• <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 ?

    基于提高偽平行句對(duì)質(zhì)量的無(wú)監(jiān)督領(lǐng)域適應(yīng)機(jī)器翻譯*

    2022-12-22 12:01:46肖妮妮段湘煜
    關(guān)鍵詞:后驗(yàn)語(yǔ)料平行

    肖妮妮,金 暢,段湘煜

    (蘇州大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院自然語(yǔ)言處理實(shí)驗(yàn)室,江蘇 蘇州 215006)

    1 引言

    近年來(lái),隨著神經(jīng)機(jī)器翻譯NMT(Neural Machine Translation)[1-3]的出現(xiàn),機(jī)器翻譯的質(zhì)量得到了進(jìn)一步的提升,甚至在一些特定領(lǐng)域,機(jī)器翻譯幾乎達(dá)到了人類(lèi)翻譯相當(dāng)?shù)乃剑@得益于神經(jīng)機(jī)器翻譯基于編碼器-解碼器框架的深度神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和注意力(Attention)[4]機(jī)制。相比于傳統(tǒng)的統(tǒng)計(jì)機(jī)器翻譯SMT(Statistical Machine Translation)[5-9]系統(tǒng),這樣的框架有許多吸引人的特性,例如較少的人工特征和先驗(yàn)領(lǐng)域知識(shí)的需求。但是,盡管神經(jīng)機(jī)器翻譯在過(guò)去的幾年中取得了飛速的發(fā)展和進(jìn)步,大多數(shù)神經(jīng)機(jī)器翻譯系統(tǒng)仍然存在一個(gè)共同的缺點(diǎn):其性能?chē)?yán)重依賴(lài)高質(zhì)量的內(nèi)領(lǐng)域數(shù)據(jù)。然而,即使在互聯(lián)網(wǎng)高度發(fā)達(dá)的今天,在絕大多數(shù)的領(lǐng)域中,通常也難以找到高質(zhì)量、大規(guī)模、覆蓋率廣的平行語(yǔ)料庫(kù),這導(dǎo)致神經(jīng)機(jī)器翻譯模型在低資源語(yǔ)言和特定領(lǐng)域上的翻譯效果與大眾對(duì)機(jī)器翻譯的期望仍然相差甚遠(yuǎn)。

    在所有領(lǐng)域中收集大量平行數(shù)據(jù)是很昂貴的,并且在許多情況下是不可能的。因此,有必要探索有效的方法來(lái)訓(xùn)練能夠較好地推廣到新領(lǐng)域的模型。為了有效地克服神經(jīng)機(jī)器翻譯中的數(shù)據(jù)稀疏和領(lǐng)域多樣性問(wèn)題,研究人員也探索了很多不同的解決方案。Chu等[10]指出,機(jī)器翻譯中領(lǐng)域適應(yīng)主要有2類(lèi)方法:以數(shù)據(jù)為中心(Data Centric)和以模型為中心(Model Centric)。以模型為中心的方法對(duì)模型架構(gòu)進(jìn)行顯式的改變,例如Britz等[11]提出了聯(lián)合學(xué)習(xí)領(lǐng)域辨別和翻譯2個(gè)任務(wù)、Kobus等[12]提出了通過(guò)添加標(biāo)簽和單詞特征進(jìn)行領(lǐng)域控制等方法來(lái)提高模型領(lǐng)域適應(yīng)的能力。但是在許多實(shí)際情況下,研究人員是不知道待使用數(shù)據(jù)的來(lái)源或背景的,很多文本沒(méi)有天然的領(lǐng)域標(biāo)簽,而且一個(gè)句子可能被合理地認(rèn)為屬于多個(gè)領(lǐng)域,因此基于領(lǐng)域區(qū)分的方法存在局限性。以數(shù)據(jù)為中心的方法主要是使用內(nèi)領(lǐng)域和外領(lǐng)域平行數(shù)據(jù)相結(jié)合的方法進(jìn)行有監(jiān)督領(lǐng)域適應(yīng)[13,14],或者利用內(nèi)領(lǐng)域單語(yǔ)數(shù)據(jù)生成偽平行語(yǔ)料進(jìn)行無(wú)監(jiān)督學(xué)習(xí)[15,16]。其中最具有代表性的策略是使用反向翻譯[15]創(chuàng)建內(nèi)領(lǐng)域目標(biāo)語(yǔ)句的偽平行語(yǔ)料。然而,盡管反向翻譯方法使用廣泛且有效,其成功的關(guān)鍵在于偽平行數(shù)據(jù)的質(zhì)量,但是它不針對(duì)領(lǐng)域或語(yǔ)言提供額外的輔助信息,跨領(lǐng)域的翻譯中不可避免地包含大量噪聲和錯(cuò)誤,這些將會(huì)在迭代反向翻譯的過(guò)程中被不斷積累和放大,從而影響到神經(jīng)機(jī)器翻譯模型的訓(xùn)練。

    針對(duì)這些問(wèn)題,本文分別從以數(shù)據(jù)為中心和以模型為中心2個(gè)角度提出2種簡(jiǎn)單有效的優(yōu)化策略。(1)以模型為中心,本文提出了更加合理的預(yù)訓(xùn)練策略,通過(guò)加入一個(gè)神經(jīng)網(wǎng)絡(luò)輔助模型學(xué)習(xí)外領(lǐng)域數(shù)據(jù)更為通用的文本表示,提高模型的通用性和泛化性,縮小不同領(lǐng)域語(yǔ)言間的差異,使得在翻譯內(nèi)領(lǐng)域句子時(shí)譯文質(zhì)量更高,從而在跨領(lǐng)域的差異問(wèn)題上表現(xiàn)更好。(2)以數(shù)據(jù)為中心,本文通過(guò)擴(kuò)展反向翻譯方法,提出了一種融合情感信息作為數(shù)據(jù)篩選后驗(yàn)的方法,來(lái)提高目標(biāo)領(lǐng)域單語(yǔ)數(shù)據(jù)反向翻譯譯文的準(zhǔn)確性,緩解偽數(shù)據(jù)中的噪聲問(wèn)題,進(jìn)一步提升了翻譯質(zhì)量。

    2 相關(guān)工作

    目前,有很多關(guān)于有監(jiān)督領(lǐng)域適應(yīng)的相關(guān)研究,其中的數(shù)據(jù)設(shè)置大多是有大量的外領(lǐng)域平行數(shù)據(jù)和很少量的內(nèi)領(lǐng)域平行數(shù)據(jù)。Luong等[13]提出在外領(lǐng)域語(yǔ)料庫(kù)上訓(xùn)練模型,并用小規(guī)模內(nèi)領(lǐng)域平行數(shù)據(jù)進(jìn)行微調(diào)(Fine-Tuning),以此縮小領(lǐng)域間的差異。Britz等[11]沒(méi)有直接將外領(lǐng)域數(shù)據(jù)和內(nèi)領(lǐng)域數(shù)據(jù)進(jìn)行混合,而是通過(guò)聯(lián)合學(xué)習(xí)區(qū)分域任務(wù)和翻譯任務(wù),以此來(lái)規(guī)避跨領(lǐng)域問(wèn)題。Joty等[17,18]通過(guò)在外領(lǐng)域平行語(yǔ)料中選擇出與內(nèi)領(lǐng)域語(yǔ)句更接近的語(yǔ)句,并給予更高的權(quán)重,來(lái)解決領(lǐng)域適應(yīng)問(wèn)題。本文提出的方法主要解決完全沒(méi)有內(nèi)領(lǐng)域平行語(yǔ)句的領(lǐng)域適應(yīng)問(wèn)題,這是一個(gè)嚴(yán)格的無(wú)監(jiān)督設(shè)置。

