• <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 ?

    融合多頭自注意力的遠(yuǎn)程監(jiān)督關(guān)系抽取方法

    2022-01-26 09:26:04李思琪朱慶陳鈺楓徐金安張玉潔
    情報(bào)工程 2021年6期
    關(guān)鍵詞:級(jí)別注意力實(shí)體

    李思琪 朱慶 陳鈺楓 徐金安 張玉潔

    北京交通大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院 北京 100044

    引言

    關(guān)系抽取作為自然語(yǔ)言處理領(lǐng)域中一項(xiàng)重要的基礎(chǔ)任務(wù),旨在判斷出文本語(yǔ)句中實(shí)體對(duì)之間存在的語(yǔ)義關(guān)系。傳統(tǒng)的基于有監(jiān)督方法的關(guān)系抽取依賴(lài)于高質(zhì)量的人工標(biāo)注數(shù)據(jù),需要花費(fèi)大量的時(shí)間和人力。于是,能夠在現(xiàn)有的知識(shí)庫(kù)和語(yǔ)料庫(kù)的基礎(chǔ)上,自動(dòng)標(biāo)注訓(xùn)練數(shù)據(jù)的遠(yuǎn)程監(jiān)督方法逐漸成為了關(guān)系抽取研究任務(wù)的熱點(diǎn)。

    遠(yuǎn)程監(jiān)督的概念由Mintz等[1]于2009年提出,其核心思想是:若在現(xiàn)有的知識(shí)庫(kù)中存在某一個(gè)實(shí)體關(guān)系三元組(實(shí)體1,關(guān)系R,實(shí)體2),則認(rèn)為在語(yǔ)料庫(kù)中,所有同時(shí)包含有實(shí)體1和實(shí)體2的文本語(yǔ)句,都表達(dá)了關(guān)系R。例如:在知識(shí)庫(kù)中,有一個(gè)實(shí)體關(guān)系三元組(比爾蓋茨,創(chuàng)始人,微軟),則將所有“比爾蓋茨”和“微軟”同時(shí)出現(xiàn)的句子都標(biāo)記為“創(chuàng)始人”的關(guān)系。通過(guò)遠(yuǎn)程監(jiān)督思想可以在短時(shí)間內(nèi)獲得大量標(biāo)注好的訓(xùn)練語(yǔ)料,但是由于其假設(shè)過(guò)于強(qiáng)硬,不可避免地導(dǎo)致了錯(cuò)誤標(biāo)注的噪聲問(wèn)題。例如在句子“在1992年,比爾蓋茨擁有超過(guò)40%的微軟股票,經(jīng)過(guò)這么多年不斷地拋售后,現(xiàn)在他只有1%了”中,同時(shí)出現(xiàn)了“比爾蓋茨”和“微軟”兩個(gè)實(shí)體詞,但是表達(dá)的關(guān)系卻不是“創(chuàng)始人”的關(guān)系。因此,如何降低語(yǔ)料中的噪聲數(shù)據(jù)影響,提升關(guān)系抽取的性能成為了當(dāng)前研究的重點(diǎn)。

    1 相關(guān)工作

    由于遠(yuǎn)程監(jiān)督構(gòu)建數(shù)據(jù)集的特殊性,導(dǎo)致獲得的數(shù)據(jù)集中存在大量的噪聲標(biāo)簽,影響了關(guān)系抽取的性能。為了處理噪聲問(wèn)題,有學(xué)者提出將遠(yuǎn)程監(jiān)督關(guān)系抽取看作一個(gè)多示例學(xué)習(xí)(Multi Instance Learning, MIL)任務(wù),將包含有同一實(shí)體對(duì)的所有句子看作一個(gè)實(shí)體包,基于實(shí)體包來(lái)進(jìn)行實(shí)體對(duì)的關(guān)系抽取[2],有效地緩解了錯(cuò)誤標(biāo)注的問(wèn)題;之后也有學(xué)者們提出基于多示例學(xué)習(xí)的概率圖模型[3-4]。Zeng等[5]提出了一種結(jié)合多示例學(xué)習(xí)思想的分段卷積神經(jīng) 網(wǎng) 絡(luò)(Piece-wise Convolutional Neural Network,PCNNs),基于At-least-once的思想,認(rèn)為在實(shí)體包內(nèi)至少存在一個(gè)句子,能夠正確的表達(dá)實(shí)體對(duì)之間的關(guān)系,選擇最優(yōu)句子作為整個(gè)實(shí)體包的表示。之后,Lin等[6]認(rèn)為應(yīng)該將實(shí)體包內(nèi)所有句子的信息都利用起來(lái),組合作為實(shí)體包的表示,并提出使用句子級(jí)別的注意力機(jī)制來(lái)分配實(shí)體包內(nèi)不同句子的權(quán)重。Ji等[7]提出使用基于TransE思想[8]的句子級(jí)別注意力機(jī)制,將兩個(gè)實(shí)體的差值融合到注意力計(jì)算中,并且還加入了知識(shí)庫(kù)中實(shí)體的描述信息。Jat等[9]使用了詞級(jí)別和句子級(jí)別兩層注意力,進(jìn)一步降低了遠(yuǎn)程監(jiān)督的噪聲影響,取得了較好的效果。Yuan等[10]采用非獨(dú)立非同分布關(guān)聯(lián)嵌入法來(lái)捕獲袋內(nèi)句子的相關(guān)性,得到更好的包向量表示。Alt等[11]通過(guò)選擇性注意機(jī)制將標(biāo)準(zhǔn)的Transformer結(jié)構(gòu)擴(kuò)展到多實(shí)例學(xué)習(xí),并在遠(yuǎn)程監(jiān)督關(guān)系抽取任務(wù)上進(jìn)行微調(diào),減少了顯式特征提取以及誤差累積的風(fēng)險(xiǎn)。Ye等[12]同時(shí)考慮了包內(nèi)和包間的噪聲,分別對(duì)句子級(jí)和包級(jí)噪聲進(jìn)行處理。針對(duì)遠(yuǎn)程監(jiān)督數(shù)據(jù)存在的錯(cuò)誤標(biāo)注問(wèn)題,Huang等[13]基于上下文相關(guān)的矯正策略將可能錯(cuò)誤的噪聲標(biāo)簽修正到正確方向。Shang等[14]利用無(wú)監(jiān)督深度聚類(lèi)為含噪句子生成可靠標(biāo)簽。Wang等[15]提出了一種無(wú)標(biāo)簽方法,即利用類(lèi)型信息和翻譯規(guī)律對(duì)學(xué)習(xí)過(guò)程進(jìn)行軟監(jiān)督,不需要額外的降噪模型。另外,有學(xué)者還提出應(yīng)該在關(guān)系抽取模型之前就過(guò)濾數(shù)據(jù)集中的噪聲,Qin等[16]通過(guò)生成對(duì)抗訓(xùn)練來(lái)去除噪聲,處理錯(cuò)誤標(biāo)注的句子。Feng等[17]引入強(qiáng)化學(xué)習(xí),將過(guò)濾噪聲句子建模為一個(gè)強(qiáng)化學(xué)習(xí)決策問(wèn)題,根據(jù)刪除一個(gè)句子后的關(guān)系抽取器性能表現(xiàn)作為強(qiáng)化學(xué)習(xí)的獎(jiǎng)勵(lì)或者處罰。

