• <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 ?

    面向時鐘領域的BERT-LCRF命名實體識別方法

    2022-09-21 05:38:10唐煥玲趙紅磊竇全勝魯明羽
    計算機工程與應用 2022年18期
    關鍵詞:模型

    唐煥玲,王 慧,隗 昊,趙紅磊,竇全勝,魯明羽

    1.山東工商學院 計算機科學與技術學院,山東 煙臺264005

    2.山東工商學院 信息與電子工程學院,山東 煙臺264005

    3.山東省高等學校協(xié)同創(chuàng)新中心:未來智能計算,山東 煙臺264005

    4.山東省高校智能信息處理重點實驗室(山東工商學院),山東 煙臺264005

    5.大連海事大學 信息科學技術學院,遼寧 大連116026

    知識圖譜(knowledge graph,KG)是一種用圖模型來描述知識和建模世間萬物之間關聯(lián)關系的技術方法,可分為通用知識圖譜和領域知識圖譜兩種。通用知識圖譜主要應用于語義搜索、推薦系統(tǒng)、智能問答等業(yè)務場景,并發(fā)揮著越來越重要的作用。而領域知識圖譜是基于行業(yè)數(shù)據(jù)構建,由于知識來源多、知識結構復雜、知識質量要求更高等特點,在解決行業(yè)痛點時,存在對知識圖譜利用不明晰、知識圖譜技術與行業(yè)難融合等問題。如面向時鐘領域,用戶越來越復雜,用戶無法將自己的需求用專業(yè)術語表達,進而導致需求頻繁更改、項目延期。同時,傳統(tǒng)售后服務不能快速識別、理解和解決用戶的售后問題。因此,迫切需要面向時鐘領域構建垂直知識圖譜,輔助語言理解和數(shù)據(jù)分析。而命名實體識別是時鐘領域知識圖譜構建過程中的基礎和關鍵環(huán)節(jié),其目標是從海量的文本中識別出具有特定意義的實體。

    主流的命名實體識別方法是基于深度學習的方法,通常是將實體識別任務轉化為序列標注任務。而目前沒有針對時鐘領域命名實體識別的研究,由于時鐘領域的標簽數(shù)據(jù)匱乏,現(xiàn)有的方法直接應用于時鐘領域,存在實體識別精度不高的問題。

    本文針對時鐘領域實體識別中的問題,提出一種新的命名實體識別模型BERT-LCRF,該模型利用預訓練語言模型BERT能夠提取時鐘領域的文本特征,利用線性鏈條件隨機場(Linear-CRF)進一步提高實體識別的精度。在時鐘行業(yè)數(shù)據(jù)集上的實驗結果表明,該模型在各項指標上顯著優(yōu)于其他命名實體識別方法。BERTLCRF 命名實體識別方法,能夠更好地獲取句子間的語義關系,并且能夠提高序列標注任務的精度,對構建時鐘領域知識圖譜有著積極的促進作用。

    1 相關工作

    命名實體識別發(fā)展至今,主要有基于規(guī)則和詞典的方法、基于統(tǒng)計的方法和基于深度學習的方法,其中基于深度學習的方法可以自動學習適合領域的特征,獲取多層次的表達,因此在命名實體識別方向有著廣泛的使用。

    1.1 基于規(guī)則和字典的方法

    基于規(guī)則和字典的方法主要是采用模式字符串匹配的實現(xiàn)方式,使用人手工構造的特征模版。該方法的不足之處在于模型的可移植性差,單一語料訓練好的特征模板不適用于任意語料;其次,構建模板時花費的時間成本較大,它依賴語言學專家書寫規(guī)則,或者需要收集整理相關詞典等資源。因此,該方法存在系統(tǒng)可移植性不好,代價大,系統(tǒng)建設周期長等問題。

    1.2 基于統(tǒng)計的方法

    基于統(tǒng)計的方法依賴于特征選擇,對實體識別結果有影響的各種特征需要從文本中選取,用統(tǒng)計的模型對選出的特征進行訓練,從而得到各模型的參數(shù),進而對實體進行識別。有學者采用基于詞匯資源、模板的統(tǒng)計信息等進行上下文聚類的方式[1-3];也有學者使用少量標注的種子數(shù)據(jù)作為開始,再去無監(jiān)督語料中進行訓練,迭代后發(fā)現(xiàn)符合規(guī)則的實體[4-7]?;诮y(tǒng)計的方法主要是在標注訓練數(shù)據(jù)集上,利用模型來抽取數(shù)據(jù)集中的特征,對訓練數(shù)據(jù)集以外的數(shù)據(jù)進行實體抽取。常用的識別模型有馬爾可夫模型(hidden Markov model,HMM)[8]、支持向量機(support vector machine,SVM)[9]、條件隨機場(CRF)[10]等。有監(jiān)督學習雖然有優(yōu)勢并且能夠有效處理海量的數(shù)據(jù),但是其不足之處在于,第一,模型的訓練需要大量的人工標注語料、代價高;第二,有監(jiān)督學習的識別效果依賴特征工程選取的特征,因此如何選取反映實體特性的特征集合,對于模型來說至關重要。

    1.3 基于深度學習的方法

    目前,深度學習算法在自然語言處理領域已經得到了大規(guī)模的應用,在命名實體識別領域,基于深度學習的方法已經成為主流。循環(huán)神經網絡(recurrent neural networks,RNN)等時序網絡模型,在文本序列標注中表現(xiàn)出良好的效果,神經網絡模型的輸入分為字粒度、詞粒度和句子粒度,通過學習嵌入模型以向量的形式表示,輸入到神經網絡中進行編碼,然后通過條件隨機場模型對編碼的數(shù)據(jù)進行解碼,得到全局最優(yōu)的標注序列。為了解決RNN 中梯度消失和梯度爆炸問題,研究學者又提出了一種長短期記憶網絡模型(long shortterm memory,LSTM)[11],這種改進的時序網絡模型適用于命名實體識別任務,具有較大的優(yōu)勢。Huang 等人[12]提出了雙向長短期記憶網絡(bidirectional long shortterm memory,BiLSTM)和條件隨機場(CRF)架構用于自然語言處理序列標注任務,將拼寫特征、內容特征、詞向量作為神經網絡的輸入,該論文將模型用于命名實體識別任務中獲得了先進水平。2018 年,由Google 的研究人員Devlin等人[13]提出的BERT模型采用Transformer編碼和自注意力機制對大規(guī)模語料進行訓練,得到了表征能力強的預訓練字向量。李明揚等人[14]在BiLSTMCRF模型的基礎上引入自注意力機制,豐富了文本的特征,在微博語料庫中達到58.76%的效果。李博等人[15]針對中文電子病歷命名實體識別傳統(tǒng)模型識別效果不佳的問題,提出一種完全基于注意力機制的神經網絡模型,對Transformer模型進行訓練優(yōu)化以提取文本特征;利用條件隨機場對提取到的文本特征進行分類識別,具有較好的識別效果。

