• <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
    干丝袜人妻中文字幕| 亚洲av电影在线观看一区二区三区 | 中文欧美无线码| 国产成人午夜福利电影在线观看| 成年人午夜在线观看视频| 我的女老师完整版在线观看| 久久女婷五月综合色啪小说 | 汤姆久久久久久久影院中文字幕| 人人妻人人看人人澡| 亚洲成人一二三区av| 嫩草影院入口| 久久精品久久久久久噜噜老黄| 亚洲欧美日韩东京热| 尤物成人国产欧美一区二区三区| 久久久久九九精品影院| 日本猛色少妇xxxxx猛交久久| 日韩欧美 国产精品| 国产伦在线观看视频一区| 午夜精品国产一区二区电影 | 超碰av人人做人人爽久久| 成人国产麻豆网| 永久网站在线| 80岁老熟妇乱子伦牲交| 建设人人有责人人尽责人人享有的 | 一本色道久久久久久精品综合| 精品酒店卫生间| 最近最新中文字幕大全电影3| 午夜福利视频1000在线观看| 国产男人的电影天堂91| 国产精品一区二区性色av| 高清视频免费观看一区二区| av国产精品久久久久影院| 菩萨蛮人人尽说江南好唐韦庄| 亚洲av日韩在线播放| 亚洲在久久综合| 中文字幕亚洲精品专区| 免费观看的影片在线观看| 成人特级av手机在线观看| 3wmmmm亚洲av在线观看| 免费av不卡在线播放| 人妻 亚洲 视频| 秋霞在线观看毛片| 丝袜美腿在线中文| 日韩不卡一区二区三区视频在线| 亚洲欧美一区二区三区黑人 | 亚洲色图av天堂| 真实男女啪啪啪动态图| 人妻系列 视频| 亚洲精品影视一区二区三区av| 国产欧美另类精品又又久久亚洲欧美| 蜜臀久久99精品久久宅男| 国产精品一区二区在线观看99| 亚洲三级黄色毛片| 蜜桃亚洲精品一区二区三区| 精品少妇久久久久久888优播| 99久久精品热视频| 成年女人在线观看亚洲视频 | 丝袜喷水一区| 精品久久久久久久末码| 日本猛色少妇xxxxx猛交久久| 国产精品成人在线| 日本免费在线观看一区| 99re6热这里在线精品视频| 又黄又爽又刺激的免费视频.| 久久久久网色| 国产精品久久久久久av不卡| xxx大片免费视频| 亚洲精品日韩av片在线观看| 在线播放无遮挡| 最近最新中文字幕大全电影3| 国产亚洲一区二区精品| 亚洲精品影视一区二区三区av| 少妇的逼好多水| 久久久久久九九精品二区国产| 欧美激情国产日韩精品一区| 国产亚洲av片在线观看秒播厂| 少妇 在线观看| 午夜福利视频1000在线观看| 噜噜噜噜噜久久久久久91| 日韩伦理黄色片| 大话2 男鬼变身卡| 看黄色毛片网站| 蜜桃久久精品国产亚洲av| 亚洲综合精品二区| 一级毛片电影观看| 久久久成人免费电影| 我的老师免费观看完整版| 日韩国内少妇激情av| av线在线观看网站| 国产精品一区www在线观看| 插阴视频在线观看视频| 搡老乐熟女国产| 色吧在线观看| 亚洲欧美日韩无卡精品| 亚洲电影在线观看av| 小蜜桃在线观看免费完整版高清| 又爽又黄a免费视频| 最后的刺客免费高清国语| 别揉我奶头 嗯啊视频| 91精品伊人久久大香线蕉| 久久久久久久午夜电影| 一区二区av电影网| 日韩欧美 国产精品| 国产高清不卡午夜福利| 国产精品国产av在线观看| 狂野欧美白嫩少妇大欣赏| 亚洲av免费高清在线观看| 国产高清国产精品国产三级 | 欧美一级a爱片免费观看看| 又爽又黄无遮挡网站| 毛片女人毛片| 在线观看免费高清a一片| 一区二区av电影网| 国产一区二区三区av在线| 成年女人看的毛片在线观看| 