    當(dāng)前遠(yuǎn)程監(jiān)督關(guān)系抽取經(jīng)過(guò)不同研究者的不斷努力創(chuàng)新,已經(jīng)取得了較好的性能表現(xiàn),但是仍存在三個(gè)問(wèn)題影響了關(guān)系抽取的性能提升。(1)遠(yuǎn)程監(jiān)督構(gòu)建的句子中存在大量和關(guān)系表示無(wú)關(guān)的噪聲詞,根據(jù)Liu等[18]的研究:在NYT-Freebase這一遠(yuǎn)程監(jiān)督關(guān)系抽取經(jīng)典數(shù)據(jù)集中,約有99.4%的句子都存在無(wú)關(guān)的噪聲詞,平均每條句子中都有著12個(gè)無(wú)關(guān)詞。無(wú)關(guān)的噪聲詞影響了關(guān)系抽取模型提取到的句子特征的質(zhì)量,而現(xiàn)有的方法直接以關(guān)系標(biāo)簽為依據(jù),計(jì)算不同詞與關(guān)系標(biāo)簽的相關(guān)度,進(jìn)而分配不同詞的注意力權(quán)重,沒(méi)有考慮到關(guān)系標(biāo)簽會(huì)存在大量的噪聲,向錯(cuò)誤關(guān)系標(biāo)簽學(xué)習(xí),導(dǎo)致了“越學(xué)越錯(cuò)”的問(wèn)題,影響了關(guān)系抽取的性能。(2)現(xiàn)有的方法在生成實(shí)體包特征時(shí),直接采用含有噪聲的關(guān)系標(biāo)簽作為計(jì)算注意力權(quán)重的依據(jù),忽略了關(guān)系標(biāo)簽噪聲的負(fù)面影響,難以獲得合理的實(shí)體包特征表示。(3)Ye等[19]的研究表明,句子中的命名實(shí)體詞往往對(duì)于句子的語(yǔ)義表示有較高的影響,而現(xiàn)有的基于詞向量和位置向量的句子輸入表示忽略了文本句子中的命名實(shí)體對(duì)于句子表示的重要性,另外頭、尾的實(shí)體詞作為句子中最核心的詞,也應(yīng)受到更多的關(guān)注度。

    針對(duì)以上問(wèn)題,我們提出了一種新的融合多頭自注意力和實(shí)體特征的分段卷積神經(jīng)網(wǎng)絡(luò)模型(Entity-wised Multi-head Self Attention based PCNNs,簡(jiǎn)稱(chēng)為EMSA_PCNN),與JAT等人在詞級(jí)和句子級(jí)注意力都依據(jù)關(guān)系標(biāo)簽分配注意力不同的是,我們?cè)赑CNNs提取句子特征的基礎(chǔ)上,使用多頭自注意力來(lái)更加合理地分配不同詞的貢獻(xiàn)度,不需要額外的監(jiān)督信息,緩解了遠(yuǎn)程監(jiān)督的無(wú)關(guān)噪聲詞影響句子表示的問(wèn)題。除此之外,我們?cè)谏蓪?shí)體包時(shí),基于TransE算法的思想:e1-e2≈r,認(rèn)為實(shí)體之間的關(guān)系可以由頭、尾實(shí)體進(jìn)行一定的計(jì)算變換得到,采用頭、尾實(shí)體經(jīng)過(guò)雙線(xiàn)性變換后的向量表示作為句子權(quán)重的計(jì)算依據(jù),通過(guò)縮放點(diǎn)積注意力處理,完全不依賴(lài)關(guān)系標(biāo)簽,進(jìn)一步緩解了遠(yuǎn)程監(jiān)督關(guān)系抽取的噪聲在生成實(shí)體包特征時(shí)的負(fù)面影響。另外,在輸入部分,額外加入了命名實(shí)體和核心的頭、尾實(shí)體詞特征,進(jìn)一步豐富了句子的輸入特征表示,有利于關(guān)系抽取模型學(xué)習(xí)到更多有效的語(yǔ)義特征。我們?cè)贜YT-Freebase數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明:相較于基線(xiàn)系統(tǒng),我們提出的方法性能有了顯著提升,驗(yàn)證了提出的方法的有效性。

    2 模型架構(gòu)

    如EMSA_PCNN模型架構(gòu)圖如圖1所示,對(duì)于實(shí)體包B中的所有句子,EMSA_PCNN模型首先將文本句子轉(zhuǎn)換為向量表示(2.1節(jié)融合實(shí)體特征的輸入層),然后采用卷積層提取文本特征(2.2節(jié)卷積層),再通過(guò)多頭自注意力機(jī)制來(lái)合理分配不同詞的權(quán)重(2.3節(jié)多頭自注意力層),然后對(duì)文本表示進(jìn)行分段的最大池化處理獲得最終句子表示(2.4節(jié)分段最大池化層),再通過(guò)基于頭、尾實(shí)體雙線(xiàn)性變換的注意力計(jì)算合理分配不同句子的權(quán)重,綜合所有句子特征以獲得最終實(shí)體包B的表示(2.5節(jié)融合實(shí)體特征的句子特征選擇層),最后通過(guò)經(jīng)過(guò)Softmax激活的全連接層處理,獲得實(shí)體包B對(duì)于所有關(guān)系類(lèi)別的得分。

    圖1 EMSA_PCNN模型架構(gòu)圖

    相較于現(xiàn)有的基于PCNNs的模型,我們提出的方法在卷積層之后使用多頭自注意力機(jī)制來(lái)分配句子中不同詞的權(quán)重,并且在生成實(shí)體包時(shí),完全不使用含有噪聲關(guān)系標(biāo)簽的特征信息,使得模型能進(jìn)一步避免遠(yuǎn)程監(jiān)督噪聲的影響。

    2.1 融合實(shí)體特征的輸入層

    2.1.1 詞向量

    詞向量是對(duì)詞的分布式表示,目的是將文本中的每一個(gè)詞都轉(zhuǎn)換成低維的數(shù)字向量。具體來(lái)說(shuō),對(duì)于包含n個(gè)詞的輸入句子s,可表示為s={w1,w2,w3, …,wn},首先將其中每個(gè)詞wi{i=1, 2, 3,…,n}都通過(guò)詞典映射為數(shù)字索引號(hào),其次通過(guò)映射矩陣WE∈?|V|×dw將每個(gè)索引號(hào)都轉(zhuǎn)換成向量形式vi(i=1, 2, 3,…,n),詞向量的維度為dw,|V|是詞典大小。

    2.1.2 位置向量

    句子中離實(shí)體詞越近的詞對(duì)于句子表示的貢獻(xiàn)越大,通過(guò)每個(gè)詞與兩個(gè)實(shí)體詞的相對(duì)距離大小可以獲得位置向量,彌補(bǔ)了CNN對(duì)于位置信息編碼能力較弱的缺點(diǎn)。具體來(lái)說(shuō),句子中第i個(gè)詞與兩個(gè)實(shí)體的相對(duì)位置大小分別用P1i(i=1, 2, 3,…,n)和P2i(i=1, 2, 3,…,n)表 示,再通過(guò)兩個(gè)向量矩陣PE1和PE2,將數(shù)值映射為低維向量p1i(i=1, 2, 3,…,n)和p2i(i=1, 2, 3,…,n),位置向量的映射維度為dp。相對(duì)位置如圖2所示:“technology”這個(gè)詞到頭實(shí)體詞“Bill Gates”和尾實(shí)體詞“Microsoft”的相對(duì)距離分別是“4”和“-6”。

