• <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 ?

    動(dòng)態(tài)圖的鏈接預(yù)測(cè)模型

    2022-10-16 05:51:12唐晨趙杰煜葉緒倫鄭陽(yáng)俞書世
    計(jì)算機(jī)與生活 2022年10期
    關(guān)鍵詞:特征模型

    唐晨,趙杰煜,葉緒倫,鄭陽(yáng),俞書世

    寧波大學(xué) 信息科學(xué)與工程學(xué)院,浙江 寧波315211

    互聯(lián)網(wǎng)的普及產(chǎn)生了大量的圖結(jié)構(gòu)數(shù)據(jù),其中蘊(yùn)含著豐富的信息。雖然這些信息很難直接獲取,但是蘊(yùn)含很高的商業(yè)價(jià)值和社會(huì)價(jià)值。鏈接預(yù)測(cè)作為圖領(lǐng)域的典型問題,體現(xiàn)在現(xiàn)實(shí)生活的方方面面。例如在社交領(lǐng)域中,鏈接預(yù)測(cè)可以預(yù)測(cè)新朋友關(guān)系的產(chǎn)生,或是給用戶推薦新的朋友。在電子商務(wù)領(lǐng)域,鏈接預(yù)測(cè)可以為用戶提供個(gè)性化的商品推薦。在生物學(xué)領(lǐng)域,鏈接預(yù)測(cè)可以預(yù)測(cè)蛋白質(zhì)在交互作用的過程中可能發(fā)生的反應(yīng),亦可發(fā)現(xiàn)基因序列中導(dǎo)致疾病的異?;颉?/p>

    目前,靜態(tài)圖的鏈接預(yù)測(cè)模型已經(jīng)取得了非常好的效果,但是在現(xiàn)實(shí)世界中,圖的節(jié)點(diǎn)和鏈接通常是隨著時(shí)間變化的,靜態(tài)模型難以保留時(shí)域上的特征。比如在社交網(wǎng)絡(luò)中,任何時(shí)刻用戶都有可能因?yàn)椴糠謱傩园l(fā)生改變導(dǎo)致新鏈接的產(chǎn)生或者舊鏈接的消失。如圖1 所示,在-1 時(shí)刻,節(jié)點(diǎn)2 與節(jié)點(diǎn)1僅有一個(gè)共同鄰居節(jié)點(diǎn)3。在時(shí)刻,節(jié)點(diǎn)1 和節(jié)點(diǎn)5 之間新增了一條鏈接,則節(jié)點(diǎn)2 和節(jié)點(diǎn)1 的共同鄰居增長(zhǎng)到兩個(gè),即節(jié)點(diǎn)3 和節(jié)點(diǎn)5。雖然時(shí)刻節(jié)點(diǎn)1、2、4 都有相同的鄰居節(jié)點(diǎn),但是從時(shí)域的角度看,節(jié)點(diǎn)1 和節(jié)點(diǎn)2、4 共同鄰居的數(shù)量呈現(xiàn)增加的趨勢(shì),因此在+1 時(shí)刻,節(jié)點(diǎn)1 和節(jié)點(diǎn)2、4 之間建立鏈接的可能性較大,而節(jié)點(diǎn)2 和節(jié)點(diǎn)4 雖然共同鄰居也是節(jié)點(diǎn)3 和節(jié)點(diǎn)5,但是在時(shí)域上,兩者的鄰居節(jié)點(diǎn)的數(shù)量比較穩(wěn)定,在+1 時(shí)刻建立鏈接的可能性較小。由此可見靜態(tài)圖的鏈接預(yù)測(cè)模型在動(dòng)態(tài)圖上的表現(xiàn)非常有限,無(wú)法捕捉圖在時(shí)間維度上變化的規(guī)律性,這更加凸顯了研究動(dòng)態(tài)圖鏈接預(yù)測(cè)模型的必要性。

    圖1 動(dòng)態(tài)圖演變示意圖Fig.1 Schematic diagram of dynamic diagram evolution

    針對(duì)動(dòng)態(tài)圖的鏈接預(yù)測(cè)問題,傳統(tǒng)的基于隨機(jī)游走和矩陣分解的模型具有計(jì)算效率高的優(yōu)點(diǎn),但其無(wú)法利用深層次的特征,而且大部分模型最終會(huì)采用線性的方法進(jìn)行預(yù)測(cè)。目前比較主流的基于深度學(xué)習(xí)的做法是將圖神經(jīng)網(wǎng)絡(luò)(graph neural network,GNN)與循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)相結(jié)合。先利用GNN 學(xué)習(xí)靜態(tài)圖的節(jié)點(diǎn)嵌入,然后將節(jié)點(diǎn)嵌入作為時(shí)間序列信息輸入到RNN 模型。

    然而,上述方法沒有考慮節(jié)點(diǎn)分類任務(wù)和鏈接預(yù)測(cè)任務(wù)的區(qū)別。分類任務(wù)更關(guān)注的是圖局部特征,鏈接預(yù)測(cè)問題更加關(guān)注的是圖全局特征。全局特征代表了圖的整體表現(xiàn)特性,一般屬于統(tǒng)計(jì)的范疇,而局部特征更加關(guān)注個(gè)體的細(xì)節(jié),一般屬于組合的范疇。圖在時(shí)間維度的演化,是全局特征和局部特征共同作用的結(jié)果,全局特征包含了局部特征的成分,局部特征又在其某一方面反映了全局的信息。在動(dòng)態(tài)圖的鏈接預(yù)測(cè)問題上,則更應(yīng)該關(guān)注不同時(shí)刻的圖的共性。不可否認(rèn),全局特征是多個(gè)局部特征歸一化的結(jié)果。因此,在鏈接預(yù)測(cè)任務(wù)中,提取特征這一部分需要一個(gè)合適的損失函數(shù)去均衡全局特征和局部特征。受到Hjelm 等人和Velickovic 等人工作的啟發(fā),本文將利用圖卷積(graph convolutional network,GCN)和互信息(mutual information,MI)的優(yōu)點(diǎn)去構(gòu)造特征提取模塊。同時(shí),為此模塊設(shè)計(jì)新的損失函數(shù),該損失能在保證潛在特征更多地保留原始數(shù)據(jù)的概率特性的情況下,獲取有效的全局特征表示,這是其他動(dòng)態(tài)圖鏈接預(yù)測(cè)模型沒有考慮的。

    全局特征是所有節(jié)點(diǎn)特征聚合的結(jié)果,如果其中某些節(jié)點(diǎn)特征發(fā)生異常,將會(huì)嚴(yán)重影響全局特征的提取。因此本文將全局特征表示為向量的形式,并將其本身視為隨機(jī)變量,其演化過程視為寬平穩(wěn)隨機(jī)過程,那么它將存在兩個(gè)概率性質(zhì),即在一個(gè)時(shí)間窗口內(nèi),全局特征的期望為常數(shù),自相關(guān)函數(shù)只和時(shí)間差有關(guān)。依照上述規(guī)則,本文設(shè)計(jì)了一個(gè)感知模塊,約束全局特征在時(shí)域維度上以一個(gè)寬平穩(wěn)隨機(jī)過程的方式演化。