少妇高潮的动态图| 午夜免费男女啪啪视频观看| 国产乱人偷精品视频| 成人二区视频| 久久久色成人| videossex国产| 深爱激情五月婷婷| 97在线视频观看| 18禁裸乳无遮挡动漫免费视频 | 午夜免费鲁丝| 夫妻午夜视频| 丰满人妻一区二区三区视频av| 精品国产乱码久久久久久小说| 日韩人妻高清精品专区| 大话2 男鬼变身卡| 午夜福利在线观看免费完整高清在| 一级毛片黄色毛片免费观看视频| 久久热精品热| 欧美三级亚洲精品| 亚洲欧美日韩东京热| 国产伦在线观看视频一区| 国产欧美日韩精品一区二区| 男女那种视频在线观看| 亚洲精品国产av蜜桃| 热re99久久精品国产66热6| 禁无遮挡网站| 自拍欧美九色日韩亚洲蝌蚪91 | 搡老乐熟女国产| 亚洲精品国产成人久久av| 亚洲自偷自拍三级| 亚洲av福利一区| 亚洲自拍偷在线| 男女边摸边吃奶| 免费观看av网站的网址| 老师上课跳d突然被开到最大视频| 国产老妇伦熟女老妇高清| 国产高清国产精品国产三级 | 国产精品久久久久久久电影| 亚洲成色77777| 少妇高潮的动态图| 精品酒店卫生间| 97超碰精品成人国产| 国产淫语在线视频| 一级av片app| 女人被狂操c到高潮| 少妇人妻精品综合一区二区| 久久久久网色| 成人高潮视频无遮挡免费网站| 亚洲综合色惰| 久久久亚洲精品成人影院| av.在线天堂| 免费大片黄手机在线观看| 国产免费又黄又爽又色| 中文字幕免费在线视频6| 一级av片app| 在线免费观看不下载黄p国产| 亚洲国产色片| 综合色丁香网| 亚洲国产精品专区欧美| 免费播放大片免费观看视频在线观看| 国产精品福利在线免费观看| 一区二区三区精品91| 免费高清在线观看视频在线观看| 免费高清在线观看视频在线观看| 午夜日本视频在线| 中文天堂在线官网| 亚洲成色77777| av福利片在线观看| 老司机影院毛片| 精品少妇黑人巨大在线播放| 欧美日本视频| 国产毛片在线视频| 国产伦在线观看视频一区| 人妻 亚洲 视频| 午夜免费观看性视频| 亚洲丝袜综合中文字幕| 成人美女网站在线观看视频| 丝瓜视频免费看黄片| 18禁动态无遮挡网站| 国产精品久久久久久久久免| 女人被狂操c到高潮| 久久99热6这里只有精品| av国产久精品久网站免费入址| 男男h啪啪无遮挡| 欧美成人一区二区免费高清观看| 免费观看无遮挡的男女| 青青草视频在线视频观看| 深爱激情五月婷婷| 搡老乐熟女国产| 国产精品精品国产色婷婷| 99久久中文字幕三级久久日本| 我的女老师完整版在线观看| 亚洲一级一片aⅴ在线观看| 亚洲美女视频黄频| 亚洲精品亚洲一区二区| 亚洲激情五月婷婷啪啪| 久久99精品国语久久久| 永久免费av网站大全| 亚洲av欧美aⅴ国产| 国产永久视频网站| 日韩av在线免费看完整版不卡| 男人舔奶头视频| 午夜福利在线在线| 哪个播放器可以免费观看大片| 国产 一区精品| 日韩不卡一区二区三区视频在线| 亚洲av中文av极速乱| 国产精品国产三级专区第一集| 国产精品成人在线| 国内揄拍国产精品人妻在线| 狠狠精品人妻久久久久久综合| 又爽又黄无遮挡网站| 午夜精品国产一区二区电影 | 亚洲内射少妇av| 国产亚洲午夜精品一区二区久久 | 听说在线观看完整版免费高清| 黄色怎么调成土黄色| 狂野欧美激情性xxxx在线观看| 欧美国产精品一级二级三级 | 免费看a级黄色片| av免费观看日本| 亚洲综合色惰| 高清av免费在线| 欧美国产精品一级二级三级 | 91午夜精品亚洲一区二区三区| 我的老师免费观看完整版| 