• <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
    最新在线观看一区二区三区| 在线国产一区二区在线| 日本 av在线| 欧美黄色淫秽网站| 亚洲人成网站在线播放欧美日韩| 69av精品久久久久久| 热re99久久国产66热| 久久久久久久午夜电影| 国产激情欧美一区二区| 老汉色av国产亚洲站长工具| 国内久久婷婷六月综合欲色啪| 亚洲美女黄片视频| 在线观看免费午夜福利视频| 亚洲一区中文字幕在线| 日本 av在线| 99香蕉大伊视频| 日韩免费av在线播放| 欧美日韩福利视频一区二区| 12—13女人毛片做爰片一| 男人操女人黄网站| 亚洲国产欧美日韩在线播放| 中文字幕高清在线视频| 欧美日本中文国产一区发布| 免费在线观看日本一区| 女生性感内裤真人,穿戴方法视频| 国产激情欧美一区二区| 一个人免费在线观看的高清视频| 国产成人精品久久二区二区免费| 19禁男女啪啪无遮挡网站| 中文字幕av电影在线播放| 女性生殖器流出的白浆| 亚洲av片天天在线观看| 黄色视频,在线免费观看| 女人爽到高潮嗷嗷叫在线视频| 香蕉丝袜av| 欧美绝顶高潮抽搐喷水| 国产成人精品久久二区二区91| 9热在线视频观看99| 视频在线观看一区二区三区| 国产亚洲精品久久久久久毛片| 一本久久中文字幕| 侵犯人妻中文字幕一二三四区| 丝袜人妻中文字幕| 亚洲精品在线美女| 午夜精品久久久久久毛片777| 日韩免费av在线播放| 亚洲成a人片在线一区二区| 搡老岳熟女国产| 亚洲国产精品久久男人天堂| 1024香蕉在线观看| 亚洲欧美日韩高清在线视频| 91成年电影在线观看| 又黄又粗又硬又大视频| 久久亚洲真实| 妹子高潮喷水视频| 日韩有码中文字幕| 色在线成人网| 亚洲国产精品久久男人天堂| 国产精品一区二区三区四区久久 | 搞女人的毛片| 最近最新免费中文字幕在线| 久久精品91蜜桃| 国产极品粉嫩免费观看在线| 女人高潮潮喷娇喘18禁视频| 亚洲av电影不卡..在线观看| 欧美激情 高清一区二区三区| 91精品国产国语对白视频| 国内毛片毛片毛片毛片毛片| 老司机在亚洲福利影院| 久久午夜亚洲精品久久| 亚洲少妇的诱惑av| 老司机靠b影院| 久久精品亚洲精品国产色婷小说| 久久影院123| 亚洲成a人片在线一区二区| 黄片大片在线免费观看| 亚洲国产毛片av蜜桃av| 精品第一国产精品| 少妇裸体淫交视频免费看高清 | 国产乱人伦免费视频| 国产精品美女特级片免费视频播放器 | 丝袜在线中文字幕| 热re99久久国产66热| 国产在线精品亚洲第一网站| 国产成人欧美在线观看| 99在线视频只有这里精品首页| 啪啪无遮挡十八禁网站| 亚洲狠狠婷婷综合久久图片| 久久久国产成人精品二区| 免费av毛片视频| 一本综合久久免费| 中文字幕人妻熟女乱码| 在线永久观看黄色视频| 亚洲国产欧美网| 国产精华一区二区三区| 亚洲国产精品sss在线观看| 国产成人av激情在线播放| av视频在线观看入口| 日本免费一区二区三区高清不卡 | 亚洲精品在线美女| 国产亚洲欧美精品永久| 欧美日韩中文字幕国产精品一区二区三区 | 国产成人欧美在线观看| 日韩三级视频一区二区三区| 欧美日韩精品网址| 国产亚洲欧美98| 老汉色av国产亚洲站长工具| 欧美日韩精品网址| 欧美丝袜亚洲另类 | 美女高潮喷水抽搐中文字幕| 757午夜福利合集在线观看| 国产成人一区二区三区免费视频网站| 欧美午夜高清在线| 欧美绝顶高潮抽搐喷水| 国产成人av教育| 亚洲精品美女久久久久99蜜臀| 美女国产高潮福利片在线看| 黄色片一级片一级黄色片| 