• <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 ?

    基于專家協(xié)同過(guò)濾與混合策略的推薦算法

    2022-05-10 05:25:16李偉豪
    電腦知識(shí)與技術(shù) 2022年9期

    李偉豪

    摘要:隨著互聯(lián)網(wǎng)技術(shù)和數(shù)字媒體的不斷發(fā)展,因?yàn)樾畔①Y源過(guò)載使用戶很難找到自己喜歡的物品,而推薦系統(tǒng)能有效處理該問(wèn)題。文章針對(duì)推薦系統(tǒng)中存在常見的噪聲用戶和冷啟動(dòng)問(wèn)題,提出了基于專家用戶協(xié)同過(guò)濾和奇異值分解(SVD)的混合推薦算法。先對(duì)用戶進(jìn)行專家用戶人工篩選降噪,再利用SVD算法分解后填充專家評(píng)分矩陣,同時(shí)在計(jì)算用戶與專家的相似度時(shí)加入時(shí)間權(quán)重,最終選擇最優(yōu)項(xiàng)目進(jìn)行推薦。最后使用MovieLens數(shù)據(jù)集將本文算法與傳統(tǒng)算法進(jìn)行實(shí)驗(yàn)分析對(duì)比,證明了該算法的有效性。

    關(guān)鍵詞:推薦系統(tǒng);專家用戶;SVD;冷啟動(dòng);噪聲用戶;混合推薦算法

    中圖分類號(hào):TP391.3? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A

    文章編號(hào):1009-3044(2022)09-0054-04

    1引言

    隨著互聯(lián)網(wǎng)信息量不斷增長(zhǎng)以及大數(shù)據(jù)時(shí)代的到來(lái),這對(duì)每個(gè)人的生活都帶來(lái)了影響,為了應(yīng)對(duì)海量的信息光有普通的搜索引擎在很多時(shí)候是達(dá)不到用戶的個(gè)性化需求的。推薦系統(tǒng)在處理信息過(guò)載[1]的問(wèn)題時(shí)會(huì)有較好的效果。推薦系統(tǒng)通過(guò)大數(shù)據(jù)分析、學(xué)習(xí)出用戶的偏好,然后推薦用戶大概率會(huì)喜歡的物品。時(shí)至今日,在很多的領(lǐng)域都能看見推薦系統(tǒng)[2,3]的身影。

    協(xié)同過(guò)濾推薦[4,5](Collaborative Filtering, CF)是眾多經(jīng)典推薦算法中的一類。其中基于用戶的協(xié)同推薦算法[6](User-based CF,UCF)其思想是先計(jì)算出用戶之間的相似度,按照相似度大小由高到低排列該用戶的鄰居集合,再依據(jù)得到的鄰居集合來(lái)計(jì)算出各自評(píng)分來(lái)推測(cè)該用戶可能會(huì)喜歡哪個(gè)物品;基于物品的協(xié)同推薦算法[7](Item-based CF,ICF)其思想是先計(jì)算出物品之間的相似度,然后依據(jù)相似度大小由高到低排列出相似物品集,最后把排在前面的相似度高的物品推薦給用戶。但傳統(tǒng)的CF算法中無(wú)論是ICF或是UCF,在面對(duì)現(xiàn)實(shí)世界的稀疏評(píng)分矩陣或是噪聲用戶的影響時(shí),其效果往往不理想。后來(lái)Le[8]等人提出了奇異值矩陣分解方法(singular value decomposition,SVD),該方法通過(guò)降維特征分解原始評(píng)分矩陣,然后在召回階段由稀疏矩陣推算出其他的空缺評(píng)分。

    但SVD也存在一些問(wèn)題。舉個(gè)例子,如果有1萬(wàn)個(gè)用戶和1000萬(wàn)條物品的評(píng)分矩陣,我們簡(jiǎn)單估計(jì)下它需要的內(nèi)存。假設(shè)每個(gè)評(píng)分用4個(gè)字節(jié)表示,如果采用SVD分解,將這個(gè)完整的矩陣加載到內(nèi)存中,大概需要372G內(nèi)存。這對(duì)內(nèi)存有一定要求。而通過(guò)提取專家用戶評(píng)分矩陣可以有效緩解這一問(wèn)題,且專家用戶評(píng)價(jià)的物品類型廣,一些冷門的物品也會(huì)進(jìn)行評(píng)價(jià),由此有效緩解了冷啟動(dòng)問(wèn)題。同時(shí)因?yàn)槊课粚<矣脩舻脑u(píng)價(jià)數(shù)量大,能給出更加客觀的評(píng)分,能對(duì)評(píng)分有效降噪。因此,本文提出了基于SVD模型和專家用戶協(xié)同過(guò)濾的混合推薦算法(SVD-ECF),算法首先設(shè)置閾值挑選專業(yè)影評(píng)人,組成專家評(píng)分矩陣,然后利用SVD技術(shù)對(duì)原始評(píng)分矩陣進(jìn)行降維分解之后,利用隨機(jī)梯度下降法[9]學(xué)習(xí)并填充空白評(píng)分,得到近似評(píng)分矩陣,在計(jì)算用戶與專家的相似度時(shí)加入時(shí)間權(quán)重,挑選出與用戶相似的專家近鄰,最終基于專家近鄰對(duì)物品評(píng)分的高低進(jìn)行推薦。