    楊培等人[16]利用BiLSTM 學習字符向量,隨后將詞向量和字符向量再經過另一個BiLSTM 以獲得詞的上下文表示,然后再利用Attention機制獲得詞在全文范圍下的上下文表示,最后利用CRF層得到整篇文章的標簽序列。Kuru 等人[17]提出的一種基于字符級別的命名實體識別標注模型及標注模式,該方法能更好地捕獲詞組的形態(tài)學特征,同時又可以避免出現(xiàn)未登陸的詞(OOV)情況。Zhang 等人[18]采用Lattice LSTM 模型進行實體識別,該模型對輸入字符序列以及與詞典匹配的所有潛在單詞進行編碼,供模型自動取用,相比于字符級的編碼,Lattice LSTM 能夠獲取更豐富的語義;相比于詞序列的編碼,Lattice LSTM能夠避免分詞錯誤帶來的影響。

    但在特定的時鐘領域的實體識別方法還存在一些難點問題:(1)時鐘行業(yè)內數(shù)據(jù)類型眾多,存儲格式不統(tǒng)一,并且信息實體之間大部分不是直接連接的。信息實體與通用的命名實體也是不一致的,需要對概念實體進行重新定義。(2)時鐘領域缺乏足夠多的標注數(shù)據(jù),人工標注的成本很高,需要耗費大量的時間以及精力,并且實體標注難度大。目前并無學者對時鐘領域的命名實體識別進行探索,時鐘領域也沒有公開的大規(guī)模的帶標簽的數(shù)據(jù)集。因此,本文針對時鐘領域的命名實體識別問題,提出了一種結合BERT和Linear-CRF的時鐘領域命名實體識別模型,記作BERT-LCRF。

    2 BERT-LCRF時鐘領域命名實體識別模型

    2.1 問題描述

    面向時鐘領域的命名實體識別方法,其目標是從時鐘行業(yè)的文檔中識別出與時鐘行業(yè)相關的實體,并將他們歸類到預先定義好的實體類別中。

    首先根據(jù)收集的時鐘領域的各種文檔,分析時鐘領域的專業(yè)術語和概念,預先定義時鐘領域的實體類別集合C={c1,c2,…,cm}。根據(jù)時鐘領域的文本特點和實體類別集合C,采用BIO 標注策略,定義實體標簽集合L。令B代表Beginning,標注實體的起始部分,I代表Inside,標注實體的中間部分,O 代表Outside,標注與實體無關的信息,實體標簽集合L={l1,l2,…,lk}。面向時鐘領域的命名實體識別問題可以轉換為序列標注問題,輸入句子的字序列,預測輸出其實體標簽序列。

    面向時鐘領域命名實體識別任務是:

    訓練階段:對給定時鐘領域訓練樣本集X和實體標簽序列空間Y,訓練生成:

    其中,hBERT-LCRF是本文面向時鐘領域提出的一種基于BERT和線性鏈條件隨機場(Linear-CRF)的命名實體識別模型,框架如圖1 所示。hBERT-LCRF的目標函數(shù)是最大化如式(2)的對數(shù)似然。

    測試階段:對任意句子x=(x1,x2,…,xn),預測實體標簽序列為:

    其中,hBERT-LCRF是訓練好的命名實體識別訓練模型?!蔐,是對x預測的實體標簽序列。

    如圖1所示,BERT-LCRF的時鐘領域命名實體識別模型由BERT層、Linear-CRF層組成。其中,BERT層是特征提取層,實現(xiàn)特征提取的功能。Linear-CRF層是基于Linear-CRF 的序列標注層,實現(xiàn)序列標注的功能。BERT層和Linear-CRF層將在2.2~2.4節(jié)詳細描述。

    圖1 BERT-LCRF的模型結構圖Fig.1 BERT-LCRF model structure diagram

    2.2 BERT預訓練語言模型

    BERT 模型[13]是從語料中學習,并充分考慮語料中句子級、詞語級和字符級之間的關系特征,增強字向量的語義表示。BERT 的結構如圖2 所示,其最大的特點是拋棄循環(huán)神經網絡(RNN)和卷積神經網絡(CNN),采用多層的Transformer結構。

    圖2 BERT模型結構Fig.2 BERT model structure

    如圖2所示,BERT的輸入是n個字序列,經過BERT嵌入層(embedding),表示成字編碼向量(e1,e2,…,en),輸出是(t1,t2,…,tn),表示n個字的得分概率向量。

    為融合字左右兩側的上下文,BERT 采用多個雙向Transformer 作為編碼器,即圖2 中的Trm。通過Transformer 中的注意力機制將任意位置的兩個單詞的距離轉換,反映各個字之間的相關程度,從而使輸出的各個字向量都充分融合了上下文的信息,解決了一詞多義的問題。BERT 模型具有很好的并行計算能力,且能夠捕獲長距離的特征。

    2.3 Linear-CRF模型

    條件隨機場(condition random field,CRF)模型是一種用于標注和切分有序數(shù)據(jù)的條件概率模型,該模型結合了隱馬爾可夫和最大熵模型的優(yōu)點。

    假設x=(x1,x2,…,xn),y=(y1,y2,…,yn)均為線性鏈表示的隨機變量序列,如果給定隨機變量序列x,隨機變量序列y的條件概率分布Pr(y|x)構成條件隨機場,即滿足馬爾可夫性:

    則稱Pr(y|x)為線性鏈條件隨機場(Linear-CRF)。

    序列標注問題中,x表示輸入觀測序列,y表示對應的輸出標記序列或狀態(tài)序列,且與觀測序列具有相同的結構。因此,序列標注問題可以表示為如圖3所示的Linear-CRF。