    圖2 相對(duì)距離示例

    2.1.3 命名實(shí)體向量

    文本中存在不同類(lèi)型命名實(shí)體詞,將命名實(shí)體的開(kāi)頭詞標(biāo)記為“命名實(shí)體類(lèi)型-B”,命名實(shí)體的后續(xù)詞標(biāo)記為“命名實(shí)體類(lèi)型-I”,不是命名實(shí)體的詞的標(biāo)記為“O”。如圖3所示的一個(gè)句子:“On July 28, Bill Gates sold 2 million Microsoft shares”,其中的“July”和“28”分別被標(biāo)記為DATE-B和DATE-I類(lèi)型,“Bill”和“Gates”分別被標(biāo)記為PER-B和PER-I類(lèi)型,“Microsoft”被標(biāo)記為ORG-B類(lèi)型。給定輸入句子s={w1,w2,w3, …,wn},將其命名實(shí)體標(biāo)簽(BIO類(lèi)型)NE={ne1,ne2,ne3, …,nen}轉(zhuǎn)換成向量表示BE={bio1,bio2,bio3, …,bion},命名實(shí)體向量的維度為dbio。

    圖3 命名實(shí)體類(lèi)型示例

    2.1.4 頭、尾實(shí)體向量

    頭、尾實(shí)體詞是文本中最核心的兩個(gè)詞,在輸入階段強(qiáng)化兩者的影響,將頭、尾實(shí)體詞向量的差值作為其特殊特征,即ee=ve1-ve2。

    對(duì)于輸入句子s={w1,w2,w3, …,wn},通過(guò)上述的詞向量、位置向量、命名實(shí)體向量和頭、尾實(shí)體向量,將s轉(zhuǎn)換為一個(gè)二維矩陣向量X={x1,x2,x3, …,xn},X∈?n×dx,其中xi={vi;p1i;p2i;bioi;ee},n是輸入文本句子長(zhǎng)度,dx是模型的輸入向量維度,表示為dx=2×dw+2×dp+dbio。X將作為后續(xù)卷積層的輸入。

    2.2 卷積層

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是NLP領(lǐng)域提取文本特征的常用模型之一,能夠獲取文本中不同的n-gram特征,并且計(jì)算時(shí)可以并行處理。

    給定輸入句子矩陣X={x1,x2,x3, …,xn},其中xi∈?dx,xi:j表示xi到xj的拼接矩陣,權(quán)重矩陣W∈?w×dx卷積操作的卷積核,首先通過(guò)大小c為w滑動(dòng)窗口與X進(jìn)行卷積運(yùn)算,超出句子最大長(zhǎng)度的部分用0填充。通過(guò)卷積處理后,可以得到文本特征c={c1,c2,c3, …,cn-w+1},cj的計(jì)算如公式(1)所示:

    采用Swish函數(shù)作為激活函數(shù),其計(jì)算如公式(2)、公式(3)所示,其中β為可學(xué)習(xí)的超參數(shù)。

    使用多個(gè)卷積核進(jìn)行卷積運(yùn)算以獲得文本的多粒度特征信息,卷積核集合為Wc={wc1,wc2,…,wnk},進(jìn)行k次卷積處理。獲得文本特征表

    2.3 多頭自注意力層

    遠(yuǎn)程監(jiān)督構(gòu)建的訓(xùn)練句子中往往存在大量和關(guān)系表示無(wú)關(guān)的噪聲詞,現(xiàn)有的方法在處理這些噪聲詞時(shí),往往直接采用遠(yuǎn)程監(jiān)督的關(guān)系標(biāo)簽作為計(jì)算注意力的依據(jù),重新分配詞的注意力權(quán)重,沒(méi)有考慮到遠(yuǎn)程監(jiān)督關(guān)系標(biāo)簽的噪聲問(wèn)題對(duì)于詞權(quán)重分配的影響。于是,我們選擇使用多頭自注意力機(jī)制來(lái)處理這一問(wèn)題,不需要關(guān)系標(biāo)簽作為注意力分配依據(jù),通過(guò)計(jì)算詞與詞之間的相關(guān)性,動(dòng)態(tài)地分配不同詞的權(quán)重,過(guò)濾無(wú)關(guān)詞的負(fù)面影響。

    多頭自注意力(Multi-head Self Attention,MSA)機(jī)制來(lái)源于Google所提出的Transformer模型[20],在機(jī)器翻譯任務(wù)中被廣泛使用,性能表現(xiàn)十分突出。MSA是一種特殊的內(nèi)部注意力計(jì)算方法,對(duì)一個(gè)序列本身計(jì)算并且重新分配各個(gè)位置合適的注意力權(quán)重,以獲得更合理的特征表示。MSA的計(jì)算過(guò)程主要包括自注意力計(jì)算和多頭拼接兩個(gè)部分組成。

    2.3.1 自注意力計(jì)算

    自注意力是指將句子中每個(gè)詞都與其他詞計(jì)算注意力權(quán)重,單次自注意力計(jì)算過(guò)程為:將卷積層獲得的特征C通過(guò)三個(gè)不同的線(xiàn)性變換處理,分別得到Q、K和V三個(gè)矩陣,再通過(guò)縮放點(diǎn)積注意力計(jì)算,得到單次自注意力后的句子表示,縮放點(diǎn)積注意力計(jì)算過(guò)程表示為公式(4),其中dk表示矩陣K的維度。

    2.3.2 多頭拼接

    多頭拼接部分指進(jìn)行多次自注意力計(jì)算,將多次計(jì)算結(jié)果進(jìn)行拼接,得到最終的句子表示,以綜合在多個(gè)向量子空間內(nèi)的權(quán)重表示。

    2.4 分段最大池化層

    在NLP領(lǐng)域,往往使用最大池化來(lái)提取句子表示中最顯著的特征,并且降低參數(shù)量,但是在關(guān)系抽取領(lǐng)域,最大池化選擇粒度過(guò)大,難以獲取到實(shí)體對(duì)周?chē)闹匾畔?。由Zeng等[5]提出了分段最大池化,根據(jù)句子中兩個(gè)實(shí)體的位置將句子分為三個(gè)部分,對(duì)三個(gè)部分分別進(jìn)行最大池化,對(duì)于多頭自注意力層得到的特征表示H={h1,h2,h3, …,hk},每個(gè)hi會(huì)被分為{hi1,hi2,hi3},則分段最大池化定義為:

    將所有的pi={pi1,pi2,pi3}進(jìn)行拼接,再采用Swish函數(shù)激活,可得到句子的最終表示P∈?3k。

    2.5 融合實(shí)體特征的句子特征選擇層

    現(xiàn)有的研究在選擇句子特征進(jìn)而生成實(shí)體包特征時(shí),采用的句子級(jí)別注意力機(jī)制是以關(guān)系標(biāo)簽為分配權(quán)重依據(jù)的,這種方法已取得了良好的效果,但是關(guān)系標(biāo)簽中所存在的噪聲問(wèn)題仍然對(duì)實(shí)體包級(jí)別的特征有負(fù)面影響。于是,我們基于TransE算法的思想,認(rèn)為關(guān)系能夠通過(guò)頭、尾實(shí)體之間的計(jì)算得到,采用頭、尾實(shí)體的詞向量(ve1,ve2)經(jīng)過(guò)雙線(xiàn)性變換所學(xué)習(xí)得到的向量表示r作為注意力計(jì)算的依據(jù)。

    對(duì)于實(shí)體包B中第j個(gè)句子特征Pj的權(quán)重aj計(jì)算如下所示:

    實(shí)體包B最終的特征表示為E=ΣiaiPi。

    再將實(shí)體包B的表示E通過(guò)softmax分類(lèi)器,預(yù)測(cè)最終的關(guān)系標(biāo)簽,使用交叉熵函數(shù)計(jì)算損失:

    3 實(shí)驗(yàn)結(jié)果

    3.1 實(shí)驗(yàn)數(shù)據(jù)及評(píng)測(cè)標(biāo)準(zhǔn)