    為了探索圖在時(shí)域上的演化規(guī)律,之前的研究是將所有節(jié)點(diǎn)特征作為長(zhǎng)短期記憶網(wǎng)絡(luò)(long shortterm memory networks,LSTM)的輸入,但是模型的學(xué)習(xí)能力有限,它無(wú)法用一組參數(shù)捕捉到所有節(jié)點(diǎn)在時(shí)域上的演化規(guī)律。雖然本文采用LSTM 來(lái)捕捉時(shí)域上的特征,但是不同的是本文用全局特征代替所有節(jié)點(diǎn)特征作為L(zhǎng)STM 的輸入。最后利用預(yù)測(cè)得到的全局特征構(gòu)造鏈接,與真實(shí)的鏈接進(jìn)行對(duì)抗訓(xùn)練,使預(yù)測(cè)值更加接近真實(shí)值。

    本文的創(chuàng)新有以下兩點(diǎn):

    (1)設(shè)計(jì)了一個(gè)新穎的全局特征提取模塊,用于挖掘全局特征在動(dòng)態(tài)圖上的演變規(guī)律。該模塊以GCN 模型為基礎(chǔ),利用全局特征和局部特征的互信息構(gòu)造對(duì)比損失函數(shù),采用對(duì)抗的方式訓(xùn)練,保證了全局特征在時(shí)域上的傳遞。

    (2)設(shè)計(jì)了感知模塊,對(duì)全局特征的平滑性做了約束。該模塊從寬平穩(wěn)隨機(jī)過程獲得靈感,通過對(duì)均值和自相關(guān)函數(shù)進(jìn)行限制,達(dá)到規(guī)范全局特征的演化過程,是個(gè)全局的概念。

    1 相關(guān)工作

    1.1 傳統(tǒng)的動(dòng)態(tài)圖鏈接預(yù)測(cè)模型

    傳統(tǒng)的動(dòng)態(tài)圖鏈接預(yù)測(cè)模型大部分是先學(xué)習(xí)節(jié)點(diǎn)嵌入,然后利用傳統(tǒng)機(jī)器學(xué)習(xí)方法進(jìn)行分類。節(jié)點(diǎn)嵌入學(xué)習(xí)主要分為基于隨機(jī)游走和基于矩陣分解兩種。自從Perozzi 等人和Grover 等人分別提出DeepWalk 模型和node2vec 模型以來(lái),基于隨機(jī)游走的方法廣泛應(yīng)用于圖的特征提取。比如在動(dòng)態(tài)圖上,Nguyen 等人關(guān)注時(shí)間的重要性,給每條鏈接的存在時(shí)間定義一個(gè)區(qū)間,剔除隨機(jī)游走產(chǎn)生的不合理的序列。Yu等人認(rèn)為如果圖不發(fā)生實(shí)質(zhì)性的變化,那么只需要在一個(gè)連續(xù)的時(shí)間段中重新采樣一些隨機(jī)游走序列即可。Ahmed 等人利用隨機(jī)游走為每個(gè)節(jié)點(diǎn)構(gòu)造子圖,在該節(jié)點(diǎn)周圍的子圖內(nèi)計(jì)算節(jié)點(diǎn)與其鄰居之間的相似度分?jǐn)?shù),整合局部和全局拓?fù)湫畔ⅰ;诰仃嚪纸獾姆椒ㄍǔJ歉鶕?jù)特征值將一個(gè)大矩陣拆分成幾個(gè)小矩陣相乘的形式。比如Li 等人和Zhu 等人提出的動(dòng)態(tài)屬性網(wǎng)絡(luò)嵌入(dynamic attributed networks embedding,DANE)模型和動(dòng)態(tài)高階鄰近保留嵌入(dynamic high-order proximity preserved embedding,DHPE)模型,都是基于廣義奇異值分解(generalized singular value decomposition,GSVD)和矩陣攝動(dòng)理論(matrix perturbation theory,MPT),在保留高階相似性的同時(shí),動(dòng)態(tài)更新動(dòng)態(tài)網(wǎng)絡(luò)的節(jié)點(diǎn)表示。Ma 等人設(shè)計(jì)了一種新的矩陣分解規(guī)則,并從理論和實(shí)驗(yàn)上證明了算法的收斂性和準(zhǔn)確性。

    1.2 基于圖神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)圖鏈接預(yù)測(cè)模型

    由于圖卷積神經(jīng)網(wǎng)絡(luò)在靜態(tài)圖上的強(qiáng)大性能,一些研究者將GCN 應(yīng)用于動(dòng)態(tài)圖的鏈接預(yù)測(cè)任務(wù)上,并取得了階段性的研究成果。比如Seo 等人提出了圖卷積循環(huán)網(wǎng)絡(luò)模型(graph convolutional recurrent network,GCRN),該模型有兩種形式:第一種是利用Defferrard 等人提出的GCN 模型提取靜態(tài)圖的特征,然后將特征作為L(zhǎng)STM 的輸入;第二種是在第一種的基礎(chǔ)上將LSTM 中的矩陣乘法替換成GCN 的操作。Manessi 等人引入殘差網(wǎng)絡(luò)的思想,將GCN 和LSTM 結(jié)合提出了瀑布動(dòng)態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)(waterfall dynamic graph convolutional neural network,WD-GCN)和級(jí)聯(lián)動(dòng)態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)(concatenate dynamic graph convolutional neural network,CD-GCN)模型,并成功地將模型從節(jié)點(diǎn)任務(wù)拓展到了圖任務(wù)上,在真實(shí)數(shù)據(jù)集上取得了很好的分類效果。Narayan 等人先利用PATCHY-SAN(PATCHY select-assemble-normalize)提取圖的空間特征,然后結(jié)合LSTM 提取時(shí)域特征,提出循環(huán)圖卷積神經(jīng)網(wǎng)絡(luò)(recurrent neural network on graph convolutional neural network,RgCNN)模型并在真實(shí)數(shù)據(jù)集上取得了優(yōu)于Manessi 等人的效果。Pareja 等人將關(guān)注點(diǎn)聚焦在模型本身的適應(yīng)性上而不是節(jié)點(diǎn)的嵌入上,提出了演化圖卷積神經(jīng)網(wǎng)絡(luò)(evolving graph convolutional network,EvolveGCN)模型,該模型不訓(xùn)練GCN 的參數(shù),而是去訓(xùn)練RNN 模型的參數(shù),使模型參數(shù)不會(huì)隨時(shí)間增長(zhǎng)而增長(zhǎng)。Lei 等人考慮到動(dòng)態(tài)圖在演化過程中的非線性特征,引入生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks,GAN),結(jié)合GCN和LSTM提出了GCN-GAN模型。

    2 動(dòng)態(tài)圖鏈接預(yù)測(cè)模型

    2.1 問題定義

    2.2 整體架構(gòu)

    本文提出了一種新的非線性時(shí)序預(yù)測(cè)模型LPMDG(link prediction model for dynamic graphs),解決動(dòng)態(tài)圖的鏈接預(yù)測(cè)問題。模型整體架構(gòu)如圖2所示,主要由四部分組成:(1)結(jié)構(gòu)特征提取模塊;(2)全局特征約束模塊;(3)時(shí)域特征提取模塊;(4)對(duì)抗網(wǎng)絡(luò)訓(xùn)練模塊。