    圖3 線性鏈條件隨機場Fig.3 Linear chain conditional random field

    對序列標簽的預測,通常采用softmax分類器方法,但是softmax方法沒有考慮標簽之間的依賴關系。

    本文采用Linear-CRF 進行序列標簽預測,Linear-CRF能夠考慮各字標簽之間的約束關系,它利用每個字標簽的得分與字標簽之間的轉移矩陣A計算不同標簽序列的出現(xiàn)概率Pr(y|x),從而能夠從中選取出概率最大的序列y*作為所考慮句子的標簽序列。

    2.4 BERT-LCRF模型

    本文基于BERT 和Linear-CRF 提出了面向時鐘領域的BERT-LCRF命名實體識別模型。

    如圖1 所示,輸入句子x=(x1,x2,…,xn),由BERT模型輸出字序列標簽的得分概率向量T=(t1,t2,…,tn),然后采用Linear-CRF 模型預測句子中的每個字xi∈x的最優(yōu)標簽,從而完成時鐘領域的命名實體識別任務。

    2.4.1 BERT嵌入層

    BERT 嵌入層即圖1 和圖2 中的“embedding”層,由三種embedding求和而成,具體如圖4所示。

    圖4 BERT嵌入層的特征嵌入表示Fig.4 Feature embedding representation of BERT embedding layer

    BERT 嵌入層的輸入是字的線性序列,支持單句文本和句對文本,句首用符號[CLS]表示,句尾采用符號[SEP],斷開輸入的兩個句子。

    BERT嵌入層由詞嵌入(token embeddings)、分割嵌入(segment embeddings)和位置嵌入(position embeddings)共同組成[13],其中詞嵌入是將中文字符轉為字向量,位置嵌入是指將字符的位置信息編碼成特征向量,分割嵌入用于區(qū)分兩個句子。其中,位置嵌入(position embeddings)用來加入位置信息,支持序列長度為512,利用正余弦函數(shù)對字進行位置編碼,將字的位置信息編碼成特征矩陣,其編碼如式(5)和(6)[13]。

    其中,PE為二維矩陣,其維度與輸入embedding 的相同,這里行表示字,列表示字向量,pos表示字在句子中的位置,dmodel表示字向量的維度,i表示字向量的位置,a等于10 000。位置編碼的每個維度的波長形成是從2π 到a?2π 的幾何數(shù),對于任何固定偏移k,PE(pos,k)可以表示為一個線性的位置編碼。位置編碼是通過線性變換獲取后續(xù)字符相對于當前字符的位置關系,能夠更好地表達語義關系。

    輸入句子x=(x1,x2,…,xn),由BERT嵌入層的三種embedding轉換求和之后,每個字xi轉換為嵌入向量ei輸出,得到句子的嵌入表示E=(e1,e2,…,en),其中ei是對應xi的向量表示,是一個m維向量,E是一個n×m維的矩陣,每一行對應句子中一個字的向量表示,然后作為圖2中Trm層的輸入。

    2.4.2 Trm層

    如圖2 所示,BERT 的Trm 層由多個Transformer 編碼器(Encoder)組成,每個Encoder的結構如圖5所示。

    圖5 Encoder詳細結構Fig.5 Encoder detailed structure

    每個Encoder包括多頭自注意力機制層(multi-head self-attention)、全連接層(feed forward)、殘差連接和歸一化層(add&normal)。在Encoder 中最主要的模塊為multi-head self-attention[19],其核心思想是計算句子中每個字與該句子中其他所有的字的相互關系,并調整每個字的權重,獲取每個字的新的表達方式。

    Encoder的輸入是BERT嵌入層的輸出E。將目標字的ei通過線性變換得到表示目標字的q向量、表示上下文各個字的k向量以及表示目標字與上下文各個字的原始v向量,然后計算q向量與各個k向量的相似度作為權重,加權融合目標字的v向量和各個上下文字的v向量,計算[19]如式(7):

    其中,q表示查詢向量,k表示鍵向量,v表示值向量,d為縮放因子,其目的是使模型的梯度更穩(wěn)定。采用點積的計算機制,使當前節(jié)點不只關注當前的字,而是關注整個句子,從而獲取到上下文的語義信息,在一定程度上反映出不同字符之間的關聯(lián)性和重要程度,獲得更豐富的語義特征表達。最后使用softmax進行歸一化處理。

    在實際應用過程中,編碼器(encoder)中使用多頭自注意力(multi-head self-attention),利用不同的Self-Attention 模塊獲得句子中每個字在不同語義空間下的增強語義向量,并將每個字的多個增強語義向量進行拼接,再進行線性變換,從而獲得一個最終的與原始字向量長度相同的增強語義向量,作為Multi-Head Self-Attention層的結果,計算如式(8)和式(9)。表示第i個head的權重矩陣,WO表示附加的權重矩陣,在模型訓練時不斷更新。在多頭注意力層通過不同的head得到多個特征表達,將所有的特征拼接到一起,作為增強語義的向量表示。

    在殘差鏈接和歸一化層(add&normal)中,利用殘差鏈接可避免在模型較深時,反向傳播過程中的梯度消失問題。當網絡進行前向傳播時,可以按照網絡層數(shù)進行逐層傳播,還可以從當前層隔一層或多層向前傳播。該層能對各特征之間的輸入進行規(guī)范化。然后將處理后的數(shù)據(jù)zi傳送給全連接層(feed forward),該層可以進行并行計算。

    在全連接層(feed forward neural network),是一個兩層的全連接層,第一層的激活函數(shù)為Relu,第二層不使用激活函數(shù),對應的公式如下:

    其中,

    其中,zi為殘差鏈接和歸一化層的輸出,W1,W2,b1,b2均為前饋網絡層的權值參數(shù)。

    在模型結構中,每一層都會間隔一層add&normal,這是深度殘差網絡的特性,將前一層的輸入和輸出進行求和正則,得到R=(r1,r2,…,rn),并將其作為下一個Encoder 的輸入,在經過多個Encoder 編碼后,最后通過softmax 歸一化得到各個字的標簽得分概率向量T=(t1,t2,…,tn)。

    使用Transformer編碼器(Encoder)能夠計算句中字與字之間的關系,使得模型能夠學習字之間的聯(lián)系以及每個字的重要程度,獲取全局特征信息。

    2.4.3 基于Linear-CRF的序列標注層

    給定句子x=(x1,x2,…,xn),由BERT模型得到的字序列的實體標簽得分概率T=(t1,t2,…,tn),ti是字xi的實體標簽得分,T是linear-CRF序列標注層的輸入。

    linear-CRF 層的參數(shù)是一個(n+2)×(n+2)的實體標簽轉移矩陣A,Aij表示是從第i個標簽到第j標簽的轉移得分,體現(xiàn)的是實體標簽之間的約束關系。對一個位置進行標注時,可以利用此前已經標注過的標簽。n+2 是為句子首部添加一個起始狀態(tài),句子尾部添加一個終止狀態(tài)。