    2相關(guān)工作

    2.1協(xié)同過(guò)濾推薦算法

    普通的協(xié)同過(guò)濾推薦算法普遍采用了KNN算法[10]預(yù)測(cè)用戶評(píng)分。這種算法原理是:首先找出k個(gè)最近鄰居(可以是基于用戶,也可以是基于物品),預(yù)測(cè)出用戶對(duì)物品的評(píng)價(jià)。再依據(jù)預(yù)測(cè)的評(píng)價(jià)得分高低排列出推薦列表。協(xié)同過(guò)濾算法可被分為基于用戶的協(xié)同過(guò)濾算法(UCF)和基于物品的協(xié)同過(guò)濾算法(ICF)。本文主要是對(duì)UCF以及SVD進(jìn)行混合和改進(jìn),ICF就不是本文的重點(diǎn)了。

    2.1.1基于用戶的協(xié)同過(guò)濾算法

    “物以類聚,人以群分”這句俗話能較為形象的描述UCF的原理。在基于用戶的協(xié)同過(guò)濾算法中用戶集為U={u,u,u,...,u}m表示用戶數(shù)量,物品集為I={i,i,i,...,i}n表示物品數(shù)量,二者構(gòu)成一個(gè)R[m×n]的用戶評(píng)分矩陣,根據(jù)這個(gè)評(píng)分矩陣計(jì)算并找出用戶的相似鄰居,關(guān)于相似度的計(jì)算采用的是常見的皮爾森相關(guān)性的相似度計(jì)算法[11],方法如下:

    2.3 專家用戶

    專家用戶的概念在2009年由Amatriain等人提出[14]。專家用戶的定義如下:某個(gè)領(lǐng)域,他們能客觀的給出深思熟慮的、波動(dòng)小的、有理有據(jù)的評(píng)價(jià)(打分)。不同于普通用戶集的噪聲大,專家在評(píng)分時(shí)候更加客觀、公正,使得物品的評(píng)分反映更加真實(shí);而且因?yàn)閷<沂菍I(yè)影評(píng)人,很多冷門物品也會(huì)評(píng)價(jià),無(wú)論他本人是否關(guān)注這類物品,如此一來(lái)能有效緩解新物品的冷啟動(dòng)問(wèn)題;除此之外專家評(píng)分?jǐn)?shù)據(jù)相較于普通用戶評(píng)分?jǐn)?shù)據(jù)更加的稠密。在現(xiàn)實(shí)生活中,相較于普通用戶的推薦,大家更樂(lè)意聽取權(quán)威的專家推薦。國(guó)內(nèi)的著名電影網(wǎng)站豆瓣猜也充分利用了專家用戶這種思想。

    3基于SVD模型和專家用戶協(xié)同過(guò)濾的層疊式推薦算法

    3.1尋找專家

    首先設(shè)置一個(gè)閾值α,依據(jù)數(shù)據(jù)集里的用戶—項(xiàng)目評(píng)分矩陣計(jì)算出每個(gè)用戶評(píng)分總數(shù),然后按照評(píng)分?jǐn)?shù)目總數(shù)從大到小依次排序,剔除掉總評(píng)分?jǐn)?shù)目小于預(yù)定閾值α的用戶們,最終剩下的用戶們則組成專家用戶集。

    3.2改進(jìn)基于用戶相似度計(jì)算

    目前,有關(guān)基于用戶的相似度的計(jì)算方法大多數(shù)都沒(méi)有考慮引入一個(gè)時(shí)間權(quán)重,而在現(xiàn)實(shí)世界中,人們感興趣的點(diǎn)往往會(huì)跟隨時(shí)間改變。比如很多孩子年少時(shí)愛看青春偶像劇,長(zhǎng)大后可能更愛看家庭劇。如果還是按照很久以前用戶的喜好進(jìn)行推薦,結(jié)果很可能不如人意。一個(gè)實(shí)用的推薦系統(tǒng)應(yīng)該推薦給用戶他們現(xiàn)在需要的東西,或者現(xiàn)在正感興趣的東西。出于這樣的考慮,本文決定在基于用戶之間的相似度計(jì)算時(shí),引入時(shí)間權(quán)重。使得最近評(píng)價(jià)過(guò)或者購(gòu)買過(guò)的物品有著較高的權(quán)重,很久以前評(píng)價(jià)過(guò)或者購(gòu)買過(guò)的物品有著較低的權(quán)重。

    基于上述討論,本文將利用指數(shù)函數(shù)來(lái)設(shè)計(jì)遺忘函數(shù),用來(lái)表示時(shí)間變化量對(duì)用戶喜好的影響程度[15]:

