲av在线观看| 自线自在国产av| 国产精品无大码| 亚洲精品第二区| 制服丝袜香蕉在线| 亚洲四区av| 久久久国产精品麻豆| 啦啦啦中文免费视频观看日本| 国产不卡av网站在线观看| 一边亲一边摸免费视频| 精品视频人人做人人爽| 亚洲精品色激情综合| 91精品国产九色| 成人手机av| 最近的中文字幕免费完整| 大话2 男鬼变身卡| 色婷婷久久久亚洲欧美| 国产av码专区亚洲av| 美女福利国产在线| 久久久久久久久久人人人人人人| 18禁在线无遮挡免费观看视频| 精品少妇黑人巨大在线播放| 亚洲情色 制服丝袜| 午夜视频国产福利| 午夜激情久久久久久久| 日韩视频在线欧美| 2018国产大陆天天弄谢| 黄色欧美视频在线观看| 各种免费的搞黄视频| 黑人巨大精品欧美一区二区蜜桃 | 日本爱情动作片www.在线观看| 亚洲人成网站在线观看播放| 夫妻午夜视频| 久久婷婷青草| 国产精品欧美亚洲77777| 久久久久久久亚洲中文字幕| 国产成人91sexporn| 九九爱精品视频在线观看| 国产熟女午夜一区二区三区 | 亚洲一级一片aⅴ在线观看| av线在线观看网站| 精品一区二区免费观看| av在线app专区| 亚洲欧美成人综合另类久久久| 晚上一个人看的免费电影| 街头女战士在线观看网站| 久久久久国产精品人妻一区二区| 亚洲精品视频女| 日韩 亚洲 欧美在线| 天天操日日干夜夜撸| 老司机影院成人| 欧美日韩一区二区视频在线观看视频在线| 老司机影院成人| 日本-黄色视频高清免费观看| 亚洲高清免费不卡视频| 久久女婷五月综合色啪小说| 在线观看免费高清a一片| 久久久国产精品麻豆| 一区二区三区四区激情视频| 人妻制服诱惑在线中文字幕| 一二三四中文在线观看免费高清| 久久久久久久久久久免费av| 王馨瑶露胸无遮挡在线观看| 国产av码专区亚洲av| 最后的刺客免费高清国语| 成人亚洲精品一区在线观看| 亚洲高清免费不卡视频| 狠狠婷婷综合久久久久久88av| 18禁在线无遮挡免费观看视频| 成人免费观看视频高清| 黄色毛片三级朝国网站| 日韩欧美一区视频在线观看| 又大又黄又爽视频免费| 十分钟在线观看高清视频www| 国产精品不卡视频一区二区| 色婷婷av一区二区三区视频| 99久久精品国产国产毛片| 国产日韩欧美在线精品| 69精品国产乱码久久久| 成年人午夜在线观看视频| videosex国产| 在线观看美女被高潮喷水网站| 亚洲精品久久成人aⅴ小说 | 日日摸夜夜添夜夜爱| 久久亚洲国产成人精品v| 亚洲综合色网址| 亚洲人成网站在线播| 日韩av在线免费看完整版不卡| 国产亚洲精品久久久com| 女人久久www免费人成看片| 精品久久久久久久久av| 另类精品久久| 99精国产麻豆久久婷婷| 美女xxoo啪啪120秒动态图| 在线亚洲精品国产二区图片欧美 | 在现免费观看毛片| 赤兔流量卡办理| 草草在线视频免费看| 欧美日韩av久久| 免费av不卡在线播放| 色吧在线观看| 丝袜在线中文字幕| 国产成人精品福利久久| 大片电影免费在线观看免费| 嘟嘟电影网在线观看| 满18在线观看网站| 国产高清有码在线观看视频| 亚洲第一av免费看| 观看av在线不卡| 日韩亚洲欧美综合| videosex国产| 狂野欧美激情性xxxx在线观看| 久久毛片免费看一区二区三区| 久久午夜综合久久蜜桃| 日韩,欧美,国产一区二区三区| 中文字幕av电影在线播放| 亚洲av二区三区四区| 久久久久精品性色| 亚洲av欧美aⅴ国产| 欧美日韩av久久| 国产黄色免费在线视频| 性色av一级| 日本av免费视频播放| 亚洲精品国产av蜜桃| 极品人妻少妇av视频| 91成人精品电影| 国产精品免费大片| 日韩在线高清观看一区二区三区| 最近中文字幕高清免费大全6| 五月开心婷婷网| 99久久综合免费| 人体艺术视频欧美日本| av女优亚洲男人天堂| 亚洲精品视频女| 妹子高潮喷水视频| 国产伦精品一区二区三区视频9| 在线观看人妻少妇| 亚洲欧洲日产国产| 亚洲无线观看免费| 国产免费一区二区三区四区乱码| 三级国产精品欧美在线观看| 久久精品国产亚洲网站| 日韩伦理黄色片| 久久久a久久爽久久v久久| 高清av免费在线| av视频免费观看在线观看| 久久综合国产亚洲精品| 