• <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 ?

    采用CNN-LSTM 與遷移學(xué)習(xí)的虛假評論檢測

    2022-03-07 06:57:58陳宇峰
    軟件導(dǎo)刊 2022年2期
    關(guān)鍵詞:準(zhǔn)確率卷積神經(jīng)網(wǎng)絡(luò)

    陳宇峰

    (蘭州大學(xué) 數(shù)學(xué)與統(tǒng)計學(xué)院,甘肅 蘭州 730000)

    0 引言

    信息化時代,互聯(lián)網(wǎng)逐漸成為人們獲取信息的重要渠道,出現(xiàn)了大量帶有用戶主觀情感、語義豐富的短文本。面對還未接觸或者不夠了解的服務(wù)與產(chǎn)品,多數(shù)用戶習(xí)慣于通過互聯(lián)網(wǎng)獲取有關(guān)信息,來自互聯(lián)網(wǎng)的評價極大影響著用戶的最終決策與選擇。如用戶在有關(guān)平臺上預(yù)訂酒店時,在其他條件合適的情況下往往會先參考酒店已入住者提供的評論,并根據(jù)評論做出是否預(yù)定該酒店的決定。因為互聯(lián)網(wǎng)評價的這一作用,大量虛假評價也頻繁出現(xiàn)在有關(guān)平臺,而虛假的產(chǎn)品與服務(wù)評論不僅可能誤導(dǎo)消費者的最終決策,還會對商家的信用產(chǎn)生較大影響。因此,高效識別網(wǎng)絡(luò)的虛假評論具有重要的社會意義與經(jīng)濟價值[2]。

    在互聯(lián)網(wǎng)上發(fā)布虛假評論成本較低,普通用戶對于虛假評論的識別能力較差,通常很難識別出帶有欺騙性質(zhì)的虛假評論,因此相關(guān)研究大多以虛假評論為實驗研究對象。

    1 相關(guān)研究

    虛假評論文本的檢測與識別方法很多,包括無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí),深度學(xué)習(xí)模型在虛假評論識別研究得到應(yīng)用。深度學(xué)習(xí)模型識別主要分為基于內(nèi)容的虛假評論文本識別與基于文本特征的虛假評論識別兩種。Yan等提出的神經(jīng)網(wǎng)絡(luò)模型對于虛假評論信息檢測的準(zhǔn)確率達(dá)到85%;陶晶晶提出的基于并聯(lián)方式的混合神經(jīng)網(wǎng)絡(luò)識別模型,在對虛假商品評論數(shù)據(jù)檢測中達(dá)到90.3%的準(zhǔn)確率。

    本文基于酒店英文評價數(shù)據(jù)集deceptive-opinionspam-corpus,利用Doc2Vec 將文本向量化后作為特征集,結(jié)合TF-IDF 方法,使用CNN-LSTM 模型和遷移學(xué)習(xí)方法,構(gòu)建了一個虛假英文評論分類模型,并在數(shù)據(jù)集deceptiveopinion-spam-corpus 上進行對比實驗。實驗結(jié)果表明,該模型對虛假評論的檢測達(dá)到93.1%的準(zhǔn)確率。

    2 數(shù)據(jù)與方法

    2.1 數(shù)據(jù)集

    deceptive-opinion-spam-corpus 數(shù)據(jù)集是一個只有1 600 條評價的中小型數(shù)據(jù)集,包括對20 家芝加哥酒店真實和虛假的在線評論。deceptive-opinion-spam-corpus 數(shù)據(jù)集包含800條來自Mechanical Turk的虛假評價和800條來自TripAdvisor 與Expedia 的真實評價,其中正面評價與負(fù)面評價在真實評價與虛假評價中的占比均為1∶1,如圖1所示。

    本文對deceptive-opinion-spam-corpus 數(shù)據(jù)集的英文評論文本進行了數(shù)據(jù)預(yù)處理,預(yù)處理后的英文評論文本中不包含任何標(biāo)點符號、特殊字符以及阿拉伯?dāng)?shù)字。

    Fig.1 Distribution of dataset data圖1 數(shù)據(jù)集中數(shù)據(jù)的分布

    2.2 對照方法

    本文使用基準(zhǔn)方法為傳統(tǒng)的Logistic 回歸算法、樸素貝葉斯分類算法以及一種能夠有效檢測虛假文本的卷積神經(jīng)網(wǎng)絡(luò)模型,簡稱CNN1。CNN1 由三層卷積神經(jīng)網(wǎng)絡(luò)組成,每一層卷積神經(jīng)網(wǎng)絡(luò)都包含一層卷積層和最大池化層。Logistic 回歸是一種廣義的線性回歸分析模型,是一種用于解決二分類問題的機器學(xué)習(xí)方法;樸素貝葉斯分類模型是一種快捷簡單的機器學(xué)習(xí)分類算法,常為文本分類問題提供快速粗糙的基本方案,模型的數(shù)學(xué)基礎(chǔ)是貝葉斯定理;卷積神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域表現(xiàn)優(yōu)秀,可有效提取評論特征并進行識別。