    3.3基于SVD模型和專家用戶協(xié)同過(guò)濾的層疊式過(guò)濾推薦算法及模型

    在實(shí)際進(jìn)行推薦的過(guò)程中,現(xiàn)實(shí)世界噪聲用戶多且傳統(tǒng)協(xié)同過(guò)濾算法會(huì)遇到數(shù)據(jù)稀疏以及冷啟動(dòng)等問(wèn)題,這些問(wèn)題都會(huì)影響到最終的推薦結(jié)果質(zhì)量。本文提出一種基于SVD模型和專家用戶協(xié)同過(guò)濾的混合推薦算法:首先對(duì)用戶數(shù)據(jù)集進(jìn)行篩選,設(shè)置一個(gè)閾值α,只留下評(píng)分總條目個(gè)數(shù)大于等于α的專家用戶。然后對(duì)剩下的項(xiàng)目評(píng)分矩陣A使用SVD矩陣分解技術(shù)得到三個(gè)矩陣分別為U、S、V,再對(duì)對(duì)角矩陣S進(jìn)行降維處理,并得到對(duì)應(yīng)的降維后的用戶矩陣U和項(xiàng)目矩陣V。 再用隨機(jī)隨機(jī)梯度下降法填充得到最終的近似矩陣R。最后在近似矩陣R中加入時(shí)間權(quán)重改進(jìn)用戶與專家的相似度計(jì)算公式,得到預(yù)測(cè)評(píng)分P′。如此一來(lái)利用SVD技術(shù)解決了由傳統(tǒng)協(xié)同過(guò)濾算法的數(shù)據(jù)稀疏性問(wèn)題帶來(lái)的預(yù)測(cè)效率低問(wèn)題,專家用戶有效緩解冷啟動(dòng)等問(wèn)題,減少了噪聲用戶。同時(shí)也彌補(bǔ)了SVD矩陣分解帶來(lái)的解釋性不強(qiáng)等問(wèn)題,提高了精度。具體算法描述如下:

    輸入:用戶項(xiàng)目評(píng)分?jǐn)?shù)據(jù)集

    4實(shí)驗(yàn)結(jié)果和分析

    4.1實(shí)驗(yàn)數(shù)據(jù)

    本文采用Movielens數(shù)據(jù)集[16],此數(shù)據(jù)集由美國(guó)明尼蘇達(dá)大學(xué)的Grouplens實(shí)驗(yàn)室提供,此數(shù)據(jù)集是十分經(jīng)典的用戶電影評(píng)分?jǐn)?shù)據(jù)集。本數(shù)據(jù)集里有100 004條評(píng)分、943位用戶、以及9743個(gè)電影,其中每位用戶至少評(píng)價(jià)過(guò)20部電影。用戶評(píng)分范圍為1~5分,0分表示未對(duì)該電影進(jìn)行評(píng)價(jià),評(píng)分等級(jí)分為10級(jí),間隔區(qū)間為0.5。

    4.2評(píng)價(jià)標(biāo)準(zhǔn)

    通過(guò)對(duì)比算法的預(yù)測(cè)評(píng)分與真實(shí)評(píng)分能評(píng)價(jià)出一個(gè)算法的好壞,在需要向用戶展示預(yù)估評(píng)分時(shí)這個(gè)指標(biāo)尤為重要。預(yù)測(cè)評(píng)分準(zhǔn)確度的指標(biāo)有很多,本質(zhì)上都是比較算法預(yù)測(cè)評(píng)分與實(shí)際評(píng)分的差值大小。如果預(yù)測(cè)評(píng)分與真實(shí)評(píng)分的差值大,那么推薦系統(tǒng)的精確度就低,反之推薦系統(tǒng)的精確度就高。本文將采用較為經(jīng)典的平均絕對(duì)誤差(Mean Absolute Error,MAE)與準(zhǔn)確性(precision)[17]來(lái)衡量SVD-ECF算法的精確性。

    4.3實(shí)驗(yàn)結(jié)果分析

    4.3.1 參數(shù)分析

    1)閾值α的選取

    首先我們對(duì)Movielen數(shù)據(jù)集上所有用戶進(jìn)行了評(píng)分?jǐn)?shù)量統(tǒng)計(jì),如圖1所示。

    由圖1可以看出用戶的評(píng)分?jǐn)?shù)量集中在50條至250條,只有大約100多人能夠?qū)﹄娪霸u(píng)價(jià)超過(guò)250條。

    由于專家用戶的選取是本文的第一步工作,閾值α的選取十分重要,如果閾值α的值過(guò)大或過(guò)小都會(huì)對(duì)推薦系統(tǒng)的有效性產(chǎn)生影響,所有實(shí)驗(yàn)第一步要確定閾值α的大小。

    實(shí)驗(yàn)結(jié)果如圖2所示。

    由圖2實(shí)驗(yàn)結(jié)果可知,隨著閾值α的不斷增加,MAE值先不斷下降至閾值α=160時(shí)去到最小值,之后隨著閾值α的增加MAE值也隨著增加。這是因?yàn)樽畛蹼S著α值的增大,剔除了很多噪聲用戶使得MAE值不斷下降,但在α閥值高于160之后,篩選出的用戶量也因此變得很少,因?yàn)橛?xùn)練數(shù)據(jù)量不足導(dǎo)致MAE上升。因此本文選擇閾值α=160時(shí)進(jìn)行實(shí)驗(yàn)。

    2)保留維度k值選取

    本文使用了SVD算法對(duì)專家-項(xiàng)目矩陣進(jìn)行了降維,因此k值的選取尤為重要,k值若是太小,則有可能漏掉重要特征,使得推薦精準(zhǔn)性下降。但k值若是太大降維效果就不明顯了。應(yīng)此本文對(duì)k值的選擇進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)中縱坐標(biāo)代表MAE的值,橫坐標(biāo)代表k值所占維度比例:

    由圖3可知,在k值所占維度比例為0~0.3時(shí),所丟失了過(guò)多的特征信息,因此導(dǎo)致MAE值偏高,當(dāng)k值占比達(dá)到0.4時(shí),算法性能逐漸穩(wěn)定。本文選取k值占比為0.4時(shí)與其他傳統(tǒng)推薦算法進(jìn)行比較[18]。