91久久精品电影网| 中文天堂在线官网| 午夜日本视频在线| 亚洲精品视频女| 看非洲黑人一级黄片| 日本wwww免费看| 国产黄a三级三级三级人| a级毛片免费高清观看在线播放| 一级毛片电影观看| 观看美女的网站| 男男h啪啪无遮挡| 男人和女人高潮做爰伦理| 黄色视频在线播放观看不卡| 最近的中文字幕免费完整| 国产精品久久久久久精品古装| 18禁动态无遮挡网站| 亚洲天堂国产精品一区在线| a级一级毛片免费在线观看| 国产伦理片在线播放av一区| 国产黄片美女视频| av.在线天堂| 亚洲精品亚洲一区二区| 97人妻精品一区二区三区麻豆| 最新中文字幕久久久久| 亚洲国产精品专区欧美| 五月玫瑰六月丁香| 久久久久久国产a免费观看| 亚洲精品久久午夜乱码| 国产精品国产三级国产专区5o| av专区在线播放| 国产免费一级a男人的天堂| 亚洲一级一片aⅴ在线观看| av卡一久久| 极品教师在线视频| 国产伦在线观看视频一区| 免费看a级黄色片| 欧美性感艳星| 久久精品夜色国产| 亚洲三级黄色毛片| 免费观看av网站的网址| 久久热精品热| 日本色播在线视频| 七月丁香在线播放| 久久久精品94久久精品| 久久99热这里只频精品6学生| 午夜福利视频1000在线观看| 国内精品宾馆在线| 建设人人有责人人尽责人人享有的 | 亚洲欧美精品专区久久| 久久久成人免费电影| a级毛片免费高清观看在线播放| 精品少妇久久久久久888优播| 男插女下体视频免费在线播放| 国产中年淑女户外野战色| 18禁动态无遮挡网站| 国产爽快片一区二区三区| 男人添女人高潮全过程视频| 亚洲欧美日韩东京热| 大香蕉久久网| 成年人午夜在线观看视频| 超碰97精品在线观看| 国产色爽女视频免费观看| 黄色欧美视频在线观看| 亚洲av中文字字幕乱码综合| 91精品一卡2卡3卡4卡| 看十八女毛片水多多多| 纵有疾风起免费观看全集完整版| 国产黄频视频在线观看| 久久99热这里只有精品18| av在线天堂中文字幕| 亚洲精品影视一区二区三区av| 国产老妇伦熟女老妇高清| 成年免费大片在线观看| 高清在线视频一区二区三区| 亚洲欧美成人精品一区二区| 五月开心婷婷网| 日本黄大片高清| 汤姆久久久久久久影院中文字幕| 99热网站在线观看| 夫妻午夜视频| 国产av国产精品国产| 成人无遮挡网站| 日韩一区二区视频免费看| 国产精品99久久久久久久久| 色网站视频免费| 国产午夜精品久久久久久一区二区三区| 一级毛片 在线播放| 日韩av免费高清视频| 亚洲精品国产色婷婷电影| 欧美zozozo另类| 久久久色成人| 欧美成人精品欧美一级黄| 日韩一区二区视频免费看| 成人亚洲精品一区在线观看 | 免费看光身美女| 身体一侧抽搐| 日本色播在线视频| 麻豆国产97在线/欧美| 六月丁香七月| 久久久久久久精品精品| 日本一二三区视频观看| 欧美 日韩 精品 国产| 成人一区二区视频在线观看| 成人高潮视频无遮挡免费网站| 纵有疾风起免费观看全集完整版| 国产一区二区在线观看日韩| 777米奇影视久久| av又黄又爽大尺度在线免费看| 国产乱人视频| 国产老妇女一区| 肉色欧美久久久久久久蜜桃 | 欧美日韩视频精品一区| 夫妻午夜视频| 视频中文字幕在线观看| 国产精品蜜桃在线观看| 看十八女毛片水多多多| 免费不卡的大黄色大毛片视频在线观看| 一级毛片我不卡| 国产淫语在线视频| 免费看a级黄色片| 色视频在线一区二区三区| 99久久人妻综合| 寂寞人妻少妇视频99o| 亚洲国产欧美人成| 欧美丝袜亚洲另类| 久久精品熟女亚洲av麻豆精品| 