    圖2 LPMDG 整體框架圖Fig.2 LPMDG overall framework diagram

    首先,選取一個(gè)合適的時(shí)間窗口大小,利用GCN 模型分別提取這個(gè)靜態(tài)圖的節(jié)點(diǎn)特征,通過優(yōu)化本文設(shè)計(jì)的損失函數(shù),獲取圖的全局特征。再將個(gè)全局特征輸入到全局特征約束模塊,保證全局特征在時(shí)域上表現(xiàn)為寬平穩(wěn)隨機(jī)過程。接著,將全局特征輸入到時(shí)域特征提取模塊,抓取時(shí)域上的非線性特征。最后,將(1)(2)(3)視為一個(gè)生成器,另外設(shè)計(jì)一個(gè)全連接網(wǎng)絡(luò)作為判別器,利用GAN 的訓(xùn)練策略生成高質(zhì)量的鄰接矩陣。下面將詳細(xì)介紹LPMDG 模型的四部分。

    由于靜態(tài)圖原始的節(jié)點(diǎn)特征通常是按照一定的主觀模式提取的,過于冗余,文中提出了結(jié)構(gòu)特征提取模塊,該模塊是利用GCN 和對(duì)抗訓(xùn)練方式,對(duì)原始特征進(jìn)行編碼,以獲取節(jié)點(diǎn)的潛在表示以及圖的全局特征。其中,GCN 是卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)在非歐數(shù)據(jù)上的擴(kuò)展,自Kpif利用GCN 在半監(jiān)督節(jié)點(diǎn)分類任務(wù)上取得卓越成果后,GCN 被廣泛應(yīng)用于提取圖的結(jié)構(gòu)特征,本文亦通過GCN 提取節(jié)點(diǎn)特征中最關(guān)鍵的成分。對(duì)抗訓(xùn)練方式能協(xié)助GCN 模型挖掘特征不同維度之間的非線性關(guān)系。假設(shè)存在一個(gè)節(jié)點(diǎn)數(shù)為的圖,GCN 模型需要先得到圖的鄰接矩陣∈R和節(jié)點(diǎn)的特征矩陣∈R,然后利用式(2)進(jìn)行相鄰層之間的更新迭代。

    為了得到全局特征,本文假設(shè)存在單射函數(shù):R→R,該函數(shù)能將節(jié)點(diǎn)特征映射成全局特征。眾所周知,最優(yōu)的全局特征應(yīng)該滿足兩點(diǎn)要求:(1)能最大程度地保留圖的信息;(2)節(jié)點(diǎn)特征通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)后依然能保留全局特征的成分。為了保證GCN 模型提取的全局特征能滿足要求(1),本文引入互信息理論加以分析,互信息是度量?jī)蓚€(gè)隨機(jī)變量之間的關(guān)聯(lián)程度,它表示一個(gè)隨機(jī)變量中包含另一個(gè)隨機(jī)變量的信息量(本文將節(jié)點(diǎn)特征和全局特征視為兩個(gè)隨機(jī)變量),值越大則兩個(gè)隨機(jī)變量相關(guān)性越強(qiáng),互相包含的信息量也越多。形式上可以表示成:

    其中,(*,*)表示互信息量,表示KL 散度。下面本文將從概率的角度分析為什么互信息能增強(qiáng)全局特征和節(jié)點(diǎn)特征的聯(lián)系。

    互信息本身難以優(yōu)化,但是注意到,如果將兩個(gè)變量分開考慮(樣本來(lái)自()())和綜合考慮(樣本來(lái)自(,))導(dǎo)致結(jié)果差別很大,那么就可以說明這兩個(gè)變量、的關(guān)系很緊密。因此,為了優(yōu)化問題,本文通過固定樣本來(lái)源((,)),以計(jì)算模型錯(cuò)誤分類的概率值之和,并將其命名為關(guān)聯(lián)距離(correlation distance,CD)。

    (關(guān)聯(lián)距離)假設(shè)存在兩個(gè)集合、,并且滿足||≤||,{(,)}表示從聯(lián)合分布(,)采樣得到的樣本,則分類器將采樣的樣本判定為邊緣分布()()的概率之和被定義為關(guān)聯(lián)距離,形式上可寫成:

    其中,Ω={Gs|Fs=(Gs)}。據(jù)此可以進(jìn)一步得到關(guān)聯(lián)距離的上界:

    由此,可以得到定理1。

    假設(shè)兩個(gè)集合、存在單射的關(guān)系,則最小化兩者關(guān)聯(lián)距離的誤差上界等同于最大化兩者的互信息。

    上式可作如下理解,當(dāng)、之間的互信息逼近上界時(shí),(|)向1 逼近,這與、一一對(duì)應(yīng)等價(jià)。因此得出最小化關(guān)聯(lián)距離等同于最大化互信息的結(jié)論。

    因?yàn)?(),并且具有反函數(shù),所以可逆推=(),進(jìn)而可得:

    從形式上看,全局特征和高階特征的關(guān)系滿足定理1 的條件,同理可得:最小化全局特征和高階特征的關(guān)聯(lián)距離等價(jià)于最大化兩者的互信息,即:

    綜合上述結(jié)論,可以總結(jié)出這樣一條規(guī)律:一定條件下,全局特征的學(xué)習(xí),在滿足Infomax 準(zhǔn)則時(shí)達(dá)到最優(yōu),即輸入和輸出的互信息最大時(shí)。為此,本文采用如下?lián)p失函數(shù)進(jìn)行對(duì)抗訓(xùn)練:

    其中,表示判別器,X表示潛在特征,表示負(fù)樣本的特征。

    雖然動(dòng)態(tài)圖的演化主要表現(xiàn)在時(shí)間維度上,但是內(nèi)在驅(qū)動(dòng)卻是靜態(tài)圖的規(guī)律性。平穩(wěn)過程是統(tǒng)計(jì)特性不隨時(shí)間變化而改變的隨機(jī)過程,是時(shí)序分析中尋找共性特征的重要工具,最常見的可分為嚴(yán)平穩(wěn)過程(strictly stationary process,SSP)和寬平穩(wěn)過程(weakly stationary process,WSP)。SSP 要求一切概率性質(zhì)都固定,這在統(tǒng)計(jì)上無(wú)法驗(yàn)證,而WSP 要求相對(duì)寬松,只需要期望和自相關(guān)函數(shù)不隨時(shí)間變化而改變即可。因此,本文假設(shè)全局特征在時(shí)域上是一個(gè)寬平穩(wěn)隨機(jī)過程,并設(shè)計(jì)與之對(duì)應(yīng)的感知模塊,該模塊收集一個(gè)時(shí)間窗口的全局特征,并且將這些特征作為采樣點(diǎn)去擬合整個(gè)時(shí)域演化曲線的概率特性,以此逼近真正的寬平穩(wěn)隨機(jī)過程。

    若用{ε|∈}表示隨機(jī)過程,則WSP 的兩個(gè)性質(zhì)在形式上可以表示成:

    為了讓上述兩個(gè)公式具有現(xiàn)實(shí)意義,給出定理2:

    若存在集合={ε|∈},且關(guān)系:(ε,ε)=(-)成立,則的子集也滿足關(guān)系。

    顯然,在一個(gè)時(shí)間窗口中的全局特征{(-+1),(-+2),…,()},其自相關(guān)函數(shù)滿足定理2:

