• <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 ?

    基于預訓練語言模型的電子樂譜情感分類研究

    2022-11-17 02:12:04沈哲旭曾景杰林鴻飛
    復旦學報(自然科學版) 2022年5期
    關鍵詞:分類文本情感

    沈哲旭,曾景杰,丁 健,楊 亮,林鴻飛

    (大連理工大學 計算機科學與技術學院,遼寧 大連 116024)

    1 介 紹

    音樂具有傳達情感的功能,與聽眾之間產(chǎn)生情感共鳴是音樂創(chuàng)作的重要原則之一。對音樂的情感進行正確分析和預測,在諸多現(xiàn)實場景中均具有較高的應用價值。例如,將網(wǎng)絡平臺中的海量音樂數(shù)據(jù)按情感分類,可以方便用戶檢索,也可更好地針對用戶喜好進行推薦;利用情感信息來指導音樂生成,可以自動化地提供與場景氛圍相匹配的音樂;用音樂進行心理治療時,治療師可根據(jù)音樂的情感分析結果選擇出療效更好的音樂[1]。樂譜作為準確記錄各類音樂信息的載體,一直是人們進行音樂學習、傳播與分享的重要媒介。常見的記譜法有五線譜、簡譜、TAB譜等,分別應用于不同的樂器與音樂形式。隨著計算機音樂技術的發(fā)展,陸續(xù)產(chǎn)生了多種適用于計算機存取的電子樂譜格式。其中,由Good[2]在2001年基于可擴展標記語言(eXtensible Markup Language,XML)提出的音樂擴展標記語言(Music eXtensible Markup Language,Music XML)[1]電子樂譜格式具有描述精確、檢索方便等優(yōu)點,同時適用于音樂表示與網(wǎng)絡傳輸,在隨后的數(shù)年之內迅速成為了計算機制譜軟件的通用標準。本文基于預訓練語言模型,對Music XML樂譜所表達的音樂開展情感分類研究。

    國內外對音樂情感分析的研究從21世紀初開始興起,其中絕大多數(shù)研究是針對音頻音樂或歌詞文本開展的[3]。2005年,Lu等[4]利用音頻片段的3種特征,基于高斯混合模型提出了一種分層架構,完成了音樂的情感分類任務。2012年,李靜等[5]用歌詞中的情感詞建立情感向量空間模型,并考慮情感詞與所屬歌曲情感標簽的相似度來實現(xiàn)歌曲分類任務,其改進方法的分類準確度有了較為明顯的提升。2013年,Hwang等[6]提取了節(jié)奏、動態(tài)和音高等音頻特征來表示音樂樣本,并利用K-最近鄰分類器來輸出結果。隨著數(shù)據(jù)規(guī)模的增加與計算機算力的提升,深度學習(Deep learning)逐漸成為音樂情感分類的主流手段。2019年,Zhou等[7]使用無監(jiān)督的深度神經(jīng)網(wǎng)絡進行音樂的多模態(tài)特征學習,并引入一系列回歸實驗評估學習到的特征,該項研究證明了深度神經(jīng)網(wǎng)絡具有良好的特征學習能力。2021年,趙劍等[8]提出了一種基于知識蒸餾與遷移學習結合的多模態(tài)融合方法,該方法在音樂情感識別任務中的準確率有明顯提高,泛化能力也得到了提升。

    針對符號音樂(Symbolic music)或電子樂譜開展的情感分類研究相對較少。2010年,Cuthbert等[9]開發(fā)了用于計算音樂學分析的工具包music21,大大簡化了對符號音樂以及電子樂譜的解析與特征提取過程。2018年,Sun等[10]運用統(tǒng)計學方法探究歌詞與其對應音符的音樂特征的情感關聯(lián),發(fā)現(xiàn)歌詞中情感色彩濃烈的詞語所對應的音符也往往具有異于其鄰近音符的音樂特征。此外,該項研究直接對Music XML電子樂譜進行量化分析,以避免因不同演奏者或演唱者在演繹上的區(qū)別造成的聽感不一致,也為后續(xù)的基于音樂序列的研究提供了一定的指導。符號音樂與自然語言都具有類似的序列特征,故自然語言處理的相關研究手段同樣可應用于符號音樂的研究中。2019年,Ferreira等[11]構建了基于VA(Valence-Arousal)模型[12]進行情感標注的符號音樂數(shù)據(jù)集VGMIDI,并將自然語言處理的研究方法應用于對音樂序列的分析研究中,使符號音樂的情感分類與生成工作有了新的解決方案。

    近年來,以基于Transformer的雙向編碼器(Bidirectional Encoder Representation from Transformers,BERT)[13]為代表的基于大規(guī)模文本數(shù)據(jù)訓練得到的預訓練語言模型(Pre-trained Language Model,PLM)成為了主流的文本表示模型。相較于早期的語言模型,預訓練語言模型采用海量的語料進行訓練,模型參數(shù)量規(guī)模得到了極大的擴增,也能夠更好地提取文本特征。在完成不同的任務時,需要將預訓練模型依據(jù)任務目標增加不同功能的輸出層聯(lián)合訓練,進行精調(Fine-tuning)以適應各類下游領域?!邦A訓練+精調”已成為了目前解決自然語言處理相關任務的主流范式。2021年,Zeng等[14]提出了一種符號音樂的編碼方式——Octuple MIDI,并在超過150萬條的符號音樂數(shù)據(jù)上采用小節(jié)級別的掩碼訓練得到MusicBERT模型,該模型經(jīng)過精調后在多項符號音樂理解任務中都達到了較高水平。Chou等[15]在多個符號音樂數(shù)據(jù)集上進行預訓練,得到MIDIBERT-Piano模型,其在主旋律抽取、力度預測、作曲家分類以及情感分類等下游任務中均大幅度超越了未經(jīng)過預訓練的基于循環(huán)神經(jīng)網(wǎng)絡的模型。