    無(wú)監(jiān)督機(jī)器翻譯領(lǐng)域適應(yīng)也可以分為以數(shù)據(jù)為中心和以模型為中心2類(lèi)方法。在先前的工作中,以數(shù)據(jù)為中心的策略吸引了眾多研究人員的關(guān)注,并取得了頗豐的成效。早期以數(shù)據(jù)為中心的研究有Schwenk等[19,20]使用SMT系統(tǒng)翻譯源語(yǔ)言單語(yǔ)句子,并使用合成的偽平行數(shù)據(jù)繼續(xù)訓(xùn)練翻譯系統(tǒng)。近年來(lái)最具有代表性且使用廣泛的方法莫過(guò)于反向翻譯[15]和基于復(fù)制的方法[16]。在領(lǐng)域適應(yīng)中,反向翻譯是使用外領(lǐng)域的平行數(shù)據(jù)訓(xùn)練基礎(chǔ)的目標(biāo)語(yǔ)言到源語(yǔ)言的反向翻譯系統(tǒng);然后使用該系統(tǒng)對(duì)目標(biāo)端的單語(yǔ)數(shù)據(jù)進(jìn)行翻譯,以此構(gòu)建偽平行數(shù)據(jù)?;趶?fù)制的方法是由Currey等[16]提出的,其主要思想是將目標(biāo)端內(nèi)領(lǐng)域的單語(yǔ)語(yǔ)料復(fù)制一份作為源端數(shù)據(jù),與其構(gòu)成偽平行數(shù)據(jù)。然而,這些方法都沒(méi)有考慮語(yǔ)言的特性,在跨領(lǐng)域翻譯時(shí)偽平行語(yǔ)料的質(zhì)量堪憂(yōu),導(dǎo)致使用偽平行句對(duì)微調(diào)后的模型的翻譯結(jié)果仍差強(qiáng)人意。

    以模型為中心的方法側(cè)重于對(duì) NMT 模型架構(gòu)特征進(jìn)行改進(jìn),目前較主流的方向是將語(yǔ)言模型等多任務(wù)學(xué)習(xí)集成到 NMT 模型中。Gulcehre等[21]提出融合語(yǔ)言模型 LM(Language Modeling)和NMT模型,但該方法在推理過(guò)程中需要查詢(xún)2個(gè)模型,效率低且已被證明其效果不如以數(shù)據(jù)為中心的方法。Dou等[22]提出了基于領(lǐng)域感知特征嵌入的無(wú)監(jiān)督領(lǐng)域適應(yīng)方法,通過(guò)將特定領(lǐng)域的特征嵌入到神經(jīng)機(jī)器翻譯編碼端的每一層中,并結(jié)合語(yǔ)言模型進(jìn)行多任務(wù)學(xué)習(xí)來(lái)訓(xùn)練特定領(lǐng)域的特征。這些方法通常需要消耗較多的計(jì)算資源和訓(xùn)練時(shí)間,參數(shù)龐多而冗余。

    本文結(jié)合模型和數(shù)據(jù)2個(gè)方面,致力于更好地處理NMT無(wú)監(jiān)督適應(yīng)任務(wù)。具體而言,為了使模型更好地進(jìn)行領(lǐng)域自適應(yīng),本文設(shè)計(jì)了一種新型聯(lián)合訓(xùn)練框架,提出了更加合理的預(yù)訓(xùn)練策略,通過(guò)加入一個(gè)輔助的特征學(xué)習(xí)網(wǎng)絡(luò),學(xué)習(xí)外領(lǐng)域中更通用的文本抽象信息;同時(shí)引入KL(Kullback-Leibler)正則項(xiàng),使模型的穩(wěn)定性和魯棒性得到增強(qiáng),以更好地適應(yīng)跨領(lǐng)域間的差異問(wèn)題。同時(shí),結(jié)合語(yǔ)句的情感特征進(jìn)行后驗(yàn)篩選,利用情感信息對(duì)偽訓(xùn)練數(shù)據(jù)進(jìn)行降噪,幫助訓(xùn)練神經(jīng)機(jī)器翻譯模型,使模型在目標(biāo)領(lǐng)域的翻譯性能得以?xún)?yōu)化。本文方法充分利用了外領(lǐng)域的平行數(shù)據(jù)和目標(biāo)領(lǐng)域的單語(yǔ)數(shù)據(jù),且提出的基于數(shù)據(jù)的方法不依賴(lài)于具體的模型架構(gòu),這使得本文提出的2種改進(jìn)策略是正交的,可以相互結(jié)合進(jìn)一步提高翻譯的效果。

    3 基準(zhǔn)模型

    Transformer模型架構(gòu)是由Vaswani等[4]首先提出的,屬于編碼器-解碼器結(jié)構(gòu),完全基于注意力機(jī)制進(jìn)行序列建模。它是機(jī)器翻譯中最成功且典型的NMT系統(tǒng)之一,同時(shí)具有代表性和一般性。

    Transformer的編碼器端和解碼器端分別是由N層(N默認(rèn)為6)相同的網(wǎng)絡(luò)層組成。編碼器端的每一層都包含2個(gè)子層:多頭自注意力層和全連接的前饋網(wǎng)絡(luò)層,對(duì)每一個(gè)子層的輸出都進(jìn)行殘差連接(Residual Connection)[23],然后是層正則化(Layer Normalization)[24]處理。因此,每一個(gè)子層的輸出可以表達(dá)為layernorm(x+sublayer(x)),其中,layernorm(*)表示層正則化函數(shù)的輸出,sublayer(x)表示子層的輸出,x表示當(dāng)前子層輸入的隱藏層狀態(tài)。相同地,解碼器也堆疊N層相同的網(wǎng)絡(luò)層,同樣包含自注意力子層、前饋網(wǎng)絡(luò)、殘差連接及層正則化模塊,此外解碼器又引入編碼-解碼注意力,該子層用于對(duì)編碼器最后一層的輸出進(jìn)行注意力權(quán)重計(jì)算。

    Transformer模型采用的注意力機(jī)制為多頭注意力機(jī)制,即是將所有查詢(xún)(Query)構(gòu)成的矩陣Q、所有鍵值(Key)構(gòu)成的矩陣K和所有值(Values)構(gòu)成的矩陣V按照嵌入維度切分為h個(gè)注意力頭(h默認(rèn)為8),分別計(jì)算每個(gè)頭的注意力結(jié)果,計(jì)算公式如式(1)和式(2)所示。最后把每一個(gè)注意力頭產(chǎn)生的輸出再進(jìn)行拼接,計(jì)算公式如式(3)所示,通過(guò)多頭注意力機(jī)制可以獲得多個(gè)視角空間的不同表征信息。