    同理,可得期望的表現(xiàn)形式:

    其中,表示期望,(*,*)表示自相關(guān)函數(shù),表示期望函數(shù),表示隨機(jī)變量,表示函數(shù),()表示時(shí)刻GCN 提取的全局特征。若自相關(guān)函數(shù)可逆,則由上述式(12)、式(13)和定理2,可以進(jìn)一步構(gòu)造損失函數(shù):

    其中,⊙表示哈達(dá)瑪積,表示時(shí)間窗口的大小,-表示時(shí)間差,將-進(jìn)行one-hot 編碼后作為標(biāo)簽,與全連接網(wǎng)絡(luò)MLP 的輸出構(gòu)造優(yōu)化目標(biāo)。

    RNN 系列的模型是解決時(shí)域問題的有效方法,LSTM 是一種特殊的RNN,它通過利用門機(jī)制解決了RNN 在訓(xùn)練過程中梯度消失和梯度爆炸的問題。為了捕獲圖序列在時(shí)間維度上的長(zhǎng)短依賴關(guān)系,本文將GCN 提取的全局特征{(-+1),(-+2),…,()}作為L(zhǎng)STM 的輸入數(shù)據(jù)。通常標(biāo)準(zhǔn)的LSTM 包含三個(gè)門(遺忘門、輸入門、輸出門)和一個(gè)記憶細(xì)胞。例如在時(shí)刻,LSTM將-1 時(shí)刻的細(xì)胞狀態(tài)向量c和隱狀態(tài)向量h和時(shí)刻的輸入向量()同時(shí)作為輸入,然后輸出當(dāng)前時(shí)刻的狀態(tài)向量h

    LSTM 具體的更新步驟如下所示:

    其中,io、f、ch分別表示輸入門、輸出門、遺忘門、細(xì)胞狀態(tài)、隱狀態(tài);{θ,θ,θ,θ,b,b,b,b}分別表示對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù);⊙表示哈達(dá)瑪積。激活函數(shù)如下:

    當(dāng)()經(jīng)過LSTM 模型之后,得到預(yù)測(cè)的+1 時(shí)刻隱狀態(tài)h。本文在LSTM 之后另設(shè)計(jì)一個(gè)全連接神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)以h作為輸入,輸出維度為×,即預(yù)測(cè)的鄰接矩陣ˉ。為了訓(xùn)練LSTM,本文構(gòu)造均方差損失函數(shù):

    為了探索動(dòng)態(tài)圖在時(shí)域上演化規(guī)律的一致性,本文利用GAN 來(lái)提高LSTM 的性能。經(jīng)典的GAN由一個(gè)生成器和一個(gè)判別器組成,其優(yōu)化過程采用極小極大的策略。一方面,生成器生成偽數(shù)據(jù)欺騙判別器,讓判別器無(wú)法區(qū)分?jǐn)?shù)據(jù)的真?zhèn)危涣硪环矫?,判別器一直優(yōu)化性能,盡可能地區(qū)分真數(shù)據(jù)和偽數(shù)據(jù)。形式上表示為:

    其中,和表示生成器和判別器的網(wǎng)絡(luò)參數(shù)。但是難以直接訓(xùn)練,通常是采用控制變量法將生成器和判別器分開訓(xùn)練,先訓(xùn)練判別器,然后訓(xùn)練生成器,如此反復(fù)迭代直至模型收斂,兩者的優(yōu)化目標(biāo)如下所示:

    總結(jié)上述各部分,可得模型LPMDG 的訓(xùn)練過程,如算法1 所示。

    LPMDG 算法

    3 實(shí)驗(yàn)

    3.1 數(shù)據(jù)集

    為了驗(yàn)證LPMDG 模型的有效性,本文在三個(gè)常用數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),這三個(gè)數(shù)據(jù)集的具體情況如表1 所示。

    表1 數(shù)據(jù)集的具體情況Table 1 Details of dataset

    USCB是衡量無(wú)線網(wǎng)狀網(wǎng)絡(luò)中鏈接質(zhì)量的數(shù)據(jù)集,圖中的節(jié)點(diǎn)表示電腦主機(jī),圖中的鏈接權(quán)重表示某個(gè)時(shí)間片內(nèi)兩個(gè)主機(jī)之間的流量或者鏈接存在的質(zhì)量。為了構(gòu)造無(wú)權(quán)無(wú)向圖,本文設(shè)置一個(gè)質(zhì)量的閾值,權(quán)重大于閾值設(shè)為1,否則設(shè)為0。SBM是隨機(jī)圖模型生成的圖,它按一定的規(guī)則構(gòu)成社區(qū)并模擬社區(qū)的演化。AS是一個(gè)由路由器組成的通信網(wǎng)絡(luò),圖中節(jié)點(diǎn)表示路由器,圖中鏈接表示路由器之間的流量交換,與處理USCB 數(shù)據(jù)集的方法相同,本文將AS 數(shù)據(jù)集設(shè)計(jì)成無(wú)權(quán)無(wú)向圖的演化序列。

    本文采用MSE(mean square error)和AUC(area under the curve)兩個(gè)標(biāo)準(zhǔn)來(lái)評(píng)價(jià)模型的性能。MSE是最常見的評(píng)價(jià)指標(biāo)之一,它通過逐點(diǎn)比較預(yù)測(cè)值和真實(shí)值的距離得到模型性能的量化結(jié)果。AUC 是ROC(receiver operating characteristic curve)曲線下的面積,而ROC 曲線的橫縱坐標(biāo)是由真陽(yáng)性率(true positive rate,TPR)和偽陽(yáng)性率(false positive rate,F(xiàn)PR)構(gòu)成。AUC 值越大表示當(dāng)前的分類器越有可能將正樣本排在負(fù)樣本的前面,從而說明模型的分類效果更好。

    為了驗(yàn)證模型的泛化能力,本文將提出的模型和下面四個(gè)模型進(jìn)行比較:

    (1)GCN:第一個(gè)對(duì)比的模型是靜態(tài)的GCN 模型,該模型沒有任何針對(duì)時(shí)域信息的處理,僅對(duì)每一個(gè)時(shí)間片的靜態(tài)圖進(jìn)行建模。

    (2)GCN-GRU:是在GCN 模型的基礎(chǔ)上,對(duì)每個(gè)節(jié)點(diǎn)的嵌入利用GRU(gated recurrent unit)遞歸模型進(jìn)行聯(lián)合訓(xùn)練。

    (3)EnvolveGCN:利用RNN去更新GCN的參數(shù),達(dá)到捕捉圖序列動(dòng)態(tài)性的目的,其中EnvolveGCN-h和EnvolveGCN-o 的區(qū)別在于RNN 的選取上,前者采用GRU,后者采用LSTM。

    (4)GCN-GAN:將GAN、GCN、LSTM 進(jìn)行組合設(shè)計(jì),利用GCN 提取靜態(tài)圖的特征,LSTM 捕捉時(shí)域信息,GAN 優(yōu)化模型的性能,充分發(fā)揮各個(gè)模塊的優(yōu)勢(shì),直接生成圖的鄰接矩陣。