    本文基于預訓練語言模型構建的歌詞情感分類模型和音樂序列情感分類模型可以較好地學習歌詞文本和音樂序列的語義特征,系統(tǒng)的整體表現(xiàn)與未經(jīng)預訓練的方法相比得到顯著改善。

    2 數(shù)據(jù)集構建

    2.1 Music XML電子樂譜數(shù)據(jù)集

    MusicXML是電子樂譜的一種通用格式,為了方便樂譜的存檔、傳輸及在應用程序之間的共享而設計。正如音頻音樂的通用格式MP3一樣,MusicXML也已成為了共享交互式電子樂譜的行業(yè)標準。MusicXML電子樂譜的一般結構為整張樂譜包括若干個聲部(Parts),每個聲部之中以小節(jié)為單位記錄樂譜的音樂信息。音樂信息由元素(Elements)和屬性(Attributes)來表示,各類音樂參數(shù)均可詳細記錄。如圖1所示為一段MusicXML代碼示例。

    圖1 Music XML代碼示例Fig.1 Sample of MusicXML code

    現(xiàn)有的公開的Music XML電子樂譜數(shù)據(jù)集較少,本文利用爬蟲(用Python編寫實現(xiàn))從互聯(lián)網(wǎng)上獲取Music XML樂譜數(shù)據(jù)以供研究,使用music21工具包對數(shù)據(jù)集中所有樂譜進行解析,并提取歌詞文本與音樂序列。經(jīng)檢查發(fā)現(xiàn),樂譜數(shù)據(jù)集中存在一定比例的低質量數(shù)據(jù),如樂譜內容為空、音樂序列均為相同單音、無歌詞、歌詞均為無意義的襯詞、歌詞非英語等,故進行數(shù)據(jù)清洗工作以將這部分低質量數(shù)據(jù)去除。此外,進行樂譜節(jié)拍的篩選,僅保留拍號為4/4拍的樂譜數(shù)據(jù),以便于音樂序列分析模型的構建。經(jīng)過數(shù)據(jù)清洗之后,用于后續(xù)研究的Music XML樂譜數(shù)據(jù)規(guī)模在5 000條以上。

    2.2 含有情感標簽的英文歌詞數(shù)據(jù)集

    本文構建含有情感標注的歌詞文本數(shù)據(jù)集,用于歌詞文本情感分類模型的訓練。多數(shù)網(wǎng)絡音樂平臺允許用戶自行創(chuàng)建并公開含有若干情感標簽的歌單,其中包含的歌曲均經(jīng)過用戶人工篩選并分類,用戶標注的情感標簽可作為歌曲情感類別劃分的重要參考。為了保證歌曲情感標注的準確性,本文選取的情感歌單播放量均在10萬及以上級別,且僅選用“快樂”和“傷感”這兩類較為強烈、明顯的情感標簽,分別作為正向(Positive)和負向(Negative)的判定標準。經(jīng)初步篩查發(fā)現(xiàn),數(shù)據(jù)集中的一些歌詞存在前后兩部分的情感表達不完全一致的現(xiàn)象,且情感波動較為顯著,故數(shù)據(jù)清洗時將這樣的歌詞去除。在此基礎上,采用回譯的方式對原始數(shù)據(jù)進行數(shù)據(jù)增強,以擴大數(shù)據(jù)規(guī)模。具體操作為: 使用機器翻譯系統(tǒng),將歌詞內容從初始的英文分別翻譯為4種不同語言,再重新翻譯為英文,并補充回原數(shù)據(jù)集中。歌詞數(shù)據(jù)集的分布如表1所示。

    表1 含有情感標注的英文歌詞數(shù)據(jù)集分布Tab.1 Statistics of sentiment-annotated english lyrics dataset

    3 構建電子樂譜情感分類模型

    3.1 構建歌詞文本情感分類模型

    3.1.1 基于情感詞典的歌詞文本情感分類模型

    本文選用英文文本情感分析領域通用的標準情感詞典SentiWord Net 3.0[16]作為歌詞文本情感分類的基線模型之一。該詞典中包含每個單詞經(jīng)人工標注的3個情感傾向值,依次為褒義、貶義和中性。通過對整段文字中單詞的詞頻與情感值進行加權平均運算,可得到文本的情感得分,進而判斷其情感傾向性。

    3.1.2 基于TextCNN的歌詞文本情感分類模型

    卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)是一類包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡,其所具有的獨特的卷積處理與池化能力可避免對圖像的復雜前期預處理,自動提取其高級特征,在圖像處理領域有著廣泛應用。Kim[17]于2014年提出的TextCNN模型使卷積神經(jīng)網(wǎng)絡的應用擴展到自然語言處理領域。首先將每個單詞映射為一個詞向量,作為整個網(wǎng)絡的輸入,然后經(jīng)過若干卷積層學習到不同的特征后,通過最大池化層,使不同長度的向量變?yōu)槎ㄩL表示,拼接成為一個特征向量,最后經(jīng)過一個全連接層分類器輸出分類結果,如圖2所示。