    我們采用NYT-Freebase作為實(shí)驗(yàn)數(shù)據(jù)集,該數(shù)據(jù)集由Riedel等[2]于2010年構(gòu)建并且開(kāi)源,是采用遠(yuǎn)程監(jiān)督方法將Freebase知識(shí)庫(kù)和紐約時(shí)報(bào)(New York Times,NYT)語(yǔ)料庫(kù)對(duì)齊得到的,包含NA在內(nèi)的共53種關(guān)系類(lèi)別,NA即表示實(shí)體對(duì)間沒(méi)有關(guān)系。將NYT語(yǔ)料中的2005—2006年的文本作為訓(xùn)練集,2007年的文本作為測(cè)試集。其中,測(cè)試集的實(shí)體關(guān)系標(biāo)簽是人工標(biāo)注的,可靠性較高,共172 448條句子,96 678個(gè)實(shí)體對(duì)以及1950個(gè)關(guān)系事實(shí);訓(xùn)練集則完全由實(shí)體關(guān)系三元組匹配得到,存在噪聲,共522 611條句子,281 270個(gè)實(shí)體對(duì)以及18 252個(gè)關(guān)系事實(shí)。

    同現(xiàn)有的研究一樣,我們采用held-out evaluation方法來(lái)評(píng)估我們提出的關(guān)系抽取模型。通過(guò)模型的PR曲線(xiàn)(Precision Recall Curve)、P@N(Precision@Top N)以及AUC值(Area Under Curve)的表現(xiàn)來(lái)評(píng)估模型的性能。

    3.2 實(shí)驗(yàn)設(shè)置

    我們提出模型使用的詞向量是通過(guò)Word-2Vec在NYT語(yǔ)料上預(yù)訓(xùn)練得到的,而位置向量和命名實(shí)體向量則是隨機(jī)初始化生成的。我們采用網(wǎng)格搜索法來(lái)確定模型最優(yōu)的超參數(shù)設(shè)置。其中卷積核數(shù)目取值k∈{100, 200, 230,256, 300},滑動(dòng)窗口大小取值w∈{3, 4, 5},批處理大小取值batch∈{64, 128, 160},神經(jīng)元隨機(jī)失活率取值dropout∈{0.3, 0.5, 0.7},學(xué)習(xí)率取值lr∈{0.001, 0.01,0.05, 0.1},多頭自注意力的頭數(shù)取值h∈{1, 3, 5, 7}。最終的超參數(shù)設(shè)置為:卷積核數(shù)目為230,滑動(dòng)窗口大小為3,批處理為160,神經(jīng)元隨機(jī)失活率為0.5,學(xué)習(xí)率為0.01,多頭自注意力頭數(shù)為5,采用的優(yōu)化算法為Adadelta。

    3.3 實(shí)驗(yàn)結(jié)果及對(duì)比分析

    我們將提出的EMSA_PCNN模型與現(xiàn)有的多個(gè)模型進(jìn)行對(duì)比:

    (1)Mintz[1]:由Mintz首次提出遠(yuǎn)程監(jiān)督的概念,通過(guò)多分類(lèi)logistic回歸分類(lèi)器處理關(guān)系抽取。

    (2)MultiR[3]:由Hoffman提出的采用多示例學(xué)習(xí)的概率圖模型。

    (3)MIML[4]:由Surdeanu提出的處理多示例多標(biāo)簽問(wèn)題的概率圖模型。

    (4)PCNNs+MIL[5]:由Zeng提出的結(jié)合多示例學(xué)習(xí)和PCNN模型,選擇實(shí)體包內(nèi)最優(yōu)句子來(lái)代表整個(gè)實(shí)體包。

    (5)PCNNs+ATT[6]:基于PCNN模型,由Lin提出的采用句子級(jí)別注意力機(jī)制的方法,根據(jù)關(guān)系標(biāo)簽分配實(shí)體包內(nèi)不同句子的權(quán)重。

    (6)APCNNS[7]:基于PCNN模型,由Ji提出的使用兩實(shí)體之差輔助的信息計(jì)算句子級(jí)別注意力機(jī)制的方法。

    (7)BGWA[9]:由Jat提出,采用BiGRU提取特征,基于關(guān)系標(biāo)簽分別使用詞級(jí)別和句子級(jí)別兩種注意力的方法。

    根據(jù)圖4和表1可以看出:

    表1 不同模型的P@N、AUC值對(duì)比(%)

    圖4 EMSA_PCNN與基準(zhǔn)模型的PR曲線(xiàn)圖

    (1)相較于基于機(jī)器學(xué)習(xí)的傳統(tǒng)方法Mintz、MIML、MultiR,其他的基于深度學(xué)習(xí)的方法效果明顯更好,在PR曲線(xiàn)、P@N和AUC值等表現(xiàn)都更好,這說(shuō)明傳統(tǒng)的人工設(shè)計(jì)的特征在性能上難以與深度學(xué)習(xí)自動(dòng)提取到的特征相比較。

    (2)EMSA_PCNN在PR曲線(xiàn)和各項(xiàng)指標(biāo)上都優(yōu)于PCNNs+MIL、PCNNs+ATT以及APCNNS模型,AUC值比APCNNS模型提升了2.5個(gè)百分點(diǎn),P@Mean值提升了6.2個(gè)百分點(diǎn)。這是由于EMSA_PCNN不光在句子級(jí)別進(jìn)行了降噪處理,還降低了詞級(jí)別的無(wú)關(guān)噪聲,進(jìn)一步緩解了遠(yuǎn)程監(jiān)督的錯(cuò)誤標(biāo)注的問(wèn)題。

    (3)EMSA_PCNN與BGWA相比,PR曲線(xiàn)與各項(xiàng)指標(biāo)都更優(yōu),在AUC值上提升了2.2個(gè)百分點(diǎn),在P@Mean值上提升了5.9個(gè)百分點(diǎn)。這是因?yàn)镋MSA_PCNN在詞級(jí)別降噪時(shí),使用了多頭自注意力來(lái)分配權(quán)重,避免了噪聲關(guān)系標(biāo)簽的負(fù)面影響,另外在句子級(jí)別降噪時(shí),EMSA_PCNN使用了頭、尾兩實(shí)體經(jīng)過(guò)雙線(xiàn)性變換的向量表示作為計(jì)算注意力的依據(jù),進(jìn)一步降低了遠(yuǎn)程監(jiān)督錯(cuò)誤標(biāo)注的影響。

    此外,本文還與2019年最先進(jìn)的兩種關(guān)系抽取模型進(jìn)行了性能對(duì)比,這兩種方法使用的是Liu等[18]提供的數(shù)據(jù)集,本文稱(chēng)為NYT-SoftRE,與先前介紹的NYT-Freebase不同的是NYT-SoftRE是在NYT-Freebase基礎(chǔ)上增加了約5萬(wàn)條訓(xùn)練句子,而測(cè)試句子保持不變。選取的關(guān)系抽取模型有:(1)PCNN+BAG-ATT:Ye等[12]在句子級(jí)別注意力的基礎(chǔ)上,進(jìn)一步增加實(shí)體包級(jí)別的注意力機(jī)制,降低了實(shí)體包級(jí)別的噪聲;(2)PCNN+WN:Yuan等[10]提出在向量表示階段加入注意力計(jì)算,在句子選擇部分認(rèn)為實(shí)體包內(nèi)的句子不是獨(dú)立同分布的,將最優(yōu)句和其他句子計(jì)算相似度得到注意力權(quán)重的方法。為了更加直觀的看出不同方法在NYT-SoftRE上的性能對(duì)比,除了這兩種方法之外還加入了PCNNs+ATT作為對(duì)比模型,本文方法和上述幾種方法的AUC值對(duì)比如表2所示:

