• <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)問題,提出了基于專家用戶協(xié)同過濾和奇異值分解(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)信息量不斷增長以及大數(shù)據(jù)時(shí)代的到來,這對(duì)每個(gè)人的生活都帶來了影響,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)在處理信息過載[1]的問題時(shí)會(huì)有較好的效果。推薦系統(tǒng)通過大數(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)得到的鄰居集合來計(jì)算出各自評(píng)分來推測該用戶可能會(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也存在一些問題。舉個(gè)例子,如果有1萬個(gè)用戶和1000萬條物品的評(píng)分矩陣,我們簡單估計(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。而通過提取專家用戶評(píng)分矩陣可以有效緩解這一問題,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)同過濾推薦算法

    普通的協(xié)同過濾推薦算法普遍采用了KNN算法[10]預(yù)測用戶評(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)測出用戶對(duì)物品的評(píng)價(jià)。再依據(jù)預(yù)測的評(píng)價(jià)得分高低排列出推薦列表。協(xié)同過濾算法可被分為基于用戶的協(xié)同過濾算法(UCF)和基于物品的協(xié)同過濾算法(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),無論他本人是否關(guān)注這類物品,如此一來能有效緩解新物品的冷啟動(dòng)問題;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,大家更樂意聽取權(quán)威的專家推薦。國內(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)過或者購買過的物品有著較高的權(quán)重,很久以前評(píng)價(jià)過或者購買過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)來設(shè)計(jì)遺忘函數(shù),用來表示時(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)同過濾的層疊式過濾推薦算法及模型

    在實(shí)際進(jìn)行推薦的過程中,現(xiàn)實(shí)世界噪聲用戶多且傳統(tǒng)協(xié)同過濾算法會(huì)遇到數(shù)據(jù)稀疏以及冷啟動(dòng)等問題,這些問題都會(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)測評(píng)分P′。如此一來利用SVD技術(shù)解決了由傳統(tǒng)協(xié)同過濾算法的數(shù)據(jù)稀疏性問題帶來的預(yù)測效率低問題,專家用戶有效緩解冷啟動(dòng)等問題,減少了噪聲用戶。同時(shí)也彌補(bǔ)了SVD矩陣分解帶來的解釋性不強(qiáng)等問題,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)