    圖2 TextCNN模型的結構Fig.2 Structure of TextCNN model

    在本文的歌詞情感分類任務中,使用預訓練好的Glo Ve.6B.100d詞向量數(shù)據(jù)作為詞嵌入輸入。先通過3種不同尺寸的濾波器將輸入分割為不同長度的字節(jié)片段,隨后依次經(jīng)過卷積層和最大池化層,最后通過一個全連接層,輸出歌詞情感分類結果。

    3.1.3 基于BERT+Bi-GRU的歌詞文本情感分類模型

    BERT是Devlin等[13]提出的一種自編碼式預訓練語言模型。其基于雙向深層Transformer網(wǎng)絡,擁有雙向編碼能力和強大的特征提取能力,在11項自然語言處理任務中取得了當時業(yè)界的最高水平,使自然語言處理進入了“預訓練+精調”范式的新階段。

    BERT的預訓練任務之一為掩碼語言模型(Masked Language Model,MLM),該訓練任務類似于填空,可使得模型對上下文關系有更好的理解。在BERT模型中,掩碼(Mask)比例為15%,在這其中的80%用[MASK]標記來替換,10%替換為任意隨機詞,10%保持原詞不變,這樣的操作可避免雙向語言模型導致的信息泄漏問題。BERT的另一個預訓練任務為下一個句子預測(Next Sentence Prediction,NSP)。在該任務中,模型需要判斷后一段文本是否為前一段文本的下一個句子。其中的正樣本為語料庫的兩個相鄰句子A和B,負樣本將句子B替換為其他任意的語句。正負樣本的比例設置為1∶1。

    門控循環(huán)單元(Gated Recurrent Unit,GRU)是Cho等[18]提出的長短期記憶網(wǎng)絡(Long and Short-Term Memory networks,LSTM)的一種變體,它將標準LSTM中的遺忘門和輸入門組合到一個單獨的“更新門”中,模型比標準LSTM模型更加簡單,而性能表現(xiàn)幾乎相當,能夠很大程度上提高訓練效率。GRU的單元結構如圖3所示。

    圖3中:x t代表輸入;h t-1與h t為相應節(jié)點的隱藏狀態(tài);r t和z t分別為重置門和更新門;h~t為候選隱狀態(tài)。計算公式如下所示:

    圖3 GRU的結構Fig.3 Structure of GRU

    式中:⊙代表張量逐元素積;σ為Sigmoid函數(shù),使得各門的取值范圍保持在(0,1);W與b均為待優(yōu)化的網(wǎng)絡參數(shù),其下標用以區(qū)分不同門的參數(shù)。

    本文的任務中,首先將BERT預訓練模型中的Transformer層進行凍結處理,保留其原有參數(shù),將其輸出的詞句表示通過一個多層的雙向GRU(Bi-GRU)進行下游任務的精調,通過Softmax分類器輸出歌詞文本的情感分類結果:

    式中:z為輸入向量[z1,z2,…,z k];k為類別數(shù);y i表示輸入向量屬于第i個類別的概率。在本文的歌詞情感分類任務中,類別數(shù)為2,故式(5)可簡化為下面的形式,即Sigmoid函數(shù):

    完整的BERT+Bi-GRU模型結構如圖4所示。

    圖4 基于BERT的歌詞文本情感分類模型的整體結構Fig.4 Overall structure of BERT-based lyric text sentiment classification model

    3.2 構建音樂序列情感分類模型

    3.2.1 基于MIDIBERT的音樂情感分類模型(1) 預訓練階段

    2.2節(jié)中構建的Music XML樂譜數(shù)據(jù)集均為無標注數(shù)據(jù),可以用于預訓練。將音樂數(shù)據(jù)輸入至模型時,需要對音樂進行合理的表示,以便于模型對音樂信息進行處理。Hsiao等[19]提出的復合詞(Compound Word,CP)是一種適用于深度學習的符號音樂序列表示方法,將音樂序列及其時間信息轉換為高維向量的表示,使神經(jīng)網(wǎng)絡模型可以讀取。本文的研究中將其進行簡化,單個標記(Token)僅表示單個音符的相關事件,其具體結構為: 所在小節(jié)(新一小節(jié)的開始/小節(jié)內部)、分拍(以十六分音符為單位,4/4拍的音樂每小節(jié)有16個分拍)、音高(同MIDI事件范圍,數(shù)值為0~127)、時值(以三十二分音符為單位)。一段音樂序列的簡化的CP表示方式的結構如圖5所示。

    圖5 符號音樂的簡化CP表示Fig.5 Simplified CP representation for symbolic music

    本文將所有樂譜的音樂序列部分提取并轉換為CP表示,并將該數(shù)據(jù)集與MIDIBERT初始預訓練使用的5個數(shù)據(jù)集混合,重新進行預訓練,該處理方式相當于擴充了預訓練的數(shù)據(jù)規(guī)模,這樣可使模型更好地學習音樂序列的上下文知識。預訓練任務與BERT模型的MLM任務類似,將一段音樂序列中的某個Token進行掩碼處理,讓模型還原被掩碼掉的音符及其對應的事件。