    (1)

    (2)

    MultiHead=Concat(head1,…,headh)Wo

    (3)

    Transformer中使用 Adam[25]作為優(yōu)化器,使用添加平滑標(biāo)簽的交叉熵[26]作為損失函數(shù),通過(guò)最小化損失函數(shù),使得模型的輸出概率分布更接近于真實(shí)值。

    4 提高偽平行句對(duì)質(zhì)量方法

    由于各個(gè)領(lǐng)域的表達(dá)風(fēng)格和語(yǔ)言特點(diǎn)有差異,如何讓神經(jīng)網(wǎng)絡(luò)翻譯模型在領(lǐng)域間更好地自適應(yīng)是一個(gè)關(guān)鍵問(wèn)題。無(wú)監(jiān)督領(lǐng)域適應(yīng)方法通過(guò)使用目標(biāo)領(lǐng)域的單語(yǔ)數(shù)據(jù)構(gòu)建偽平行語(yǔ)料訓(xùn)練模型,該方法因具有較少的局限性而得到廣泛應(yīng)用,但偽數(shù)據(jù)質(zhì)量較差,導(dǎo)致實(shí)際學(xué)習(xí)到的模型效果仍不理想。本文在Transformer的基礎(chǔ)上,添加一個(gè)神經(jīng)網(wǎng)絡(luò)獲取語(yǔ)言中更豐富的表征信息,并引入KL散度正則項(xiàng)增強(qiáng)信息的一致性,使得模型的魯棒性得到提升,同時(shí)提高內(nèi)領(lǐng)域翻譯的準(zhǔn)確性。隨后使用情感信息作為數(shù)據(jù)后驗(yàn)篩選,進(jìn)一步提高偽平行語(yǔ)料的質(zhì)量,改善模型的翻譯效果。

    4.1 加入特征學(xué)習(xí)網(wǎng)絡(luò)

    本文在Transformer基礎(chǔ)上加入了一個(gè)新的網(wǎng)絡(luò)模塊,對(duì)基礎(chǔ)模型中源端和目標(biāo)端的網(wǎng)絡(luò)隱藏狀態(tài)采用加入的特征學(xué)習(xí)網(wǎng)絡(luò)進(jìn)一步提取文本特征,學(xué)習(xí)到更為通用的抽象信息,在模型學(xué)習(xí)其他基礎(chǔ)文本信息的同時(shí)與之相結(jié)合,提高模型的泛化能力,為模型更好地學(xué)習(xí)提供支持。

    與此同時(shí),所提取出的源端和目標(biāo)端的抽象特征通過(guò)Softmax層后分別得到其概率分布,再在模型的損失函數(shù)中加入KL正則項(xiàng)計(jì)算,這樣可以增加源端和目標(biāo)端特征概率分布的一致性,拉近雙語(yǔ)語(yǔ)義特征相似度,使得模型的魯棒性和泛化能力得以提高,從而在面對(duì)跨領(lǐng)域的差異問(wèn)題時(shí)可以有更好的表現(xiàn)。改進(jìn)后的模型結(jié)構(gòu)如圖1所示。

    Figure 1 Overall structure of the improved model

    具體來(lái)說(shuō),給定源端序列X=(x1,…,xTx),Tx為源端序列長(zhǎng)度,源端序列經(jīng)過(guò)編碼器可以被編碼為H=(h1,…,hTx),hi表示源端第i個(gè)詞對(duì)應(yīng)的嵌入向量。同樣地,目標(biāo)端序列Y=(y1,…,yTy),Ty為目標(biāo)序列長(zhǎng)度,目標(biāo)端序列經(jīng)過(guò)解碼器后可以表達(dá)為Z=(z1,…,zTy),zi表示目標(biāo)端第i個(gè)詞對(duì)應(yīng)的嵌入向量。通過(guò)編碼后,每個(gè)隱藏狀態(tài)都包含了整句中上下文的相關(guān)信息,本文采用平均池化將每個(gè)句子的隱藏狀態(tài)轉(zhuǎn)換成一個(gè)固定長(zhǎng)度的嵌入向量,再共享一個(gè)線(xiàn)性網(wǎng)絡(luò)層來(lái)映射此嵌入向量,得到更為抽象的特征向量,所獲取的源句和目標(biāo)句的特征向量分別記作hout和zout,如式(4)和式(5)所示:

    (4)

    (5)

    其中,W、b是所添加的特征學(xué)習(xí)網(wǎng)絡(luò)的參數(shù),在訓(xùn)練過(guò)程中不斷學(xué)習(xí)優(yōu)化。

    在引入KL散度計(jì)算后,模型的訓(xùn)練目標(biāo)表達(dá)如式(6)所示:

    (6)

    其中,第1項(xiàng)是標(biāo)準(zhǔn)的訓(xùn)練雙語(yǔ)數(shù)據(jù)的目標(biāo)函數(shù),第2項(xiàng)是本文引入的提升模型魯棒性的正則項(xiàng),θ是模型中的所有參數(shù)。具體計(jì)算公式如式(7)~式(9)所示:

    lossKL=KL(S(x)‖T(y))=

    EX~S(x),Y~T(y)(logS(x)-logT(y))

    (7)

    S(x)=softmax(hout)

    (8)

    T(y)=softmax(zout)

    (9)

    其中,S(x)是源端經(jīng)過(guò)特征提取的概率分布,T(y)代表目標(biāo)端的概率分布,hout是表征源句的特征隱藏狀態(tài)向量,zout是代表目標(biāo)句的特征隱藏狀態(tài)向量。計(jì)算二者的KL散度的意義就是希望源端的分布可以向理想的目標(biāo)端靠攏,最終通過(guò)并行融合的方式提升模型的訓(xùn)練效果,增強(qiáng)模型的穩(wěn)定性和泛化力。

    4.2 情感特征后驗(yàn)篩選

    語(yǔ)言通常同時(shí)帶有2種不同類(lèi)型的信息:顯性的語(yǔ)義信息和副隱性的情緒信息?;A(chǔ)Transformer模型缺少對(duì)語(yǔ)言情感表征的挖掘,而關(guān)注語(yǔ)言中的情感信息可以為模型更好地學(xué)習(xí)提供支持。在現(xiàn)有的基礎(chǔ)模型中,有很多翻譯的結(jié)果與源句意思大相徑庭,這樣的翻譯必然是難以接受的。產(chǎn)生此現(xiàn)象的一大原因是句子的情感傾向相差甚遠(yuǎn),如表1所示。

    Table 1 Example of translation

    受此啟發(fā),本文使用情感信息作為數(shù)據(jù)后驗(yàn)篩選,以提高回譯數(shù)據(jù)的質(zhì)量,進(jìn)一步改善翻譯效果。具體來(lái)說(shuō),本文使用情感分析對(duì)偽平行的源句和目標(biāo)句進(jìn)行情感傾向打分,當(dāng)源句與目標(biāo)句的情感傾向差距較大時(shí)認(rèn)為是翻譯質(zhì)量差的語(yǔ)句,從而不使用該句進(jìn)行訓(xùn)練,避免錯(cuò)誤在訓(xùn)練過(guò)程中被不斷積累和放大,緩解偽數(shù)據(jù)中的噪聲問(wèn)題。