    4.3.2 性能對(duì)比與分析

    如圖4所示,SVD-ECF在MovieLens數(shù)據(jù)集上的MAE值總是低于UCF、ICF,UCF與ICD算法雖然隨著鄰居數(shù)量的增加使得MAE的值不斷下降,但最終下降趨勢(shì)平緩下來(lái),并在鄰居用戶大于25,MAE反而有些上升,這是因?yàn)橛脩魯?shù)量增多之后用戶相似度較低的用戶也加入其中,使得MAE上升,總體來(lái)說(shuō)算法性能都沒(méi)有超過(guò)本文算法。而傳統(tǒng)SVD算法在鄰居數(shù)量小于15時(shí)MAE低于本文算法,但隨著鄰居數(shù)量增多,SVD-ECF表現(xiàn)比傳統(tǒng)SVD算法好。但僅僅依靠一個(gè)評(píng)估標(biāo)準(zhǔn)不能完全確定一個(gè)推薦系統(tǒng)的好壞,因此本文采用precision指標(biāo)繼續(xù)進(jìn)行對(duì)比。

    如圖5所示,隨著鄰居數(shù)量增加,UCF與ICF的精確性持續(xù)上漲,在鄰居數(shù)量達(dá)到30時(shí),上漲趨勢(shì)明顯變緩,最終沒(méi)能超過(guò)SVD和本文算法,而SVD-ECF與SVD在k值占比都為0.4時(shí),SVD-ECF當(dāng)鄰居個(gè)數(shù)大于20之后精確度更高。 結(jié)果表明,SVD-ECF算法顯然能夠獲得比其他傳統(tǒng)算法更好的推薦結(jié)果。

    5結(jié)論

    本文針對(duì)現(xiàn)實(shí)世界中噪聲用戶過(guò)多,傳統(tǒng)過(guò)濾算法會(huì)受到數(shù)據(jù)稀疏、冷啟動(dòng)等問(wèn)題的影響,提出了一種基于SVD模型和專家用戶的層疊過(guò)濾推薦算法,該算法通過(guò)設(shè)置閾值挑選專家用戶,然后使用SVD算法分解專家-項(xiàng)目評(píng)分矩陣,并加入時(shí)間權(quán)重優(yōu)化相似度計(jì)算。實(shí)驗(yàn)證明本文算法能夠有效提高推薦準(zhǔn)確度。SVD算法需要進(jìn)行矩陣分解,計(jì)算復(fù)雜度高,在大規(guī)模的數(shù)據(jù)上,SVD分解會(huì)降低程序的速度。SVD分解可以在程序調(diào)入時(shí)運(yùn)行一次。在大型系統(tǒng)中,SVD每天運(yùn)行一次或者其頻率更低,并且還要離線運(yùn)行,專家集正好精煉了數(shù)據(jù)集,且有效緩解了噪聲與冷啟動(dòng)問(wèn)題。但本文算法需要大量專家用戶的數(shù)據(jù),能否保護(hù)用戶的隱私的同時(shí)收集數(shù)據(jù)是之后的工作需要解決的問(wèn)題。

    參考文獻(xiàn):

    [1] 藺豐奇,劉益.信息過(guò)載問(wèn)題研究述評(píng)[J].情報(bào)理論與實(shí)踐,2007,30(5):710-714.

    [2] Kunaver M,Po?rl T.Diversity in recommender systems - A survey[J].Knowledge-Based Systems,2017,123:154-162.

    [3] 劉建國(guó),周濤,汪秉宏.個(gè)性化推薦系統(tǒng)的研究進(jìn)展[J].自然科學(xué)進(jìn)展,2009,19(1):1-15.

    [4] Fu M S,Qu H,Yi Z,et al.A novel deep learning-based collaborative filtering model for recommendation system[J].IEEE Transactions on Cybernetics,2019,49(3):1084-1096.

    [5] Kwon K,Cho J,Park Y.Multidimensional credibility model for neighbor selection in collaborative recommendation[J].Expert Systems With Applications,2009,36(3):7114-7122.

    [6] Zhao Z D,Shang M S.User-based collaborative-filtering recommendation algorithms on hadoop[C]//2010 Third International Conference on Knowledge Discovery and Data Mining.January 9-10,2010,Phuket,Thailand.IEEE,2010:478-481.

    [7] 汪從梅,王成良,徐玲.自適應(yīng)用戶的Item-based協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)應(yīng)用研究,2013,30(12):3606-3609.

    [8] Le B H,Mori K,Thawonmas R.An extension for bounded-SVD—A matrix factorization method with bound constraints for recommendersystems[J].Journal of Information Processing,2016,24(2):314-319.

    [9] Gemulla R,NijkampE,Haas P J,et al.Large-scale matrix factorization with distributed stochastic gradient descent[C]//Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining - KDD '11.August21-24,2011.SanDiego,California,USA.NewYork:ACM Press,2011.

    [10] Zhang M L,Zhou Z H.ML-KNN:a lazy learning approach to multi-label learning[J].Pattern Recognition,2007,40(7):2038-2048.

    [11] Dow H E, Li R, Potter T W. Computer-based method: US,1994.

    [12] Barragáns-Martínez A B,Costa-Montenegro E,Burguillo J C,et al.A hybrid content-based and item-based collaborative filtering approach to recommend TV programs enhanced with singular value decomposition[J].Information Sciences,2010,180(22):4290-4311.

    [13] ZhouX,HeJ,Huang G Y,et al.A personalized recommendation algorithm based on approximating the singular value decomposition (ApproSVD)[C]//2012 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology.December 4-7,2012,Macao,China.IEEE,2012:458-464.