    對給定的句子x,根據(jù)每個字的實體標簽的得分ti,以及字標簽之間的轉移矩陣A,計算對x預測為不同標簽序列y的概率,取概率最大的標簽序列y*,作為該句子的標簽序列,具體過程如下:

    對任意一個句子x=(x1,x2,…,xn),n是字序列長度,也是標簽序列的長度,那么BERT-LCRF模型對x預測為標簽序列y的得分計算如式(11):

    其中,表示第i個字被標記為yi的概率,A為轉移矩陣,表示從yi標簽轉移到y(tǒng)i+1標簽的概率,n為序列長度。因此,整個字序列的得分是每個字的分數(shù)之和,而每個字的分數(shù)由兩部分組成,一部分是由上一層輸出的ti決定,另一部分則由linear-CRF的轉移矩陣A決定。最后利用softmax函數(shù)歸一化,計算Pr(y|x)如式(12)所示:

    其中,y′∈Y,L是對時鐘領域的字標簽集合,y′是可能的字標簽序列,式(12)的對數(shù)似然計算如式(13):

    最后在解碼階段,使用維特比算法[20]求解最優(yōu)路徑,計算如式(14):

    由此對于輸入字序列x=(x1,x2,…,xn),經過模型BERT-LCRF預測,得到字序列標簽

    3 實驗分析

    3.1 時鐘領域數(shù)據(jù)集(clock-dataset)

    本文采用自建的時鐘領域語料庫(clock-dataset)對BERT-LCRF模型的有效性進行實驗評估。

    (1)時鐘領域文本預處理

    首先收集時鐘行業(yè)的時鐘系統(tǒng)建議書作為原始數(shù)據(jù),由于原始文本數(shù)據(jù)的存儲格式不同,包含對實體識別無用的信息,經過格式轉換、過濾圖片等無用信息、分段、分句等預處理,得到初始以句子為單位的時鐘領域語料庫。

    (2)領域新詞識別和自定義字典

    對未分詞的語料庫,采用基于互信息和左右熵算法[21]進行領域新詞的識別。該方法首先計算詞與其右鄰接字的互信息,得到候選新詞,然后再采用鄰接熵、過濾候選新詞首尾的停用詞和過濾舊詞語等規(guī)則進行篩選,最終得到領域新詞集,并添加領域自定義詞典(clockdictionary)中。結合clock-dictionary,采用jieba 分詞對初始時鐘語料庫中的句子進行分詞,提高領域分詞結果的準確性。同時將分詞結果作為時鐘領域的先驗知識,減少人工標注審核的工作量,提高標注的效率,降低標注誤差。

    (3)實體類別和實體標簽定義

    根據(jù)時鐘系統(tǒng)建議書的領域特性,進行概念抽取,結合對領域詞匯的統(tǒng)計分析,定義時鐘領域的實體類別集合C={c1,c2,…,cm},其中ci∈C,可以是地域(CITY)、設備(EQU)、對象(OBJ)等,具體如表1所示。

    表1 時鐘領域實體類別描述Table 1 Entity category description in clock domain

    在定義了實體類別集合C后,根據(jù)時鐘領域的文本特點,采用BIO 標注策略,令B 代表Beginning,標注實體的起始部分,I代表Inside,標注實體的中間部分,O代表Outside,標注與實體無關的信息,定義實體字標簽集合L={l1,l2,…,lk},其中l(wèi)i∈L,具體描述如表2所示。

    表2 clock-dataset的實體標簽描述Table 2 Label category description of clock-dataset

    (4)語料標注

    在沒有時鐘領域的標注語料時,通過設計人機交互的輔助實體標注平臺,輔助專業(yè)人士快速、高效標注高質量的訓練語料,記作時鐘領域數(shù)據(jù)集(clock-dataset)。在獲得一定數(shù)量的人工標注數(shù)據(jù)后,可以利用BERTLCRF命名實體識別方法,結合semi-supervised learning(半監(jiān)督學習)、self-learning(自學習)和active learning(主動學習)等方法進行標注數(shù)據(jù)的擴充。實驗中,對標注的clock-dataset 數(shù)據(jù)集,劃分成三個數(shù)據(jù)集:訓練集、測試集和驗證集,具體表述如表3所示。

    表3 clock-dataset的劃分描述Table 3 Clock-dataset division

    3.2 實驗基本設置及參數(shù)設置

    本文的實驗環(huán)境設置:64 位Window10 系統(tǒng),AMD Ryzen 7 2700X Eight-Core Pricessor 3.70 GHz 處理器,8 GB內存,顯卡為NVIDIA GeForce GTX 1060 6 GB中進行。使用的編程語言為Python,深度學習框架Pytorch。

    實驗中,設置網絡的損失函數(shù)為最大似然函數(shù),采用BertAdam 優(yōu)化方法不斷更新參數(shù),并使損失函數(shù)最小化。為了防止模型過擬合,提高模型的泛化能力,在網絡模型中加入Dropout,將其設置為0.1。BERT 模型共12 層,768 個隱藏單元,12 個注意力頭。實驗參數(shù)設置如表4所示。

    表4 實驗參數(shù)設置Table 4 Experimental parameter settings

    3.3 評價指標

    實驗中采用宏準確率(Macro-P),宏召回率(Macro-R)和宏F1值(Macro-F1)三個指標,對如表1所示的七類實體的識別結果進行評估,計算公式如下:

    其中,TP(cj)表示屬于cj實體類別,且識別正確實體數(shù);FN(cj)表示屬于cj實體類別,但識別不正確的實體數(shù);FP(cj)表示不屬于cj實體類別,但被識別為cj的實體數(shù)。

    3.4 實驗結果及分析

    為了驗證所提BERT-LCRF模型的有效性,與HMM、CRF、LSTM、BiLSTM-CRF模型進行了命名實體識別對比實驗。

    3.4.1 命名實體識別模型總體識別效果比較分析

    在clock-dataset 上,BERT-LCRF 模型與BiLSTMCRF、LSTM、HMM、CRF模型的命名實體識別對比實驗結果如表5所示。

    表5 不同模型的命名實體識別結果比較Table 5 Comparison of named entity recognition results of different models %