交换朋友夫妻互换小说| 激情 狠狠 欧美| 香蕉精品网在线| 老司机影院毛片| 又粗又硬又长又爽又黄的视频| 亚洲国产色片| 久久亚洲国产成人精品v| 国产真实伦视频高清在线观看| 亚洲欧美日韩卡通动漫| 乱码一卡2卡4卡精品| 亚洲精品aⅴ在线观看| 在线观看国产h片| 国产91av在线免费观看| 成年女人看的毛片在线观看| 国产高清国产精品国产三级 | 国产精品嫩草影院av在线观看| 日韩欧美一区视频在线观看 | 99热这里只有是精品在线观看| 精品酒店卫生间| 黑人高潮一二区| 久久精品夜色国产| 一级爰片在线观看| 精品国产露脸久久av麻豆| 色哟哟·www| 99热这里只有是精品在线观看| 成人免费观看视频高清| 在线观看三级黄色| 色视频www国产| 人人妻人人澡人人爽人人夜夜| 亚洲精品乱久久久久久| 国产精品99久久99久久久不卡 | 日本一二三区视频观看| 亚洲精华国产精华液的使用体验| 亚洲天堂av无毛| 午夜老司机福利剧场| 成人综合一区亚洲| 日产精品乱码卡一卡2卡三| 亚洲,一卡二卡三卡| 又黄又爽又刺激的免费视频.| 午夜福利在线在线| 精品久久久久久久末码| 男女无遮挡免费网站观看| 久久99精品国语久久久| 91精品伊人久久大香线蕉| 日本一本二区三区精品| 亚洲精品,欧美精品| av国产精品久久久久影院| 99久久人妻综合| 在线看a的网站| 观看美女的网站| 99热这里只有是精品50| 蜜臀久久99精品久久宅男| 免费观看无遮挡的男女| 国产免费又黄又爽又色| 免费高清在线观看视频在线观看| 69人妻影院| 成人综合一区亚洲| 精品人妻视频免费看| 王馨瑶露胸无遮挡在线观看| 久久久久久久亚洲中文字幕| 汤姆久久久久久久影院中文字幕| 国产乱人视频| 国产亚洲91精品色在线| 国产一区亚洲一区在线观看| 国产淫片久久久久久久久| 91狼人影院| 黑人高潮一二区| 蜜桃亚洲精品一区二区三区| 黄色一级大片看看| 久久久久精品久久久久真实原创| 国产人妻一区二区三区在| 国产精品一区二区三区四区免费观看| 日日撸夜夜添| 亚洲欧美一区二区三区国产| 欧美最新免费一区二区三区| 国产男女内射视频| 嘟嘟电影网在线观看| 国产精品一区二区性色av| 偷拍熟女少妇极品色| 又黄又爽又刺激的免费视频.| 日本与韩国留学比较| 久久午夜福利片| 久久这里有精品视频免费| 2022亚洲国产成人精品| 18禁在线播放成人免费| 免费在线观看成人毛片| 成人免费观看视频高清| av免费在线看不卡| 亚洲va在线va天堂va国产| 国产伦理片在线播放av一区| 日韩大片免费观看网站| 中文字幕亚洲精品专区| 国产免费一级a男人的天堂| 男男h啪啪无遮挡| 国产成人午夜福利电影在线观看| 精品一区二区免费观看| 黄色视频在线播放观看不卡| 国产精品国产av在线观看| 我的女老师完整版在线观看| 91精品国产九色| 日韩欧美 国产精品| 好男人视频免费观看在线| 精品久久久久久久人妻蜜臀av| 亚洲av男天堂| 成人鲁丝片一二三区免费| 成人毛片60女人毛片免费| 国精品久久久久久国模美| 午夜视频国产福利| 亚洲av男天堂| 女的被弄到高潮叫床怎么办| 亚洲av欧美aⅴ国产| 成人无遮挡网站| 亚洲,欧美,日韩| 亚洲国产欧美人成| 精品亚洲乱码少妇综合久久| 免费看a级黄色片| 五月天丁香电影| 欧美最新免费一区二区三区| 美女xxoo啪啪120秒动态图| 青春草视频在线免费观看| 亚洲av成人精品一二三区| 成年免费大片在线观看| 日本黄大片高清| videossex国产| 久久久久国产网址| 丰满乱子伦码专区| 国产成人a区在线观看| 26uuu在线亚洲综合色| 久久精品国产亚洲网站| 免费观看在线日韩| 毛片一级片免费看久久久久| 国产午夜精品一二区理论片| 成人国产av品久久久| 男男h啪啪无遮挡| 亚洲欧美成人精品一区二区| 国产男女内射视频| 久久久久九九精品影院| 日韩,欧美,国产一区二区三区| 亚洲精品国产成人久久av| 免费少妇av软件| www.