    對deceptive-opinion-spam-corpus 數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理后,應(yīng)用上述3 種算法,取訓(xùn)練集與測試集的比例為8∶2,對數(shù)據(jù)集中酒店評論文本的真實性進行檢測并驗證。

    最終結(jié)果如圖2 所示。Logistic 回歸算法的準(zhǔn)確率score_1 為84.017 8%;樸素貝葉斯分類模型的準(zhǔn)確率score_2 為79.910 7%;CNN1 的平均準(zhǔn)確率score_3 為78.561 0%。

    Fig.2 Experimental results of benchmark method圖2 基準(zhǔn)方法實驗結(jié)果

    2.3 有關(guān)算法

    2.3.1 數(shù)據(jù)預(yù)處理及特征提取

    首先對數(shù)據(jù)集deceptive-opinion-spam-corpus 的文本與標(biāo)簽數(shù)據(jù)進行預(yù)處理,再利用doc2vec 對文本數(shù)據(jù)進行特征提取并利用TF-IDF 方法將評論數(shù)據(jù)向量化。

    Doc2vec 是基于Word2vec 模型提出的可以保留次序語義的語義模型,該模型在Word2vec 模型基礎(chǔ)上增加了一個段落標(biāo)識。Doc2Vec 能將句子或段落轉(zhuǎn)化為固定長度的向量,且充分考慮了詞序?qū)φZ句或文檔信息的影響,能很好結(jié)合上下文語境,保留語序信息。因此,Doc2vec 常用于處理短文本的自然語言處理問題。TF-IDF 模型是一類應(yīng)用廣泛的加權(quán)技術(shù),經(jīng)常被用來進行信息檢索和數(shù)據(jù)挖掘。TF-IDF 模型的核心思想是,若某個詞匯在文本出現(xiàn)概率較大,而該詞匯在其他文本中出現(xiàn)概率較小,則此詞匯具有更好的類別判別性能和分類泛用性。

    數(shù)據(jù)預(yù)處理和特征提取方式如下:①將標(biāo)簽數(shù)據(jù)向量化;②對文本數(shù)據(jù)進行預(yù)處理,包括刪除特殊字符和數(shù)字,將文本中的詞語轉(zhuǎn)化為詞干形式等;③將數(shù)據(jù)集按比例隨機劃分為訓(xùn)練集、測試集和驗證集;④將訓(xùn)練集中的文本數(shù)據(jù)利用doc2vec 方法進行特征提??;⑤利用TF-IDF 模型將數(shù)據(jù)集賦予權(quán)重并向量化。

    2.3.2 基于CNN-LSTM 的模型

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)是一種專門用來處理具有類似網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò),其在圖像處理上很優(yōu)秀,不僅運行速度快、效率高,而且準(zhǔn)確率高。其工作原理是首先通過卷積層進行圖像特征提取,然后通過激活函數(shù)層使得特征提取達(dá)到一個非線性效果,從而使特征提取結(jié)果更好。經(jīng)過多層卷積以及多層激活函數(shù)層后,通過池化層對提取出來的特征進行壓縮。最后通過全連接層,對之前提取和處理過的特征進行連接,最終得到屬于各個類別的概率值。而在文本分類領(lǐng)域中,卷積神經(jīng)網(wǎng)絡(luò)可以通過多個不同大小的卷積核實現(xiàn)對輸入文檔內(nèi)容的特征提取。

    長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)是對循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的改進,是為解決一般的RNN 存在的長期依賴問題而專門設(shè)計的。它在RNN 基礎(chǔ)上對Cell 中的運算方式進行了改進,使得神經(jīng)網(wǎng)絡(luò)在訓(xùn)練和推斷過程中具有一定的長時依賴性,不僅無需在學(xué)習(xí)過程中保存冗長的上下文信息,還可有效降低梯度消失的風(fēng)險。因此,LSTM 模型多用于時間序列分析與自然語言處理等研究。

    本文使用的CNN-LSTM 模型是將CNN 模型與LSTM 模型等結(jié)合并運用在自然語言處理研究中。CNN-LSTM 模型結(jié)合了CNN 和LSTM 這兩種不同的深度學(xué)習(xí)模型的優(yōu)點,在某些深度學(xué)習(xí)問題中,相比于單獨使用CNN 模型或LSTM 模型能更有效地提高模型的準(zhǔn)確率。

    2.3.3 CNN-LSTM 與遷移學(xué)習(xí)模型

    卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)訓(xùn)練需要大量的標(biāo)記樣本數(shù)據(jù),但本文的酒店評價樣本規(guī)模不大,因此決定引入遷移學(xué)習(xí)方法,借助已經(jīng)訓(xùn)練好的模型權(quán)重進一步學(xué)習(xí)。