    3.2 實(shí)驗(yàn)設(shè)置

    為了驗(yàn)證LPMDG 模型的有效性,本文的實(shí)驗(yàn)都是在統(tǒng)一的實(shí)驗(yàn)環(huán)境下進(jìn)行的,具體如表2 所示。另外,用于對(duì)比的模型均采用原論文的實(shí)驗(yàn)配置,而LPMDG 則采用如表3 所示的參數(shù)設(shè)置,并且在訓(xùn)練過程,本文使用Adam 優(yōu)化器進(jìn)行優(yōu)化,學(xué)習(xí)率設(shè)置為0.001。

    表2 實(shí)驗(yàn)設(shè)置Table 2 Experimental setup

    表3 模型參數(shù)設(shè)置Table 3 Setting of model parameters

    3.3 結(jié)果與分析

    實(shí)驗(yàn)結(jié)果如表4~表6 所示,通過觀察對(duì)比可以發(fā)現(xiàn),LPMDG 的效果在大多數(shù)情況下優(yōu)于上述四種模型,這是因?yàn)長(zhǎng)PMDG 不僅考慮了時(shí)間的全局性,還考慮了空間的全局性。反觀另外幾個(gè)模型,GCN 并未考慮時(shí)間的因素,只是將參數(shù)更新過程視為圖在時(shí)域上的演化過程;GCN-GRU 雖然考慮了時(shí)間的影響,但是將每個(gè)節(jié)點(diǎn)看作一個(gè)單獨(dú)演化的過程,忽視了全局信息的作用;EnvolveGCN-h 和EnvolveGCN-o認(rèn)為圖的演化過程蘊(yùn)含在模型參數(shù)中,因此更加關(guān)注模型參數(shù)而不是單個(gè)節(jié)點(diǎn),但是這種想法假設(shè)性太強(qiáng),并且沒有關(guān)注圖本身的演化趨勢(shì);GCN-GAN結(jié)合了GCN、LSTM 和GAN,但是依舊將節(jié)點(diǎn)單獨(dú)考慮,沒有考慮圖的整體性。

    表4 USCB 的預(yù)測(cè)結(jié)果Table 4 Prediction results of USCB

    表5 SBM 的預(yù)測(cè)結(jié)果Table 5 Prediction results of SBM

    表6 AS 的預(yù)測(cè)結(jié)果Table 6 Prediction results of AS

    本文的基準(zhǔn)模型是GCN-GAN,為了驗(yàn)證所提創(chuàng)新點(diǎn)的作用,本文構(gòu)造了LPMDG*模型。LPMDG*對(duì)應(yīng)于創(chuàng)新點(diǎn)1,比基準(zhǔn)模型更加注重全局特征,但是缺少WSD 的約束。LPMDG 則是本文的完整模型,由于創(chuàng)新點(diǎn)2 是基于創(chuàng)新點(diǎn)1 的,在實(shí)驗(yàn)部分不需要單獨(dú)驗(yàn)證創(chuàng)新點(diǎn)2 對(duì)于基準(zhǔn)模型的作用。從GCNGAN、LPMDG*和LPMDG 的實(shí)驗(yàn)結(jié)果來(lái)看,AUC 指標(biāo)都有不同程度的提升,MSE 在大多數(shù)情況下也是有所減小的,這足以說明全局特征對(duì)重構(gòu)任務(wù)的重要作用。另外LPMDG 在三個(gè)數(shù)據(jù)集上的表現(xiàn)都是優(yōu)于LPMDG*的,這也反映了寬平穩(wěn)隨機(jī)過程確實(shí)能約束圖在時(shí)域上的演化進(jìn)程。

    本小節(jié)給出SBM 在訓(xùn)練過程中損失函數(shù)值的變化曲線,如圖3 所示。其中橫坐標(biāo)是迭代次數(shù),縱坐標(biāo)是函數(shù)值??梢钥闯?,損失值雖然在局部有些許的波動(dòng),但是其整體趨勢(shì)是下降的,并且隨著迭代次數(shù)的增多,它的值逐漸收斂。由此,可間接證明本文模型在一定程度上是收斂的。

    圖3 SBM 訓(xùn)練損失Fig.3 SBM training loss

    超參數(shù)是影響神經(jīng)網(wǎng)絡(luò)性能的重要部分,比如LPMDG 模型中的時(shí)間窗口和隱空間的特征維度。據(jù)此,在USCB 和SBM 上做了進(jìn)一步的實(shí)驗(yàn),觀察這些參數(shù)對(duì)本文模型的影響。首先,為了驗(yàn)證不同時(shí)間窗口的影響,將USCB 隱空間的特征維度定義成64,SBM 的設(shè)為32,時(shí)間窗口取值分別為{2,3,4,5,6,7,8,9,10},得出圖4 和圖5 的實(shí)驗(yàn)結(jié)果。然后,為了驗(yàn)證潛在特征維度的影響,本文將USCB 的時(shí)間窗口定義為6,SBM 的時(shí)間窗口定義為10,潛在特征維度的取值為{16,32,64,128,256},得出圖6 和圖7的實(shí)驗(yàn)結(jié)果。

    圖4 AUC 實(shí)驗(yàn)結(jié)果(固定d)Fig.4 AUC experimental results(fixed d)

    圖5 MSE 實(shí)驗(yàn)結(jié)果(固定d)Fig.5 MSE experimental results(fixed d)

    圖6 AUC 實(shí)驗(yàn)結(jié)果(固定w)Fig.6 AUC experimental results(fixed w)

    圖7 MSE 實(shí)驗(yàn)結(jié)果(固定w)Fig.7 MSE experimental results(fixed w)

    從實(shí)驗(yàn)結(jié)果來(lái)看,當(dāng)=6,=64和=10,=32時(shí),模型分別在USCB 和SBM 上的表現(xiàn)是最佳的。這是因?yàn)閁SCB 的節(jié)點(diǎn)個(gè)數(shù)相對(duì)較小,需要在隱空間增加維度,提高特征的表現(xiàn)力,而SBM 節(jié)點(diǎn)個(gè)數(shù)相對(duì)較多,原始的特征維度很容易造成信息冗余,在隱空間進(jìn)行適當(dāng)?shù)奶卣鹘稻S,能提高潛在特征的質(zhì)量。另外,同樣的改變,對(duì)于小的圖來(lái)說可能發(fā)生了大的變化,但是對(duì)于大的圖來(lái)說可能變化很小,因此節(jié)點(diǎn)少的數(shù)據(jù)集會(huì)更加注意短期的演變趨勢(shì),節(jié)點(diǎn)多的數(shù)據(jù)集會(huì)更加關(guān)注長(zhǎng)期的變化方向。

    4 結(jié)束語(yǔ)

    針對(duì)動(dòng)態(tài)圖的鏈接預(yù)測(cè)問題,本文提出了LPDMG模型,該模型利用GCN、LSTM 和GAN 的優(yōu)勢(shì),耦合局部特征和全局特征的關(guān)系,學(xué)習(xí)高質(zhì)量的全局特征表示。此外LPDMG 模型還考慮了全局特征在時(shí)域上的規(guī)律性,通過設(shè)計(jì)寬平穩(wěn)感知模塊,從而約束全局特征演化的平滑性。本文在三個(gè)動(dòng)態(tài)圖的數(shù)據(jù)集上對(duì)模型的性能進(jìn)行了驗(yàn)證,實(shí)驗(yàn)結(jié)果表明,全局特征的高質(zhì)量和平滑性對(duì)鏈接預(yù)測(cè)模型有著重要作用。在未來(lái),會(huì)嘗試將本文算法思想應(yīng)用于解決多關(guān)系圖和異構(gòu)圖的相關(guān)問題。

