• <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 ?

    基于集成學(xué)習(xí)的電影票房預(yù)測

    2023-08-23 08:19:00張濤陳瀟瀟
    電子制作 2023年14期
    關(guān)鍵詞:特征優(yōu)化模型

    張濤,陳瀟瀟

    (北方工業(yè)大學(xué), 北京,100144)

    0 引言

    隨著社會經(jīng)濟的發(fā)展,社會生活水平提高,看電影已經(jīng)成為一項主要的娛樂活動。據(jù)國家統(tǒng)計局統(tǒng)計,2021中國票房近470億,幾乎是2019年中國票房的5倍[1]。盡管大多數(shù)公司都想從這個巨大的市場中分一杯羹,但只有幾部熱門電影實現(xiàn)了盈利,其他電影則在虧損[2]。因此,如何準(zhǔn)確地預(yù)測電影票房,降低投資風(fēng)險,避免公司因投資失敗而遭受巨大損失已成為亟需解決的問題。

    隨著人工智能技術(shù)的快速發(fā)展,越來越多的學(xué)者將機器學(xué)習(xí)等數(shù)據(jù)挖掘技術(shù)應(yīng)用于電影票房預(yù)測中,郭萱[3]以2014年-2016年的173部影片為研究對象,引入了基于條件推斷樹的隨機森林模型對電影票房進行預(yù)測,研究結(jié)果表明,基于條件推斷樹的隨機森林預(yù)測模型比傳統(tǒng)的隨機森林預(yù)測模型準(zhǔn)確度更高。楊朝強[4]分別訓(xùn)練了LSTM模型和BP神經(jīng)網(wǎng)絡(luò)模型,得出了LSTM模型的平均相對誤差比BP神經(jīng)網(wǎng)絡(luò)模型的平均相對誤差要低的結(jié)論。李振興[5]的研究結(jié)果表明,演員是影響電影票房的關(guān)鍵因素。甘雨涵[6]爬取了2016年全年在國內(nèi)上映的150部電影的豆瓣評論信息,通過分析評論中的情感傾向,證明了口碑對電影票房的重要性。

    在前人研究的基礎(chǔ)上,本文首先分別建立了XGBoost、LightGBM、CatBoost、隨機森林(Random Forest)和支持向量回歸(support vector Regression)票房預(yù)測模型,并通過optuna框架對五個票房預(yù)測模型的超參數(shù)進行優(yōu)化,提高單個票房預(yù)測模型的預(yù)測精確度;然后,使用測試集,通過加權(quán)stacking算法進行了電影票房預(yù)測,并與傳統(tǒng)的票房預(yù)測模型進行了對比,驗證了模型的有效性。

    1 相關(guān)工作

    ■1.1 評價指標(biāo)

    為了有效評估模型的預(yù)測效果,本文采用了平均絕對百分比誤差(MAPE)、均方誤差 (MSE)、均方根誤差(RMSE)以及kaggle上的評分這四項指標(biāo)作為模型評價指標(biāo)。

    平均絕對百分比誤差(MAPE)表示的是真實值與預(yù)測值之差的絕對值占真實值之比。MAPE值越小,模型預(yù)測效果越好。具體公式如下:

    式中:n為樣本數(shù),為預(yù)測值,yi為真實值。

    均方誤差(MSE)是指預(yù)測值與真實值的距離的平方和的平均數(shù),MSE的值越小,模型預(yù)測效果越好,具體公式如下:

    均方根誤差(RMSE)是均方誤差的算數(shù)平方根,RMSE的值越小,模型預(yù)測效果越好,具體公式如下:

    Kaggle上的評分是指當(dāng)用戶提交對測試集的預(yù)測結(jié)果時,kaggle對測試集的預(yù)測結(jié)果的打分,kaggle上的評分越低,排名越靠前,模型預(yù)測效果越好。

    ■1.2 Optuna框架

    Sklearn 的GridSearchCV函數(shù)可通過網(wǎng)格搜索與交叉驗證的方式來進行超參數(shù)優(yōu)化,但由于其會遍歷給定范圍內(nèi)的所有超參數(shù)組合,所以非常耗時,特別是當(dāng)超參數(shù)的數(shù)量增長時,網(wǎng)格搜索的時間復(fù)雜度將呈現(xiàn)指數(shù)增長。