欧美激情 高清一区二区三区| 亚洲午夜精品一区,二区,三区| 精品一区二区三区四区五区乱码| 美女高潮喷水抽搐中文字幕| 免费无遮挡裸体视频| 国产区一区二久久| 黄色视频不卡| 又紧又爽又黄一区二区| 中文字幕色久视频| 淫秽高清视频在线观看| 妹子高潮喷水视频| 国产人伦9x9x在线观看| 69av精品久久久久久| 在线视频色国产色| 中文字幕高清在线视频| 久久久国产成人免费| 黄片小视频在线播放| 亚洲av五月六月丁香网| 久久草成人影院| 淫秽高清视频在线观看| 99久久久亚洲精品蜜臀av| 久久伊人香网站| 亚洲七黄色美女视频| 人人妻人人澡欧美一区二区 | 亚洲第一av免费看| 在线观看舔阴道视频| 亚洲人成伊人成综合网2020| 国产黄a三级三级三级人| 久久久久久免费高清国产稀缺| svipshipincom国产片| 亚洲国产精品成人综合色| 涩涩av久久男人的天堂| 精品卡一卡二卡四卡免费| 操出白浆在线播放| 亚洲精品粉嫩美女一区| 亚洲精品在线美女| 久久人人爽av亚洲精品天堂| 午夜福利在线观看吧| 国产精品久久久久久精品电影 | 久久国产精品人妻蜜桃| 一边摸一边抽搐一进一小说| 婷婷六月久久综合丁香| 亚洲一区二区三区不卡视频| 精品一区二区三区四区五区乱码| 久久久国产精品麻豆| 成人国产一区最新在线观看| 久久国产亚洲av麻豆专区| 久久久久久亚洲精品国产蜜桃av| 国产极品粉嫩免费观看在线| 久久香蕉激情| 两性夫妻黄色片| 香蕉国产在线看| 后天国语完整版免费观看| 国产欧美日韩精品亚洲av| 18禁观看日本| 亚洲av片天天在线观看| 久久精品国产99精品国产亚洲性色 | 久久人人精品亚洲av| 亚洲一区二区三区不卡视频| 久久草成人影院| 一级片免费观看大全| 在线永久观看黄色视频| 999久久久精品免费观看国产| 黄色女人牲交| 母亲3免费完整高清在线观看| 久久精品国产99精品国产亚洲性色 | 欧美久久黑人一区二区| 国产99白浆流出| 88av欧美| 精品欧美国产一区二区三| 中文字幕最新亚洲高清| 97人妻天天添夜夜摸| 国产又色又爽无遮挡免费看| 欧美老熟妇乱子伦牲交| 日韩大码丰满熟妇| 正在播放国产对白刺激| 国产亚洲精品久久久久久毛片| 国产野战对白在线观看| 国产亚洲精品久久久久5区| 国产激情久久老熟女| 女同久久另类99精品国产91| 岛国视频午夜一区免费看| 中文字幕人妻熟女乱码| 国产精品一区二区免费欧美| 国产成人欧美| 国产精品精品国产色婷婷| 最新在线观看一区二区三区| 美女国产高潮福利片在线看| 在线永久观看黄色视频| 国产精华一区二区三区| 欧美国产日韩亚洲一区| 久久久久久免费高清国产稀缺| av中文乱码字幕在线| 欧美日韩亚洲综合一区二区三区_| 桃色一区二区三区在线观看| 国产亚洲精品一区二区www| 欧美国产精品va在线观看不卡| 久久精品国产亚洲av香蕉五月| 丝袜人妻中文字幕| 精品一区二区三区av网在线观看| 大型黄色视频在线免费观看| 国产精品精品国产色婷婷| 国产成人啪精品午夜网站| 麻豆成人av在线观看| 欧美黄色片欧美黄色片| 人人妻人人澡人人看| 亚洲午夜理论影院| av在线播放免费不卡| 久久天躁狠狠躁夜夜2o2o| 欧美久久黑人一区二区| 亚洲 欧美 日韩 在线 免费| АⅤ资源中文在线天堂| 99久久国产精品久久久| 咕卡用的链子| 亚洲精品一区av在线观看| 18禁美女被吸乳视频| 欧美一级毛片孕妇| 色婷婷久久久亚洲欧美| 国产蜜桃级精品一区二区三区| 午夜福利视频1000在线观看 | 亚洲人成网站在线播放欧美日韩| 国产三级在线视频| 在线天堂中文资源库| 