    (2) 精調階段

    EMOPIA數(shù)據(jù)集是Hung等[20]構建的含有情感標注的鋼琴符號音樂數(shù)據(jù)集。其數(shù)據(jù)規(guī)模為1 000級別,情感標注基于Russell提出的VA模型[12]。在本文的情感分類研究中,僅討論情感極性,即VA模型的愉悅度(Valence)維度,故分別將VA模型中的第一象限和第四象限、第二象限和第三象限視為同一標簽。訓練集、驗證集、測試集比例劃分為7∶2∶1。

    本文將預訓練后的MIDIBERT模型在EMOPIA數(shù)據(jù)集上進行精調,使預訓練模型適配下游的音樂序列情感分類任務。模型的整體結構如圖6所示。

    圖6 基于MIDIBERT的音樂情感分類模型整體結構Fig.6 Overall structure of MIDIBERT-based music sentiment classification model

    4 實驗結果與分析

    4.1 實驗環(huán)境與參數(shù)設置

    歌詞情感分類模型所用計算設備的配置為:NVIDIA GeForce RTX 2080 GPU,操作系統(tǒng)為Ubuntu 18.04.2 LTS,Python版本為3.8.3,深度學習框架為Py Torch 1.5.1。實驗參數(shù): 批尺寸為64,采用Adam優(yōu)化器,初始學習率為1×10-4,訓練輪次為20。

    音樂序列情感分類模型所用計算設備的配置為:NVIDIA GeForce RTX 3090 GPU(雙卡),操作系統(tǒng)為Ubuntu 20.04.2 LTS,Python版本為3.8.12,深度學習框架為Py Torch 1.8.2。實驗參數(shù): 批尺寸為12,采用Adam W優(yōu)化器,初始學習率為2×10-5,設置權重衰減為0.01;預訓練階段訓練輪次為500,精調階段訓練輪次為10。

    4.2 模型性能分析

    本文的實驗采用準確率(Accuracy)λAccuracy、精確率(Precision)λPrecision、召回率(Recall)λRecall和F1值(F1-Measure)F1作為電子樂譜情感分類模型的評價指標。以下將分別對歌詞情感分類模型與音樂序列情感分類模型的性能表現(xiàn)進行分析。

    4.2.1 歌詞情感分類模型性能表現(xiàn)

    將帶有情感標簽的英文歌詞數(shù)據(jù)集分別輸入至TextCNN與BERT+Bi-GRU模型中進行訓練,取若干次訓練中損失最小的模型在測試集上進行檢驗。3種分類模型在該數(shù)據(jù)集的測試集上的最佳表現(xiàn)如表2所示。

    表2 歌詞文本情感分類模型性能表現(xiàn)Tab.2 The performance of lyric text sentiment classification model

    通過以上實驗結果可以看出,基于深度神經(jīng)網(wǎng)絡的方法在歌詞文本情感分類任務上的表現(xiàn)顯著優(yōu)于情感詞典。這是因為歌詞文本中除了顯式的情感詞,還存在很多的隱式情感表達,而情感詞典對于隱式情感的處理能力較弱。采用預訓練精調方法的BERT+Bi-GRU模型在帶有情感標簽的英文歌詞數(shù)據(jù)集上相比于TextCNN取得了更好的表現(xiàn),這表明預訓練語言模型確實能有效學習到更豐富的語言知識。

    4.2.2 音樂序列情感分類模型性能表現(xiàn)

    將EMOPIA數(shù)據(jù)集輸入至MIDIBERT模型中進行訓練,取若干次訓練中損失最小的模型在測試集上進行檢驗。為了檢驗預訓練在該任務中的有效性,取未經(jīng)預訓練的模型作為對比。表3為符號音樂序列情感分類模型在EMOPIA數(shù)據(jù)集上的情感二分類性能表現(xiàn)。

    表3 符號音樂序列情感分類模型性能表現(xiàn)Tab.3 The performance of symbolic music sequence sentiment classification model

    從實驗結果可以看出,經(jīng)過了預訓練的MIDIBERT模型的情感分類性能表現(xiàn)相比未經(jīng)預訓練的方法有了很大程度上的提升,說明BERT類型的預訓練不僅適用于自然語言處理任務,對于符號音樂序列也是有效的。

    5 結語

    本文構建了Music XML樂譜數(shù)據(jù)集和帶有情感標簽的英文歌詞數(shù)據(jù)集,并進行了較為完善的數(shù)據(jù)預處理工作,以保證數(shù)據(jù)的質量。隨后,在英文歌詞數(shù)據(jù)集上分別利用情感詞典、卷積神經(jīng)網(wǎng)絡、精調后的大規(guī)模預訓練語言模型BERT等方法構建歌詞文本情感分類模型;在樂譜數(shù)據(jù)集上利用MIDIBERT預訓練模型構建音樂序列情感分類模型。實驗結果表明,本文提出的電子樂譜情感分類模型相比于基線模型效果有顯著提升,體現(xiàn)了預訓練模型在語義特征學習上的優(yōu)勢。在未來的研究工作中將繼續(xù)關注預訓練模型等方法,探究其在情感控制的音樂生成任務中的作用。