    GloVe 是一種無監(jiān)督學(xué)習(xí)算法,用于獲取單詞的向量表示,模型得到的向量表示展示了詞向量空間的線性子結(jié)構(gòu)。GloVe 模型是在一個全局詞—詞共生矩陣的非零項上訓(xùn)練的,該矩陣列出在同一作者給定語料庫中詞與詞共同出現(xiàn)的頻率。GloVe 模型本質(zhì)上是一個帶有加權(quán)最小二乘目標(biāo)的對數(shù)雙線性模型,該模型背后的主要直覺是一個簡單的觀察,即單詞共同出現(xiàn)的概率可能存在某些編碼上的潛在意義,如考慮目標(biāo)詞ice 和steam 與詞匯表中各種探測詞的共現(xiàn)概率。表1 為來自60 億單詞語料庫的一些實際概率。

    Table1 Co-occurrence probability of ice and steam表1 ice 與steam 的共現(xiàn)概率

    glove.6B.300d 模型利用常規(guī)的GloVe 模型訓(xùn)練得到40 000個常用英文詞向量,每個單詞的對應(yīng)詞向量均為300 維。本文利用GloVe 模型訓(xùn)練得到glove.6B.300d 詞向量,在CNN-LSTM 模型中結(jié)合glove.6B.300d 英文詞向量模型,實現(xiàn)對deceptive-opinion-spam-corpus 數(shù)據(jù)集的遷移學(xué)習(xí)。通過遷移學(xué)習(xí),一方面縮短了模型訓(xùn)練時間,另一方面有效增強了模型的泛化能力。

    此外,由于deceptive-opinion-spam-corpus 數(shù)據(jù)集數(shù)據(jù)量較小,在模型構(gòu)建完成后,利用10 折分層交叉驗證對模型進行更加客觀的評估,確保驗證數(shù)據(jù)中每一類數(shù)據(jù)所占比例與原數(shù)據(jù)集中每一類數(shù)據(jù)所占比例相近,以避免極端數(shù)據(jù)選取情況下導(dǎo)致的實驗結(jié)果失真,更加客觀地評估模型對于訓(xùn)練集之外數(shù)據(jù)的匹配程度。

    3 模型構(gòu)建與實驗結(jié)果

    3.1 基于CNN-LSTM 的模型

    在Window10 環(huán)境下,利用python 作為編程語言,以TensorFlow 作為后端,基于Keras 構(gòu)造CNN-LSTM 模型。此模型共計4 段卷積網(wǎng)絡(luò),每一段卷積網(wǎng)絡(luò)由一層卷積層和一層池化層構(gòu)成。4 層卷積層的卷積核數(shù)分別為128、32、32、32。每層卷積網(wǎng)絡(luò)后均為一個2×2 的最大池化層。為防止模型過擬合,在每層卷積層與池化層后加入?yún)?shù)為0.1~0.3 之間的Dropout 層,以增強模型泛化能力。通過4 段卷積神經(jīng)網(wǎng)絡(luò)后,將結(jié)果輸入雙向LSTM 模型中,最后進入一個全連接層(Dense)。模型結(jié)構(gòu)如圖3 所示。

    Fig.3 CNN-LSTM model structure圖3 CNN-LSTM 模型結(jié)構(gòu)

    將此CNN-LSTM 模型運用于deceptive-opinion-spamcorpus 數(shù)據(jù)集,訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的數(shù)量比為8∶2,損失函數(shù)選取binary crossentropy 函數(shù),激活函數(shù)選取softmax 函數(shù),優(yōu)化方法選取adaptive moment estimation算法。deceptive-opinion-spam-corpus 數(shù)據(jù)集中的英文評論數(shù)據(jù)經(jīng)過處理后得到的形式如圖4 所示。

    Fig.4 Example of original data and its corresponding eigenvector圖4 原始數(shù)據(jù)與其對應(yīng)的特征向量示例

    經(jīng)過40 輪次迭代訓(xùn)練,模型訓(xùn)練過程的準(zhǔn)確率與損失函數(shù)變化如圖5 所示。由測試集準(zhǔn)確率曲線和測試集損失曲線可以看出,模型在第25 輪迭代訓(xùn)練之后逐漸開始過擬合。最終CNN-LSTM 模型在測試集上得到的最高分類準(zhǔn)確率為86.5%,在訓(xùn)練的第23 輪得到。

    Fig.5 CNN-LSTM model training curve圖5 CNN-LSTM 模型訓(xùn)練曲線(彩圖掃OSID 碼可見,下同)

    3.2 基于CNN-LSTM 與遷移學(xué)習(xí)的模型

    在CNN-LSTM 模型基礎(chǔ)上,利用GloVe 模型訓(xùn)練得到300 維英文詞向量模型glove.6B.300d,將其進行遷移學(xué)習(xí),再在結(jié)合CNN-LSTM 模型在deceptive-opinion-spam-corpus 數(shù)據(jù)集上進行實驗。迭代輪次設(shè)置為40 輪,損失函數(shù)、激活函數(shù)、優(yōu)化方法均與前述模型相同。最后利用10 折分層交叉驗證來對此模型的分類效果進行客觀評估。