    表2 基于NYT-SoftRE數(shù)據(jù)集的模型的AUC值對(duì)比(%)

    根據(jù)表2可知,在NYT-SoftRE數(shù)據(jù)集上,相較于PCNNs+ATT模型,本文提出的 EMSA_PCNN模型在AUC值表現(xiàn)上提升了4個(gè)百分點(diǎn),驗(yàn)證了本文方法的有效性。相較于加入實(shí)體包級(jí)別注意力的PCNN+BAG-ATT模型,EMSA_PCNN 在性能上有0.7個(gè)百分點(diǎn)的提升。而相較于PCNN+WN模型,本文提出的EMSA_PCNN模型的AUC值表現(xiàn)僅低0.1個(gè)百分點(diǎn),說(shuō)明我們提出的方法也具有較好的競(jìng)爭(zhēng)力。在以后的研究工作中,我們可以進(jìn)一步探索實(shí)體包中不同句子之間的聯(lián)系,而不是將所有的句子看作獨(dú)立的個(gè)體,從而提升關(guān)系抽取的性能。

    4 消融實(shí)驗(yàn)

    4.1 融合多頭自注意力的性能評(píng)測(cè)

    為了驗(yàn)證多頭自注意力機(jī)制對(duì)于遠(yuǎn)程監(jiān)督降噪的有效性,我們?cè)O(shè)計(jì)了采用PCNN為句子編碼器,使用一般的句子級(jí)別注意力,多種方式計(jì)算詞的注意力,進(jìn)行對(duì)比實(shí)驗(yàn)。(1)PCNNs+ATT:未采用任何詞級(jí)別降噪的方法。(2)WA+PCNN+ATT:直接采用關(guān)系標(biāo)簽作為監(jiān)督信息計(jì)算詞級(jí)別注意力的方法。(3)MSA_PCNN:不采用任何監(jiān)督信息,使用多頭自注意力計(jì)算詞級(jí)別注意力的方法。

    從圖5和表3可以看出,加入普通詞級(jí)別注意力的WA+PCNN+ATT模型在性能上有一部分提升,說(shuō)明無(wú)關(guān)噪聲詞的確影響了關(guān)系抽取的性能。另外,MSA_PCNN模型的表現(xiàn)更好,在PR曲線(xiàn)、P@N以及AUC值上都較于WA+PCNN+ATT有顯著提升,這是因?yàn)镸SA_PCNN采用的多頭自注意力避免了噪聲關(guān)系標(biāo)簽的影響,另外“多頭”機(jī)制能夠綜合多個(gè)向量子空間的權(quán)重信息,進(jìn)一步降低了詞級(jí)別的噪聲,驗(yàn)證了多頭自注意力的有效性。

    圖5 不同詞級(jí)別注意力機(jī)制的性能對(duì)比

    表3 不同詞級(jí)別注意力機(jī)制的P@N,AUC值對(duì)比(%)

    4.2 融合實(shí)體特征的性能評(píng)測(cè)

    為了驗(yàn)證融合實(shí)體特征的有效性,我們?cè)O(shè)計(jì)了同樣采用PCNN為句子編碼器,不同方法計(jì)算句子級(jí)別注意力的方法。(1)PCNNs+ATT:以關(guān)系標(biāo)簽為依據(jù),計(jì)算句子級(jí)別注意力的方法;(2)APCNNS:以?xún)蓪?shí)體之差作為輔助關(guān)系標(biāo)簽的信息,計(jì)算句子級(jí)別注意力的方法;(3)PCNNs+EATT:我們提出的使用頭、尾實(shí)體經(jīng)過(guò)雙線(xiàn)性變換的向量表示作為依據(jù),采用縮放點(diǎn)積注意力分配句子權(quán)重的方法。

    根據(jù)圖6和表4可知,采用頭、尾實(shí)體經(jīng)過(guò)雙線(xiàn)性變換的PCNNs+EATT模型相較于PCNNs+ATT和APCNNS模型來(lái)說(shuō),在PR曲線(xiàn)、P@N和AUC值上表現(xiàn)都有較好提升,驗(yàn)證了融合實(shí)體特征在句子級(jí)別注意力計(jì)算的有效性。

    圖6 不同句子級(jí)別注意力機(jī)制的性能對(duì)比

    表4 不同句子級(jí)別注意力機(jī)制的P@N,AUC值對(duì)比(%)

    另外,為了驗(yàn)證在輸入部分融合實(shí)體特征信息的有效性,我們同樣也以PCNN為編碼器,在句子選擇時(shí)采用多示例學(xué)習(xí)(MIL)和普通句子級(jí)別注意力(ATT),根據(jù)輸入部分是否加入實(shí)體特征(E),分別記為:(1)E+PCNNs+MIL和PCNNs+MIL,(2)E+PCNNs+ATT和PCNNs+ATT。

    根據(jù)圖7可以看出,加入命名實(shí)體特征和實(shí)體詞特征的模型在PR曲線(xiàn)表現(xiàn)中都優(yōu)于未加入的模型,驗(yàn)證了在輸入層加入額外特殊詞特征的有效性。

    圖7 輸入層融合特殊詞特征的性能對(duì)比

    5 實(shí)例分析

    為了更直觀地解釋多頭自注意力機(jī)制能夠緩解詞級(jí)別噪聲的原因,我們從測(cè)試集中選取了一個(gè)實(shí)例,分別對(duì)5個(gè)頭的注意力權(quán)重進(jìn)行了可視化的展示,如圖8所示。由于關(guān)系抽取任務(wù)旨在抽取兩個(gè)實(shí)體間的語(yǔ)義關(guān)系,因此我們僅關(guān)注實(shí)體對(duì)(Boston,Back Bay)與句內(nèi)其他詞之間相關(guān)性,其中顏色越深表示所分配的權(quán)重越大,即相關(guān)性越高。

    通過(guò)權(quán)重分布可以看出,多頭自注意力機(jī)制可以從5個(gè)不同的表示子空間學(xué)習(xí)相關(guān)信息,為“more”“inviting”“first”等無(wú)關(guān)詞分配低權(quán)重,同時(shí)也為“in”“church”等相關(guān)單詞分配了高權(quán)重,為預(yù)測(cè)“Boston”與“Back Bay”之間的/contains/關(guān)系提供了有效信息。由此可見(jiàn),多頭自注意力機(jī)制可以降低無(wú)關(guān)詞的噪聲信息的影響,從詞級(jí)別緩解噪聲傳播,從而提升關(guān)系抽取性能。

    6 結(jié)語(yǔ)

    針對(duì)當(dāng)前詞級(jí)別、句子級(jí)別降噪的注意力計(jì)算時(shí)都依據(jù)含有噪聲的關(guān)系標(biāo)簽的問(wèn)題,本文提出了一種融合多頭自注意力和實(shí)體特征的分段卷積神經(jīng)網(wǎng)絡(luò)方法,并將其應(yīng)用到遠(yuǎn)程監(jiān)督關(guān)系抽取任務(wù)中。在詞級(jí)別降噪時(shí),采用多頭自注意力來(lái)更加合理地分配每個(gè)詞的貢獻(xiàn)度,降低句子中無(wú)關(guān)的噪聲詞對(duì)于句子表示的負(fù)面影響;在句子級(jí)別降噪時(shí),采用頭、尾實(shí)體經(jīng)過(guò)雙線(xiàn)性變換的隱層向量作為注意力計(jì)算的依據(jù),兩者注意力計(jì)算時(shí)都沒(méi)有以關(guān)系標(biāo)簽作為依據(jù),降低了關(guān)系標(biāo)簽中噪聲對(duì)于注意力權(quán)重分配的不利影響,進(jìn)一步緩解了遠(yuǎn)程監(jiān)督的錯(cuò)誤標(biāo)注的問(wèn)題。實(shí)驗(yàn)結(jié)果表明:我們提出的模型優(yōu)于所有的基線(xiàn)模型,達(dá)到了最好的效果。在以后的研究中,我們將進(jìn)一步融合知識(shí)庫(kù)的其他有用信息,以及預(yù)訓(xùn)練語(yǔ)言模型的知識(shí)來(lái)探索進(jìn)一步提升關(guān)系抽取性能的方法。