    [15] 史艷翠,戴浩男,石和平,等.一種基于時(shí)間戳的新聞推薦模型[J].計(jì)算機(jī)應(yīng)用與軟件,2016,33(6):40-43.

    [16] HarperFM,KonstanJA.The MovieLensdatasets[J].ACM Transactions on Interactive Intelligent Systems,2016,5(4):1-19.

    [17] Herlocker J L,KonstanJ A,Terveen LG,et al.Evaluating collaborative filtering recommender systems[J].ACM Transactions on Information Systems,2004,22(1):5-53.

    [18] 劉晴晴,羅永龍,汪逸飛,等.基于SVD填充的混合推薦算法[J].計(jì)算機(jī)科學(xué),2019,46(S1):468-472.

    【通聯(lián)編輯:王力】

    网址你懂的国产日韩在线| 婷婷色综合大香蕉| 舔av片在线| 国产成人a∨麻豆精品| 狂野欧美白嫩少妇大欣赏| 精品久久久久久久久久久久久| 亚洲性久久影院| 一区二区三区高清视频在线| 纵有疾风起免费观看全集完整版 | 欧美激情在线99| 久久99热6这里只有精品| 联通29元200g的流量卡| 午夜福利高清视频| 精品人妻视频免费看| or卡值多少钱| 成人性生交大片免费视频hd| 亚洲人成网站高清观看| 伦理电影大哥的女人| av免费观看日本| 99九九线精品视频在线观看视频| 婷婷色av中文字幕| 亚洲最大成人中文| 黄片wwwwww| 在线观看美女被高潮喷水网站| 最近的中文字幕免费完整| 夜夜爽夜夜爽视频| 国产爱豆传媒在线观看| 亚洲精品国产成人久久av| 能在线免费观看的黄片| 国产淫语在线视频| 久久久午夜欧美精品| 国产精品日韩av在线免费观看| 好男人在线观看高清免费视频| 国产高清三级在线| 纵有疾风起免费观看全集完整版 | 久久久色成人| 超碰97精品在线观看| 国产一区有黄有色的免费视频 | 亚洲欧美成人综合另类久久久| 少妇丰满av| 91久久精品国产一区二区三区| 春色校园在线视频观看| 免费看av在线观看网站| 久久精品国产鲁丝片午夜精品| 日韩视频在线欧美| av在线亚洲专区| 成人亚洲欧美一区二区av| 亚洲第一区二区三区不卡| 午夜日本视频在线| 国内揄拍国产精品人妻在线| 高清av免费在线| 一夜夜www| 插阴视频在线观看视频| 国产精品嫩草影院av在线观看| 天堂俺去俺来也www色官网 | 大陆偷拍与自拍| 午夜福利网站1000一区二区三区| 日韩人妻高清精品专区| 五月伊人婷婷丁香| 日本av手机在线免费观看| 蜜桃亚洲精品一区二区三区| 免费无遮挡裸体视频| 26uuu在线亚洲综合色| 国精品久久久久久国模美| 亚洲av电影不卡..在线观看| 白带黄色成豆腐渣| 国产成人91sexporn| 丰满少妇做爰视频| 精品国内亚洲2022精品成人| 国产三级在线视频| 最近中文字幕高清免费大全6| 免费看日本二区| 天天一区二区日本电影三级| 精品国产三级普通话版| 老司机影院成人| 免费人成在线观看视频色| 男的添女的下面高潮视频| 国产精品三级大全| 女人被狂操c到高潮| 特级一级黄色大片| 菩萨蛮人人尽说江南好唐韦庄| 精品久久久久久久末码| 国产高清三级在线| 国产女主播在线喷水免费视频网站 | 大香蕉97超碰在线| 赤兔流量卡办理| 亚洲真实伦在线观看| 久久综合国产亚洲精品| 尤物成人国产欧美一区二区三区| 男的添女的下面高潮视频| 欧美另类一区| 18禁动态无遮挡网站| 大香蕉久久网| av又黄又爽大尺度在线免费看| 亚洲精品国产av成人精品| 国产v大片淫在线免费观看| 国产一区二区三区综合在线观看 | 91aial.com中文字幕在线观看| 日本免费a在线| 国产v大片淫在线免费观看| 国产精品.