    算法1針對(duì)無(wú)監(jiān)督神經(jīng)機(jī)器翻譯的領(lǐng)域適應(yīng)算法

    輸出:神經(jīng)機(jī)器翻譯的參數(shù)模型Mx→y,My→x。

    步驟1procedure 預(yù)訓(xùn)練

    步驟2分別用隨機(jī)參數(shù)θx→y和θy→x初始化翻譯模型Mx→y和My→x;

    步驟4end procedure

    步驟5procedure 領(lǐng)域適應(yīng)

    步驟8用情感分類(lèi)器分別對(duì)X′和Y′進(jìn)行篩選;

    步驟9將篩選后的Y′與外領(lǐng)域平行語(yǔ)料D進(jìn)行混合來(lái)微調(diào)模型Mx→y;

    步驟10將篩選后的X′與外領(lǐng)域平行語(yǔ)料D進(jìn)行混合來(lái)微調(diào)模型My→x;

    步驟11end procedure

    5 實(shí)驗(yàn)與結(jié)果分析

    5.1 數(shù)據(jù)集

    基礎(chǔ)的源語(yǔ)言到目標(biāo)語(yǔ)言和目標(biāo)語(yǔ)言到源語(yǔ)言的翻譯系統(tǒng)使用的訓(xùn)練數(shù)據(jù)集是從 LDC(Linguistic Data Consortium)里抽取的125萬(wàn)句中英平行語(yǔ)句對(duì),測(cè)試集是采用美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院2002年的數(shù)據(jù)集NIST02、NIST03、NIST04、NIST05和NIST08,驗(yàn)證集是NIST06。內(nèi)領(lǐng)域單語(yǔ)數(shù)據(jù)選擇中英的TED2020數(shù)據(jù),包含39.9萬(wàn)個(gè)語(yǔ)句,本文將其劃分為包含39.3萬(wàn)句的訓(xùn)練集(分別當(dāng)作單語(yǔ)使用),以及分別包含3 000句的測(cè)試集和3 000句的驗(yàn)證集。對(duì)所有的中英語(yǔ)料,都分別進(jìn)行了BPE(Byte Pair Encoding)[27]編碼處理,BPE長(zhǎng)度為32 000次合并操作,中文詞表長(zhǎng)度為4.2萬(wàn),英文詞表長(zhǎng)度為3.1萬(wàn),使用“〈UNK〉”對(duì)不在詞表中的低頻詞進(jìn)行替換。

    5.2 實(shí)驗(yàn)設(shè)置

    基準(zhǔn)模型采用開(kāi)源代碼 Fairseq[28]實(shí)現(xiàn),將模型設(shè)置為T(mén)ransformer,編碼器和解碼器層數(shù)均設(shè)置為6,每層中模塊的輸出維度和詞嵌入向量的維度均設(shè)置為 512,神經(jīng)元的隨機(jī)失活率dropout設(shè)置為 0.3,學(xué)習(xí)率設(shè)置為0.000 5,注意力層中多頭注意力機(jī)制的頭數(shù)設(shè)置為 8,所有的實(shí)驗(yàn)均使用了標(biāo)簽平滑且值為0.1,全采用Adam優(yōu)化器和逆平方根學(xué)習(xí)率優(yōu)化,在解碼時(shí)采用波束搜索(Beam Search)的解碼方式,搜索寬度設(shè)置為5,其他未提及的基本超參數(shù)均與文獻(xiàn)[4]的默認(rèn)參數(shù)選項(xiàng)相同。所有實(shí)驗(yàn)均保持相同的參數(shù)設(shè)置,所加入的KL項(xiàng)中超參數(shù)均默認(rèn)為1,模型的訓(xùn)練和測(cè)試均基于NVIDIA GeForce GTX 1080Ti GPU。關(guān)于數(shù)據(jù)后驗(yàn)篩選,本文基于Stanford(https:github.com/stanfordnlp/CoreNLP)提供的情感分析工具獲取句子的情感傾向。

    由于該方法涉及到源語(yǔ)言到目標(biāo)語(yǔ)言和目標(biāo)語(yǔ)言到源語(yǔ)言2個(gè)翻譯方向的模型,因此實(shí)驗(yàn)表格將會(huì)同時(shí)報(bào)告這2個(gè)模型的實(shí)驗(yàn)結(jié)果。在所有實(shí)驗(yàn)中,使用BLEU作為翻譯質(zhì)量的評(píng)測(cè)指標(biāo),并使用multi-bleu.perl(https://github.com/mo-ses-smt/mosesdecoder/blob/master/scripts/ge-neric/multi-bleu.perl)腳本進(jìn)行評(píng)測(cè)。

    5.3 實(shí)驗(yàn)結(jié)果與分析

    5.3.1 模型改進(jìn)方法結(jié)果分析

    表2中列出了在新聞?lì)I(lǐng)域 LDC 平行數(shù)據(jù)集上基準(zhǔn)模型和本文改進(jìn)模型的實(shí)驗(yàn)結(jié)果比較?!盎鶞?zhǔn)模型”是本文第3節(jié)所介紹的基礎(chǔ)Transformer,使用LDC數(shù)據(jù)訓(xùn)練得到;“加入特征學(xué)習(xí)網(wǎng)絡(luò)模型”是依據(jù)本文4.1節(jié)方法對(duì)基礎(chǔ)模型進(jìn)行了改進(jìn)所訓(xùn)練的。對(duì)于每個(gè)測(cè)試集,中-英方向包含 4 個(gè)參考譯文,英-中方向只有 1 個(gè)參考譯文。

    根據(jù)表2可知,在中-英和英-中2個(gè)方向上,翻譯質(zhì)量在各個(gè)測(cè)試集上均有不同程度的提升,中-英和英-中方向的平均BLEU分?jǐn)?shù)分別提升了0.62和0.51,這表明增強(qiáng)源端和目標(biāo)端的概率分布的一致性,學(xué)習(xí)語(yǔ)義中更通用抽象的特征有利于提高模型的泛化能力,改善翻譯模型的性能。

    5.3.2 數(shù)據(jù)后驗(yàn)篩選方法結(jié)果分析

    為了驗(yàn)證本文提出的基于情感信息的數(shù)據(jù)后驗(yàn)篩選的有效性,在實(shí)驗(yàn)中與不使用情感后驗(yàn)篩選的方法進(jìn)行對(duì)比。反向翻譯方法已被證明是一種非常有效、穩(wěn)定的數(shù)據(jù)增強(qiáng)策略,能夠充分開(kāi)發(fā)目標(biāo)語(yǔ)言的單語(yǔ)語(yǔ)料。本文把反向翻譯方法應(yīng)用到領(lǐng)域適應(yīng)中,并作為強(qiáng)基線(xiàn)來(lái)驗(yàn)證本文改進(jìn)模型的有效性。在反向翻譯的對(duì)內(nèi)領(lǐng)域的偽平行數(shù)據(jù)和外領(lǐng)域的真實(shí)平行語(yǔ)料的拼接實(shí)驗(yàn)中,混合比例遵循文獻(xiàn)[15]的結(jié)論,使用數(shù)據(jù)比例為1∶1的混合策略。實(shí)驗(yàn)結(jié)果如表3所示。