    猜你喜歡
    分類文本情感
    分類算一算
    如何在情感中自我成長,保持獨立
    失落的情感
    北極光(2019年12期)2020-01-18 06:22:10
    情感
    在808DA上文本顯示的改善
    分類討論求坐標
    基于doc2vec和TF-IDF的相似文本識別
    電子制作(2018年18期)2018-11-14 01:48:06
    如何在情感中自我成長,保持獨立
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    嫩草影院精品99| 最近最新中文字幕大全电影3| 久久国产精品人妻蜜桃| 婷婷亚洲欧美| 久久国产乱子免费精品| av在线天堂中文字幕| 别揉我奶头~嗯~啊~动态视频| 日本在线视频免费播放| 成人永久免费在线观看视频| 老熟妇仑乱视频hdxx| 宅男免费午夜| 性色avwww在线观看| 国产精品伦人一区二区| netflix在线观看网站| 亚洲中文字幕一区二区三区有码在线看| 精品国产三级普通话版| 天天躁日日操中文字幕| 欧美日韩亚洲国产一区二区在线观看| 欧美激情久久久久久爽电影| 日韩中字成人| 老鸭窝网址在线观看| 首页视频小说图片口味搜索| 两性午夜刺激爽爽歪歪视频在线观看| 美女大奶头视频| 一个人免费在线观看的高清视频| 99热6这里只有精品| 高潮久久久久久久久久久不卡| 亚洲精品一卡2卡三卡4卡5卡| 午夜福利18| 亚洲av日韩精品久久久久久密| 精品欧美国产一区二区三| 亚洲第一电影网av| 国产精品一区二区三区四区免费观看 | 麻豆av噜噜一区二区三区| 久久久精品大字幕| 天堂网av新在线| 亚洲色图av天堂| 亚洲欧美日韩无卡精品| 国产黄色小视频在线观看| bbb黄色大片| 精品国内亚洲2022精品成人| 日韩人妻高清精品专区| 淫秽高清视频在线观看| 久久99热6这里只有精品| a级一级毛片免费在线观看| 全区人妻精品视频| 色吧在线观看| 好男人在线观看高清免费视频| 男女那种视频在线观看| 色哟哟哟哟哟哟| 国产精品一及| 九九热线精品视视频播放| 少妇裸体淫交视频免费看高清| 日韩高清综合在线| 久久久久国内视频| 69av精品久久久久久| 超碰av人人做人人爽久久| 最近最新免费中文字幕在线| 桃红色精品国产亚洲av| 欧美色视频一区免费| 亚洲av免费高清在线观看| 精品熟女少妇八av免费久了| 午夜激情福利司机影院| 欧美中文日本在线观看视频| 色av中文字幕| 国内精品久久久久精免费| 99精品在免费线老司机午夜| 18+在线观看网站| 伊人久久精品亚洲午夜| 在线观看66精品国产| 午夜福利高清视频| 97人妻精品一区二区三区麻豆| 亚洲中文字幕日韩| 老司机福利观看| 99久久成人亚洲精品观看| 亚洲av不卡在线观看| 日本一本二区三区精品| 午夜视频国产福利| 亚洲va日本ⅴa欧美va伊人久久| 国产白丝娇喘喷水9色精品| 欧美三级亚洲精品| 精品人妻1区二区| 黄色女人牲交| 国产三级黄色录像| 亚洲欧美日韩卡通动漫| 久久久色成人| 最新在线观看一区二区三区| 国产大屁股一区二区在线视频| 波多野结衣巨乳人妻| 婷婷精品国产亚洲av| 国产男靠女视频免费网站| 国产91精品成人一区二区三区| 一级毛片久久久久久久久女| 青草久久国产| 性欧美人与动物交配| 亚洲在线观看片| 韩国av一区二区三区四区| 精品不卡国产一区二区三区| av天堂在线播放| 他把我摸到了高潮在线观看| 久久久精品欧美日韩精品| 俺也久久电影网| 日本撒尿小便嘘嘘汇集6| 中文在线观看免费www的网站| 欧美一级a爱片免费观看看| 欧美高清成人免费视频www| 看十八女毛片水多多多| 久久久久亚洲av毛片大全| 黄片小视频在线播放| 51午夜福利影视在线观看| 别揉我奶头~嗯~啊~动态视频| 欧洲精品卡2卡3卡4卡5卡区| 免费av观看视频| 夜夜看夜夜爽夜夜摸| 丁香欧美五月| 久久久久久国产a免费观看| 中亚洲国语对白在线视频| 日本撒尿小便嘘嘘汇集6| 亚洲人成网站高清观看| 欧美精品啪啪一区二区三区| 亚洲av第一区精品v没综合| a级毛片免费高清观看在线播放| 欧美在线一区亚洲| 精品无人区乱码1区二区| 午夜久久久久精精品| 在线观看舔阴道视频| 中文亚洲av片在线观看爽| av天堂在线播放| 亚洲自拍偷在线| 精品一区二区免费观看| 色综合站精品国产| 搡老妇女老女人老熟妇| 嫩草影院新地址| 成人特级av手机在线观看| 变态另类成人亚洲欧美熟女| 一本综合久久免费| 精品国产亚洲在线| 自拍偷自拍亚洲精品老妇| 色吧在线观看| 宅男免费午夜| 女人十人毛片免费观看3o分钟| 