    猜你喜歡
    特征模型
    一半模型
    抓住特征巧觀察
    重要模型『一線三等角』
    新型冠狀病毒及其流行病學(xué)特征認(rèn)識(shí)
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    3D打印中的模型分割與打包
    FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
    午夜两性在线视频| 手机成人av网站| 18禁裸乳无遮挡动漫免费视频| 国产有黄有色有爽视频| 国产精品国产av在线观看| 日本欧美视频一区| 不卡一级毛片| 国产亚洲精品一区二区www | 男男h啪啪无遮挡| 日本猛色少妇xxxxx猛交久久| av福利片在线| 欧美黄色片欧美黄色片| 欧美+亚洲+日韩+国产| 99热全是精品| 黄色片一级片一级黄色片| 欧美黄色片欧美黄色片| 在线亚洲精品国产二区图片欧美| 水蜜桃什么品种好| 咕卡用的链子| 亚洲 欧美一区二区三区| 国产激情久久老熟女| 精品久久久久久电影网| 亚洲天堂av无毛| 69av精品久久久久久 | 天天影视国产精品| 99久久人妻综合| 每晚都被弄得嗷嗷叫到高潮| 韩国高清视频一区二区三区| 不卡av一区二区三区| 窝窝影院91人妻| √禁漫天堂资源中文www| av片东京热男人的天堂| 国产精品秋霞免费鲁丝片| 欧美精品一区二区大全| 国产男女超爽视频在线观看| 久久精品aⅴ一区二区三区四区| 日本五十路高清| 国产欧美日韩一区二区三区在线| 亚洲午夜精品一区,二区,三区| 99国产精品99久久久久| 丰满迷人的少妇在线观看| √禁漫天堂资源中文www| 欧美一级毛片孕妇| 操美女的视频在线观看| 如日韩欧美国产精品一区二区三区| 天堂中文最新版在线下载| 亚洲人成77777在线视频| www.999成人在线观看| 国产免费av片在线观看野外av| 啦啦啦免费观看视频1| 精品人妻一区二区三区麻豆| 成年av动漫网址| 黄色 视频免费看| 999久久久精品免费观看国产| 欧美日韩精品网址| 男人爽女人下面视频在线观看| 在线观看舔阴道视频| 丁香六月欧美| 啦啦啦中文免费视频观看日本| 国产男女内射视频| 亚洲成国产人片在线观看| 大码成人一级视频| 亚洲欧美成人综合另类久久久| 欧美人与性动交α欧美精品济南到| 欧美成狂野欧美在线观看| 欧美xxⅹ黑人| 最近中文字幕2019免费版| 精品久久久久久久毛片微露脸 | 久久人妻熟女aⅴ| 成年美女黄网站色视频大全免费| 99国产综合亚洲精品| 精品国产一区二区三区久久久樱花| 大型av网站在线播放| 性色av乱码一区二区三区2| 一二三四社区在线视频社区8| 久久久国产欧美日韩av| 国产精品久久久av美女十八| 午夜免费成人在线视频| 日本五十路高清| 18禁观看日本| 亚洲五月色婷婷综合| 一级毛片精品| 精品福利永久在线观看| 色精品久久人妻99蜜桃| 日本一区二区免费在线视频| 十分钟在线观看高清视频www| 亚洲avbb在线观看| 一本综合久久免费| 成人国产一区最新在线观看| h视频一区二区三区| 亚洲成人国产一区在线观看| 午夜福利在线免费观看网站| 69av精品久久久久久 | 精品亚洲成a人片在线观看| 一本色道久久久久久精品综合| www.av在线官网国产| 女人久久www免费人成看片| 国产精品一区二区在线观看99| 午夜福利,免费看| 国产欧美日韩精品亚洲av| 十八禁网站网址无遮挡| 99re6热这里在线精品视频| 久久久欧美国产精品| 中文字幕人妻丝袜一区二区| kizo精华| 国产三级黄色录像| 国产欧美日韩一区二区三 | 国产主播在线观看一区二区| 国产精品国产av在线观看| 日韩欧美一区视频在线观看| 欧美在线黄色| 高清视频免费观看一区二区| videosex国产| 精品久久久久久久毛片微露脸 | 最近最新中文字幕大全免费视频| 国产免费福利视频在线观看| 叶爱在线成人免费视频播放| 国产三级黄色录像| 黄色视频不卡| 日韩视频一区二区在线观看| 视频区欧美日本亚洲| 国产三级黄色录像| 国产精品.久久久| 国产在线视频一区二区| 亚洲中文av在线| 国产精品一区二区在线观看99| 午夜福利免费观看在线| 久久人妻福利社区极品人妻图片| 亚洲一码二码三码区别大吗| 亚洲欧美精品自产自拍| 亚洲男人天堂网一区| 久久精品国产亚洲av香蕉五月 | 91成年电影在线观看| 十八禁网站网址无遮挡| 18禁国产床啪视频网站| h视频一区二区三区| a级片在线免费高清观看视频| 国产免费av片在线观看野外av| 日韩欧美一区视频在线观看| 另类亚洲欧美激情| 国产欧美亚洲国产| 午夜福利免费观看在线| 天堂中文最新版在线下载| 最近最新中文字幕大全免费视频| 亚洲激情五月婷婷啪啪| 电影成人av| 中文欧美无线码| 别揉我奶头~嗯~啊~动态视频 | 国产亚洲av高清不卡| 亚洲成人免费电影在线观看| 婷婷成人精品国产| 在线观看www视频免费| 少妇粗大呻吟视频| 波多野结衣av一区二区av| 精品视频人人做人人爽| 91精品三级在线观看| 美女脱内裤让男人舔精品视频| 亚洲国产精品一区二区三区在线| 中亚洲国语对白在线视频| 在线观看免费午夜福利视频| 夜夜夜夜夜久久久久| 亚洲情色 制服丝袜| 久久国产亚洲av麻豆专区| 咕卡用的链子| 国产视频一区二区在线看| 亚洲国产成人一精品久久久| 国产野战对白在线观看| 久久亚洲国产成人精品v| 高清黄色对白视频在线免费看| 亚洲熟女精品中文字幕| 精品一区二区三区四区五区乱码| 国产区一区二久久| 9色porny在线观看| 国产免费一区二区三区四区乱码| 99国产精品一区二区三区| 他把我摸到了高潮在线观看 | 日韩制服丝袜自拍偷拍| 国产日韩欧美在线精品| 国产一区二区三区综合在线观看| 成在线人永久免费视频| 男女边摸边吃奶| 99久久国产精品久久久| 国产激情久久老熟女| 青春草亚洲视频在线观看| 男女免费视频国产| 天天添夜夜摸| 亚洲国产欧美一区二区综合| 国产麻豆69| 久久人人爽av亚洲精品天堂| 国产老妇伦熟女老妇高清| 