    CNN-LSTM 與遷移學(xué)習(xí)結(jié)合的模型在測試集上的準(zhǔn)確率變化曲線如圖6 所示。其中兩條實線為10 折分層交叉驗證的驗證準(zhǔn)確率(val_acc)迭代曲線在每一迭代輪次中的最大值(最小值)所連成的曲線,虛線為10 折分層交叉驗證在每一迭代輪次中的驗證準(zhǔn)確率平均值曲線。其中,平均驗證準(zhǔn)確率的最大值為93.1%,在迭代第25 輪時得到。所有訓(xùn)練的最大驗證準(zhǔn)確率為94.9%,在第25 輪K 值為7時取得。

    4 實驗數(shù)據(jù)分析

    通過實驗得到數(shù)據(jù)見表2。由表2 及上文數(shù)據(jù)可知,在基于酒店英文評論數(shù)據(jù)集deceptive-opinion-spam-corpus的真假評論分類任務(wù)中,本文提出的CNN-LSTM 與遷移學(xué)習(xí)模型有著較好的分類效果。其在deceptive-opinionspam-corpus 數(shù)據(jù)集的平均驗證準(zhǔn)確率可達(dá)93.10%,最高準(zhǔn)確率可達(dá)94.9%,平均準(zhǔn)確率明顯好于其他模型。此外,對于CNN-LSTM 模型進行遷移學(xué)習(xí)后的準(zhǔn)確率提升了約7%。

    Fig.6 Model training iteration data圖6 模型訓(xùn)練迭代數(shù)據(jù)

    Table 2 Comparison of algorithm experimental results表2 算法實驗結(jié)果對比 (%)

    將模型參數(shù)保存,對整個deceptive-opinion-spam-corpus 數(shù)據(jù)集上的評論數(shù)據(jù)進行分類,并隨機提取兩條模型分類錯誤的文本,如圖7 所示,其中(1)為虛假評論、(2)為真實評論。隨機采訪13 名受訪者,在不告知任何信息情況下,僅有4 名受訪者對于(1)與(2)的真實性判斷全部正確。因此,單從文字表達(dá)上普通讀者也難以判斷(1)、(2)兩條評論的真實性。

    Fig.7 Original comment of wrong judgment of the model圖7 模型判斷錯誤的評論原文

    5 結(jié)語

    本文利用酒店英文評論數(shù)據(jù)集deceptive-opinionspam-corpus 作為實驗數(shù)據(jù)集,在傳統(tǒng)的CNN-LSTM 模型上進行改進。利用GloVe 模型的遷移學(xué)習(xí)方法,有效提高了虛假英文評論的識別能力,分類精度最高可達(dá)93%~94%。相比于經(jīng)典的Logistic 回歸算法和樸素貝葉斯分類算法以及CNN1算法,其分類準(zhǔn)確率提升了16.52%~18.50%。由此得出結(jié)論,在虛假文本檢測問題上,采用深度學(xué)習(xí)方法比傳統(tǒng)方法有著更高的準(zhǔn)確率,采用CNN-LSTM 與遷移學(xué)習(xí)相結(jié)合的模型能夠進一步提高檢測準(zhǔn)確率。同時,對于其它類型的英文短文本分類問題也可嘗試使用CNNLSTM 模型并結(jié)合GloVe 模型進行遷移學(xué)習(xí)。但由于互聯(lián)網(wǎng)中短文本資源數(shù)量龐大且內(nèi)容極為復(fù)雜多樣,因此針對該領(lǐng)域的可用數(shù)據(jù)集少。此外,由于深度學(xué)習(xí)模型自身的特性,一般的深度學(xué)習(xí)模型跨領(lǐng)域可移植性差,導(dǎo)致其無法精準(zhǔn)地處理多樣化的任務(wù)與問題。因此,在實際應(yīng)用中,采用遷移學(xué)習(xí)的方法仍存在提升空間,如何將小樣本學(xué)習(xí)和遷移學(xué)習(xí)方法應(yīng)用于短文本情感傾向分析值得后續(xù)進一步探討。