波野结衣二区三区在线| 亚洲国产色片| 亚洲美女黄色视频免费看| 亚洲人成网站在线播| 亚洲精品乱久久久久久| 大又大粗又爽又黄少妇毛片口| 国产亚洲最大av| 岛国毛片在线播放| 热99国产精品久久久久久7| 亚洲av国产av综合av卡| 啦啦啦啦在线视频资源| 日韩制服骚丝袜av| 一级毛片aaaaaa免费看小| 青青草视频在线视频观看| 久久久久久久久久久免费av| videossex国产| 亚洲精品aⅴ在线观看| 国产无遮挡羞羞视频在线观看| 免费播放大片免费观看视频在线观看| 日韩视频在线欧美| 久久久久久久精品精品| 免费观看在线日韩| 麻豆乱淫一区二区| 日韩伦理黄色片| 欧美一级a爱片免费观看看| 日本猛色少妇xxxxx猛交久久| 91精品三级在线观看| 一区二区三区乱码不卡18| 国产av码专区亚洲av| 亚洲精品第二区| 日韩精品有码人妻一区| 男女无遮挡免费网站观看| 欧美性感艳星| 国产有黄有色有爽视频| 少妇 在线观看| 26uuu在线亚洲综合色| 夜夜爽夜夜爽视频| 日本爱情动作片www.在线观看| 夜夜看夜夜爽夜夜摸| 人妻系列 视频| 日本午夜av视频| av在线老鸭窝| 人人澡人人妻人| 精品国产露脸久久av麻豆| 亚洲欧美日韩另类电影网站| 免费播放大片免费观看视频在线观看| 亚洲精品久久成人aⅴ小说 | av视频免费观看在线观看| 日日爽夜夜爽网站| 中文天堂在线官网| 18禁观看日本| 少妇的逼好多水| 欧美人与善性xxx| 中文字幕精品免费在线观看视频 | 一级二级三级毛片免费看| 成人亚洲欧美一区二区av| 精品久久久精品久久久| 欧美三级亚洲精品| 国产精品久久久久久av不卡| 国产精品99久久99久久久不卡 | 欧美日韩视频精品一区| 国产无遮挡羞羞视频在线观看| 欧美精品一区二区免费开放| 国产欧美日韩一区二区三区在线 | 一个人免费看片子| 多毛熟女@视频| 亚洲久久久国产精品| 国产成人a∨麻豆精品| av.在线天堂| 久久精品夜色国产| 亚洲精品,欧美精品| 一边摸一边做爽爽视频免费| 久久免费观看电影| 在线免费观看不下载黄p国产| 午夜日本视频在线| 亚洲精品成人av观看孕妇| 日产精品乱码卡一卡2卡三| 久久人人爽人人片av| av播播在线观看一区| 91精品国产九色| 一区二区av电影网| 日本91视频免费播放| 午夜激情久久久久久久| 午夜视频国产福利| 亚洲情色 制服丝袜| 人妻制服诱惑在线中文字幕| 毛片一级片免费看久久久久| 亚洲成人av在线免费| 热99国产精品久久久久久7| a级毛片在线看网站| 丰满饥渴人妻一区二区三| 欧美人与性动交α欧美精品济南到 | 80岁老熟妇乱子伦牲交| 亚洲欧洲精品一区二区精品久久久 | 交换朋友夫妻互换小说| 免费黄网站久久成人精品| av一本久久久久| 99视频精品全部免费 在线| 青春草国产在线视频| 亚州av有码| 亚洲国产日韩一区二区| 国产 精品1| 少妇人妻 视频| 在线播放无遮挡| 免费观看的影片在线观看| 国产熟女午夜一区二区三区 | 校园人妻丝袜中文字幕| 边亲边吃奶的免费视频| 久久精品国产亚洲av天美| 在线观看国产h片| 免费观看av网站的网址| 蜜桃国产av成人99| 国产精品三级大全| 人体艺术视频欧美日本| 亚洲精品456在线播放app| 国产男人的电影天堂91| 精品少妇黑人巨大在线播放| 欧美日韩av久久| 极品人妻少妇av视频| 亚洲性久久影院| 国产片特级美女逼逼视频| 视频区图区小说| 国产色爽女视频免费观看| 伦理电影免费视频| 99视频精品全部免费 在线| 婷婷成人精品国产| 日韩三级伦理在线观看| 熟女av电影| 美女福利国产在线| 婷婷色麻豆天堂久久| 国产精品蜜桃在线观看| 一级片'在线观看视频| 三上悠亚av全集在线观看| 99久久中文字幕三级久久日本| 国产精品不卡视频一区二区| 日本欧美国产在线视频| 亚洲欧洲国产日韩| 国产精品不卡视频一区二区| 在现免费观看毛片| 亚洲精品自拍成人| 高清在线视频一区二区三区| 黄片播放在线免费| 亚洲精品aⅴ在线观看| 精品亚洲乱码少妇综合久久| 久久久久久伊人网av| 国产一区二区三区综合在线观看 | 99热全是精品| 国产欧美另类精品又又久久亚洲欧美| 黄色一级大片看看|