色视频.com| 成年av动漫网址| 国产精品偷伦视频观看了| 51国产日韩欧美| 人体艺术视频欧美日本| 欧美日韩视频高清一区二区三区二| 精品久久久噜噜| 日韩大片免费观看网站| 午夜精品国产一区二区电影 | 男女边吃奶边做爰视频| 中文在线观看免费www的网站| 欧美bdsm另类| 国产v大片淫在线免费观看| 久久久亚洲精品成人影院| 五月天丁香电影| 99精国产麻豆久久婷婷| 亚洲欧美日韩卡通动漫| 日韩国内少妇激情av| 日韩强制内射视频| 联通29元200g的流量卡| 亚洲精品色激情综合| 久久精品国产亚洲av天美| 2022亚洲国产成人精品| 久久精品夜色国产| 成人毛片60女人毛片免费| 美女cb高潮喷水在线观看| 亚洲成色77777| 一二三四中文在线观看免费高清| 日韩在线高清观看一区二区三区| 一级毛片电影观看| 男女无遮挡免费网站观看| 精品午夜福利在线看| 精品亚洲乱码少妇综合久久| 成人国产麻豆网| 国产91av在线免费观看| 3wmmmm亚洲av在线观看| 国产亚洲一区二区精品| 日韩av在线免费看完整版不卡| 国产人妻一区二区三区在| 三级国产精品欧美在线观看| 美女cb高潮喷水在线观看| 国产精品一区二区在线观看99| 亚洲国产精品成人综合色| 天天一区二区日本电影三级| 国产视频首页在线观看| 波多野结衣巨乳人妻| 国产精品三级大全| 一级毛片aaaaaa免费看小| 自拍欧美九色日韩亚洲蝌蚪91 | 我的女老师完整版在线观看| av线在线观看网站| 看非洲黑人一级黄片| 国产欧美日韩一区二区三区在线 | 国产一区二区三区av在线| 久久精品久久久久久久性| 亚洲激情五月婷婷啪啪| 午夜爱爱视频在线播放| 欧美xxⅹ黑人| 国产精品嫩草影院av在线观看| 日本-黄色视频高清免费观看| av卡一久久| 日韩视频在线欧美| 中文精品一卡2卡3卡4更新| 免费少妇av软件| 国产欧美另类精品又又久久亚洲欧美| 97在线人人人人妻| 久久99热这里只有精品18| 亚洲图色成人| 亚洲美女视频黄频| 亚洲精品乱码久久久v下载方式| 五月伊人婷婷丁香| 特大巨黑吊av在线直播| 黄片wwwwww| 内地一区二区视频在线| 久久久久精品久久久久真实原创| 99热这里只有精品一区| 日韩精品有码人妻一区| 欧美成人午夜免费资源| 精品一区二区免费观看| 新久久久久国产一级毛片| 国产精品一及| 国产亚洲av片在线观看秒播厂| 免费看日本二区| 亚洲真实伦在线观看| 国产视频内射| 国产精品成人在线| 国产亚洲一区二区精品| 日韩欧美精品v在线| 免费看av在线观看网站| 日本色播在线视频| 狠狠精品人妻久久久久久综合| 成人国产麻豆网| 国产乱人偷精品视频| 日韩大片免费观看网站| 国产免费又黄又爽又色| 亚洲国产欧美人成| 一级毛片我不卡| 日本免费在线观看一区| 久久久色成人| 22中文网久久字幕| 97精品久久久久久久久久精品| 亚洲精品久久久久久婷婷小说| 麻豆精品久久久久久蜜桃| 亚洲欧美日韩无卡精品| 中文字幕制服av| 亚洲美女视频黄频| 观看免费一级毛片| 高清av免费在线|