欧美日韩精品网址| 中文字幕制服av| 亚洲成人国产一区在线观看| 丝袜美腿诱惑在线| 一区在线观看完整版| 午夜成年电影在线免费观看| 99国产精品99久久久久| 亚洲国产精品成人久久小说| 热re99久久精品国产66热6| 精品亚洲成国产av| 国产精品国产av在线观看| 在线天堂中文资源库| 亚洲欧美一区二区三区黑人| 久久性视频一级片| 男女下面插进去视频免费观看| 精品国产乱码久久久久久小说| 日韩中文字幕视频在线看片| xxxhd国产人妻xxx| 一级a爱视频在线免费观看| 纯流量卡能插随身wifi吗| 91成人精品电影| 久久中文看片网| 亚洲国产精品一区二区三区在线| 国产欧美日韩一区二区精品| 91麻豆av在线| 我的亚洲天堂| 我要看黄色一级片免费的| 在线亚洲精品国产二区图片欧美| 国产不卡av网站在线观看| 午夜福利免费观看在线| 亚洲熟女精品中文字幕| 亚洲欧洲日产国产| 大片免费播放器 马上看| 美女国产高潮福利片在线看| 国产高清视频在线播放一区 | bbb黄色大片| 精品一区二区三区av网在线观看 | 久久天躁狠狠躁夜夜2o2o| 777米奇影视久久| 国产免费一区二区三区四区乱码| 亚洲精品国产区一区二| 久久人人97超碰香蕉20202| 少妇被粗大的猛进出69影院| 久久人妻福利社区极品人妻图片| av福利片在线| 亚洲精品久久午夜乱码| 激情视频va一区二区三区| 亚洲精品久久成人aⅴ小说| 日本精品一区二区三区蜜桃| 又大又爽又粗| 午夜福利在线观看吧| 国产色视频综合| 777米奇影视久久| 成年美女黄网站色视频大全免费| 久久国产精品大桥未久av| 一二三四社区在线视频社区8| 丝袜人妻中文字幕| 国产黄色免费在线视频| 麻豆国产av国片精品| 亚洲国产欧美在线一区| 中文字幕色久视频| 50天的宝宝边吃奶边哭怎么回事| 久久国产精品影院| 国产精品久久久久久精品古装| 在线观看一区二区三区激情| 考比视频在线观看| 欧美在线一区亚洲| 亚洲人成电影免费在线| 大码成人一级视频| 国产精品久久久久成人av| 久久久久久久国产电影| 国产淫语在线视频| 色精品久久人妻99蜜桃| av又黄又爽大尺度在线免费看| 国产成+人综合+亚洲专区| 精品国产超薄肉色丝袜足j| 精品人妻在线不人妻| 大型av网站在线播放| 欧美日韩福利视频一区二区| 亚洲精品国产色婷婷电影| 亚洲一区二区三区欧美精品| 在线观看免费午夜福利视频| 欧美国产精品一级二级三级| 亚洲欧美精品综合一区二区三区| 老司机影院成人| 亚洲三区欧美一区| 国产xxxxx性猛交| a级片在线免费高清观看视频| 日本黄色日本黄色录像| 俄罗斯特黄特色一大片| 18禁黄网站禁片午夜丰满| 国产一区二区三区av在线| 少妇人妻久久综合中文| 国产一区二区激情短视频 | 亚洲成av片中文字幕在线观看| 免费高清在线观看视频在线观看| 久久久久久久久久久久大奶| 国产成人影院久久av| 女警被强在线播放| 亚洲精品av麻豆狂野| 亚洲欧美激情在线| tube8黄色片| 国产成人精品在线电影| 久久性视频一级片| 亚洲欧美成人综合另类久久久| 国产av国产精品国产| 国产亚洲一区二区精品| 18禁国产床啪视频网站| 男女免费视频国产| 日韩制服骚丝袜av| 久久精品国产综合久久久| 黄色 视频免费看| 精品人妻熟女毛片av久久网站| 黑丝袜美女国产一区| 两性夫妻黄色片| 久久久久久久久免费视频了| 一区二区三区乱码不卡18| 搡老熟女国产l中国老女人| 丰满人妻熟妇乱又伦精品不卡| 咕卡用的链子| 亚洲精品国产精品久久久不卡| 欧美日韩成人在线一区二区| 亚洲五月色婷婷综合| 人妻人人澡人人爽人人| 国产成人系列免费观看| 90打野战视频偷拍视频| 成年人黄色毛片网站| 亚洲色图综合在线观看| 9热在线视频观看99| 成年av动漫网址| 色94色欧美一区二区| 国产精品成人在线| 国产av国产精品国产| 少妇 在线观看| 亚洲国产毛片av蜜桃av| 亚洲精华国产精华精| 精品第一国产精品| 丝袜脚勾引网站| 国产在线观看jvid| 色94色欧美一区二区| 欧美精品一区二区免费开放| 丝袜美足系列| 91字幕亚洲| 99re6热这里在线精品视频| 亚洲国产av新网站| 久久影院123| 国产精品国产三级国产专区5o| av天堂在线播放| 免费在线观看完整版高清| 日韩人妻精品一区2区三区| 女人精品久久久久毛片| 中文字幕av电影在线播放| 亚洲三区欧美一区| 人妻一区二区av| 国产精品久久久久久人妻精品电影 | 51午夜福利影视在线观看| 精品熟女少妇八av免费久了| 久久影院123| 国产老妇伦熟女老妇高清| 欧美激情 高清一区二区三区| 一个人免费在线观看的高清视频 | 日韩欧美免费精品| 成人国语在线视频| 亚洲欧美精品综合一区二区三区| 久久久精品免费免费高清| 满18在线观看网站| av天堂久久9| 亚洲熟女毛片儿| 高清视频免费观看一区二区| 免费人妻精品一区二区三区视频| 国产成人免费无遮挡视频| 亚洲精品国产区一区二| 精品人妻熟女毛片av久久网站| 亚洲精品自拍成人| 久久久精品94久久精品| 欧美精品亚洲一区二区| 天天影视国产精品| 国产精品自产拍在线观看55亚洲 | 欧美日韩一级在线毛片| www.