    通過對(duì)比算法的預(yù)測評(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)測評(píng)分與實(shí)際評(píng)分的差值大小。如果預(yù)測評(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的值過大或過小都會(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,但最終下降趨勢平緩下來,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,總體來說算法性能都沒有超過本文算法。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),上漲趨勢明顯變緩,最終沒能超過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)世界中噪聲用戶過多,傳統(tǒng)過濾算法會(huì)受到數(shù)據(jù)稀疏、冷啟動(dòng)等問題的影響,提出了一種基于SVD模型和專家用戶的層疊過濾推薦算法,該算法通過設(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題。

    參考文獻(xiàn):

    [1] 藺豐奇,劉益.信息過載問題研究述評(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,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】

    亚洲五月色婷婷综合| 国产探花极品一区二区| 九草在线视频观看| 毛片一级片免费看久久久久| 中文精品一卡2卡3卡4更新| av国产精品久久久久影院| 最近手机中文字幕大全| 伊人久久国产一区二区| 天天添夜夜摸| 国产 一区精品| 精品一区在线观看国产| 精品少妇一区二区三区视频日本电影 | 中文乱码字字幕精品一区二区三区| 国产精品久久久久久久久免| 国产在线视频一区二区| 亚洲美女黄色视频免费看| 国产精品 欧美亚洲| 国产免费一区二区三区四区乱码| 黑人巨大精品欧美一区二区蜜桃| 久久久国产精品麻豆| 免费高清在线观看视频在线观看| 成人18禁高潮啪啪吃奶动态图| 在线 av 中文字幕| 日韩 欧美 亚洲 中文字幕| 久久女婷五月综合色啪小说| 精品一区二区免费观看| 99久久99久久久精品蜜桃| 在线观看www视频免费| 国产精品麻豆人妻色哟哟久久| 日韩欧美一区视频在线观看| 久久婷婷青草| 男女之事视频高清在线观看 | 国产精品人妻久久久影院| 色播在线永久视频| 新久久久久国产一级毛片| 日本黄色日本黄色录像| 男女边摸边吃奶| 免费人妻精品一区二区三区视频| 黑人猛操日本美女一级片| 国产视频首页在线观看| 亚洲三区欧美一区| 精品人妻熟女毛片av久久网站| 日韩大码丰满熟妇| 亚洲情色 制服丝袜| 最近的中文字幕免费完整| 久久狼人影院| 男女边摸边吃奶| 国产成人啪精品午夜网站| 欧美人与性动交α欧美软件| 日韩 欧美 亚洲 中文字幕| 国产免费福利视频在线观看| 国产精品欧美亚洲77777| a级毛片黄视频| 午夜影院在线不卡| 久久免费观看电影| 黑人欧美特级aaaaaa片| 飞空精品影院首页| 老司机影院毛片| 日韩制服骚丝袜av| 亚洲欧美清纯卡通| h视频一区二区三区| 永久免费av网站大全| 成人三级做爰电影| 亚洲熟女毛片儿| 热99久久久久精品小说推荐| 日本色播在线视频| 丰满少妇做爰视频| 青春草视频在线免费观看| 香蕉丝袜av| 亚洲精品乱久久久久久| 丝袜脚勾引网站| 一区福利在线观看| 青草久久国产| 美女福利国产在线| 国产精品久久久av美女十八| 