    猜你喜歡
    準(zhǔn)確率卷積神經(jīng)網(wǎng)絡(luò)
    基于卷積神經(jīng)網(wǎng)絡(luò)與對抗訓(xùn)練的通信調(diào)制識別方法
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗分析
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    高速公路車牌識別標(biāo)識站準(zhǔn)確率驗證法
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    免费黄色在线免费观看| 久久99精品国语久久久| 少妇的丰满在线观看| 亚洲 欧美一区二区三区| 国产乱来视频区| 国产又爽黄色视频| 看免费成人av毛片| 黄色视频不卡| av有码第一页| 亚洲精品一二三| 最近最新中文字幕大全免费视频 | 久久久久久久久免费视频了| 另类精品久久| 亚洲欧美成人精品一区二区| 青草久久国产| 亚洲精品久久午夜乱码| 老司机靠b影院| 亚洲国产精品999| 亚洲国产欧美一区二区综合| 大片电影免费在线观看免费| 好男人视频免费观看在线| 亚洲av综合色区一区| 赤兔流量卡办理| 中文天堂在线官网| 欧美另类一区| 韩国av在线不卡| 日韩欧美一区视频在线观看| 久久久久久久久久久久大奶| 久久久精品94久久精品| 亚洲熟女毛片儿| 男女无遮挡免费网站观看| av.在线天堂| 99久久精品国产亚洲精品| 热re99久久国产66热| 久久久久久久大尺度免费视频| 国产探花极品一区二区| 久久精品久久久久久噜噜老黄| xxxhd国产人妻xxx| 伊人久久大香线蕉亚洲五| 国产欧美亚洲国产| 国产成人精品在线电影| 亚洲一级一片aⅴ在线观看| 女人爽到高潮嗷嗷叫在线视频| 伊人久久国产一区二区| 亚洲精品美女久久av网站| 街头女战士在线观看网站| 国产人伦9x9x在线观看| 亚洲精品中文字幕在线视频| 高清视频免费观看一区二区| 看非洲黑人一级黄片| 国产av国产精品国产| 悠悠久久av| 欧美日本中文国产一区发布| 日本av免费视频播放| 久久久久久久久免费视频了| 久久久久久人妻| 99国产精品免费福利视频| 日本av免费视频播放| 黄色怎么调成土黄色| 丰满饥渴人妻一区二区三| 亚洲国产精品999| 国产一区二区三区av在线| 91老司机精品| 老司机靠b影院| 啦啦啦 在线观看视频| 日本色播在线视频| 亚洲国产最新在线播放| 日韩精品免费视频一区二区三区| 亚洲人成电影观看| 中文字幕av电影在线播放| 三上悠亚av全集在线观看| 亚洲中文av在线| 人人妻人人澡人人看| 亚洲成人手机| 在线观看一区二区三区激情| 午夜福利网站1000一区二区三区| 制服人妻中文乱码| 超碰97精品在线观看| 久久精品国产亚洲av涩爱| 亚洲色图 男人天堂 中文字幕| 青青草视频在线视频观看| 妹子高潮喷水视频| 看免费成人av毛片| 少妇的丰满在线观看| 中文乱码字字幕精品一区二区三区| 国产淫语在线视频| 国产精品一国产av| 好男人视频免费观看在线| 涩涩av久久男人的天堂| a级毛片在线看网站| 伦理电影免费视频| 欧美亚洲日本最大视频资源| 亚洲成色77777| 免费不卡黄色视频| 一二三四在线观看免费中文在| 久久久欧美国产精品| 大香蕉久久成人网| 国产免费一区二区三区四区乱码| 亚洲国产看品久久| 制服诱惑二区| av国产精品久久久久影院| 伊人久久大香线蕉亚洲五| 美女脱内裤让男人舔精品视频| 日韩大片免费观看网站| 侵犯人妻中文字幕一二三四区| 欧美激情 高清一区二区三区| 91aial.com中文字幕在线观看| av国产精品久久久久影院| 九九爱精品视频在线观看| 亚洲成人av在线免费| 日韩大片免费观看网站| 亚洲欧美激情在线| www.av在线官网国产| 国产精品秋霞免费鲁丝片| 无限看片的www在线观看| 青春草视频在线免费观看| 麻豆av在线久日| 青青草视频在线视频观看| 天天躁夜夜躁狠狠躁躁| 亚洲精品aⅴ在线观看| 激情五月婷婷亚洲| 亚洲美女搞黄在线观看| 久久人妻熟女aⅴ| 亚洲欧洲日产国产| 999精品在线视频| videosex国产| 国产亚洲午夜精品一区二区久久| 晚上一个人看的免费电影| 久久国产精品大桥未久av| 精品久久蜜臀av无| 亚洲成人一二三区av| 国产精品.