    從表5 中可以看出,針對于時鐘領域的語料而言,所提BERT-LCRF模型相對于其他四種算法模型取得了較為優(yōu)異的結果。如表5所示,HMM、CRF、LSTM算法的Macro-P分別為71.51%、82.84%、94.13%,BiLSTM-CRF模型為95.53%,而BERT-LCRF 的準確率為96.70%,評估指標Macro-R和Macro-F1的對比也是類似的。

    分析表5中不同方法的效果對比,其中HMM、CRF算法沒有學習上下文的語義關系,因此識別效果不好。LSTM 只是單向的學習文本序列,沒有CRF,雖然可以得到句子中每個單元的正確標簽,但是不能保證標簽每次都是預測正確的。BiLSTM-CRF 模型采用雙向LSTM 和CRF,其結果優(yōu)于LSTM 方法,其Macro-P 為95.53%、Macro-R 為94.98%、Macro-F1 為95.26%。而BERT-LCRF 模型的三種評估指標為96.70%、96.73%和96.71%,對比BiLSTM-CRF模型平均提升了0.9%。

    原因在于,本文使用BERT預訓練語言模型來代替BiLSTM?;贐iLSTM-CRF 命名實體識別方法不能很好地利用語料中的上下文的語義關系,而BERTLCRF 模型增加了位置編碼以及注意力機制,能夠很好地利用語料中的上下文語義關系,對時鐘領域數(shù)據(jù)進行特征提取,能夠充分學習時鐘領域的特征信息,解決時鐘領域的特征表示的一詞多義問題,因此BERT-LCRF模型的識別效率相對最高。

    3.4.2 時鐘領域每類實體的識別效果比較

    為進一步驗證BERT-LCRF模型對每類實體的識別效果,與HMM 模型、CRF 模型和BiLSTM-CRF 模型進行了實驗對比,實驗結果如表6~9所示。

    從表6~9 中可以看出,BERT-LCRF 模型在13 種實體類別上的宏準確率、宏召回率、宏F1值均比其他模型的高,說明BERT-LCRF 模型的每類實體識別效果要優(yōu)于其他模型。

    從表6~9中還可以看出,所有實體類別中,“B-OBJ”和“I-OBJ”對象類實體的宏準確率最高,HMM 模型為87.67%,CRF 模型為94.95%,BiLSTM-CRF 模型為97.46%,BERT-LCRF模型為97.49%。分析原因,時鐘領域數(shù)據(jù)中的對象這類實體的數(shù)量比較多,并且實體組成較為單一,邊界詞明顯,主要是以“系統(tǒng)”兩個字作為結尾,并且有固定的表達格式,例如“時鐘系統(tǒng)”“時鐘同步系統(tǒng)”“子母鐘系統(tǒng)”等,因此在識別過程中宏準確率高。功能、技術這類實體的宏準確率相對較低,功能(FUN)和技術(TEC)這類實體,實體數(shù)量相對其他實體來說,實體數(shù)量少,存在OOV 詞,因此其宏準確率會相對較低,其余的實體類別宏準確率相對而言比較平均。

    表6 HMM模型實體類別識別結果Table 6 HMM model entity category recognition results %

    4 結論

    本文針對時鐘領域的問題,定義時鐘領域實體類別,選擇適合時鐘領域文本的標注規(guī)則,設計輔助標注平臺,構建時鐘領域數(shù)據(jù)集(clock-dataset),提出一種BERT-LCRF 的命名實體識別模型。該模型利用BERT結合時鐘領域的先驗知識,充分學習時鐘領域的特征信息,而Linear-CRF 能夠提高序列標注的準確度,從而BERT-LCRF模型能夠提高實體識別的精度。在時鐘行業(yè)數(shù)據(jù)集上的實驗結果表明,該模型在各項指標上顯著優(yōu)于同類其他模型。BERT-LCRF模型是構建時鐘領域知識圖譜的基礎,時鐘領域的實體類別和標簽還有待擴充,下一步將在此基礎上結合時鐘領域先驗知識進行事件抽取,進一步構建面向時鐘領域的知識圖譜。

    表7 CRF模型實體類別識別結果Table 7 CRF model entity category recognition results %

    表8 BiLSTM-CRF模型實體類別識別結果Table 8 BiLSTM-CRF model entity category recognition results %

    表9 BERT-LCRF模型實體類別識別結果Table 9 BERT-LCRF model entity category recognition results %