    Optuna 是一個完全用 Python 編寫的自動超參數(shù)調(diào)整框架。專為機器學(xué)習(xí)而設(shè)計,可以與 PyTorch、TensorFlow、Keras、SKlearn 等其他框架一起使用。

    Optuna 的優(yōu)化程序中只有三個核心的概念,分別為目標(biāo)函數(shù)(objective),單次試驗(trial),和研究(study)。其中目標(biāo)函數(shù)負責(zé)定義待優(yōu)化函數(shù)并指定超參數(shù)范圍,單詞試驗對應(yīng)著目標(biāo)函數(shù)的單次執(zhí)行,而研究則負責(zé)管理優(yōu)化,決定優(yōu)化的方式,記錄總試驗的次數(shù)、試驗結(jié)果等。

    ■1.3 傳統(tǒng)stacking算法介紹

    stacking 算法一般采用兩層結(jié)構(gòu),第一層的學(xué)習(xí)器被稱作初級學(xué)習(xí)器,也被稱為基學(xué)習(xí)器,常用作對經(jīng)過處理后的原始樣本的訓(xùn)練和預(yù)測,第二層的學(xué)習(xí)器為次級學(xué)習(xí)器,也被稱為元學(xué)習(xí)器,用于結(jié)合第一層的驗證集與測試集的預(yù)測結(jié)果再次進行學(xué)習(xí)。

    Stacking算法能夠結(jié)合每個基學(xué)習(xí)器的優(yōu)點,提高模型的整體預(yù)測精度。Stacking算法的流程圖如圖1所示,假設(shè)第一層有兩個基學(xué)習(xí)器,每個基學(xué)習(xí)器分別對原始訓(xùn)練集進行訓(xùn)練, 得到驗證集的預(yù)測結(jié)果v1 和v2。對整個測試集的進行五次預(yù)測,將結(jié)果進行相加取平均得到測試集結(jié)果T1和T2。水平連接V1和V2得到新訓(xùn)練集TrainNew,水平連接T1和T2得到新的測試集Testew,將新訓(xùn)練集Trainnew與原始訓(xùn)練集一同放入元學(xué)習(xí)器中進行訓(xùn)練,將最終所得的元學(xué)習(xí)器對TestNew進行測試后即可得到測試集的最終預(yù)測結(jié)果。

    圖1 stacking算法的流程圖

    ■1.4 改進stacking算法介紹

    在傳統(tǒng)stacking算法中,在第二層進行集成時,僅僅是將測試集的預(yù)測結(jié)果進行的平均處理,這樣會平均掉表現(xiàn)好的模型的訓(xùn)練結(jié)果。因此,可對次級學(xué)習(xí)器的每一折預(yù)測結(jié)果進行加權(quán)處理,從而提高模型在測試集上的表現(xiàn),具體的示意圖如圖2所示,其中wi即為權(quán)值,權(quán)值為每一折驗證集的預(yù)測值與真實值的誤差,wi的計算方式如公式(4)所示,式中mape的定義如公式(1)所示。

    圖2 次學(xué)習(xí)器中精度加權(quán)的改進

    2 數(shù)據(jù)預(yù)處理

    本文選取的是Kaggle競賽中的數(shù)據(jù),數(shù)據(jù)來自于TMDB電影數(shù)據(jù)庫,數(shù)據(jù)集共有9399條,其中有5001條訓(xùn)練集數(shù)據(jù),4398條測試集數(shù)據(jù)。數(shù)據(jù)集共包括電影Id、系列電影名、電影預(yù)算、電影類型、電影官方主頁、TMDB官網(wǎng)id、原始語言、電影原始名稱、電影簡介、流行程度、海報鏈接、出品公司、出品國家、發(fā)行日期、電影時長、電影語言、電影狀態(tài)、宣傳語、電影名稱、電影關(guān)鍵詞、演員、導(dǎo)演和電影總收入這二十三個特征。其中,電影總收入為預(yù)測目標(biāo)變量。

    由于Kaggle提供的數(shù)據(jù)為未經(jīng)過處理的原始數(shù)據(jù),其中包含有文本類型的數(shù)據(jù),不能將其直接輸入模型訓(xùn)練,需要進行數(shù)據(jù)預(yù)處理,數(shù)據(jù)預(yù)處理包括正態(tài)化處理、數(shù)值化處理以及標(biāo)準(zhǔn)化處理。