久久久| 桃花免费在线播放| 丝袜脚勾引网站| 午夜福利,免费看| 亚洲欧洲国产日韩| 老司机深夜福利视频在线观看 | 91成人精品电影| 天天操日日干夜夜撸| 国产日韩一区二区三区精品不卡| 极品少妇高潮喷水抽搐| 国产极品天堂在线| 国产激情久久老熟女| 天天躁日日躁夜夜躁夜夜| 丝袜在线中文字幕| 免费黄频网站在线观看国产| 十八禁网站网址无遮挡| 男的添女的下面高潮视频| www.熟女人妻精品国产| 国产爽快片一区二区三区| 国产伦人伦偷精品视频| 成人18禁高潮啪啪吃奶动态图| 老司机靠b影院| 久久精品人人爽人人爽视色| www.精华液| 热re99久久精品国产66热6| 啦啦啦在线观看免费高清www| 97人妻天天添夜夜摸| 亚洲熟女毛片儿| 国产免费又黄又爽又色| 看十八女毛片水多多多| 99久久精品国产亚洲精品| 青春草亚洲视频在线观看| 精品一区二区三区av网在线观看 | 国产成人啪精品午夜网站| 一区二区三区激情视频| 男女之事视频高清在线观看 | 91精品国产国语对白视频| 自线自在国产av| 午夜福利免费观看在线| 久久性视频一级片| 色网站视频免费| 久久性视频一级片| 国产av国产精品国产| 日日啪夜夜爽| 久久人妻熟女aⅴ| 色吧在线观看| 午夜日韩欧美国产| 久久精品国产a三级三级三级| 成人午夜精彩视频在线观看| 久久99一区二区三区| 日韩av免费高清视频| 免费黄色在线免费观看| 十八禁网站网址无遮挡| 菩萨蛮人人尽说江南好唐韦庄| 中文字幕高清在线视频| tube8黄色片| 亚洲av欧美aⅴ国产| 亚洲精品国产一区二区精华液| 国产精品99久久99久久久不卡 | 少妇人妻久久综合中文| xxxhd国产人妻xxx| 乱人伦中国视频| 国产av精品麻豆| 七月丁香在线播放| 中文乱码字字幕精品一区二区三区| 一区福利在线观看| 国产精品久久久久久人妻精品电影 | 亚洲国产av影院在线观看| 日本av手机在线免费观看| 久久精品久久久久久久性| 亚洲在久久综合| 18在线观看网站| 男女高潮啪啪啪动态图| 啦啦啦啦在线视频资源| 99re6热这里在线精品视频| 成人黄色视频免费在线看| 亚洲 欧美一区二区三区| 一区二区三区激情视频| 欧美激情 高清一区二区三区| 久久性视频一级片| 搡老乐熟女国产| 性色av一级| 宅男免费午夜| 亚洲精品日韩在线中文字幕| 丰满乱子伦码专区| 在现免费观看毛片| 国产免费又黄又爽又色| 国产成人精品久久二区二区91 | 777米奇影视久久| av卡一久久| 纯流量卡能插随身wifi吗| 不卡视频在线观看欧美| av免费观看日本| 欧美日韩视频高清一区二区三区二| 国产精品99久久99久久久不卡 | 欧美中文综合在线视频| 午夜激情av网站| 日韩一区二区视频免费看| 日韩人妻精品一区2区三区| 亚洲精品国产一区二区精华液| 久久久久网色| 久久婷婷青草| 一区二区三区精品91| 午夜免费鲁丝| 久久毛片免费看一区二区三区| 国产成人91sexporn| 国产亚洲一区二区精品| 纵有疾风起免费观看全集完整版| 咕卡用的链子| 伦理电影大哥的女人| 男女国产视频网站| 日韩 欧美 亚洲 中文字幕| a级毛片在线看网站| 可以免费在线观看a视频的电影网站 | 国产精品无大码| 欧美另类一区| 最近2019中文字幕mv第一页| 精品国产一区二区三区四区第35| 制服丝袜香蕉在线| 爱豆传媒免费全集在线观看| 亚洲自偷自拍图片 自拍| 免费黄频网站在线观看国产| 午夜福利在线免费观看网站| 精品一区二区免费观看| 中文字幕高清在线视频| 亚洲精品一区蜜桃| 在线天堂最新版资源| 七月丁香在线播放| 国产精品久久久久成人av| 日韩电影二区| 亚洲精品视频女| 丰满迷人的少妇在线观看| 亚洲成人一二三区av| 色网站视频免费| 国产日韩一区二区三区精品不卡| 午夜福利乱码中文字幕| 精品久久蜜臀av无| 亚洲精品一区蜜桃| av在线观看视频网站免费| 午夜福利影视在线免费观看| 国产精品.久久久| www.精华液| 精品亚洲乱码少妇综合久久| 观看av在线不卡| 精品少妇一区二区三区视频日本电影 | 别揉我奶头~嗯~啊~动态视频 | 日本欧美国产在线视频| 性高湖久久久久久久久免费观看| 黑人猛操日本美女一级片| 精品亚洲成a人片在线观看| 超色免费av| 中文字幕精品免费在线观看视频| 午夜福利免费观看在线| 亚洲精品av麻豆狂野| 午夜福利一区二区在线看| 国产成人免费观看mmmm| 女的被弄到高潮叫床怎么办| 婷婷色麻豆天堂久久| 超碰成人久久| 精品国产乱码久久久久久男人| 亚洲 欧美一区二区三区| 人妻 亚洲 视频| 成人国语在线视频| 女人高潮潮喷娇喘18禁视频| 国产国语露脸激情在线看| 久久人人爽人人片av| 