麻豆av在线久日| 免费av中文字幕在线| 狂野欧美激情性bbbbbb| 99re6热这里在线精品视频| 国产一区二区三区av在线| 黄片播放在线免费| 国产深夜福利视频在线观看| 满18在线观看网站| 久久影院123| 亚洲熟女毛片儿| 国产成人一区二区在线| 精品国产一区二区久久| 不卡av一区二区三区| 日韩视频在线欧美| 欧美日韩成人在线一区二区| 91精品国产国语对白视频| 天天躁夜夜躁狠狠躁躁| 男女免费视频国产| 成人18禁高潮啪啪吃奶动态图| 久久久久久免费高清国产稀缺| 亚洲久久久国产精品| 国产熟女午夜一区二区三区| 女人爽到高潮嗷嗷叫在线视频| 国产亚洲精品第一综合不卡| 老鸭窝网址在线观看| 国产精品 欧美亚洲| 少妇 在线观看| 成人午夜精彩视频在线观看| 男人操女人黄网站| 午夜91福利影院| 午夜福利视频在线观看免费| 日韩av不卡免费在线播放| 欧美精品av麻豆av| 亚洲美女搞黄在线观看| 天堂中文最新版在线下载| 又粗又硬又长又爽又黄的视频| 欧美日韩av久久| 国产不卡av网站在线观看| 国产成人精品久久久久久| 自拍欧美九色日韩亚洲蝌蚪91| a级毛片黄视频| 国产精品国产av在线观看| 超色免费av| 亚洲精品久久午夜乱码| 国产成人系列免费观看| 国产黄频视频在线观看| 国产av国产精品国产| 伊人久久国产一区二区| 男女边摸边吃奶| 国产一区二区 视频在线| 建设人人有责人人尽责人人享有的| 人人妻人人爽人人添夜夜欢视频| 日日撸夜夜添| 一级黄片播放器| 人人妻人人爽人人添夜夜欢视频| 最近最新中文字幕免费大全7| 国产精品嫩草影院av在线观看| 亚洲精品久久成人aⅴ小说| 日韩大码丰满熟妇| 精品久久久精品久久久| 免费看不卡的av| 日本午夜av视频| 嫩草影院入口| 国产午夜精品一二区理论片| 少妇被粗大猛烈的视频| 亚洲国产精品成人久久小说| 成年人免费黄色播放视频| 久久这里只有精品19| 国产精品嫩草影院av在线观看| 午夜免费男女啪啪视频观看| 日韩制服骚丝袜av| 久久人人爽人人片av| 亚洲精品美女久久av网站| 亚洲国产av新网站| 97精品久久久久久久久久精品| 中文字幕人妻丝袜一区二区 | 精品国产一区二区三区四区第35| 国产一区二区三区av在线| 亚洲国产欧美网| 午夜影院在线不卡| 亚洲美女黄色视频免费看| 丝袜美足系列| 精品人妻在线不人妻| 久久性视频一级片| 超碰成人久久| 亚洲精品美女久久av网站| 女人精品久久久久毛片| 国产亚洲一区二区精品| 中文字幕另类日韩欧美亚洲嫩草| 9色porny在线观看| av在线app专区| 精品福利永久在线观看| xxxhd国产人妻xxx| 国产淫语在线视频| 亚洲天堂av无毛| 人妻人人澡人人爽人人| 国产成人一区二区在线| 自拍欧美九色日韩亚洲蝌蚪91| 黄网站色视频无遮挡免费观看| 女性生殖器流出的白浆| 精品一区在线观看国产| 久久久国产欧美日韩av| 午夜av观看不卡| 国产免费一区二区三区四区乱码| 久久av网站| 亚洲美女视频黄频| 日韩一区二区三区影片| 肉色欧美久久久久久久蜜桃| 成人三级做爰电影| 我要看黄色一级片免费的| 伊人久久大香线蕉亚洲五| 色94色欧美一区二区| 熟女少妇亚洲综合色aaa.| 性色av一级| 夫妻性生交免费视频一级片| 久久热在线av| 午夜福利视频在线观看免费| av福利片在线| 麻豆乱淫一区二区| 免费高清在线观看日韩| 综合色丁香网| 午夜影院在线不卡| 日韩不卡一区二区三区视频在线| 黄网站色视频无遮挡免费观看| 国产男女超爽视频在线观看| 两个人看的免费小视频| 国产免费又黄又爽又色| 亚洲美女视频黄频| 性色av一级| 中文字幕人妻丝袜制服| 国精品久久久久久国模美| 国产日韩欧美在线精品| 国产极品粉嫩免费观看在线| 韩国av在线不卡| 午夜福利在线免费观看网站| 久久人人爽av亚洲精品天堂| 日韩精品免费视频一区二区三区| 精品一区二区免费观看| 热re99久久精品国产66热6| 欧美日韩亚洲综合一区二区三区_| 中文字幕最新亚洲高清| 美女午夜性视频免费| 一区在线观看完整版| 欧美 亚洲 国产 日韩一| 久久久精品免费免费高清| 看非洲黑人一级黄片| 我要看黄色一级片免费的| 蜜桃在线观看..