久久久| 亚洲美女视频黄频| 亚洲精品国产av成人精品| 亚洲三级黄色毛片| 国产三级在线视频| 少妇猛男粗大的猛烈进出视频 | 熟女电影av网| 狂野欧美激情性xxxx在线观看| 青春草国产在线视频| 欧美人与善性xxx| 久久国产乱子免费精品| 激情五月婷婷亚洲| 丰满少妇做爰视频| 欧美成人精品欧美一级黄| 日韩在线高清观看一区二区三区| 最近中文字幕2019免费版| 少妇被粗大猛烈的视频| av在线天堂中文字幕| 干丝袜人妻中文字幕| 免费无遮挡裸体视频| 一级毛片 在线播放| 在线 av 中文字幕| 亚洲精品一二三| av免费观看日本| 六月丁香七月| 成人午夜精彩视频在线观看| 男的添女的下面高潮视频| 欧美另类一区| 干丝袜人妻中文字幕| 看十八女毛片水多多多| 亚洲av福利一区| 国产美女午夜福利| 一个人看视频在线观看www免费| 黄片wwwwww| 美女cb高潮喷水在线观看| 久久精品国产亚洲av天美| 网址你懂的国产日韩在线| 亚洲最大成人中文| 97人妻精品一区二区三区麻豆| 男女视频在线观看网站免费| 欧美97在线视频| 日韩av不卡免费在线播放| 超碰av人人做人人爽久久| 亚洲久久久久久中文字幕| 亚洲经典国产精华液单| 日韩中字成人| 欧美一区二区亚洲| 免费黄色在线免费观看| 高清在线视频一区二区三区| 99久久九九国产精品国产免费| 亚洲欧美精品专区久久| www.色视频.com| av在线天堂中文字幕| 在现免费观看毛片| 熟妇人妻不卡中文字幕| 波多野结衣巨乳人妻| 夫妻性生交免费视频一级片| 亚洲欧美精品专区久久| 九色成人免费人妻av| 日韩欧美精品免费久久| 18禁动态无遮挡网站| 亚洲欧美成人精品一区二区| 国内精品美女久久久久久| 国产伦精品一区二区三区视频9| 成人漫画全彩无遮挡| 日韩亚洲欧美综合| 亚洲av成人精品一区久久| freevideosex欧美| 午夜免费激情av| 成年女人在线观看亚洲视频 | 国产成人精品久久久久久| a级毛片免费高清观看在线播放| 久热久热在线精品观看| 成人毛片a级毛片在线播放| av在线天堂中文字幕| 日本三级黄在线观看| 国产高潮美女av| 国产综合精华液| 精品亚洲乱码少妇综合久久| 国产av在哪里看| 亚洲精品影视一区二区三区av| 夜夜爽夜夜爽视频| 两个人的视频大全免费| 激情 狠狠 欧美| 亚洲人成网站在线播| 插逼视频在线观看| 免费电影在线观看免费观看| 久久精品久久久久久久性| av天堂中文字幕网| 欧美性感艳星| 国产 一区 欧美 日韩| 男女啪啪激烈高潮av片| 国模一区二区三区四区视频| 内射极品少妇av片p| 一级毛片 在线播放| 麻豆乱淫一区二区| 日本黄大片高清| 欧美日韩视频高清一区二区三区二| 亚洲av在线观看美女高潮| 国内少妇人妻偷人精品xxx网站| 国产黄片视频在线免费观看| 国产在线男女| 九九久久精品国产亚洲av麻豆| 久久久久精品性色| 99视频精品全部免费 在线| 久久久精品94久久精品| 久久久久久久亚洲中文字幕| 又大又黄又爽视频免费| 国产精品一二三区在线看| 欧美最新免费一区二区三区| 综合色丁香网| 国产精品麻豆人妻色哟哟久久 | 久久久久久久久久久丰满| 在线观看av片永久免费下载| 亚洲综合精品二区| 欧美+日韩+精品| 亚洲精品乱久久久久久| 成人二区视频| 国产免费福利视频在线观看| 久久精品综合一区二区三区| 一级黄片播放器| 色5月婷婷丁香| 久久精品国产自在天天线| 搡老妇女老女人老熟妇| 亚洲精品456在线播放app| 伦精品一区二区三区| 国产一区二区三区av在线| 视频中文字幕在线观看| 成人鲁丝片一二三区免费| 国产精品99久久久久久久久| 亚洲精品久久久久久婷婷小说| 啦啦啦中文免费视频观看日本| 亚洲精品成人av观看孕妇| 精品少妇黑人巨大在线播放| 少妇人妻一区二区三区视频| 久久97久久精品| 中文在线观看免费www的网站| 亚洲第一区二区三区不卡| 国产一区二区亚洲精品在线观看| 欧美xxxx性猛交bbbb| 91精品一卡2卡3卡4卡| 少妇人妻一区二区三区视频| 在线观看免费高清a一片| 国产亚洲一区二区精品| 久久这里有精品视频免费| 亚洲av国产av综合av卡| 精品午夜福利在线看| 最近手机中文字幕大全| 可以在线观看毛片的网站| 午夜福利在线在线| 欧美日韩视频高清一区二区三区二| 久久草成人影院| 黄色一级大片看看| 日韩不卡一区二区三区视频在线| 成人午夜高清在线视频| 国产在线一区二区三区精| h日本视频在线播放| 我的女老师完整版在线观看| 亚洲综合精品二区| av在线老鸭窝| 在线a可以看的网站| 国产一区二区在线观看日韩| 国产黄片视频在线免费观看| 99久国产av精品| 黄色配什么色好看| 国产 一区精品| 91在线精品国自产拍蜜月| 中文字幕制服av| 看免费成人av毛片| 少妇丰满av| 一个人观看的视频www高清免费观看| 嘟嘟电影网在线观看| 少妇熟女aⅴ在线视频| 国产高潮美女av| 精品久久久久久电影网| 国产在视频线精品| 日韩欧美一区视频在线观看 | 纵有疾风起免费观看全集完整版 | 美女被艹到高潮喷水动态| 国产精品福利在线免费观看| 午夜爱爱视频在线播放| av在线蜜桃| 国模一区二区三区四区视频| 一个人看的www免费观看视频| 深爱激情五月婷婷| 亚洲人成网站在线观看播放| 夫妻午夜视频| 联通29元200g的流量卡| 亚洲国产欧美在线一区| 