69精品国产乱码久久久| 中文字幕最新亚洲高清| 日韩国内少妇激情av| 亚洲国产精品999在线| 亚洲欧美一区二区三区黑人| 国产高清videossex| 亚洲人成网站在线播放欧美日韩| 国产精品免费一区二区三区在线| 久久久国产成人免费| 成人国语在线视频| 最近最新中文字幕大全电影3 | 久久久久国内视频| 久久人妻av系列| 女人爽到高潮嗷嗷叫在线视频| 精品久久久久久久久久免费视频| 9191精品国产免费久久| 日韩精品中文字幕看吧| 亚洲中文字幕一区二区三区有码在线看 | 亚洲精品中文字幕一二三四区| 老汉色av国产亚洲站长工具| 一区二区日韩欧美中文字幕| 女人高潮潮喷娇喘18禁视频| 欧美日韩黄片免| 久久久久久久久免费视频了| 中出人妻视频一区二区| 国产精品秋霞免费鲁丝片| 青草久久国产| 亚洲视频免费观看视频| 夜夜爽天天搞| 看免费av毛片| 国产精品久久久av美女十八| 51午夜福利影视在线观看| 最好的美女福利视频网| 久久婷婷成人综合色麻豆| 一级a爱视频在线免费观看| 午夜福利影视在线免费观看| 午夜免费鲁丝| 亚洲欧洲精品一区二区精品久久久| 欧美中文日本在线观看视频| 国产极品粉嫩免费观看在线| 男人的好看免费观看在线视频 | 欧美一级毛片孕妇| 亚洲欧美激情综合另类| 国产熟女午夜一区二区三区| 18美女黄网站色大片免费观看| 欧美日韩亚洲综合一区二区三区_| 啦啦啦 在线观看视频| 色综合亚洲欧美另类图片| 免费少妇av软件| 亚洲少妇的诱惑av| 欧美一区二区精品小视频在线| 国产亚洲精品久久久久久毛片| 日韩精品中文字幕看吧| 久久精品亚洲精品国产色婷小说| 真人做人爱边吃奶动态| 久久青草综合色| 9色porny在线观看| 亚洲欧洲精品一区二区精品久久久| 欧美日韩亚洲国产一区二区在线观看| 99久久精品国产亚洲精品| 久久久国产成人免费| 制服诱惑二区| 黄片大片在线免费观看| 免费看十八禁软件| 久久精品91无色码中文字幕| 免费人成视频x8x8入口观看| 一夜夜www| 精品免费久久久久久久清纯| 丝袜美腿诱惑在线| 黄色视频,在线免费观看| 午夜福利免费观看在线| 黄色视频不卡| 19禁男女啪啪无遮挡网站| 亚洲精品久久国产高清桃花| 咕卡用的链子| 精品国产一区二区三区四区第35| 国产色视频综合| 国产精品亚洲美女久久久| 咕卡用的链子| 欧美黑人精品巨大| 人人妻人人爽人人添夜夜欢视频| 亚洲视频免费观看视频| 午夜免费观看网址| 欧美激情 高清一区二区三区| 国产91精品成人一区二区三区| 少妇被粗大的猛进出69影院| 欧美+亚洲+日韩+国产| 亚洲伊人色综图| 亚洲伊人色综图| 亚洲美女黄片视频| 一级a爱片免费观看的视频| 国产精品久久久av美女十八| 一级a爱片免费观看的视频| 国产不卡一卡二| 国产免费av片在线观看野外av| 久久天堂一区二区三区四区| 亚洲男人天堂网一区| 日本精品一区二区三区蜜桃| 国产欧美日韩精品亚洲av| 亚洲中文av在线| 亚洲av日韩精品久久久久久密| 精品久久久久久久毛片微露脸| 久久中文字幕人妻熟女| а√天堂www在线а√下载| 国产精品久久久久久人妻精品电影| 久久久久久久精品吃奶| 麻豆av在线久日| 亚洲成av人片免费观看| 亚洲人成电影免费在线| aaaaa片日本免费| 久久久久国产一级毛片高清牌| 久久精品国产99精品国产亚洲性色 | 在线视频色国产色| 波多野结衣高清无吗| 麻豆成人av在线观看| 搡老熟女国产l中国老女人| 可以在线观看毛片的网站| 精品久久久久久久人妻蜜臀av | 在线观看66精品国产| 日本黄色视频三级网站网址| 成人av一区二区三区在线看| 