    猜你喜歡
    模型
    一半模型
    一種去中心化的域名服務本地化模型
    適用于BDS-3 PPP的隨機模型
    提煉模型 突破難點
    函數(shù)模型及應用
    p150Glued在帕金森病模型中的表達及分布
    函數(shù)模型及應用
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權M-估計的漸近分布
    3D打印中的模型分割與打包
    我要搜黄色片| 最新中文字幕久久久久| 一个人免费在线观看电影| 国产真实乱freesex| 午夜久久久久精精品| 一个人看视频在线观看www免费| 成人毛片60女人毛片免费| 少妇丰满av| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 成人一区二区视频在线观看| 免费av观看视频| 可以在线观看毛片的网站| 日韩成人伦理影院| 看黄色毛片网站| 中国美白少妇内射xxxbb| 特级一级黄色大片| 少妇高潮的动态图| 三级经典国产精品| 国产三级中文精品| 国产一区二区三区在线臀色熟女| 日本黄色片子视频| 18+在线观看网站| 欧美一区二区精品小视频在线| 亚洲av.av天堂| 国产精品久久久久久av不卡| 亚洲国产精品国产精品| 日本黄色视频三级网站网址| av又黄又爽大尺度在线免费看 | 亚洲七黄色美女视频| 麻豆精品久久久久久蜜桃| 看片在线看免费视频| 亚洲av二区三区四区| www日本黄色视频网| 99九九线精品视频在线观看视频| 婷婷色av中文字幕| 看十八女毛片水多多多| 国产私拍福利视频在线观看| 国产亚洲精品久久久com| av黄色大香蕉| 永久网站在线| 国产黄a三级三级三级人| 99久国产av精品国产电影| 中文字幕人妻熟人妻熟丝袜美| 国产白丝娇喘喷水9色精品| 国产一区二区在线观看日韩| 性插视频无遮挡在线免费观看| 国产日本99.免费观看| 天堂av国产一区二区熟女人妻| 人妻夜夜爽99麻豆av| 国产一区亚洲一区在线观看| 午夜爱爱视频在线播放| 18+在线观看网站| 此物有八面人人有两片| 欧美一区二区亚洲| 精品日产1卡2卡| 搞女人的毛片| 亚洲美女视频黄频| 99久久精品国产国产毛片| 午夜久久久久精精品| 日本成人三级电影网站| 深夜精品福利| 美女 人体艺术 gogo| 国产精品野战在线观看| 久久99精品国语久久久| 亚洲欧美日韩卡通动漫| 一本精品99久久精品77| 国产高潮美女av| 天堂√8在线中文| 麻豆国产av国片精品| 日韩视频在线欧美| 久久久久久九九精品二区国产| АⅤ资源中文在线天堂| 麻豆乱淫一区二区| 久久久久国产网址| 亚洲av男天堂| 国产成人影院久久av| 中文在线观看免费www的网站| 小说图片视频综合网站| 国产亚洲91精品色在线| 国产亚洲欧美98| 国产伦一二天堂av在线观看| 亚洲美女视频黄频| 性色avwww在线观看| 天堂影院成人在线观看| 国产爱豆传媒在线观看| 亚洲av一区综合| 国产一级毛片在线| 在线观看免费视频日本深夜| 国产成人福利小说| 午夜激情欧美在线| 亚洲成av人片在线播放无| 91午夜精品亚洲一区二区三区| 激情 狠狠 欧美| 国产亚洲欧美98| 伊人久久精品亚洲午夜| 国产精品一及| 狂野欧美白嫩少妇大欣赏| 国产精品人妻久久久久久| 自拍偷自拍亚洲精品老妇| 一级毛片久久久久久久久女| 亚洲第一电影网av| ponron亚洲| 综合色av麻豆| 99热这里只有精品一区| 在线a可以看的网站| 免费电影在线观看免费观看| 国产美女午夜福利| 亚洲成av人片在线播放无| 亚洲欧美精品专区久久| 亚洲高清免费不卡视频| 可以在线观看毛片的网站| 波多野结衣高清无吗| 99九九线精品视频在线观看视频| 国产av一区在线观看免费| 全区人妻精品视频| or卡值多少钱| 99久久人妻综合| 国产精品.久久久| 精品国产三级普通话版| 午夜亚洲福利在线播放| 欧美在线一区亚洲| 伦理电影大哥的女人| 18+在线观看网站| 免费看光身美女| 中文亚洲av片在线观看爽| 91aial.com中文字幕在线观看| 国产精品一及| 在线观看美女被高潮喷水网站| 久久九九热精品免费| 女的被弄到高潮叫床怎么办| 啦啦啦观看免费观看视频高清| 伦理电影大哥的女人| 99国产极品粉嫩在线观看| 免费不卡的大黄色大毛片视频在线观看 | 国产精品三级大全| 一边摸一边抽搐一进一小说| 久99久视频精品免费| 丝袜喷水一区| 成人特级黄色片久久久久久久| 变态另类丝袜制服| 熟女人妻精品中文字幕| 国产精品.久久久| 99热网站在线观看| 美女 人体艺术 gogo| 欧美激情国产日韩精品一区| 久久久久久久久久黄片| 欧美3d第一页| 日本黄色视频三级网站网址| 一级二级三级毛片免费看| 成人亚洲精品av一区二区| 高清午夜精品一区二区三区 | 赤兔流量卡办理| 亚洲真实伦在线观看| 搡老妇女老女人老熟妇| 久久人妻av系列| 小说图片视频综合网站| 黄片无遮挡物在线观看| 18禁裸乳无遮挡免费网站照片| 夜夜夜夜夜久久久久| 国产午夜精品久久久久久一区二区三区| 亚洲国产欧美人成| 国产91av在线免费观看| 国产爱豆传媒在线观看| 好男人视频免费观看在线| 国产探花在线观看一区二区| 亚洲成人中文字幕在线播放| 亚洲国产色片| 亚洲在久久综合| 日韩精品有码人妻一区| 麻豆国产av国片精品| 成人永久免费在线观看视频| 久久久久久久久大av| 成人性生交大片免费视频hd| .