| 精品久久久久久电影网| 九色亚洲精品在线播放| 精品国产露脸久久av麻豆| 丰满迷人的少妇在线观看| 亚洲少妇的诱惑av| 看非洲黑人一级黄片| 黄色视频在线播放观看不卡| 成人免费观看视频高清| 久久综合国产亚洲精品| 久久婷婷青草| 爱豆传媒免费全集在线观看| 自线自在国产av| 婷婷色麻豆天堂久久| 日韩欧美精品免费久久| 国产在线免费精品| 91老司机精品| kizo精华| av网站在线播放免费| 三上悠亚av全集在线观看| 男女下面插进去视频免费观看| 国精品久久久久久国模美| 一区二区日韩欧美中文字幕| 久久久久国产一级毛片高清牌| 黄色 视频免费看| 人成视频在线观看免费观看| 一本大道久久a久久精品| 国产精品二区激情视频| 夫妻午夜视频| 午夜影院在线不卡| 国产极品粉嫩免费观看在线| 婷婷色av中文字幕| 麻豆av在线久日| av电影中文网址| 99re6热这里在线精品视频| 欧美日韩亚洲国产一区二区在线观看 | 伊人久久国产一区二区| 最黄视频免费看| 国产精品免费视频内射| 永久免费av网站大全| 精品卡一卡二卡四卡免费| 国产一卡二卡三卡精品 | av线在线观看网站| 少妇被粗大猛烈的视频| 国产成人欧美| 麻豆av在线久日| 亚洲综合精品二区| 夫妻性生交免费视频一级片| 黄色毛片三级朝国网站| 在线精品无人区一区二区三| 久久久久人妻精品一区果冻| 两个人免费观看高清视频| 桃花免费在线播放| 久久久久久人妻| 大香蕉久久成人网| 欧美成人午夜精品| 日韩av在线免费看完整版不卡| 午夜福利影视在线免费观看| 国产精品一区二区在线观看99| √禁漫天堂资源中文www| 无遮挡黄片免费观看| 视频在线观看一区二区三区| 啦啦啦视频在线资源免费观看| 日韩电影二区| 久久久久精品久久久久真实原创| 在现免费观看毛片| 成人亚洲精品一区在线观看| av在线播放精品| 国产又色又爽无遮挡免| 欧美另类一区| 成人午夜精彩视频在线观看| 欧美中文综合在线视频| 国产精品香港三级国产av潘金莲 | 一本久久精品| 午夜福利在线免费观看网站| 国产成人a∨麻豆精品| 欧美黄色片欧美黄色片| 夫妻午夜视频| 精品人妻在线不人妻| 中文字幕色久视频| 一个人免费看片子| 亚洲免费av在线视频| 纯流量卡能插随身wifi吗| 十八禁人妻一区二区| 欧美日韩精品网址| 午夜福利网站1000一区二区三区| 老司机亚洲免费影院| 久久国产精品大桥未久av| av国产精品久久久久影院| 尾随美女入室| 国产精品一区二区在线不卡| 国产一卡二卡三卡精品 | 亚洲国产毛片av蜜桃av| 各种免费的搞黄视频| 黑人巨大精品欧美一区二区蜜桃| 午夜老司机福利片| 久久久久久人妻| 免费观看a级毛片全部| 狂野欧美激情性bbbbbb| 日韩av在线免费看完整版不卡| 亚洲一区中文字幕在线| 51午夜福利影视在线观看| 9191精品国产免费久久| 99精国产麻豆久久婷婷| 女人爽到高潮嗷嗷叫在线视频| 看十八女毛片水多多多| 高清不卡的av网站| 欧美激情极品国产一区二区三区| 久久青草综合色| 久久亚洲国产成人精品v| www.