精品人妻偷拍中文字幕| 久久国产乱子伦精品免费另类| 精品午夜福利在线看| 国产精品久久视频播放| 成年女人毛片免费观看观看9| 夜夜躁狠狠躁天天躁| 搞女人的毛片| 午夜免费成人在线视频| 精品午夜福利在线看| 制服丝袜大香蕉在线| 日韩有码中文字幕| 国产大屁股一区二区在线视频| 久久精品国产亚洲av涩爱 | 亚洲人成网站在线播放欧美日韩| av中文乱码字幕在线| 丰满人妻一区二区三区视频av| а√天堂www在线а√下载| 欧美xxxx性猛交bbbb| 国产在线精品亚洲第一网站| 小说图片视频综合网站| 91字幕亚洲| 国产精品一区二区三区四区久久| 欧美成人一区二区免费高清观看| 色综合欧美亚洲国产小说| 日本熟妇午夜| 午夜影院日韩av| 黄色视频,在线免费观看| 精品人妻熟女av久视频| 亚洲欧美日韩高清在线视频| 人妻制服诱惑在线中文字幕| 国产精品综合久久久久久久免费| 黄片小视频在线播放| 性色av乱码一区二区三区2| 毛片女人毛片| 色综合欧美亚洲国产小说| 亚洲av中文字字幕乱码综合| 国产精品亚洲美女久久久| 99久久久亚洲精品蜜臀av| 日本 av在线| 两个人视频免费观看高清| 国产成人aa在线观看| 高潮久久久久久久久久久不卡| 成人av一区二区三区在线看| 亚洲激情在线av| av视频在线观看入口| 午夜激情欧美在线| 免费在线观看日本一区| 日本成人三级电影网站| 久久婷婷人人爽人人干人人爱| 久久久久久久精品吃奶| 成年免费大片在线观看| av在线老鸭窝| 欧美最新免费一区二区三区 | 欧美黑人欧美精品刺激| 欧美黑人欧美精品刺激| 美女xxoo啪啪120秒动态图 | 国产午夜精品论理片| 国产极品精品免费视频能看的| 最新中文字幕久久久久| 变态另类丝袜制服| 亚洲精品影视一区二区三区av| 欧美成人免费av一区二区三区| 免费黄网站久久成人精品 | 最近中文字幕高清免费大全6 | 免费观看的影片在线观看| 日本在线视频免费播放| 国产毛片a区久久久久| 久久热精品热| 他把我摸到了高潮在线观看| 久久午夜福利片| 精品人妻一区二区三区麻豆 | 欧美日韩综合久久久久久 | 欧美不卡视频在线免费观看| 精品一区二区三区人妻视频| 少妇的逼好多水| 欧美成狂野欧美在线观看| 最近最新中文字幕大全电影3| 久久热精品热| 极品教师在线免费播放| 欧美极品一区二区三区四区| 全区人妻精品视频| 国产av不卡久久| 亚洲国产色片| 可以在线观看毛片的网站| 精品一区二区三区人妻视频| 少妇的逼好多水| 国产麻豆成人av免费视频| 夜夜躁狠狠躁天天躁| 好男人电影高清在线观看| 男女之事视频高清在线观看| 亚洲avbb在线观看| 欧美激情久久久久久爽电影| 成人三级黄色视频| 午夜亚洲福利在线播放| 国产精华一区二区三区| 精品久久久久久成人av| 午夜视频国产福利| 在线观看免费视频日本深夜| 亚洲精品在线美女| 18+在线观看网站| 两人在一起打扑克的视频| 精品国内亚洲2022精品成人| 成人亚洲精品av一区二区| 国内精品久久久久精免费| 国产精品不卡视频一区二区 | 精品不卡国产一区二区三区| 亚洲av五月六月丁香网| 国产精品一区二区性色av| 99国产极品粉嫩在线观看| 国产午夜精品久久久久久一区二区三区 | 亚洲中文日韩欧美视频| 国产高潮美女av| 亚洲精品粉嫩美女一区| 变态另类成人亚洲欧美熟女| 色哟哟哟哟哟哟| 欧美日韩亚洲国产一区二区在线观看| 国产国拍精品亚洲av在线观看| 十八禁国产超污无遮挡网站| 亚洲精品久久国产高清桃花| 国产主播在线观看一区二区| 高清毛片免费观看视频网站| 国产熟女xx| 此物有八面人人有两片| 精品久久久久久久末码| 欧美性感艳星| 国产在线精品亚洲第一网站| 午夜免费成人在线视频| 麻豆国产av国片精品| 国产av麻豆久久久久久久| 欧美bdsm另类| 给我免费播放毛片高清在线观看| 老司机深夜福利视频在线观看| 中文字幕人成人乱码亚洲影| 在线看三级毛片| 日韩精品中文字幕看吧| 99国产综合亚洲精品| 欧美色欧美亚洲另类二区| 黄色配什么色好看| АⅤ资源中文在线天堂| 亚洲人成网站在线播| 不卡一级毛片| 一级毛片久久久久久久久女| 亚洲在线自拍视频| 婷婷色综合大香蕉| 能在线免费观看的黄片| 免费看光身美女| 变态另类丝袜制服| 91麻豆av在线| av天堂在线播放| 亚洲av熟女| 午夜精品一区二区三区免费看| 一进一出抽搐gif免费好疼| 久久亚洲真实| 日韩欧美在线乱码| 欧美精品啪啪一区二区三区| 男人舔奶头视频| 免费高清视频大片| 91久久精品国产一区二区成人| 成人性生交大片免费视频hd| 精品日产1卡2卡| 免费观看精品视频网站| 