国产精品久久| 国产国拍精品亚洲av在线观看| 午夜爱爱视频在线播放| 三级男女做爰猛烈吃奶摸视频| 又粗又硬又长又爽又黄的视频 | 一个人看的www免费观看视频| 99热只有精品国产| 麻豆乱淫一区二区| 中文亚洲av片在线观看爽| 亚洲精品国产成人久久av| 晚上一个人看的免费电影| 小说图片视频综合网站| 一级二级三级毛片免费看| 午夜福利成人在线免费观看| 国产一级毛片七仙女欲春2| 丰满乱子伦码专区| 国产在视频线在精品| 91久久精品电影网| 天天躁日日操中文字幕| 亚洲欧美成人精品一区二区| 国产精品一区二区三区四区久久| 欧美另类亚洲清纯唯美| 日韩精品青青久久久久久| av视频在线观看入口| 丝袜喷水一区| 少妇丰满av| 国产淫片久久久久久久久| 日日摸夜夜添夜夜添av毛片| 深夜精品福利| 女的被弄到高潮叫床怎么办| 大型黄色视频在线免费观看| av卡一久久| 美女被艹到高潮喷水动态| 97人妻精品一区二区三区麻豆| 久久久久九九精品影院| 不卡视频在线观看欧美| 久久精品综合一区二区三区| 丝袜喷水一区| 日韩精品有码人妻一区| 成年免费大片在线观看| 12—13女人毛片做爰片一| 亚洲av第一区精品v没综合| 国产色爽女视频免费观看| 久久99蜜桃精品久久| 国产成人影院久久av| 久久亚洲国产成人精品v| 日韩制服骚丝袜av| 91精品国产九色| 亚洲欧美精品自产自拍| 男女视频在线观看网站免费| 日日摸夜夜添夜夜添av毛片| 变态另类丝袜制服| 观看免费一级毛片| 26uuu在线亚洲综合色| 简卡轻食公司| 欧美日韩一区二区视频在线观看视频在线 | 亚洲四区av| 国产精品乱码一区二三区的特点| 91久久精品国产一区二区三区| 直男gayav资源| 此物有八面人人有两片| 国产片特级美女逼逼视频| 免费看光身美女| 国产国拍精品亚洲av在线观看| 老司机福利观看| 亚洲中文字幕一区二区三区有码在线看| 天美传媒精品一区二区| 午夜视频国产福利| 国产精品一区二区三区四区久久| 亚洲第一电影网av| 精品久久久久久久久亚洲| 亚洲国产色片| 你懂的网址亚洲精品在线观看 | 亚洲欧美精品综合久久99| 两个人的视频大全免费| 一夜夜www| 青春草视频在线免费观看| 少妇丰满av| 午夜激情福利司机影院| 日韩欧美 国产精品| 我要看日韩黄色一级片| 精品国内亚洲2022精品成人| 在线免费观看的www视频| 99久国产av精品| 成人毛片a级毛片在线播放| 69av精品久久久久久| 成人午夜精彩视频在线观看| 亚洲自偷自拍三级| 国产乱人偷精品视频| 国产精品福利在线免费观看| 亚洲人与动物交配视频| 亚洲第一区二区三区不卡| 嫩草影院新地址| 精品久久久久久久久久免费视频| 99久久精品热视频| 国产91av在线免费观看| av免费观看日本| 国产精品美女特级片免费视频播放器| 永久网站在线| 亚洲精品国产av成人精品| 人妻制服诱惑在线中文字幕| 青春草亚洲视频在线观看| 日本一本二区三区精品| 日日撸夜夜添| 国内久久婷婷六月综合欲色啪| 黄片无遮挡物在线观看| a级毛色黄片| 两个人的视频大全免费| 亚洲av免费高清在线观看| 伦理电影大哥的女人| 99九九线精品视频在线观看视频| 国产午夜精品一二区理论片| 国产一区二区在线av高清观看| 天堂影院成人在线观看| 久久99热这里只有精品18| 干丝袜人妻中文字幕| 99久久久亚洲精品蜜臀av| 久久午夜福利片| 一个人看视频在线观看www免费| 国国产精品蜜臀av免费| 日韩大尺度精品在线看网址| 五月玫瑰六月丁香| 老师上课跳d突然被开到最大视频| 美女大奶头视频| 最近2019中文字幕mv第一页| 12—13女人毛片做爰片一| 日韩欧美精品免费久久| 九草在线视频观看| 亚洲av第一区精品v没综合| 国产成人午夜福利电影在线观看| 久久久精品94久久精品| 午夜视频国产福利| 欧美一区二区国产精品久久精品| 亚洲三级黄色毛片| 国产精品人妻久久久影院| 亚洲精品乱码久久久v下载方式| 村上凉子中文字幕在线| 色视频www国产| 成人毛片a级毛片在线播放| 午夜免费激情av| 老熟妇乱子伦视频在线观看| 国产高清有码在线观看视频| 伊人久久精品亚洲午夜| 精品免费久久久久久久清纯| av在线亚洲专区| 色综合站精品国产| av专区在线播放| 97超视频在线观看视频| 最近最新中文字幕大全电影3| 国产精品av视频在线免费观看| 欧美丝袜亚洲另类| 亚洲精品日韩在线中文字幕 | 亚洲国产精品sss在线观看| 最近2019中文字幕mv第一页| 日韩av不卡免费在线播放| 好男人在线观看高清免费视频| 99视频精品全部免费 在线| 日日摸夜夜添夜夜爱| 国产伦一二天堂av在线观看| 综合色丁香网| 国产免费男女视频| 69人妻影院| 国产伦理片在线播放av一区 | 真实男女啪啪啪动态图| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 欧美+亚洲+日韩+国产| 欧美色视频一区免费| 在线天堂最新版资源| 性插视频无遮挡在线免费观看| www.av在线官网国产| 观看美女的网站| 国产亚洲精品av在线| 国产男人的电影天堂91| 欧美一级a爱片免费观看看| 国产精品,欧美在线| 内地一区二区视频在线| 日韩制服骚丝袜av| 一本精品99久久精品77| 日韩欧美三级三区| 精品久久久久久久久久免费视频| 国产成人精品婷婷| 青春草视频在线免费观看| 国产高清视频在线观看网站| 啦啦啦韩国在线观看视频| 亚洲18禁久久av| 最近最新中文字幕大全电影3| 久久久成人免费电影| 精品久久久久久成人av| 国产伦精品一区二区三区视频9| 老司机福利观看| 亚洲精品成人久久久久久| 久久草成人影院| 欧美日韩在线观看h| 国产69精品久久久久777片| 人人妻人人澡欧美一区二区| 免费看av在线观看网站| eeuss影院久久| 女的被弄到高潮叫床怎么办| 成人国产麻豆网| 亚洲久久久久久中文字幕| 欧美bdsm另类| 别揉我奶头 嗯啊视频| 亚洲美女视频黄频| 一本精品99久久精品77| 国产高清视频在线观看网站| 一级毛片aaaaaa免费看小| 天堂√8在线中文| 欧美最黄视频在线播放免费| 国产精品日韩av在线免费观看| 大又大粗又爽又黄少妇毛片口| 亚洲国产欧洲综合997久久,| 日韩一区二区视频免费看| 国产成人福利小说| 97超碰精品成人国产| 中文字幕熟女人妻在线| 欧美人与善性xxx| 校园人妻丝袜中文字幕| 老熟妇乱子伦视频在线观看| 日韩高清综合在线| 午夜福利在线观看免费完整高清在 | 国产成人freesex在线| 69人妻影院| 九草在线视频观看| 国模一区二区三区四区视频| 成人特级黄色片久久久久久久| 禁无遮挡网站| 欧美精品一区二区大全| 免费在线观看成人毛片| 亚洲成人中文字幕在线播放| 亚洲精品乱码久久久v下载方式| 男女做爰动态图高潮gif福利片| 久久久久久久久久久丰满| 高清日韩中文字幕在线| 亚洲三级黄色毛片| 日韩强制内射视频| 久久久久久久久久成人| 免费人成视频x8x8入口观看| 中文亚洲av片在线观看爽| 国产亚洲精品久久久com| 精品一区二区三区人妻视频| 麻豆成人午夜福利视频| 亚洲精品亚洲一区二区| 色视频www国产| 精华霜和精华液先用哪个| 精品99又大又爽又粗少妇毛片| 草草在线视频免费看| 尤物成人国产欧美一区二区三区| 国产精品一区二区三区四区久久| 欧美变态另类bdsm刘玥| 欧美日韩乱码在线| 波野结衣二区三区在线| 久久久色成人| 2022亚洲国产成人精品| 亚洲av不卡在线观看| 国产伦精品一区二区三区视频9| 午夜久久久久精精品| 亚洲熟妇中文字幕五十中出| 亚洲av中文字字幕乱码综合| 日韩成人av中文字幕在线观看| 国产精品乱码一区二三区的特点| 欧美成人一区二区免费高清观看| 天堂中文最新版在线下载 | 国产精品.