免费观看av网站的网址| 99九九在线精品视频| 黄色视频不卡| 高清不卡的av网站| 国产成人精品福利久久| 国产av国产精品国产| 精品一品国产午夜福利视频| 国产亚洲欧美精品永久| avwww免费| 可以免费在线观看a视频的电影网站 | 亚洲天堂av无毛| 日韩一区二区三区影片| 欧美日韩成人在线一区二区| 国产精品国产三级国产专区5o| 伊人亚洲综合成人网| 国产精品久久久久成人av| 免费高清在线观看日韩| 丰满少妇做爰视频| 欧美日韩亚洲综合一区二区三区_| 午夜福利视频精品| 久久鲁丝午夜福利片| 久久综合国产亚洲精品| 一区二区日韩欧美中文字幕| 欧美中文综合在线视频| 午夜福利一区二区在线看| 高清av免费在线| 一个人免费看片子| 亚洲国产av影院在线观看| 中文字幕亚洲精品专区| 视频区图区小说| 啦啦啦啦在线视频资源| 国产精品无大码| 青春草国产在线视频| 亚洲精品自拍成人| 一级黄片播放器| 一级片免费观看大全| 亚洲一区中文字幕在线| 一级片免费观看大全| 国产精品久久久久久精品电影小说| 成年美女黄网站色视频大全免费| 不卡av一区二区三区| 中文字幕人妻丝袜制服| 久久精品亚洲熟妇少妇任你| 欧美日韩一区二区视频在线观看视频在线| 国产精品久久久久成人av| 国产有黄有色有爽视频| 亚洲精品国产av成人精品| 人体艺术视频欧美日本| 9191精品国产免费久久| 精品国产乱码久久久久久男人| 丰满少妇做爰视频| 天堂中文最新版在线下载| 婷婷色综合www| 99国产综合亚洲精品| 大片免费播放器 马上看| 性高湖久久久久久久久免费观看| 亚洲国产欧美网| 久久精品人人爽人人爽视色| 欧美乱码精品一区二区三区| 中文字幕人妻丝袜制服| 国产老妇伦熟女老妇高清| 男女免费视频国产| 国产精品99久久99久久久不卡 | 中文字幕制服av| 哪个播放器可以免费观看大片| 亚洲精品国产区一区二| 69精品国产乱码久久久| 熟妇人妻不卡中文字幕| 性少妇av在线| 国产日韩欧美在线精品| 男女边吃奶边做爰视频| 1024香蕉在线观看| 久久久久久久精品精品| 中文字幕人妻丝袜一区二区 | 免费观看av网站的网址| a级毛片黄视频| 欧美精品一区二区大全| 水蜜桃什么品种好| 色精品久久人妻99蜜桃| 黄网站色视频无遮挡免费观看| 亚洲人成电影观看| 国产精品久久久久久久久免| 亚洲欧洲国产日韩| 91成人精品电影| 亚洲精品乱久久久久久| 国产精品香港三级国产av潘金莲 | 欧美人与性动交α欧美软件| 欧美日本中文国产一区发布| 亚洲国产日韩一区二区| 街头女战士在线观看网站| 午夜福利视频精品| 中文字幕亚洲精品专区| 天堂中文最新版在线下载| 高清不卡的av网站| 一区福利在线观看| 美女主播在线视频| 一级a爱视频在线免费观看| 午夜福利在线免费观看网站| 成人漫画全彩无遮挡| 亚洲欧美色中文字幕在线| 最黄视频免费看| 老司机在亚洲福利影院| 久久女婷五月综合色啪小说| 丰满迷人的少妇在线观看| 国产xxxxx性猛交| 亚洲欧洲国产日韩| 韩国高清视频一区二区三区| 最近最新中文字幕大全免费视频 | 久久综合国产亚洲精品| 日韩 欧美 亚洲 中文字幕| 亚洲国产av影院在线观看| 啦啦啦啦在线视频资源| 操出白浆在线播放| 丝袜喷水一区| 免费av中文字幕在线| 亚洲欧美成人精品一区二区| 国产99久久九九免费精品| 国产免费现黄频在线看| 老司机深夜福利视频在线观看 | 叶爱在线成人免费视频播放| 一边摸一边抽搐一进一出视频| 久久久久久久久久久久大奶| 啦啦啦啦在线视频资源| 久久久精品国产亚洲av高清涩受| 午夜影院在线不卡| www.熟女人妻精品国产| 久久鲁丝午夜福利片| 亚洲婷婷狠狠爱综合网| 亚洲七黄色美女视频| 国产精品一区二区精品视频观看| 国产精品成人在线| 黑人巨大精品欧美一区二区蜜桃| 久久久久视频综合| 少妇被粗大的猛进出69影院| 国产成人av激情在线播放| 国产在线免费精品| 亚洲自偷自拍图片 自拍| 男的添女的下面高潮视频| 国产精品国产三级国产专区5o| 亚洲天堂av无毛| 亚洲av在线观看美女高潮| 国产一区亚洲一区在线观看| 午夜免费男女啪啪视频观看| 国精品久久久久久国模美| 久久国产精品大桥未久av| 免费日韩欧美在线观看| 只有这里有精品99| www.自偷自拍.com| 色综合欧美亚洲国产小说| 免费看不卡的av| 亚洲精品久久午夜乱码| 国产熟女欧美一区二区| 97精品久久久久久久久久精品| 亚洲美女黄色视频免费看| www.自偷自拍.com| 熟女少妇亚洲综合色aaa.