    猜你喜歡
    級(jí)別注意力實(shí)體
    讓注意力“飛”回來(lái)
    痘痘分級(jí)別,輕重不一樣
    前海自貿(mào)區(qū):金融服務(wù)實(shí)體
    邁向UHD HDR的“水晶” 十萬(wàn)元級(jí)別的SIM2 CRYSTAL4 UHD
    新年導(dǎo)購(gòu)手冊(cè)之兩萬(wàn)元以下級(jí)別好物推薦
    實(shí)體的可感部分與實(shí)體——兼論亞里士多德分析實(shí)體的兩種模式
    你是什么級(jí)別的
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    兩會(huì)進(jìn)行時(shí):緊扣實(shí)體經(jīng)濟(jì)“釘釘子”
    振興實(shí)體經(jīng)濟(jì)地方如何“釘釘子”
    欧美日本视频| 久久久久久大精品| 国产欧美日韩一区二区精品| 精品第一国产精品| 三级男女做爰猛烈吃奶摸视频| av中文乱码字幕在线| 长腿黑丝高跟| 一级作爱视频免费观看| 久久久精品大字幕| 成人特级黄色片久久久久久久| 亚洲国产看品久久| 一夜夜www| 国产欧美日韩一区二区精品| 看免费av毛片| 国内少妇人妻偷人精品xxx网站 | 九九热线精品视视频播放| 男插女下体视频免费在线播放| 久久草成人影院| netflix在线观看网站| 每晚都被弄得嗷嗷叫到高潮| 哪里可以看免费的av片| 久久香蕉激情| 一级毛片精品| www.自偷自拍.com| 一个人免费在线观看的高清视频| 国内精品久久久久久久电影| 韩国av一区二区三区四区| 每晚都被弄得嗷嗷叫到高潮| 国产一区二区激情短视频| 后天国语完整版免费观看| 天堂影院成人在线观看| 夜夜看夜夜爽夜夜摸| 久久精品aⅴ一区二区三区四区| 性色av乱码一区二区三区2| 国内精品久久久久久久电影| 国产亚洲精品一区二区www| 亚洲专区中文字幕在线| 90打野战视频偷拍视频| 国产日本99.免费观看| 窝窝影院91人妻| 日本黄大片高清| 91麻豆精品激情在线观看国产| 亚洲国产精品成人综合色| 别揉我奶头~嗯~啊~动态视频| 久久热在线av| 两个人的视频大全免费| 久久久久久久午夜电影| 国产成人aa在线观看| 一卡2卡三卡四卡精品乱码亚洲| 亚洲第一电影网av| 老熟妇乱子伦视频在线观看| 一本大道久久a久久精品| 手机成人av网站| 亚洲人与动物交配视频| 人妻久久中文字幕网| 日韩欧美在线乱码| 一级黄色大片毛片| 成人国产一区最新在线观看| av在线播放免费不卡| 亚洲九九香蕉| 精品欧美国产一区二区三| 亚洲欧美激情综合另类| 国产精品 欧美亚洲| 免费在线观看日本一区| 特级一级黄色大片| 国产午夜福利久久久久久| 亚洲成人精品中文字幕电影| 欧美黄色片欧美黄色片| 欧美日韩亚洲综合一区二区三区_| 国产亚洲av嫩草精品影院| 亚洲免费av在线视频| 观看免费一级毛片| 国产精品亚洲美女久久久| 老汉色∧v一级毛片| 啦啦啦免费观看视频1| 天堂√8在线中文| 国产伦人伦偷精品视频| 亚洲国产精品久久男人天堂| 国产午夜福利久久久久久| 国产欧美日韩精品亚洲av| 别揉我奶头~嗯~啊~动态视频| 久久 成人 亚洲| 日韩精品青青久久久久久| 久久久国产精品麻豆| 中文字幕精品亚洲无线码一区| 精品高清国产在线一区| 国产在线观看jvid| www.www免费av| 色噜噜av男人的天堂激情| 日本免费a在线| 精品久久蜜臀av无| 国产亚洲精品久久久久久毛片| 久久中文看片网| 禁无遮挡网站| 99精品在免费线老司机午夜| 村上凉子中文字幕在线| 日本 欧美在线| 级片在线观看| 97碰自拍视频| 在线观看美女被高潮喷水网站 | 亚洲av中文字字幕乱码综合| 成人三级黄色视频| 免费人成视频x8x8入口观看| 两个人看的免费小视频| ponron亚洲| 露出奶头的视频| 夜夜夜夜夜久久久久| 人人妻人人看人人澡| 国产野战对白在线观看| 免费看十八禁软件| 99热这里只有是精品50| 日本五十路高清| 免费看美女性在线毛片视频| 黄色丝袜av网址大全| 国产一区二区三区视频了| 国产一区二区激情短视频| xxxwww97欧美| 日本成人三级电影网站| 免费电影在线观看免费观看| 久久久水蜜桃国产精品网| 不卡一级毛片| 亚洲精品中文字幕在线视频| 色噜噜av男人的天堂激情| 久久中文字幕一级| 狂野欧美白嫩少妇大欣赏| 色播亚洲综合网| 精品欧美国产一区二区三| 欧美另类亚洲清纯唯美| 男男h啪啪无遮挡| 免费av毛片视频| a级毛片a级免费在线| 久99久视频精品免费| 国产区一区二久久| 91九色精品人成在线观看| 日本黄大片高清| 久久精品夜夜夜夜夜久久蜜豆 | 久久亚洲真实| 黄色片一级片一级黄色片| 久久久久精品国产欧美久久久| 国产午夜精品论理片| 国产99白浆流出| 午夜免费观看网址| 日本免费a在线| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲精品av麻豆狂野| 老司机在亚洲福利影院| 日韩国内少妇激情av| 在线观看免费视频日本深夜| 国产三级中文精品| 九色成人免费人妻av| 麻豆av在线久日| 国产v大片淫在线免费观看| 国产伦一二天堂av在线观看| 日本免费一区二区三区高清不卡| 1024香蕉在线观看| 99国产精品一区二区蜜桃av| 久久久久性生活片| 99精品在免费线老司机午夜| 在线观看www视频免费| 免费av毛片视频| 69av精品久久久久久| 精品欧美一区二区三区在线| 特级一级黄色大片| 久久久国产欧美日韩av| 国产一区二区激情短视频| 狂野欧美激情性xxxx| 久久国产精品影院| 听说在线观看完整版免费高清| 亚洲欧美精品综合久久99| 国产精品亚洲一级av第二区| 俄罗斯特黄特色一大片| 欧美一级a爱片免费观看看 | 精品午夜福利视频在线观看一区| 日韩中文字幕欧美一区二区| 制服丝袜大香蕉在线| 国内久久婷婷六月综合欲色啪| 三级国产精品欧美在线观看 | e午夜精品久久久久久久| 曰老女人黄片| 国产欧美日韩精品亚洲av| 欧美中文日本在线观看视频| 中文亚洲av片在线观看爽| 视频区欧美日本亚洲| 亚洲avbb在线观看| 嫩草影视91久久| 99国产精品一区二区蜜桃av| 