一级爰片在线观看| 日韩大片免费观看网站| 天堂影院成人在线观看| 美女大奶头视频| 禁无遮挡网站| 国产黄片美女视频| 少妇猛男粗大的猛烈进出视频 | 哪个播放器可以免费观看大片| 成人性生交大片免费视频hd| 亚洲精品aⅴ在线观看| 午夜福利在线观看吧| 内射极品少妇av片p| 狂野欧美激情性xxxx在线观看| 欧美97在线视频| 国产成人免费观看mmmm| 精品久久久久久成人av| 3wmmmm亚洲av在线观看| 人妻系列 视频| 美女脱内裤让男人舔精品视频| 观看美女的网站| 久久久精品免费免费高清| 日本wwww免费看| 一级黄片播放器| 成人亚洲欧美一区二区av| 成人午夜高清在线视频| 岛国毛片在线播放| 国产高清有码在线观看视频| 亚洲在久久综合| 最近视频中文字幕2019在线8| 一级毛片aaaaaa免费看小| 亚洲av免费在线观看| 别揉我奶头 嗯啊视频| 3wmmmm亚洲av在线观看| 午夜精品国产一区二区电影 | 高清日韩中文字幕在线| 国产大屁股一区二区在线视频| 亚洲av成人精品一二三区| 晚上一个人看的免费电影| 国产午夜精品久久久久久一区二区三区| 97精品久久久久久久久久精品| 午夜福利网站1000一区二区三区| 国产精品久久久久久精品电影小说 | 成年av动漫网址| 精品人妻视频免费看| 日韩一区二区三区影片| 久久99蜜桃精品久久| 麻豆乱淫一区二区| 2022亚洲国产成人精品| 麻豆精品久久久久久蜜桃| 国产乱人视频| 秋霞在线观看毛片| 日本与韩国留学比较| 亚洲精品成人av观看孕妇| 在线观看av片永久免费下载| 亚洲精品第二区| 日韩人妻高清精品专区| 亚洲精品第二区| 久久久亚洲精品成人影院| 好男人在线观看高清免费视频| 欧美日韩一区二区视频在线观看视频在线 | 男女国产视频网站| 97超碰精品成人国产| 亚洲精品国产成人久久av| 成人午夜精彩视频在线观看| or卡值多少钱| 麻豆成人av视频| 偷拍熟女少妇极品色| 欧美日本视频| 国产综合精华液| 人妻一区二区av| 乱人视频在线观看| 人妻一区二区av| 免费看美女性在线毛片视频| 国产一区二区三区综合在线观看 | 亚洲欧洲日产国产| 人人妻人人看人人澡| 激情五月婷婷亚洲| av在线亚洲专区| 深爱激情五月婷婷| 看免费成人av毛片| 18禁在线无遮挡免费观看视频| 色综合色国产| 丰满少妇做爰视频| 欧美xxⅹ黑人| 国产成人aa在线观看| 久久久久久九九精品二区国产| 成人性生交大片免费视频hd| 男人舔奶头视频| 一级黄片播放器| 国产av在哪里看| 天堂俺去俺来也www色官网 | 久久精品国产亚洲网站| 国产精品福利在线免费观看| 特大巨黑吊av在线直播| 99久久精品热视频| 亚洲av成人精品一区久久| 亚洲18禁久久av| 中文字幕久久专区| or卡值多少钱| 久久久久久久久久成人| 欧美激情在线99| 成年版毛片免费区| 精品久久久久久久末码| 日本-黄色视频高清免费观看| 99久国产av精品国产电影| 亚洲av日韩在线播放| 中文乱码字字幕精品一区二区三区 | 性插视频无遮挡在线免费观看| 国产精品一区二区在线观看99 | 九草在线视频观看| 美女内射精品一级片tv| 亚洲电影在线观看av| 99久久精品国产国产毛片| 国内精品美女久久久久久| 简卡轻食公司| 日本与韩国留学比较| 一级av片app| 日韩伦理黄色片| 直男gayav资源| 日韩大片免费观看网站| 亚洲丝袜综合中文字幕| 18禁在线播放成人免费| 国产精品一区二区三区四区免费观看| 国产精品久久久久久av不卡| 天堂中文最新版在线下载 | 一级av片app| 26uuu在线亚洲综合色| 色尼玛亚洲综合影院| 免费电影在线观看免费观看| 成人欧美大片| 偷拍熟女少妇极品色| 成人高潮视频无遮挡免费网站| av卡一久久| 你懂的网址亚洲精品在线观看| 在现免费观看毛片| 亚洲精品亚洲一区二区| 免费看日本二区| 精品国产三级普通话版| 一级爰片在线观看| 国产精品爽爽va在线观看网站| 亚洲,欧美,日韩| 国精品久久久久久国模美| 三级男女做爰猛烈吃奶摸视频| 亚洲va在线va天堂va国产| 大话2 男鬼变身卡| 国产乱来视频区| 亚洲精品成人久久久久久| 日本三级黄在线观看| 爱豆传媒免费全集在线观看| 国产午夜精品一二区理论片| 国产黄片视频在线免费观看| 人体艺术视频欧美日本| 简卡轻食公司| 精品人妻视频免费看| 亚洲不卡免费看| 国产精品国产三级国产av玫瑰| 久久精品熟女亚洲av麻豆精品 | 中文字幕久久专区| 18禁在线播放成人免费| h日本视频在线播放| 国产亚洲精品久久久com| 在线观看av片永久免费下载| 国产一级毛片在线| 国产成人免费观看mmmm| 