精华液| 日韩视频在线欧美| 美女扒开内裤让男人捅视频| 精品人妻在线不人妻| 一边亲一边摸免费视频| 国产淫语在线视频| √禁漫天堂资源中文www| 精品一区二区三卡| 国产精品三级大全| 另类亚洲欧美激情| 久久久久精品国产欧美久久久 | 午夜激情av网站| 国产福利在线免费观看视频| 久久久久精品性色| 日韩熟女老妇一区二区性免费视频| 亚洲精品国产一区二区精华液| 国产亚洲一区二区精品| 香蕉丝袜av| 天美传媒精品一区二区| 国产色婷婷99| 又粗又硬又长又爽又黄的视频| 在线观看一区二区三区激情| 色综合欧美亚洲国产小说| 91成人精品电影| 国产一区二区在线观看av| 999久久久国产精品视频| 国产欧美日韩综合在线一区二区| 国产深夜福利视频在线观看| 一级毛片 在线播放| 亚洲精品一区蜜桃| 国产国语露脸激情在线看| 亚洲国产成人一精品久久久| 亚洲欧美成人综合另类久久久| 中文字幕亚洲精品专区| 人人妻人人澡人人看| 狠狠精品人妻久久久久久综合| 哪个播放器可以免费观看大片| 久久精品久久久久久久性| 亚洲人成电影观看| 亚洲精品在线美女| 欧美日韩福利视频一区二区| 自线自在国产av| 精品国产一区二区久久| 日本91视频免费播放| 99热网站在线观看| 国产成人系列免费观看| 国产成人啪精品午夜网站| 日韩欧美一区视频在线观看| 中国国产av一级| 久久久欧美国产精品| 伦理电影免费视频| 欧美黑人欧美精品刺激| 国产1区2区3区精品| 成人亚洲精品一区在线观看| 最近手机中文字幕大全| 天天操日日干夜夜撸| 国产老妇伦熟女老妇高清| 交换朋友夫妻互换小说| 久热爱精品视频在线9| 亚洲精品久久久久久婷婷小说| 亚洲欧美日韩另类电影网站| 国产精品偷伦视频观看了| 免费看av在线观看网站| av福利片在线| 国产亚洲精品第一综合不卡| 欧美日韩亚洲国产一区二区在线观看 | 亚洲国产精品国产精品| 中国三级夫妇交换| avwww免费| 免费av中文字幕在线| 免费看不卡的av| 久久热在线av| 国产一区二区激情短视频 | 日韩成人av中文字幕在线观看| 久久鲁丝午夜福利片| 国产成人a∨麻豆精品| 久久国产精品大桥未久av| 亚洲综合精品二区| 久久久久久久久久久久大奶| 性色av一级| 美女主播在线视频| 97在线人人人人妻| 熟女少妇亚洲综合色aaa.| 成人午夜精彩视频在线观看| 欧美日韩视频高清一区二区三区二| 久久精品国产亚洲av涩爱| 一二三四中文在线观看免费高清| 一级毛片黄色毛片免费观看视频| 久久久久精品性色| 久久99精品国语久久久| 三上悠亚av全集在线观看| 性少妇av在线| 国产色婷婷99| 亚洲av电影在线观看一区二区三区| 18禁国产床啪视频网站| 久久国产亚洲av麻豆专区| 久久女婷五月综合色啪小说| 老司机亚洲免费影院| 色精品久久人妻99蜜桃| 超碰97精品在线观看| 看非洲黑人一级黄片| 高清在线视频一区二区三区| 熟女少妇亚洲综合色aaa.| 国产又色又爽无遮挡免| 日日爽夜夜爽网站| 免费观看av网站的网址| 一级a爱视频在线免费观看| 在线观看免费日韩欧美大片| 天天躁夜夜躁狠狠躁躁| 精品午夜福利在线看| 午夜免费男女啪啪视频观看| 美国免费a级毛片| 欧美日韩一区二区视频在线观看视频在线| 国产老妇伦熟女老妇高清| 亚洲av中文av极速乱| 超碰97精品在线观看| 成人国产麻豆网| 欧美av亚洲av综合av国产av | 岛国毛片在线播放| 亚洲自偷自拍图片 自拍| 国产精品 国内视频| 建设人人有责人人尽责人人享有的| 中文字幕人妻熟女乱码| 亚洲精品一区蜜桃| 国产成人啪精品午夜网站| 亚洲欧美清纯卡通| 肉色欧美久久久久久久蜜桃| 最近的中文字幕免费完整| 成人黄色视频免费在线看| 久久精品国产a三级三级三级| xxx大片免费视频| 久久久欧美国产精品| 一区二区三区四区激情视频| 国产有黄有色有爽视频| 免费黄色在线免费观看| 99热国产这里只有精品6| 日本91视频免费播放| 欧美国产精品一级二级三级| 日本黄色日本黄色录像| 我要看黄色一级片免费的| 色精品久久人妻99蜜桃| 久久久久久久国产电影| 一本—道久久a久久精品蜜桃钙片| avwww免费| 我的亚洲天堂| 你懂的网址亚洲精品在线观看| 国产黄色视频一区二区在线观看| 99香蕉大伊视频| 亚洲成人免费av在线播放| www.