一区二区三区国产精品乱码| 久久精品夜夜夜夜夜久久蜜豆 | 九九热线精品视视频播放| 色综合欧美亚洲国产小说| 久久久久久免费高清国产稀缺| 亚洲人成77777在线视频| svipshipincom国产片| 一区二区三区高清视频在线| 一个人观看的视频www高清免费观看 | 日本免费一区二区三区高清不卡| 俄罗斯特黄特色一大片| 人妻丰满熟妇av一区二区三区| 无遮挡黄片免费观看| 男插女下体视频免费在线播放| 亚洲成av人片在线播放无| 久久亚洲精品不卡| 国产精品美女特级片免费视频播放器 | 99re在线观看精品视频| 日本一二三区视频观看| 欧美不卡视频在线免费观看 | 久久久久免费精品人妻一区二区| 免费高清视频大片| 欧美中文日本在线观看视频| 精品电影一区二区在线| 这个男人来自地球电影免费观看| 亚洲欧美日韩东京热| 88av欧美| 色av中文字幕| 97碰自拍视频| 给我免费播放毛片高清在线观看| 久久久久国产精品人妻aⅴ院| 18禁国产床啪视频网站| 熟女少妇亚洲综合色aaa.| 999久久久国产精品视频| 啪啪无遮挡十八禁网站| 亚洲av成人一区二区三| 十八禁网站免费在线| xxxwww97欧美| 18禁观看日本| 欧美黑人巨大hd| 亚洲中文日韩欧美视频| 午夜免费观看网址| 国产激情久久老熟女| 久久精品人妻少妇| 国产精品久久视频播放| 欧美 亚洲 国产 日韩一| 久久精品影院6| 亚洲精品国产一区二区精华液| 日本免费一区二区三区高清不卡| 欧美乱妇无乱码| 天天一区二区日本电影三级| 国产一区二区三区在线臀色熟女| 窝窝影院91人妻| 99久久精品热视频| 91麻豆av在线| 最好的美女福利视频网| 精品熟女少妇八av免费久了| 国产亚洲精品久久久久久毛片| 国内毛片毛片毛片毛片毛片| 国产1区2区3区精品| 两个人免费观看高清视频| xxxwww97欧美| 成人国产一区最新在线观看| 久久香蕉激情| 国产99白浆流出| 国产精品久久久久久人妻精品电影| 久久 成人 亚洲| 欧美午夜高清在线| 亚洲男人的天堂狠狠| 波多野结衣高清无吗| www.www免费av| 两性午夜刺激爽爽歪歪视频在线观看 | 99热6这里只有精品| 久久国产精品影院| 免费搜索国产男女视频| 亚洲自偷自拍图片 自拍| 老汉色av国产亚洲站长工具| 九色国产91popny在线| 97人妻精品一区二区三区麻豆| 久久久国产成人免费| 白带黄色成豆腐渣| 男女之事视频高清在线观看| 女人爽到高潮嗷嗷叫在线视频| 亚洲男人天堂网一区| 精品欧美一区二区三区在线| 久久久国产欧美日韩av| xxxwww97欧美| 亚洲 国产 在线| 久久性视频一级片| 国产乱人伦免费视频| 我要搜黄色片| 在线观看舔阴道视频| 天堂动漫精品| 国产又黄又爽又无遮挡在线| 男女做爰动态图高潮gif福利片| 日本撒尿小便嘘嘘汇集6| 三级国产精品欧美在线观看 | 亚洲天堂国产精品一区在线| 亚洲精品久久成人aⅴ小说| e午夜精品久久久久久久| 午夜视频精品福利| 欧美成狂野欧美在线观看| 白带黄色成豆腐渣| 欧美在线一区亚洲| 成人高潮视频无遮挡免费网站| 亚洲av电影在线进入| 怎么达到女性高潮| 亚洲av美国av| 91大片在线观看| 日韩 欧美 亚洲 中文字幕| xxxwww97欧美| 亚洲精品一区av在线观看| av福利片在线| 黄色 视频免费看| 18禁裸乳无遮挡免费网站照片| 久久久久免费精品人妻一区二区| 亚洲狠狠婷婷综合久久图片| 中文字幕高清在线视频| 女生性感内裤真人,穿戴方法视频| 国产人伦9x9x在线观看| 久久精品aⅴ一区二区三区四区| 少妇的丰满在线观看| 成人国产一区最新在线观看| 狂野欧美白嫩少妇大欣赏| 亚洲一区二区三区色噜噜| 麻豆av在线久日| 亚洲一区中文字幕在线| 亚洲欧美一区二区三区黑人| 欧美乱码精品一区二区三区| 亚洲狠狠婷婷综合久久图片| 在线观看舔阴道视频| 视频区欧美日本亚洲| 欧美最黄视频在线播放免费| 十八禁网站免费在线| 观看免费一级毛片| 88av欧美| 国产aⅴ精品一区二区三区波| 日韩 欧美 亚洲 中文字幕| 亚洲一区高清亚洲精品| 亚洲国产精品sss在线观看| 欧美色欧美亚洲另类二区| 亚洲 国产 在线| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品综合久久久久久久免费| 日韩有码中文字幕| 国内少妇人妻偷人精品xxx网站 | 欧美最黄视频在线播放免费| 国产精品香港三级国产av潘金莲| 97超级碰碰碰精品色视频在线观看| 我的老师免费观看完整版| 亚洲九九香蕉| 亚洲 欧美一区二区三区| 99热只有精品国产| 黑人欧美特级aaaaaa片| 深夜精品福利| 高潮久久久久久久久久久不卡| 91麻豆精品激情在线观看国产| 丰满人妻熟妇乱又伦精品不卡| 日本 av在线| 午夜福利成人在线免费观看| avwww免费| 中出人妻视频一区二区| 国产真人三级小视频在线观看| 亚洲成a人片在线一区二区| 神马国产精品三级电影在线观看 | 国产一区二区在线观看日韩 | 亚洲一码二码三码区别大吗| 欧美日韩精品网址| 一边摸一边抽搐一进一小说| 日本成人三级电影网站| 禁无遮挡网站| 12—13女人毛片做爰片一| 最近在线观看免费完整版| 亚洲 欧美 日韩 在线 免费| 亚洲成av人片免费观看| 黄色 视频免费看| 最近在线观看免费完整版| 身体一侧抽搐| 女警被强在线播放| 亚洲av成人不卡在线观看播放网| x7x7x7水蜜桃| 国产亚洲精品第一综合不卡| 久久草成人影院| 国产在线观看jvid| 欧美中文综合在线视频| 久久婷婷人人爽人人干人人爱| 欧美中文综合在线视频| 久久精品国产清高在天天线| 两个人看的免费小视频| 国产精品日韩av在线免费观看| 九色国产91popny在线| 亚洲,欧美精品.