精品不卡国产一区二区三区| av天堂在线播放| 99在线人妻在线中文字幕| 一级毛片久久久久久久久女| 欧美乱妇无乱码| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 两性午夜刺激爽爽歪歪视频在线观看| 脱女人内裤的视频| 真人做人爱边吃奶动态| 成人一区二区视频在线观看| 可以在线观看毛片的网站| 国产白丝娇喘喷水9色精品| 在线天堂最新版资源| 亚洲av成人不卡在线观看播放网| 亚洲av成人不卡在线观看播放网| 亚洲精品亚洲一区二区| 亚洲专区中文字幕在线| 欧美最新免费一区二区三区 | 99久国产av精品| 欧洲精品卡2卡3卡4卡5卡区| a级一级毛片免费在线观看| 脱女人内裤的视频| 两人在一起打扑克的视频| 99精品久久久久人妻精品| 日本一二三区视频观看| 欧美色欧美亚洲另类二区| 99热这里只有精品一区| 国产成人欧美在线观看| 亚洲最大成人手机在线| 亚洲最大成人手机在线| 欧美黄色淫秽网站| 能在线免费观看的黄片| 国内精品久久久久久久电影| 亚洲欧美日韩高清专用| 国产成人aa在线观看| 一级黄片播放器| 亚洲不卡免费看| 熟妇人妻久久中文字幕3abv| 国产精品久久久久久亚洲av鲁大| 无遮挡黄片免费观看| 久久人人爽人人爽人人片va | 一个人观看的视频www高清免费观看| 精品无人区乱码1区二区| 又黄又爽又刺激的免费视频.| 高潮久久久久久久久久久不卡| 啦啦啦韩国在线观看视频| 波多野结衣高清无吗| 精品欧美国产一区二区三| 在线十欧美十亚洲十日本专区| 国产精品精品国产色婷婷| 观看免费一级毛片| 宅男免费午夜| 欧美日韩亚洲国产一区二区在线观看| eeuss影院久久| 国产美女午夜福利| 亚洲专区中文字幕在线| 欧美xxxx性猛交bbbb| 国产高清视频在线播放一区| 99在线视频只有这里精品首页| 亚洲精品在线美女| 午夜免费激情av| 波野结衣二区三区在线| 中亚洲国语对白在线视频| 757午夜福利合集在线观看| 免费大片18禁| 亚洲,欧美,日韩| 99热精品在线国产| 人妻制服诱惑在线中文字幕| 亚洲精品在线美女| 极品教师在线免费播放| 简卡轻食公司| 在线天堂最新版资源| 国产精品久久久久久人妻精品电影| 亚洲成人久久爱视频| 在线天堂最新版资源| 亚洲欧美清纯卡通| 欧美另类亚洲清纯唯美| 午夜福利在线在线| 在线免费观看不下载黄p国产 | 日日夜夜操网爽| 12—13女人毛片做爰片一| 精品免费久久久久久久清纯| 亚洲国产日韩欧美精品在线观看| 欧美一区二区国产精品久久精品| 可以在线观看毛片的网站| 久久中文看片网| 91麻豆av在线| 免费av不卡在线播放| 国产精品久久久久久亚洲av鲁大| 伊人久久精品亚洲午夜| 欧美不卡视频在线免费观看| 亚洲成av人片在线播放无| 成年版毛片免费区| 国产午夜精品久久久久久一区二区三区 | 欧美精品啪啪一区二区三区| 男女做爰动态图高潮gif福利片| 午夜老司机福利剧场| 校园春色视频在线观看| 欧美精品啪啪一区二区三区| 此物有八面人人有两片| 亚洲av美国av| 日本免费a在线| 国产淫片久久久久久久久 | 欧美激情在线99| 毛片女人毛片| 少妇被粗大猛烈的视频| 黄色一级大片看看| 国产亚洲精品久久久久久毛片| 日本免费一区二区三区高清不卡| 97人妻精品一区二区三区麻豆| 床上黄色一级片| 久久久色成人| 18禁黄网站禁片午夜丰满| 久久久久久久久中文| 两个人的视频大全免费| 亚洲 国产 在线| 岛国在线免费视频观看| 久久久国产成人精品二区| 色综合婷婷激情| 一级a爱片免费观看的视频| 欧美成人性av电影在线观看| 丁香六月欧美| 舔av片在线| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 国产午夜精品久久久久久一区二区三区 | avwww免费| 夜夜爽天天搞| 又紧又爽又黄一区二区| 69av精品久久久久久| 网址你懂的国产日韩在线| 一个人免费在线观看的高清视频| 特级一级黄色大片| 欧美性猛交黑人性爽| 国产精品不卡视频一区二区 | 毛片女人毛片| 三级男女做爰猛烈吃奶摸视频| 淫秽高清视频在线观看| 亚洲在线自拍视频| 3wmmmm亚洲av在线观看| 人妻久久中文字幕网| 成人国产一区最新在线观看| 国产精品亚洲av一区麻豆| 午夜免费成人在线视频| АⅤ资源中文在线天堂| 99热这里只有精品一区| 黄色女人牲交| 欧洲精品卡2卡3卡4卡5卡区| 色吧在线观看| 亚洲美女搞黄在线观看 | 国产黄片美女视频| 欧美一区二区亚洲| 欧美激情久久久久久爽电影| 国内毛片毛片毛片毛片毛片| 婷婷亚洲欧美| 免费观看人在逋| 一个人看的www免费观看视频| 