    Table 2 BLEU scores of different models on LDC dataset

    Table 3 Comparsion with other models in TED field

    表3中,“基準(zhǔn)模型”是使用外領(lǐng)域平行語(yǔ)料訓(xùn)練的基礎(chǔ)Transformer模型,直接對(duì)內(nèi)領(lǐng)域語(yǔ)料進(jìn)行翻譯;“反向翻譯”是Sennrich等[15]提出的利用單語(yǔ)語(yǔ)料的方法,在基礎(chǔ)模型上使用內(nèi)領(lǐng)域偽平行語(yǔ)料進(jìn)行微調(diào),目標(biāo)端是真實(shí)數(shù)據(jù),源端是偽數(shù)據(jù)。

    “基于情感后驗(yàn)篩選”是本文提出的方法??梢钥闯?,使用情感后驗(yàn)篩選的確可以改善翻譯模型的性能,在2個(gè)語(yǔ)言方向上都有一定程度的提升。相比未經(jīng)過(guò)篩選的39萬(wàn)對(duì)訓(xùn)練數(shù)據(jù),利用經(jīng)過(guò)情感后驗(yàn)篩選得到的15萬(wàn)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練的效果更好,這表明挖掘并利用語(yǔ)句的情感信息能夠有效地去除偽數(shù)據(jù)中質(zhì)量過(guò)差的翻譯,從而降低噪聲,幫助模型更好地訓(xùn)練。

    5.3.3 綜合策略實(shí)驗(yàn)結(jié)果分析

    最后綜合本文提出的以模型為中心和以數(shù)據(jù)為中心這2個(gè)方面的方法,與基礎(chǔ)模型和其他模型進(jìn)行實(shí)驗(yàn)對(duì)比,結(jié)果如表4所示?!盎鶞?zhǔn)預(yù)訓(xùn)練模型”即表3中的基準(zhǔn)模型;“加入特征網(wǎng)絡(luò)預(yù)訓(xùn)練模型”是使用本文提出的以模型為中心方法所改進(jìn)訓(xùn)練的模型,也即表2 中加入特征網(wǎng)絡(luò)學(xué)習(xí)的模型;“加入特征網(wǎng)絡(luò)預(yù)訓(xùn)練+反向翻譯”是在本文改進(jìn)的模型基礎(chǔ)上使用基礎(chǔ)反向翻譯的方法;“加入特征網(wǎng)絡(luò)預(yù)訓(xùn)練+情感篩選”是按照算法1,將本文以模型為中心和以數(shù)據(jù)為中心的方法融合在一起。

    Table 4 BLEU scores of different models in TED field

    從表4中可以看出,加入了特征學(xué)習(xí)網(wǎng)絡(luò)的預(yù)訓(xùn)練模型在中-英方向比基礎(chǔ)模型的BLEU分?jǐn)?shù)提高了1.32,在此基礎(chǔ)上使用反向翻譯的方法也比在基礎(chǔ)模型上反向翻譯的BLEU值提升了1.06。在模型改進(jìn)的基礎(chǔ)上,結(jié)合情感后驗(yàn)篩選,使模型不僅在預(yù)訓(xùn)練階段獲得了更好的泛化能力,同時(shí)在反向翻譯中的偽數(shù)據(jù)質(zhì)量也得到了進(jìn)一步改善。

    結(jié)合表3和表4可以看出,本文方法的最終效果比基線(xiàn)系統(tǒng)在中-英和英-中上BLEU值分別提升了4.42和4.09;與強(qiáng)基線(xiàn)反向翻譯相比,BLEU值分別提升了1.25和 1.38??梢?jiàn),本文方法相比于其他方法獲得了較大的提升,有效地提高了模型領(lǐng)域自適應(yīng)能力,改善了在目標(biāo)領(lǐng)域的翻譯性能。

    5.4 案例研究

    為了進(jìn)一步證明本文方法的有效性,從內(nèi)領(lǐng)域測(cè)試集的翻譯結(jié)果中選擇了一些案例,比較不同訓(xùn)練方法的模型所產(chǎn)生的翻譯結(jié)果,如表5所示。

    Table 5 Cases of translation results from TED test

    從表5可以看出,基礎(chǔ)模型對(duì)跨領(lǐng)域的翻譯效果欠佳,其用詞、語(yǔ)言風(fēng)格與目標(biāo)相差甚遠(yuǎn),并且存在錯(cuò)翻、漏翻的情況。經(jīng)過(guò)反向翻譯后,可以看出,相比基礎(chǔ)模型結(jié)果有所進(jìn)步,但其效果仍不夠理想。案例中的第1句,關(guān)于“對(duì)于彼此的認(rèn)知”,本文方法翻譯為“our perception of each other”,翻譯準(zhǔn)確無(wú)誤且與參考譯文完全相符。案例中的第2句,對(duì)于基礎(chǔ)模型漏掉的“生存”,反向翻譯譯為“存活”且存在語(yǔ)序不當(dāng)?shù)膯?wèn)題,而本文方法可以有效地糾正這些錯(cuò)誤,將“生存”準(zhǔn)確地翻譯出來(lái)了且語(yǔ)義合理。這表明使用本文方法更有益于提升翻譯質(zhì)量。

    6 結(jié)束語(yǔ)

    對(duì)于NMT任務(wù)中的領(lǐng)域適應(yīng)任務(wù),本文從以模型為中心和以數(shù)據(jù)為中心2個(gè)方面提出了簡(jiǎn)單而有效的無(wú)監(jiān)督領(lǐng)域適應(yīng)方法。通過(guò)更加合理地預(yù)訓(xùn)練策略來(lái)學(xué)習(xí)外領(lǐng)域數(shù)據(jù)更通用的文本特征表示,從而在增強(qiáng)模型的泛化力的同時(shí)提高了生成的偽平行數(shù)據(jù)質(zhì)量,輔助后序工作更好地進(jìn)行領(lǐng)域適應(yīng)。再?gòu)臄?shù)據(jù)方面,結(jié)合情感信息對(duì)數(shù)據(jù)進(jìn)行后驗(yàn)篩選,進(jìn)一步提高反向翻譯譯文的質(zhì)量。實(shí)驗(yàn)結(jié)果表明,本文方法能夠有效提升模型的泛化能力,改善跨領(lǐng)域的翻譯質(zhì)量。在未來(lái)的工作中,將進(jìn)一步挖掘利用文本的情感信息和其他自然語(yǔ)言處理方法,探索更加復(fù)雜的聯(lián)合方式,以進(jìn)一步提升翻譯模型在領(lǐng)域適應(yīng)的效果。