熟女人妻精品国产| 久久国产亚洲av麻豆专区| 两个人免费观看高清视频| 高清黄色对白视频在线免费看| 亚洲av日韩在线播放| 国产区一区二久久| 丁香六月欧美| 免费黄频网站在线观看国产| 五月开心婷婷网| 亚洲色图 男人天堂 中文字幕| 国产一区二区 视频在线| 乱人伦中国视频| 99国产综合亚洲精品| 夜夜夜夜夜久久久久| 午夜福利影视在线免费观看| av免费在线观看网站| 十八禁高潮呻吟视频| 精品一区二区三卡| 亚洲精品日韩在线中文字幕| 大片电影免费在线观看免费| 一边摸一边抽搐一进一出视频| 宅男免费午夜| 黄片大片在线免费观看| 国产成人av激情在线播放| 欧美 日韩 精品 国产| 捣出白浆h1v1| bbb黄色大片| 国产亚洲精品一区二区www | 最新的欧美精品一区二区| 99久久精品国产亚洲精品| 欧美国产精品va在线观看不卡| 久久狼人影院| 纵有疾风起免费观看全集完整版| xxxhd国产人妻xxx| 性色av一级| 久久久国产精品麻豆| 欧美少妇被猛烈插入视频| 久热爱精品视频在线9| 亚洲精品一二三| 久久免费观看电影| 精品一区在线观看国产| 亚洲精品一卡2卡三卡4卡5卡 | 黄色视频不卡| 欧美另类亚洲清纯唯美| 美国免费a级毛片| 国产真人三级小视频在线观看| 一级片免费观看大全| 亚洲中文日韩欧美视频| 亚洲全国av大片| 精品国产一区二区三区久久久樱花| 亚洲国产精品一区三区| 99国产精品一区二区三区| 天天影视国产精品| 十八禁人妻一区二区| 国产成+人综合+亚洲专区| 日韩欧美一区视频在线观看| 19禁男女啪啪无遮挡网站| 亚洲国产av新网站| 亚洲色图综合在线观看| 涩涩av久久男人的天堂| 国产黄色免费在线视频| 国产免费视频播放在线视频| 国产精品99久久99久久久不卡| 美女高潮到喷水免费观看| 亚洲精品久久久久久婷婷小说| 黄色a级毛片大全视频| 婷婷成人精品国产| 纵有疾风起免费观看全集完整版| 丁香六月欧美| 亚洲av电影在线进入| 色精品久久人妻99蜜桃| 操美女的视频在线观看| 亚洲成人免费电影在线观看| 老汉色av国产亚洲站长工具| 亚洲精华国产精华精| 亚洲成人手机| av在线app专区| 亚洲五月婷婷丁香| 不卡av一区二区三区| 精品人妻在线不人妻| 男人操女人黄网站| 丰满少妇做爰视频| 国产不卡av网站在线观看| 亚洲国产欧美一区二区综合| 成人影院久久| 999精品在线视频| 日本黄色日本黄色录像| 一级毛片电影观看| 天堂俺去俺来也www色官网| www.av在线官网国产| 国产男女内射视频| 国产日韩欧美视频二区| 亚洲国产毛片av蜜桃av| 99香蕉大伊视频| 91九色精品人成在线观看| 亚洲精品一区蜜桃| 欧美日韩成人在线一区二区| 在线观看免费高清a一片| 美女午夜性视频免费| 极品人妻少妇av视频| 又黄又粗又硬又大视频| kizo精华| 高清av免费在线| 欧美日韩黄片免| 五月开心婷婷网| 欧美久久黑人一区二区| 91字幕亚洲| 最近最新免费中文字幕在线| 无限看片的www在线观看| 欧美黑人欧美精品刺激| √禁漫天堂资源中文www| 啦啦啦啦在线视频资源| 国产伦人伦偷精品视频| 男男h啪啪无遮挡| av线在线观看网站| 亚洲国产欧美一区二区综合| 午夜91福利影院| h视频一区二区三区| bbb黄色大片| 亚洲精品中文字幕在线视频| 少妇裸体淫交视频免费看高清 | 黑人操中国人逼视频| 欧美变态另类bdsm刘玥| 2018国产大陆天天弄谢| 999久久久精品免费观看国产| 国产精品自产拍在线观看55亚洲 | 久久久久久久久免费视频了| 日韩欧美一区视频在线观看| 两性夫妻黄色片| 亚洲欧美一区二区三区久久| 亚洲人成77777在线视频| 欧美一级毛片孕妇| 亚洲伊人色综图| 亚洲激情五月婷婷啪啪| 欧美日韩国产mv在线观看视频| 亚洲精品国产精品久久久不卡| 一级片'在线观看视频| 一边摸一边做爽爽视频免费| 午夜福利免费观看在线| 精品一区在线观看国产| 国产淫语在线视频| 精品一区二区三区四区五区乱码| 少妇裸体淫交视频免费看高清 | 久久国产精品大桥未久av| 国产亚洲欧美精品永久| 国产亚洲精品第一综合不卡| 麻豆国产av国片精品| 国产无遮挡羞羞视频在线观看| 满18在线观看网站| 超碰成人久久| 亚洲中文av在线| 精品欧美一区二区三区在线| 久久久国产欧美日韩av| 国产欧美日韩一区二区精品| 国产亚洲一区二区精品| av有码第一页| 精品少妇久久久久久888优播| 国产成人系列免费观看| 免费在线观看黄色视频的| 老司机靠b影院| 男女边摸边吃奶| 又黄又粗又硬又大视频| 黄片小视频在线播放| 麻豆国产av国片精品| 丝袜在线中文字幕| av网站免费在线观看视频| 成年人午夜在线观看视频| 国产一区二区激情短视频 | 国产精品一二三区在线看| 精品久久久久久久毛片微露脸 | 久久人人爽人人片av| 久久精品国产亚洲av高清一级| 色婷婷久久久亚洲欧美| 久久国产精品大桥未久av| 一级毛片电影观看| 午夜福利乱码中文字幕| 免费不卡黄色视频| 一个人免费看片子| 女警被强在线播放| 老司机靠b影院| 国产黄色免费在线视频| 国产亚洲av高清不卡| 成年美女黄网站色视频大全免费| 国产99久久九九免费精品| 捣出白浆h1v1| 国产精品一区二区在线不卡| 亚洲成人国产一区在线观看| 人妻久久中文字幕网| 青春草视频在线免费观看| 日本wwww免费看| 老汉色∧v一级毛片| 嫁个100分男人电影在线观看| 精品福利观看| 亚洲av国产av综合av卡| 久久影院123| 国产在线视频一区二区| 91大片在线观看| 亚洲,欧美精品.| 一区二区av电影网| 丁香六月天网| 国产成人av教育| 在线观看www视频免费| 国产亚洲精品久久久久5区| 亚洲七黄色美女视频| 国产日韩一区二区三区精品不卡| 亚洲国产日韩一区二区| 淫妇啪啪啪对白视频 | 啦啦啦视频在线资源免费观看| 美女脱内裤让男人舔精品视频| 免费久久久久久久精品成人欧美视频| videos熟女内射| 18禁裸乳无遮挡动漫免费视频| 亚洲欧美日韩另类电影网站| 国产av又大| 欧美精品亚洲一区二区| 亚洲美女黄色视频免费看| 在线观看www视频免费| 日韩一卡2卡3卡4卡2021年| 一个人免费看片子| 搡老乐熟女国产| 少妇被粗大的猛进出69影院| 久久99热这里只频精品6学生| 一本一本久久a久久精品综合妖精| 中文字幕色久视频| 极品少妇高潮喷水抽搐| 老司机福利观看| 超碰97精品在线观看| 成人国产一区最新在线观看| 母亲3免费完整高清在线观看| 国产日韩欧美视频二区| 电影成人av| 侵犯人妻中文字幕一二三四区| 精品福利永久在线观看| 亚洲欧美激情在线| 国产黄色免费在线视频| 久久久久久免费高清国产稀缺| 黄片大片在线免费观看| 纯流量卡能插随身wifi吗| 波多野结衣一区麻豆| av线在线观看网站| 精品熟女少妇八av免费久了| 精品人妻一区二区三区麻豆| 日本wwww免费看| 在线亚洲精品国产二区图片欧美| 十八禁人妻一区二区| 欧美日韩亚洲高清精品|