| 亚洲人成网站高清观看| 久久久水蜜桃国产精品网| 亚洲 欧美一区二区三区| 国产午夜精品久久久久久| 国产精品电影一区二区三区| 一个人免费在线观看的高清视频| 欧美乱色亚洲激情| 99国产精品一区二区蜜桃av| 国产亚洲av高清不卡| 国产成人影院久久av| 欧美成人午夜精品| 一本一本综合久久| 久久精品人妻少妇| 久久久久久亚洲精品国产蜜桃av| 亚洲国产看品久久| 丰满人妻熟妇乱又伦精品不卡| 一进一出好大好爽视频| 一级毛片女人18水好多| 亚洲男人天堂网一区| 啦啦啦观看免费观看视频高清| 十八禁网站免费在线| 成人欧美大片| 欧美日韩亚洲综合一区二区三区_| 欧美乱色亚洲激情| 母亲3免费完整高清在线观看| 在线a可以看的网站| 中国美女看黄片| 夜夜看夜夜爽夜夜摸| 香蕉国产在线看| 99久久久亚洲精品蜜臀av| 国产麻豆成人av免费视频| 午夜免费成人在线视频| 成人三级做爰电影| 18禁国产床啪视频网站| 日日夜夜操网爽| 午夜福利免费观看在线| 国产成+人综合+亚洲专区| 亚洲av第一区精品v没综合| www日本在线高清视频| 免费搜索国产男女视频| 动漫黄色视频在线观看| 欧美日韩福利视频一区二区| 久久人人精品亚洲av| 可以免费在线观看a视频的电影网站| 日韩 欧美 亚洲 中文字幕| 成人18禁在线播放| 免费高清视频大片| 91在线观看av| av视频在线观看入口| 婷婷精品国产亚洲av| 丝袜人妻中文字幕| 免费在线观看影片大全网站| xxxwww97欧美| 午夜a级毛片| 制服人妻中文乱码| 九色成人免费人妻av| 亚洲av成人一区二区三| 欧美zozozo另类| 久热爱精品视频在线9| 国产三级黄色录像| 亚洲成人久久性| 床上黄色一级片| 后天国语完整版免费观看| 91大片在线观看| 欧美高清成人免费视频www| 久久精品91蜜桃| 久久精品国产亚洲av香蕉五月| 精品久久久久久久人妻蜜臀av| 精品不卡国产一区二区三区| 一区二区三区高清视频在线| 国产精品爽爽va在线观看网站| 久久久久国内视频| 欧美黄色淫秽网站| av福利片在线观看| 女生性感内裤真人,穿戴方法视频| 久久久精品国产亚洲av高清涩受| 国内精品一区二区在线观看| 国产激情偷乱视频一区二区| 不卡av一区二区三区| 国产精品久久久久久精品电影| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲av成人一区二区三| 午夜福利欧美成人| 一本久久中文字幕| xxx96com| 男女午夜视频在线观看| 最近最新免费中文字幕在线| 日日爽夜夜爽网站| av国产免费在线观看| 毛片女人毛片| 香蕉久久夜色| 国产精品免费一区二区三区在线| 一进一出抽搐动态| 亚洲午夜精品一区,二区,三区| 日本精品一区二区三区蜜桃| 成年免费大片在线观看| 精品少妇一区二区三区视频日本电影| 黄色视频不卡| 校园春色视频在线观看| 黄色成人免费大全| 欧美性猛交黑人性爽| 在线播放国产精品三级| 好男人电影高清在线观看| 精品免费久久久久久久清纯| 99热这里只有是精品50| 一级a爱片免费观看的视频| 国产精华一区二区三区| 国产午夜精品论理片| 亚洲激情在线av| 亚洲人成伊人成综合网2020| 一边摸一边做爽爽视频免费| 精品久久久久久久毛片微露脸| 成人18禁在线播放| 亚洲av成人不卡在线观看播放网| 免费搜索国产男女视频| 在线国产一区二区在线| 欧美午夜高清在线| 一本一本综合久久| 免费观看人在逋| 精品一区二区三区av网在线观看| 国产一区二区在线观看日韩 | 国产精品国产高清国产av| 国产一区二区激情短视频| www.精华液| 午夜免费成人在线视频| 亚洲成av人片免费观看| 久久久久国产精品人妻aⅴ院| 色综合站精品国产| 最近最新中文字幕大全电影3| 色在线成人网| 操出白浆在线播放| 欧美三级亚洲精品| 啪啪无遮挡十八禁网站| 在线观看舔阴道视频| 国产成年人精品一区二区| 国产精品久久电影中文字幕| 色在线成人网| 18禁黄网站禁片午夜丰满| 精品少妇一区二区三区视频日本电影| 日本免费a在线| 精品久久久久久久人妻蜜臀av| 五月玫瑰六月丁香| 国产精品久久电影中文字幕| 日韩欧美精品v在线| 免费在线观看亚洲国产| 悠悠久久av| 俺也久久电影网| 亚洲一区中文字幕在线| 欧美性猛交╳xxx乱大交人| 看免费av毛片| 欧美午夜高清在线| 亚洲国产精品久久男人天堂| 色在线成人网| 久久久久性生活片| 久久久久久人人人人人| 毛片女人毛片| 小说图片视频综合网站| 啪啪无遮挡十八禁网站| 欧美精品啪啪一区二区三区| 国产精品自产拍在线观看55亚洲| 亚洲 欧美一区二区三区| 亚洲男人天堂网一区| 国产成人啪精品午夜网站| 日韩欧美精品v在线| 亚洲一区高清亚洲精品| 此物有八面人人有两片| 99在线视频只有这里精品首页| 欧美日韩黄片免| 国模一区二区三区四区视频 | 欧美乱码精品一区二区三区| 九九热线精品视视频播放| 一级毛片女人18水好多| 免费高清视频大片| 久久午夜综合久久蜜桃| 国产精品久久久人人做人人爽| 99热这里只有精品一区 | 国产精品国产高清国产av| 免费人成视频x8x8入口观看| 亚洲午夜精品一区,二区,三区| 夜夜爽天天搞| 婷婷精品国产亚洲av| 亚洲精品中文字幕一二三四区| 亚洲最大成人中文| 精品国产乱码久久久久久男人| 91九色精品人成在线观看| 久久久精品欧美日韩精品| 国产1区2区3区精品| 亚洲精品国产精品久久久不卡| 久久久精品大字幕| 一二三四社区在线视频社区8| 九色国产91popny在线| 久久中文看片网| 国产又黄又爽又无遮挡在线| 欧美午夜高清在线| 观看免费一级毛片| 18禁国产床啪视频网站| 久久伊人香网站| 男女下面进入的视频免费午夜| 亚洲第一欧美日韩一区二区三区| 午夜影院日韩av| 国产单亲对白刺激| 无遮挡黄片免费观看| 国产成人欧美在线观看| 18禁黄网站禁片免费观看直播| 校园春色视频在线观看| av欧美777| 丰满人妻熟妇乱又伦精品不卡| 国产高清激情床上av| 成人18禁在线播放| 国产91精品成人一区二区三区| xxx96com| 亚洲精品美女久久av网站| 啦啦啦韩国在线观看视频| 日韩三级视频一区二区三区| 免费一级毛片在线播放高清视频| 亚洲国产欧美人成| 韩国av一区二区三区四区| 久久久精品欧美日韩精品| 香蕉久久夜色| 两个人视频免费观看高清| 亚洲va日本ⅴa欧美va伊人久久| 国产亚洲精品久久久久5区| 熟妇人妻久久中文字幕3abv| 国产成人精品无人区| 国产精品免费视频内射| 99riav亚洲国产免费| 动漫黄色视频在线观看| 制服诱惑二区| 一进一出抽搐gif免费好疼| 精品一区二区三区四区五区乱码| 国产精品久久久久久亚洲av鲁大| aaaaa片日本免费| 国产男靠女视频免费网站| 亚洲一区高清亚洲精品| av欧美777| 中文字幕最新亚洲高清| 亚洲熟妇中文字幕五十中出|