    猜你喜歡
    后驗(yàn)語(yǔ)料平行
    向量的平行與垂直
    平行
    逃離平行世界
    基于對(duì)偶理論的橢圓變分不等式的后驗(yàn)誤差分析(英)
    貝葉斯統(tǒng)計(jì)中單參數(shù)后驗(yàn)分布的精確計(jì)算方法
    一種基于最大后驗(yàn)框架的聚類(lèi)分析多基線(xiàn)干涉SAR高度重建算法
    基于語(yǔ)料調(diào)查的“連……都(也)……”出現(xiàn)的語(yǔ)義背景分析
    再頂平行進(jìn)口
    華語(yǔ)電影作為真實(shí)語(yǔ)料在翻譯教學(xué)中的應(yīng)用
    《苗防備覽》中的湘西語(yǔ)料
    国产av精品麻豆| 人人澡人人妻人| 国产成人免费无遮挡视频| 亚洲精品,欧美精品| 80岁老熟妇乱子伦牲交| 中文乱码字字幕精品一区二区三区| 波多野结衣一区麻豆| 欧美日本中文国产一区发布| 久久国产亚洲av麻豆专区| 天天躁夜夜躁狠狠久久av| 丰满饥渴人妻一区二区三| 亚洲国产中文字幕在线视频| 婷婷色综合大香蕉| 午夜免费观看性视频| 亚洲欧美清纯卡通| 国产精品人妻久久久影院| 国产精品av久久久久免费| 久久国产精品男人的天堂亚洲| 国产亚洲av高清不卡| 看免费av毛片| 国产成人欧美在线观看 | 一二三四中文在线观看免费高清| 亚洲成国产人片在线观看| 久久99一区二区三区| 搡老岳熟女国产| 国产一区二区在线观看av| 中文字幕人妻丝袜一区二区 | 女人被躁到高潮嗷嗷叫费观| 十分钟在线观看高清视频www| 亚洲精品久久成人aⅴ小说| 亚洲欧洲日产国产| 亚洲视频免费观看视频| 狂野欧美激情性xxxx| av有码第一页| 熟妇人妻不卡中文字幕| 精品少妇一区二区三区视频日本电影 | 国产av精品麻豆| 欧美黄色片欧美黄色片| 韩国av在线不卡| 女人精品久久久久毛片| 老鸭窝网址在线观看| 秋霞在线观看毛片| 亚洲国产精品一区二区三区在线| 又大又爽又粗| 国产亚洲精品第一综合不卡| 一区二区三区激情视频| 国产日韩欧美视频二区| 一区二区三区激情视频| 99热全是精品| 国产亚洲一区二区精品| 日韩中文字幕欧美一区二区 | 国语对白做爰xxxⅹ性视频网站| 日日摸夜夜添夜夜爱| 王馨瑶露胸无遮挡在线观看| 国语对白做爰xxxⅹ性视频网站| 欧美日韩精品网址| a级毛片黄视频| 久久人人爽人人片av| 男女午夜视频在线观看| 成年动漫av网址| 久久鲁丝午夜福利片| 黑丝袜美女国产一区| 国产精品久久久久久人妻精品电影 | 1024视频免费在线观看| 各种免费的搞黄视频| 国产1区2区3区精品| 欧美精品亚洲一区二区| 午夜福利视频在线观看免费| 不卡视频在线观看欧美| 老鸭窝网址在线观看| 日日撸夜夜添| 国产99久久九九免费精品| 侵犯人妻中文字幕一二三四区| 搡老岳熟女国产| 国产成人精品在线电影| 哪个播放器可以免费观看大片| 99热网站在线观看| 久久精品久久精品一区二区三区| 欧美日韩精品网址| 精品一区二区三卡| 欧美日韩综合久久久久久| 男人操女人黄网站| 亚洲精品成人av观看孕妇| 国产日韩欧美亚洲二区| tube8黄色片| 精品少妇内射三级| 欧美日韩国产mv在线观看视频| 亚洲一区中文字幕在线| 午夜福利影视在线免费观看| 如何舔出高潮| 国产不卡av网站在线观看| 欧美精品高潮呻吟av久久| 男女无遮挡免费网站观看| 国产爽快片一区二区三区| 亚洲欧洲精品一区二区精品久久久 | 国产激情久久老熟女| 男男h啪啪无遮挡| 亚洲熟女毛片儿| 国产又爽黄色视频| 伦理电影大哥的女人| av在线观看视频网站免费| 一级片'在线观看视频| 美国免费a级毛片| 亚洲国产欧美日韩在线播放| 国产成人午夜福利电影在线观看| 中文天堂在线官网| 成人国产麻豆网| 啦啦啦中文免费视频观看日本| 侵犯人妻中文字幕一二三四区| 精品人妻在线不人妻| 狂野欧美激情性bbbbbb| 高清在线视频一区二区三区| 久久久国产精品麻豆| 亚洲熟女精品中文字幕| 国产片内射在线| 9热在线视频观看99| 久久久久久人人人人人| 国产精品国产av在线观看| 久久女婷五月综合色啪小说| 欧美日韩成人在线一区二区| 国产成人欧美在线观看 | 中文字幕人妻熟女乱码| 久久久国产一区二区| √禁漫天堂资源中文www| 91精品伊人久久大香线蕉| 欧美日韩国产mv在线观看视频| 欧美成人午夜精品| 国产野战对白在线观看| 久久久精品免费免费高清| 老司机影院毛片| 别揉我奶头~嗯~啊~动态视频 | 免费高清在线观看日韩| 免费高清在线观看视频在线观看| 亚洲av福利一区| 国产高清国产精品国产三级| 欧美乱码精品一区二区三区| 亚洲专区中文字幕在线 | 亚洲欧洲精品一区二区精品久久久 | 国产精品熟女久久久久浪| 国产欧美日韩一区二区三区在线| 国产亚洲av片在线观看秒播厂| 亚洲国产精品999| 国产高清不卡午夜福利| 国产黄频视频在线观看| 美女扒开内裤让男人捅视频| 亚洲国产欧美网| 婷婷成人精品国产| 秋霞伦理黄片| 国产有黄有色有爽视频| 国产 一区精品| 十分钟在线观看高清视频www| 国产精品人妻久久久影院| 啦啦啦在线免费观看视频4| 免费黄色在线免费观看| 国产野战对白在线观看| 欧美黄色片欧美黄色片| 大话2 男鬼变身卡| 亚洲国产av新网站| 日本av手机在线免费观看| 丝袜脚勾引网站| 亚洲国产毛片av蜜桃av| 国产一卡二卡三卡精品 | 亚洲一级一片aⅴ在线观看| 啦啦啦视频在线资源免费观看| 国产乱来视频区| 一个人免费看片子| 亚洲男人天堂网一区| 你懂的网址亚洲精品在线观看| 街头女战士在线观看网站| 99久久精品国产亚洲精品| av天堂久久9| 丁香六月欧美| 久热爱精品视频在线9| 涩涩av久久男人的天堂| a级片在线免费高清观看视频| 高清视频免费观看一区二区| 美女脱内裤让男人舔精品视频| 精品国产国语对白av| 最近中文字幕高清免费大全6| 国产日韩欧美视频二区| 亚洲国产精品999| 亚洲精品日韩在线中文字幕| 欧美日韩一级在线毛片| 免费av中文字幕在线| 欧美日韩国产mv在线观看视频| 老汉色∧v一级毛片| 久久人人97超碰香蕉20202| 欧美精品高潮呻吟av久久| 国产男女超爽视频在线观看| 午夜老司机福利片| 亚洲精品av麻豆狂野| 欧美日韩精品网址| 亚洲精品一区蜜桃| 九草在线视频观看| 99精品久久久久人妻精品| 国产精品一区二区在线不卡| a级毛片黄视频| 在线亚洲精品国产二区图片欧美| 波多野结衣av一区二区av| 亚洲成人国产一区在线观看 | 9色porny在线观看| 男男h啪啪无遮挡| 熟妇人妻不卡中文字幕| 欧美日本中文国产一区发布| 日本欧美视频一区| 精品国产国语对白av| 国产在线一区二区三区精| 久久久国产欧美日韩av| 国语对白做爰xxxⅹ性视频网站| 日韩成人av中文字幕在线观看| 免费黄色在线免费观看| 亚洲,欧美精品.