色综合婷婷激情| 少妇熟女aⅴ在线视频| 亚洲专区国产一区二区| 欧美亚洲日本最大视频资源| 日韩免费av在线播放| 久久久国产欧美日韩av| 天天添夜夜摸| 多毛熟女@视频| 中文亚洲av片在线观看爽| 久久亚洲精品不卡| 免费搜索国产男女视频| 成人三级做爰电影| 欧美国产精品va在线观看不卡| 亚洲自拍偷在线| 亚洲一码二码三码区别大吗| 午夜精品在线福利| 欧美丝袜亚洲另类 | av天堂久久9| 91精品国产国语对白视频| 少妇熟女aⅴ在线视频| 欧美日韩黄片免| 亚洲成人精品中文字幕电影| 他把我摸到了高潮在线观看| 视频区欧美日本亚洲| cao死你这个sao货| 91麻豆av在线| 亚洲国产高清在线一区二区三 | 777久久人妻少妇嫩草av网站| 美女午夜性视频免费| 国产成人精品久久二区二区91| 可以免费在线观看a视频的电影网站| 亚洲自偷自拍图片 自拍| 天天躁狠狠躁夜夜躁狠狠躁| 久久精品影院6| av网站免费在线观看视频| 日韩有码中文字幕| 色av中文字幕| 国产1区2区3区精品| 国语自产精品视频在线第100页| 免费在线观看影片大全网站| 国产在线观看jvid| 亚洲av成人av| 一个人观看的视频www高清免费观看 | 日本vs欧美在线观看视频| 亚洲欧洲精品一区二区精品久久久| 亚洲av片天天在线观看| 欧美成人午夜精品| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲久久久国产精品| 99国产精品一区二区蜜桃av| 99精品久久久久人妻精品| 色av中文字幕| 久久久久久久久中文| 亚洲熟女毛片儿| 91成人精品电影| 国产精品二区激情视频| 大型av网站在线播放| 三级毛片av免费| 成人18禁高潮啪啪吃奶动态图| 午夜福利影视在线免费观看| 999精品在线视频| 一级a爱片免费观看的视频| 国产午夜精品久久久久久| www.www免费av| 亚洲欧美精品综合久久99| 国产欧美日韩精品一区二区| av天堂中文字幕网| 精品人妻视频免费看| 亚洲熟妇熟女久久| 国产精品嫩草影院av在线观看 | 尤物成人国产欧美一区二区三区| 日韩欧美在线乱码| 免费观看在线日韩| 国产一区二区在线观看日韩| 国产精品爽爽va在线观看网站| 毛片女人毛片| 直男gayav资源| 特级一级黄色大片| 欧美+亚洲+日韩+国产| 亚洲av免费在线观看| 久久亚洲真实| 国产亚洲欧美98| 国产精品野战在线观看| 欧美三级亚洲精品| 一a级毛片在线观看| 18禁在线播放成人免费| 久99久视频精品免费| 天堂网av新在线| 日本成人三级电影网站| 少妇被粗大猛烈的视频| 乱人视频在线观看| 亚洲成人久久爱视频| 十八禁国产超污无遮挡网站| 欧美最新免费一区二区三区| 黄片wwwwww| 嫩草影院新地址| 高清在线国产一区| 老司机深夜福利视频在线观看| 97碰自拍视频| 成年女人永久免费观看视频| 99久久精品国产国产毛片| 国产在视频线在精品| 亚洲精品一卡2卡三卡4卡5卡| 美女免费视频网站| 国内毛片毛片毛片毛片毛片| 国内精品久久久久久久电影| 免费人成在线观看视频色| 夜夜看夜夜爽夜夜摸| 99热网站在线观看| 亚洲精华国产精华精| 日本三级黄在线观看| 国产毛片a区久久久久| 精品久久久久久久久亚洲 | 天堂影院成人在线观看| 婷婷精品国产亚洲av| 日本 av在线| 欧美成人a在线观看| 国产久久久一区二区三区| 精品福利观看| 热99在线观看视频| 男女视频在线观看网站免费| 人妻久久中文字幕网| 色综合色国产| 色噜噜av男人的天堂激情| 少妇猛男粗大的猛烈进出视频 | 