| 国产伦理片在线播放av一区| 亚洲婷婷狠狠爱综合网| 永久免费av网站大全| 天天躁夜夜躁狠狠躁躁| 制服诱惑二区| 久久久久久久国产电影| 十分钟在线观看高清视频www| 亚洲国产看品久久| 国产成人av激情在线播放| 成人亚洲精品一区在线观看| 国产片特级美女逼逼视频| av在线观看视频网站免费| 国产爽快片一区二区三区| 中文字幕色久视频| 国产一卡二卡三卡精品 | 国产av精品麻豆| 老司机亚洲免费影院| 18在线观看网站| 中文字幕亚洲精品专区| 精品午夜福利在线看| 18禁国产床啪视频网站| 毛片一级片免费看久久久久| 亚洲七黄色美女视频| 国产乱来视频区| 亚洲av成人精品一二三区| 亚洲成人免费av在线播放| 国产成人啪精品午夜网站| 久久精品国产亚洲av涩爱| 一级毛片我不卡| 日韩一本色道免费dvd| 亚洲国产欧美日韩在线播放| 国产精品亚洲av一区麻豆 | 日日摸夜夜添夜夜爱| 中文字幕人妻丝袜制服| 亚洲三区欧美一区| 国产成人91sexporn| 日韩欧美一区视频在线观看| 免费观看性生交大片5| 欧美日韩一区二区视频在线观看视频在线| 韩国av在线不卡| 亚洲美女视频黄频| 久热这里只有精品99| 国产av国产精品国产| 亚洲欧美精品自产自拍| 性色av一级| 亚洲伊人久久精品综合| 一区二区日韩欧美中文字幕| 日日摸夜夜添夜夜爱| 高清黄色对白视频在线免费看| 妹子高潮喷水视频| 亚洲精品乱久久久久久| 国产毛片在线视频| 亚洲欧美清纯卡通| 一区二区三区精品91| 亚洲少妇的诱惑av| av天堂久久9| 午夜福利免费观看在线| 一级a爱视频在线免费观看| 国产极品粉嫩免费观看在线| 亚洲精品久久成人aⅴ小说| 看免费av毛片| 久久99一区二区三区| 国产精品久久久久久精品古装| 一级毛片 在线播放| kizo精华| 女人爽到高潮嗷嗷叫在线视频| 又大又爽又粗| 涩涩av久久男人的天堂| 久久热在线av| 免费观看av网站的网址| 国产精品久久久久久精品古装| 各种免费的搞黄视频| 人妻一区二区av| 一区二区三区乱码不卡18| 丝袜人妻中文字幕| 国产野战对白在线观看| 久久综合国产亚洲精品| av.在线天堂| 国产无遮挡羞羞视频在线观看| 亚洲精品乱久久久久久| 91精品三级在线观看| 日本欧美国产在线视频| 日本午夜av视频| 欧美在线黄色| av在线播放精品| 午夜福利网站1000一区二区三区| 在线亚洲精品国产二区图片欧美| 国产男女内射视频| videosex国产| 国产亚洲av高清不卡| 七月丁香在线播放| 高清视频免费观看一区二区| 日本欧美国产在线视频| 美女主播在线视频| 秋霞伦理黄片| 精品少妇内射三级| 国产极品天堂在线| 在线观看人妻少妇| 久久久久久久精品精品| 交换朋友夫妻互换小说| 嫩草影视91久久| 欧美精品av麻豆av| 国产精品av久久久久免费| 麻豆乱淫一区二区| 女人精品久久久久毛片| 99国产精品免费福利视频| 五月天丁香电影| 99热国产这里只有精品6| 80岁老熟妇乱子伦牲交| 欧美日韩国产mv在线观看视频| 只有这里有精品99| 国产成人系列免费观看| 久久99热这里只频精品6学生| 成人毛片60女人毛片免费| 国产爽快片一区二区三区| 男女国产视频网站| 你懂的网址亚洲精品在线观看| 免费看av在线观看网站| 欧美日韩亚洲国产一区二区在线观看 | 国产色婷婷99| 日日爽夜夜爽网站| 视频在线观看一区二区三区| 久久久国产欧美日韩av| 综合色丁香网| 人成视频在线观看免费观看| 亚洲图色成人| 亚洲情色 制服丝袜| 高清黄色对白视频在线免费看| 久久久久久人妻| 在线观看国产h片| 中文字幕另类日韩欧美亚洲嫩草| 欧美成人精品欧美一级黄| svipshipincom国产片| 黑丝袜美女国产一区| 超碰97精品在线观看| 亚洲国产中文字幕在线视频| 久久国产精品大桥未久av| 久久久久久免费高清国产稀缺| 欧美日韩亚洲国产一区二区在线观看 | 18禁国产床啪视频网站| av不卡在线播放| 99精品久久久久人妻精品| 亚洲精品久久成人aⅴ小说| 午夜91福利影院| 亚洲美女黄色视频免费看| 成年动漫av网址| 咕卡用的链子| 亚洲一卡2卡3卡4卡5卡精品中文| 日韩欧美一区视频在线观看| av电影中文网址| 最黄视频免费看| 国产不卡av网站在线观看| 老司机深夜福利视频在线观看 | 街头女战士在线观看网站| 精品视频人人做人人爽| 午夜91福利影院| 69精品国产乱码久久久| 久久久欧美国产精品| 超碰成人久久| 精品国产一区二区久久| 亚洲成av片中文字幕在线观看| 97人妻天天添夜夜摸|