| 亚洲精品日韩在线中文字幕| 熟女少妇亚洲综合色aaa.| 国产成人av激情在线播放| 亚洲在久久综合| videosex国产| 色精品久久人妻99蜜桃| 色婷婷av一区二区三区视频| 欧美少妇被猛烈插入视频| 国产黄色视频一区二区在线观看| 国产色婷婷99| 国产免费福利视频在线观看| 成人手机av| 多毛熟女@视频| 亚洲精品成人av观看孕妇| 丝袜喷水一区| 一区二区日韩欧美中文字幕| 中文字幕另类日韩欧美亚洲嫩草| 中文字幕色久视频| 久久亚洲国产成人精品v| 久久久国产欧美日韩av| 不卡视频在线观看欧美| 免费高清在线观看视频在线观看| 亚洲免费av在线视频| 自拍欧美九色日韩亚洲蝌蚪91| 久久 成人 亚洲| 高清黄色对白视频在线免费看| 最黄视频免费看| 久久综合国产亚洲精品| 欧美日韩视频高清一区二区三区二| 亚洲欧美清纯卡通| 亚洲精品一区蜜桃| 国产免费又黄又爽又色| 高清欧美精品videossex| 久久久久网色| 在线观看www视频免费| 国产免费又黄又爽又色| 视频在线观看一区二区三区| 久久热在线av| 啦啦啦啦在线视频资源| 欧美人与善性xxx| av免费观看日本| 日韩成人av中文字幕在线观看| 老司机深夜福利视频在线观看 | 日本av免费视频播放| 观看美女的网站| 天堂俺去俺来也www色官网| 一区二区日韩欧美中文字幕| 亚洲激情五月婷婷啪啪| 精品久久蜜臀av无| 一本久久精品| 一个人免费看片子| 男女之事视频高清在线观看 | av网站免费在线观看视频| 久久久精品国产亚洲av高清涩受| 夫妻午夜视频| 欧美在线黄色| 国产精品女同一区二区软件| 超碰成人久久| 天天影视国产精品| 国产精品国产三级专区第一集| 一级毛片电影观看| 免费在线观看黄色视频的| 亚洲欧美精品自产自拍| 成人国产麻豆网| av不卡在线播放| 日韩精品免费视频一区二区三区| 亚洲精品视频女| 精品第一国产精品| 免费黄网站久久成人精品| av.在线天堂| 亚洲伊人久久精品综合| 国产免费视频播放在线视频| 免费黄色在线免费观看| 一个人免费看片子| 亚洲国产日韩一区二区| 欧美在线一区亚洲| 国产精品秋霞免费鲁丝片| av国产精品久久久久影院| 妹子高潮喷水视频| 高清视频免费观看一区二区| 哪个播放器可以免费观看大片| 欧美最新免费一区二区三区| 精品国产一区二区三区四区第35| 捣出白浆h1v1| av在线观看视频网站免费| 精品午夜福利在线看| 亚洲中文av在线| h视频一区二区三区| 亚洲精华国产精华液的使用体验| 色精品久久人妻99蜜桃| 国产在视频线精品| 国产欧美亚洲国产| 久久ye,这里只有精品| 日韩视频在线欧美| 成人国语在线视频| 亚洲伊人色综图| 免费观看a级毛片全部| 99久久综合免费| 91精品三级在线观看| 男女高潮啪啪啪动态图| 日韩 欧美 亚洲 中文字幕| 精品国产乱码久久久久久小说| 欧美国产精品va在线观看不卡| 尾随美女入室| 日本猛色少妇xxxxx猛交久久| 日本91视频免费播放| 日韩av不卡免费在线播放| 黄片播放在线免费| 日韩 欧美 亚洲 中文字幕| 七月丁香在线播放| 久久久久久久国产电影| 免费观看a级毛片全部| 麻豆精品久久久久久蜜桃| 老鸭窝网址在线观看| 免费日韩欧美在线观看| 女人久久www免费人成看片| 欧美另类一区| 精品一区二区三卡| 精品午夜福利在线看| 精品亚洲成a人片在线观看| 最新的欧美精品一区二区| 欧美日韩精品网址| 欧美精品一区二区大全| 亚洲欧美清纯卡通| 国产熟女欧美一区二区| 日韩欧美精品免费久久| av有码第一页| 一区二区三区四区激情视频| 人妻一区二区av| 国产亚洲午夜精品一区二区久久| 在线观看一区二区三区激情| 日韩一卡2卡3卡4卡2021年| 亚洲精品国产av蜜桃| 亚洲精品自拍成人| 女人爽到高潮嗷嗷叫在线视频| 新久久久久国产一级毛片| 亚洲欧美一区二区三区黑人| 男女边吃奶边做爰视频| 涩涩av久久男人的天堂| e午夜精品久久久久久久| 亚洲精品国产av蜜桃| 日本色播在线视频| 超碰97精品在线观看| 色精品久久人妻99蜜桃| 免费在线观看视频国产中文字幕亚洲 | 午夜久久久在线观看| 免费黄频网站在线观看国产| 性少妇av在线| 18禁观看日本| 亚洲av成人精品一二三区| 999久久久国产精品视频| 99香蕉大伊视频| 激情视频va一区二区三区| 汤姆久久久久久久影院中文字幕| 韩国av在线不卡| 国产黄色免费在线视频| 欧美成人午夜精品| 久久精品亚洲av国产电影网| 久久久精品区二区三区| 免费人妻精品一区二区三区视频| 久久精品久久久久久久性| 超色免费av| 少妇 在线观看| 麻豆av在线久日| 一二三四在线观看免费中文在| 老鸭窝网址在线观看| 97人妻天天添夜夜摸| 成人毛片60女人毛片免费| 老司机深夜福利视频在线观看 | 19禁男女啪啪无遮挡网站| 天堂8中文在线网| 亚洲成av片中文字幕在线观看| 久久久久人妻精品一区果冻| 欧美黑人欧美精品刺激| 青青草视频在线视频观看| 高清视频免费观看一区二区| 最近中文字幕高清免费大全6| 十八禁网站网址无遮挡| xxxhd国产人妻xxx| 国产精品.