亚州av有码| 久久久色成人| 可以在线观看毛片的网站| 在线观看av片永久免费下载| 女生性感内裤真人,穿戴方法视频| 麻豆国产av国片精品| 啦啦啦韩国在线观看视频| 免费在线观看影片大全网站| 亚洲熟妇熟女久久| 国产成人av教育| 久久久久免费精品人妻一区二区| 欧美日本亚洲视频在线播放| 国产伦人伦偷精品视频| 男人狂女人下面高潮的视频| 不卡视频在线观看欧美| 精品国产三级普通话版| www.www免费av| 日韩大尺度精品在线看网址| 国产高清视频在线播放一区| 丰满乱子伦码专区| 亚洲一区高清亚洲精品| 国产女主播在线喷水免费视频网站 | 国产精品一区www在线观看 | 乱人视频在线观看| 亚洲avbb在线观看| 国产午夜福利久久久久久| 色综合站精品国产| 美女高潮的动态| h日本视频在线播放| 欧美黑人欧美精品刺激| 亚洲成人久久爱视频| 久久久久久久久久成人| 搡女人真爽免费视频火全软件 | 一级黄色大片毛片| 国产欧美日韩精品亚洲av| x7x7x7水蜜桃| 婷婷亚洲欧美| 亚洲av美国av| 中文字幕精品亚洲无线码一区| 国产免费男女视频| 久久久久久久久大av| 久9热在线精品视频| 又紧又爽又黄一区二区| 欧美成人性av电影在线观看| 国产精品人妻久久久久久| 美女高潮喷水抽搐中文字幕| 精品日产1卡2卡| 神马国产精品三级电影在线观看| 久久国内精品自在自线图片| 国产精品一区二区三区四区免费观看 | 国产免费男女视频| 国产精品,欧美在线| 无人区码免费观看不卡| 色综合色国产| 国产av不卡久久| 国产单亲对白刺激| 熟女电影av网| 18禁在线播放成人免费| 日韩欧美国产在线观看| 97碰自拍视频| 中国美女看黄片| 赤兔流量卡办理| 黄色女人牲交| 国产中年淑女户外野战色| 亚洲国产精品合色在线| 十八禁网站免费在线| 91精品国产九色| 12—13女人毛片做爰片一| 狠狠狠狠99中文字幕| 成人美女网站在线观看视频| 深夜a级毛片| 欧美色视频一区免费| 欧美绝顶高潮抽搐喷水| 国产精品人妻久久久影院| 男人狂女人下面高潮的视频| 免费观看在线日韩| 日本a在线网址| 国产探花在线观看一区二区| eeuss影院久久| 国产精品一区www在线观看 | 亚洲精品粉嫩美女一区| 内地一区二区视频在线| 又粗又爽又猛毛片免费看| 中亚洲国语对白在线视频| 国产亚洲精品综合一区在线观看| 亚洲综合色惰| 亚洲欧美日韩高清专用| 联通29元200g的流量卡| 亚洲成人中文字幕在线播放| 国产真实乱freesex| 亚洲精品一卡2卡三卡4卡5卡| 国产亚洲91精品色在线| 欧美色视频一区免费| 欧美激情国产日韩精品一区| 91麻豆精品激情在线观看国产| 97热精品久久久久久| 99久久精品一区二区三区| 男人舔女人下体高潮全视频| 精品人妻熟女av久视频| 99视频精品全部免费 在线| 观看美女的网站| av专区在线播放| 色吧在线观看| 色av中文字幕| 欧美又色又爽又黄视频| 美女cb高潮喷水在线观看| 国产毛片a区久久久久| 我要看日韩黄色一级片| 成人综合一区亚洲| 九九久久精品国产亚洲av麻豆| 日本黄色片子视频| ponron亚洲| 午夜福利视频1000在线观看| 成人国产综合亚洲| 乱人视频在线观看| av专区在线播放| 国产高清视频在线观看网站| 直男gayav资源| 3wmmmm亚洲av在线观看| 久久99热6这里只有精品| 国产精品综合久久久久久久免费| 性色avwww在线观看| 国产乱人伦免费视频| 亚洲av第一区精品v没综合| 中文字幕av在线有码专区| 国产精品,欧美在线| 欧美国产日韩亚洲一区| 久久精品国产自在天天线|