99国产综合亚洲精品| 亚洲欧美日韩东京热| 国产欧美日韩精品亚洲av| 9191精品国产免费久久| 国产高清视频在线观看网站| 欧美日本视频| 亚洲av.av天堂| 日本三级黄在线观看| 国产高清视频在线观看网站| 久久国产精品人妻蜜桃| 久久久久久国产a免费观看| 国产高清三级在线| 欧美性猛交黑人性爽| av国产免费在线观看| 最近在线观看免费完整版| 日韩精品青青久久久久久| 首页视频小说图片口味搜索| 国产精品久久久久久亚洲av鲁大| 中文字幕免费在线视频6| 免费看a级黄色片| 色综合欧美亚洲国产小说| av在线观看视频网站免费| 精品日产1卡2卡| 最好的美女福利视频网| 亚洲美女搞黄在线观看 | 18+在线观看网站| 国产精品女同一区二区软件 | 成人永久免费在线观看视频| 午夜福利免费观看在线| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲狠狠婷婷综合久久图片| 国产毛片a区久久久久| 99国产综合亚洲精品| 波野结衣二区三区在线| 免费人成视频x8x8入口观看| 永久网站在线| 嫩草影院入口| 成人毛片a级毛片在线播放| 久久精品国产99精品国产亚洲性色| 91字幕亚洲| 一级av片app| 村上凉子中文字幕在线| 乱码一卡2卡4卡精品| 欧美黄色片欧美黄色片| 久久人妻av系列| 琪琪午夜伦伦电影理论片6080| 看免费av毛片| 亚洲av一区综合| 国产伦在线观看视频一区| 天天躁日日操中文字幕| 国产成+人综合+亚洲专区| 日本 欧美在线| 人妻夜夜爽99麻豆av| 最后的刺客免费高清国语| 99久久久亚洲精品蜜臀av| 少妇人妻精品综合一区二区 | 欧美黄色片欧美黄色片| 看黄色毛片网站| 国产欧美日韩精品亚洲av| 国产伦一二天堂av在线观看| www.999成人在线观看| 国产aⅴ精品一区二区三区波| 成年女人永久免费观看视频| 特大巨黑吊av在线直播| 欧美黄色片欧美黄色片| 欧美乱色亚洲激情| 日韩欧美免费精品| 在线观看免费视频日本深夜| 精品无人区乱码1区二区| 在线观看av片永久免费下载| 蜜桃亚洲精品一区二区三区| 搡女人真爽免费视频火全软件 | 国内精品一区二区在线观看| 亚洲av.av天堂| 国产日本99.免费观看| 国产三级中文精品| 国产精品自产拍在线观看55亚洲| 51国产日韩欧美| 身体一侧抽搐| 亚洲熟妇中文字幕五十中出| 成熟少妇高潮喷水视频| 欧美激情久久久久久爽电影| 午夜a级毛片| 欧美成狂野欧美在线观看| 在线国产一区二区在线| 我的女老师完整版在线观看| 国产亚洲av嫩草精品影院| 国产伦精品一区二区三区四那| 国产欧美日韩一区二区三| 好男人在线观看高清免费视频| 久久香蕉精品热| 国产一区二区亚洲精品在线观看| 国产精品永久免费网站| 国产免费一级a男人的天堂| 最后的刺客免费高清国语| 免费av观看视频| 精华霜和精华液先用哪个| 男人的好看免费观看在线视频| 一卡2卡三卡四卡精品乱码亚洲| 高清日韩中文字幕在线| 性欧美人与动物交配| 宅男免费午夜| 9191精品国产免费久久| 乱人视频在线观看| 亚洲第一区二区三区不卡| 18禁黄网站禁片午夜丰满| 99国产极品粉嫩在线观看| 久久精品国产亚洲av天美| 97人妻精品一区二区三区麻豆| 亚洲av成人精品一区久久| 一个人免费在线观看电影| 天天一区二区日本电影三级| 成年人黄色毛片网站| 熟女电影av网| 亚洲av免费高清在线观看| av国产免费在线观看| 国产久久久一区二区三区| 国产一区二区在线av高清观看| 熟妇人妻久久中文字幕3abv| 日日干狠狠操夜夜爽| 91字幕亚洲| 别揉我奶头~嗯~啊~动态视频| 好看av亚洲va欧美ⅴa在| 欧美一区二区国产精品久久精品| 亚洲av二区三区四区| 精品人妻熟女av久视频| 日本五十路高清| 真实男女啪啪啪动态图| 听说在线观看完整版免费高清| 变态另类丝袜制服| 免费av观看视频| 给我免费播放毛片高清在线观看| av天堂在线播放| 亚洲一区高清亚洲精品| 99热只有精品国产| 国产免费男女视频| 男女之事视频高清在线观看| 日本黄大片高清| 国产成人啪精品午夜网站| 久久中文看片网| 两性午夜刺激爽爽歪歪视频在线观看| 日韩亚洲欧美综合| 免费在线观看影片大全网站| 国产单亲对白刺激| 日韩欧美 国产精品| 久9热在线精品视频| 午夜福利在线在线| 久久精品国产亚洲av天美| 精品国产三级普通话版| 国产精品野战在线观看| 久久午夜福利片| 成人av一区二区三区在线看| 欧美日韩亚洲国产一区二区在线观看| 变态另类丝袜制服| 午夜免费男女啪啪视频观看 | 日韩精品青青久久久久久| 男人狂女人下面高潮的视频|