精华液| 十八禁网站网址无遮挡| 美国免费a级毛片| 久久天躁狠狠躁夜夜2o2o | av有码第一页| 在线 av 中文字幕| 国产 一区精品| 午夜福利视频在线观看免费| 中国国产av一级| 人人妻人人澡人人爽人人夜夜| 老司机影院成人| 91国产中文字幕| 国产乱人偷精品视频| 夫妻午夜视频| 成人免费观看视频高清| 欧美日韩精品网址| 国产欧美日韩综合在线一区二区| 青春草视频在线免费观看| 欧美日韩视频高清一区二区三区二| 成人亚洲欧美一区二区av| 亚洲国产精品成人久久小说| 免费观看a级毛片全部| tube8黄色片| 丰满迷人的少妇在线观看| 国产男女超爽视频在线观看| 亚洲精品第二区| 免费在线观看黄色视频的| 男人添女人高潮全过程视频| 日本av手机在线免费观看| 狠狠婷婷综合久久久久久88av| 侵犯人妻中文字幕一二三四区| 中文字幕人妻熟女乱码| 国产淫语在线视频| 亚洲精品av麻豆狂野| 久久99一区二区三区| 免费看av在线观看网站| 狂野欧美激情性xxxx| 亚洲国产精品999| 天天躁日日躁夜夜躁夜夜| 色精品久久人妻99蜜桃| 乱人伦中国视频| 国产精品欧美亚洲77777| 五月开心婷婷网| a级毛片黄视频| 日本午夜av视频| 日韩视频在线欧美| 啦啦啦在线免费观看视频4| 男女免费视频国产| 女人被躁到高潮嗷嗷叫费观| 欧美日韩亚洲国产一区二区在线观看 | 一区二区日韩欧美中文字幕| 美女福利国产在线| 麻豆av在线久日| 国产在线一区二区三区精| 亚洲欧洲日产国产| 成人亚洲精品一区在线观看| 一二三四在线观看免费中文在| 视频区图区小说| 人妻 亚洲 视频| 久久 成人 亚洲| 男的添女的下面高潮视频| 久久久久久久大尺度免费视频| 大码成人一级视频| 国产欧美亚洲国产| 欧美日韩精品网址| 国产麻豆69| 1024香蕉在线观看| 夜夜骑夜夜射夜夜干| 成人手机av| tube8黄色片| 久久99热这里只频精品6学生| 男女之事视频高清在线观看 | 无遮挡黄片免费观看| 青青草视频在线视频观看| 制服丝袜香蕉在线| 国产成人欧美| 欧美中文综合在线视频| 亚洲人成77777在线视频| 韩国av在线不卡| 国产精品亚洲av一区麻豆 | 99久国产av精品国产电影| 亚洲色图 男人天堂 中文字幕| 美女午夜性视频免费| 一二三四中文在线观看免费高清| 亚洲激情五月婷婷啪啪| 国产乱人偷精品视频| 久久综合国产亚洲精品| 男女免费视频国产| 国产爽快片一区二区三区| 美女扒开内裤让男人捅视频| 久久女婷五月综合色啪小说| 青春草国产在线视频| 成年女人毛片免费观看观看9 | 高清黄色对白视频在线免费看| 亚洲国产成人一精品久久久| 激情五月婷婷亚洲| 精品国产一区二区三区久久久樱花| 妹子高潮喷水视频| 国产精品免费大片| 亚洲av电影在线进入| 激情视频va一区二区三区| av又黄又爽大尺度在线免费看| 久久鲁丝午夜福利片| 一二三四在线观看免费中文在| 女人精品久久久久毛片| 老汉色av国产亚洲站长工具| 9热在线视频观看99| 性少妇av在线| 十八禁网站网址无遮挡| 国产黄色视频一区二区在线观看| 女人精品久久久久毛片| 日韩,欧美,国产一区二区三区| 欧美日韩av久久| 七月丁香在线播放| 91精品三级在线观看| 水蜜桃什么品种好| 成人国产av品久久久| 在线观看国产h片| 欧美日韩一区二区视频在线观看视频在线| 飞空精品影院首页| 久久久久精品国产欧美久久久 | 一区福利在线观看| 欧美日韩国产mv在线观看视频| 日本av免费视频播放| 一区福利在线观看| 午夜福利影视在线免费观看| 99香蕉大伊视频| 国产一卡二卡三卡精品 | 99国产综合亚洲精品| 国产一级毛片在线| av一本久久久久| 51午夜福利影视在线观看| 国产深夜福利视频在线观看| 综合色丁香网|