久久久| 热re99久久国产66热| 女性生殖器流出的白浆| av国产久精品久网站免费入址| 免费高清在线观看日韩| 一本大道久久a久久精品| 天堂中文最新版在线下载| 久久精品亚洲熟妇少妇任你| 大话2 男鬼变身卡| 国产 精品1| 亚洲一区二区三区欧美精品| 国产亚洲av高清不卡| 在线观看免费日韩欧美大片| 晚上一个人看的免费电影| 99热国产这里只有精品6| 亚洲国产成人一精品久久久| 亚洲欧洲国产日韩| 乱人伦中国视频| 桃花免费在线播放| 男人添女人高潮全过程视频| 一本—道久久a久久精品蜜桃钙片| 亚洲av在线观看美女高潮| 欧美日韩一级在线毛片| 日日啪夜夜爽| 久久久久视频综合| 一区二区日韩欧美中文字幕| 精品第一国产精品| 国产一区二区三区综合在线观看| 亚洲av电影在线观看一区二区三区| 欧美老熟妇乱子伦牲交| 国产日韩一区二区三区精品不卡| 久久鲁丝午夜福利片| 国产av国产精品国产| 90打野战视频偷拍视频| 色播在线永久视频| 国产免费现黄频在线看| 毛片一级片免费看久久久久| 精品国产露脸久久av麻豆| 国产激情久久老熟女| 久久久久久久大尺度免费视频| 一个人免费看片子| 少妇人妻精品综合一区二区| 黄片小视频在线播放| 亚洲欧美成人综合另类久久久| 韩国av在线不卡| 一级,二级,三级黄色视频| 国产精品熟女久久久久浪| 国产高清不卡午夜福利| 国产亚洲欧美精品永久| 中文字幕亚洲精品专区| 国产黄色免费在线视频| 下体分泌物呈黄色| 91精品三级在线观看| 亚洲国产av新网站| 亚洲av综合色区一区| 人成视频在线观看免费观看| 我要看黄色一级片免费的| 女性生殖器流出的白浆| 黄片播放在线免费| 国产av一区二区精品久久| 一区二区av电影网| 如何舔出高潮| 如日韩欧美国产精品一区二区三区| 青春草亚洲视频在线观看| 亚洲国产精品999| 久久人人爽av亚洲精品天堂| 久久女婷五月综合色啪小说| www日本在线高清视频| 午夜日本视频在线| 老司机靠b影院| 性少妇av在线| 国产野战对白在线观看| 精品久久久久久电影网| 国产亚洲一区二区精品| 一区福利在线观看| 国产精品av久久久久免费| 青青草视频在线视频观看| 搡老岳熟女国产| 欧美亚洲 丝袜 人妻 在线| av电影中文网址| 大香蕉久久网| 在线观看国产h片| videos熟女内射| 免费观看a级毛片全部| 亚洲五月色婷婷综合| 中文字幕另类日韩欧美亚洲嫩草| 毛片一级片免费看久久久久| 亚洲国产日韩一区二区| 久久综合国产亚洲精品| 国产不卡av网站在线观看| 日韩av免费高清视频| 丝袜喷水一区| 桃花免费在线播放| av在线app专区| 日韩制服骚丝袜av| 伊人久久大香线蕉亚洲五| 亚洲美女黄色视频免费看| 亚洲欧美日韩另类电影网站| 男女免费视频国产| 日韩免费高清中文字幕av| 看十八女毛片水多多多| 高清不卡的av网站| 成年人免费黄色播放视频| 欧美日韩视频高清一区二区三区二| 国产免费现黄频在线看| 欧美日韩av久久| 国产 一区精品| 精品亚洲成a人片在线观看| svipshipincom国产片| 欧美日本中文国产一区发布| 免费在线观看视频国产中文字幕亚洲 | 一二三四在线观看免费中文在| av免费观看日本| av在线老鸭窝| 亚洲情色 制服丝袜| 大陆偷拍与自拍| 一级a爱视频在线免费观看| 亚洲天堂av无毛| 一个人免费看片子| 9色porny在线观看| 欧美日韩亚洲综合一区二区三区_| 男人爽女人下面视频在线观看| 免费人妻精品一区二区三区视频| 亚洲少妇的诱惑av| 国产高清国产精品国产三级| 欧美最新免费一区二区三区| 少妇人妻精品综合一区二区| 久久这里只有精品19| 一区二区日韩欧美中文字幕| 卡戴珊不雅视频在线播放| 纵有疾风起免费观看全集完整版| 国产精品久久久久久精品古装| 国产97色在线日韩免费| 亚洲人成网站在线观看播放| 色播在线永久视频| 视频在线观看一区二区三区| 久久精品国产a三级三级三级| 多毛熟女@视频| 五月开心婷婷网| 亚洲自偷自拍图片 自拍| 亚洲av国产av综合av卡| 国产在线一区二区三区精| svipshipincom国产片| 国产精品.久久久| 午夜激情av网站| 日韩精品有码人妻一区| 两个人免费观看高清视频| 久久精品久久精品一区二区三区| 高清黄色对白视频在线免费看| 国产一级毛片在线| av网站在线播放免费| 啦啦啦 在线观看视频| 无限看片的www在线观看| 成人手机av| 国产一区有黄有色的免费视频| 久久人人爽av亚洲精品天堂| 男女之事视频高清在线观看 | 日日啪夜夜爽| 青春草亚洲视频在线观看| 丝袜美腿诱惑在线| 日韩 亚洲 欧美在线| 精品国产乱码久久久久久小说| 久久婷婷青草| 丝袜美足系列| 麻豆av在线久日| 女人高潮潮喷娇喘18禁视频| 欧美久久黑人一区二区| 丝袜美腿诱惑在线| 亚洲av综合色区一区| xxx大片免费视频| 在线天堂中文资源库| 下体分泌物呈黄色| 日本wwww免费看| 亚洲精华国产精华液的使用体验| 高清不卡的av网站| 男女边摸边吃奶| 丝瓜视频免费看黄片| 欧美精品av麻豆av| 你懂的网址亚洲精品在线观看| 妹子高潮喷水视频| 午夜激情久久久久久久| 久久精品熟女亚洲av麻豆精品| www.熟女人妻精品国产| 人人妻人人澡人人爽人人夜夜| 九色亚洲精品在线播放| 性少妇av在线| 国产精品二区激情视频| 男人爽女人下面视频在线观看| bbb黄色大片| 亚洲视频免费观看视频| 欧美人与性动交α欧美软件| 99精品久久久久人妻精品| 久久久精品免费免费高清| 午夜91福利影院| 91aial.com中文字幕在线观看| 欧美av亚洲av综合av国产av | 成人亚洲精品一区在线观看| 最近的中文字幕免费完整| av免费观看日本| 新久久久久国产一级毛片| 国产激情久久老熟女| 在线精品无人区一区二区三| 久久韩国三级中文字幕| 久久亚洲国产成人精品v| 黑人欧美特级aaaaaa片| 老司机影院毛片| 97人妻天天添夜夜摸| av福利片在线| 男人舔女人的私密视频| 日韩制服骚丝袜av| 天天影视国产精品| 国产片内射在线| 久久精品国产亚洲av涩爱| 嫩草影院入口| 中文字幕另类日韩欧美亚洲嫩草| 黄色视频在线播放观看不卡| 黄片无遮挡物在线观看| 老熟女久久久| 高清av免费在线| 人人妻人人爽人人添夜夜欢视频| 热re99久久国产66热| 满18在线观看网站| 久久久久久免费高清国产稀缺| 日日撸夜夜添|