久久久| 一边摸一边抽搐一进一小说| 国产高潮美女av| 99热全是精品| 男人舔女人下体高潮全视频| 又爽又黄a免费视频| 国产高清视频在线观看网站| 欧美高清成人免费视频www| 我要搜黄色片| 免费av不卡在线播放| 午夜福利视频1000在线观看| 大型黄色视频在线免费观看| 国产高清不卡午夜福利| 欧美成人一区二区免费高清观看| 国产免费一级a男人的天堂| 最近2019中文字幕mv第一页| 国产真实伦视频高清在线观看| 又爽又黄无遮挡网站| 少妇丰满av| 亚洲天堂国产精品一区在线| 精品久久国产蜜桃| 国产伦在线观看视频一区| 日日干狠狠操夜夜爽| 夫妻性生交免费视频一级片| 一本一本综合久久| 日产精品乱码卡一卡2卡三| 国产精品久久久久久久久免| 99热网站在线观看| 99久久精品一区二区三区| 嫩草影院精品99| 看免费成人av毛片| 18禁裸乳无遮挡免费网站照片| av在线蜜桃| 秋霞在线观看毛片| 国产一区二区在线观看日韩| 精品久久久久久久久久免费视频| a级毛片a级免费在线| 国产免费男女视频| 国产成人影院久久av| 日韩欧美 国产精品| 青春草国产在线视频 | 一级黄片播放器| 2021天堂中文幕一二区在线观| 人妻久久中文字幕网| 国产精品免费一区二区三区在线| 成人美女网站在线观看视频| 欧美性猛交╳xxx乱大交人| 白带黄色成豆腐渣| 日韩亚洲欧美综合| 人人妻人人澡欧美一区二区| 亚洲不卡免费看| 日韩欧美三级三区| kizo精华| 六月丁香七月| 一进一出抽搐gif免费好疼| 干丝袜人妻中文字幕| 日韩制服骚丝袜av| 久久这里有精品视频免费| 日韩成人av中文字幕在线观看| 变态另类成人亚洲欧美熟女| 最近2019中文字幕mv第一页| 久久精品久久久久久噜噜老黄 | 不卡一级毛片| 成人鲁丝片一二三区免费| 草草在线视频免费看| 成人一区二区视频在线观看| а√天堂www在线а√下载| 插逼视频在线观看| 在线免费观看不下载黄p国产| av国产免费在线观看| 国产在视频线在精品| 久久精品综合一区二区三区| 白带黄色成豆腐渣| 国产人妻一区二区三区在| 日韩欧美精品v在线| 国产综合懂色| 国产视频首页在线观看| 国产精品1区2区在线观看.| 能在线免费观看的黄片| 久久精品国产自在天天线| 黄色欧美视频在线观看| 国产黄色小视频在线观看| 欧美区成人在线视频| 最近的中文字幕免费完整| 男人舔女人下体高潮全视频| 免费观看精品视频网站| 国产高清有码在线观看视频| 国产精品一区二区性色av| 又爽又黄无遮挡网站| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 国产 一区精品| 亚洲天堂国产精品一区在线| 嫩草影院精品99| 三级男女做爰猛烈吃奶摸视频| 国产黄色视频一区二区在线观看 | 色播亚洲综合网| 日韩欧美 国产精品| 欧美成人免费av一区二区三区| 99热只有精品国产| 欧美+日韩+精品| 春色校园在线视频观看| 国产精品福利在线免费观看| 久久人妻av系列| 一级毛片久久久久久久久女| 日本黄色视频三级网站网址| 欧美3d第一页| 国产高清视频在线观看网站| 伊人久久精品亚洲午夜| 国产老妇伦熟女老妇高清| 免费观看a级毛片全部| 日韩视频在线欧美| 久久6这里有精品| 一进一出抽搐gif免费好疼| 老司机福利观看| 九色成人免费人妻av| 国产精品国产高清国产av| 国产人妻一区二区三区在| 最新中文字幕久久久久| 波多野结衣巨乳人妻| 好男人视频免费观看在线| 国产精品久久久久久亚洲av鲁大| 99久久人妻综合| 国产一区二区三区在线臀色熟女| 人体艺术视频欧美日本| 色视频www国产| 黑人高潮一二区| 精品少妇黑人巨大在线播放 | 亚洲在线自拍视频| 国产一区二区三区在线臀色熟女| 人体艺术视频欧美日本| 成人鲁丝片一二三区免费| 国产高清视频在线观看网站| 久久久久国产网址| 日韩 亚洲 欧美在线| 男女做爰动态图高潮gif福利片| 日韩欧美在线乱码| 国产成人影院久久av| 日韩欧美精品v在线| 成人综合一区亚洲| av视频在线观看入口| 精品人妻偷拍中文字幕| 亚洲国产精品久久男人天堂| 舔av片在线| 免费观看在线日韩| 亚洲av不卡在线观看| 国产精品日韩av在线免费观看| 在线观看66精品国产| 国产精品一二三区在线看| 亚洲自偷自拍三级| 国产精品一区二区三区四区免费观看| 国产精品一区www在线观看| 九九久久精品国产亚洲av麻豆| 亚洲成av人片在线播放无| 99久久精品国产国产毛片| 精品久久久久久久久亚洲| 欧美变态另类bdsm刘玥| 一本久久精品| 久久国产乱子免费精品| 一级毛片aaaaaa免费看小| 18禁在线无遮挡免费观看视频| 自拍偷自拍亚洲精品老妇| 黄色欧美视频在线观看| 男女视频在线观看网站免费| 亚洲真实伦在线观看| 亚洲欧美日韩高清在线视频| 亚洲欧美日韩卡通动漫| 又粗又爽又猛毛片免费看| 日韩欧美国产在线观看| 天美传媒精品一区二区| 精品人妻偷拍中文字幕| 中文在线观看免费www的网站| 精品免费久久久久久久清纯| 日韩人妻高清精品专区| 精品人妻一区二区三区麻豆| 在线观看美女被高潮喷水网站| 欧美精品一区二区大全| 日韩欧美国产在线观看| 69人妻影院| 国产精品久久久久久亚洲av鲁大| 日本一本二区三区精品|