可以在线观看毛片的网站| 欧美性猛交╳xxx乱大交人| 久久久久免费精品人妻一区二区| 午夜福利视频精品| 成人毛片60女人毛片免费| 男人舔奶头视频| 干丝袜人妻中文字幕| 热99在线观看视频| 18禁裸乳无遮挡免费网站照片| 日本免费在线观看一区| 亚洲精品成人av观看孕妇| 婷婷色综合大香蕉| 在线观看人妻少妇| 狂野欧美激情性xxxx在线观看| 成人高潮视频无遮挡免费网站| 性色avwww在线观看| 成人毛片a级毛片在线播放| 国产亚洲一区二区精品| 精品一区二区免费观看| 日韩欧美一区视频在线观看 | 欧美三级亚洲精品| 国产中年淑女户外野战色| 国产一区二区在线观看日韩| 国产日韩欧美在线精品| 欧美一区二区亚洲| 99视频精品全部免费 在线| 熟女人妻精品中文字幕| 3wmmmm亚洲av在线观看| 国产日韩欧美在线精品| 一级毛片久久久久久久久女| 大陆偷拍与自拍| 精品人妻熟女av久视频| 精品久久久久久久久亚洲| 国产大屁股一区二区在线视频| 久久久精品94久久精品| 白带黄色成豆腐渣| 亚洲欧美中文字幕日韩二区| 日韩中字成人| 成人综合一区亚洲| 搡老妇女老女人老熟妇| 午夜福利在线观看免费完整高清在| 韩国av在线不卡| 热99在线观看视频| av专区在线播放| 91在线精品国自产拍蜜月| 亚洲电影在线观看av| 麻豆乱淫一区二区| 国产成人91sexporn| 午夜视频国产福利| 性插视频无遮挡在线免费观看| 日韩欧美 国产精品| 91精品国产九色| 亚洲av免费在线观看| 久久久久免费精品人妻一区二区| 丰满少妇做爰视频| 国产av在哪里看| 久久精品国产鲁丝片午夜精品| 亚洲国产欧美人成| 黄色一级大片看看| 午夜爱爱视频在线播放| 久久精品久久久久久噜噜老黄| 国产免费又黄又爽又色| 国产黄色小视频在线观看| 亚洲国产高清在线一区二区三| 青春草国产在线视频| 亚洲av男天堂| 日日摸夜夜添夜夜添av毛片| 久久久久九九精品影院| 只有这里有精品99| 国产亚洲av片在线观看秒播厂 | 久久精品熟女亚洲av麻豆精品 | 久久亚洲国产成人精品v| 免费观看性生交大片5| 老司机影院毛片| 男插女下体视频免费在线播放| 亚洲精品久久久久久婷婷小说| 久久久久久久久久久丰满| 男女国产视频网站| 国产高清不卡午夜福利| 麻豆乱淫一区二区| 我的女老师完整版在线观看| 亚洲性久久影院| 禁无遮挡网站| 久久国产乱子免费精品| 日韩视频在线欧美| 69av精品久久久久久| ponron亚洲| 蜜桃久久精品国产亚洲av| 国产av不卡久久| 黄色配什么色好看| 熟女人妻精品中文字幕| 国产伦精品一区二区三区视频9| 少妇的逼水好多| 国产精品久久久久久av不卡| 男人舔奶头视频| 日日啪夜夜爽| 18禁在线播放成人免费| 天堂中文最新版在线下载 | 99热这里只有是精品50| 久久99热这里只频精品6学生| 国产免费一级a男人的天堂| 中文字幕亚洲精品专区| 欧美另类一区| 成人亚洲欧美一区二区av| a级毛色黄片| 国产精品国产三级国产av玫瑰| 久久久久久久久久成人| 精品一区二区三区视频在线| 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| 日韩欧美精品免费久久| 亚洲自拍偷在线| 亚洲在线观看片| 久久6这里有精品| 日韩av不卡免费在线播放| 日日啪夜夜爽| 在线观看美女被高潮喷水网站| 大话2 男鬼变身卡| 精品99又大又爽又粗少妇毛片| 精品一区在线观看国产| 精品国产露脸久久av麻豆 | 亚洲精品自拍成人| videos熟女内射| 国产精品女同一区二区软件| 天堂中文最新版在线下载 | 亚洲三级黄色毛片| 卡戴珊不雅视频在线播放| 国产女主播在线喷水免费视频网站 | 日日啪夜夜撸| 又黄又爽又刺激的免费视频.| 啦啦啦中文免费视频观看日本| 久久热精品热| 天堂影院成人在线观看| 日韩成人av中文字幕在线观看| 一区二区三区高清视频在线| 99久久人妻综合| 中国国产av一级| 国内精品美女久久久久久| 蜜桃久久精品国产亚洲av| 舔av片在线| 身体一侧抽搐| av线在线观看网站| 超碰av人人做人人爽久久| 日韩欧美 国产精品| 久久精品国产鲁丝片午夜精品| 一级毛片久久久久久久久女| 欧美精品一区二区大全| 日日啪夜夜爽| 久久99热这里只频精品6学生| 中文字幕av成人在线电影| 中文字幕人妻熟人妻熟丝袜美| 免费大片18禁| 国产永久视频网站| 最近最新中文字幕大全电影3| 国产高清有码在线观看视频| 亚洲精品日韩在线中文字幕| 国产色爽女视频免费观看| 一二三四中文在线观看免费高清| av在线观看视频网站免费| 国产探花在线观看一区二区| 国模一区二区三区四区视频| av免费观看日本|