    (1)正態(tài)化處理

    正態(tài)化處理是指將不符合正態(tài)分布的特征數(shù)據(jù)轉(zhuǎn)換成符合正態(tài)分布的特征數(shù)據(jù)。該數(shù)據(jù)集包含有電影預(yù)算和電影總收入這兩個不符合正態(tài)分布的特征,正態(tài)化處理方式有指數(shù)變換、對數(shù)變換、Box-cox變換等,需要根據(jù)數(shù)據(jù)的不同情況進行選擇,通常采用指數(shù)變換將左偏數(shù)據(jù)的數(shù)值較大的數(shù)據(jù)點間的距離增大,采用對數(shù)變換將右偏數(shù)據(jù)的數(shù)值較大的數(shù)據(jù)點間的距離縮小,而Box-cox變換既可以處理左偏數(shù)據(jù),也可以處理右偏數(shù)據(jù)。本文使用的是對數(shù)變換對電影預(yù)算和電影總收入進行轉(zhuǎn)換,使分布不均的數(shù)據(jù)服從正態(tài)分布。

    (2)數(shù)值化處理

    數(shù)值化處理是指將類別型特征和文本型特征轉(zhuǎn)換成數(shù)值型特征,該數(shù)據(jù)集共包含有11個類別型特征,分別包括系列電影名、電影類型、電影官方主頁、出品公司、出品國家、電影語言、電影狀態(tài)、電影名稱、電影關(guān)鍵詞、演員、導(dǎo)演。該數(shù)據(jù)集有三個文本型特征,分別包括電影簡介、發(fā)行日期和宣傳語。

    獨熱編碼,又稱一位有效編碼,是使用M位狀態(tài)寄存器對M個狀態(tài)進行編碼的方式,每個狀態(tài)都有它獨立的寄存器位,并且在任意時刻,這些寄存器位中只有其中一位有效。獨熱編碼能將類別型特征的取值擴展到歐式空間,有效擴充了特征,使特征之間的距離計算更合理。經(jīng)過獨熱編碼,系列電影名、電影類型、電影官方主頁等11個類別型特征一共轉(zhuǎn)換成了113個數(shù)值型特征。

    而對于電影簡介和宣傳語這兩個特征來說,將對應(yīng)文本的長度作為特征的量化值;對于發(fā)行日期這個特征來說,將具體的年、月、日作為其量化值。

    (3)標(biāo)準(zhǔn)化處理

    標(biāo)準(zhǔn)化處理是指通過一定的數(shù)據(jù)變換方式,將數(shù)據(jù)落入到特定區(qū)間內(nèi),使結(jié)果更具有可比性。標(biāo)準(zhǔn)化的處理方式有極差標(biāo)準(zhǔn)化法,即min-max標(biāo)準(zhǔn)化法、Z-score標(biāo)準(zhǔn)化法、歸一化法、中心化法。本文采用的是min-max標(biāo)準(zhǔn)化法,該方法的具體轉(zhuǎn)換公式如下。

    式中x′為轉(zhuǎn)換后的數(shù)據(jù),min為原始數(shù)據(jù)的最小值,max為原始數(shù)據(jù)的最大值,x為原始數(shù)據(jù)。

    刪除了電影Id、TMDB官網(wǎng)Id、原始語言、原始名稱、海報鏈接這五個無關(guān)特征后,最終形成了一共包含有9399條數(shù)據(jù),143個特征的數(shù)據(jù)集。

    3 實驗

    對于第一層的初級學(xué)習(xí)器來說,搭建模型的主要任務(wù)即是進行模型的超參數(shù)優(yōu)化,常用的超參數(shù)的優(yōu)化方法有網(wǎng)格搜索、隨機搜索、貝葉斯優(yōu)化等, Optuna優(yōu)化框架支持以上所有優(yōu)化方法,因此本文選用了Optuna框架對模型的超參數(shù)進行優(yōu)化。

    (1)基于XGBoost的票房預(yù)測模型

    基于XGBoost的電影票房預(yù)測模型的主要超參數(shù)有max_depth, subsample, colsample_bytree和learning_rate,max_depth為XGBoost中樹的最大深度,max_depth的值越大,樹越復(fù)雜,模型學(xué)習(xí)的更加具體,系統(tǒng)默認值為6,一般設(shè)置在3~10之間。subsample為XGBoost中每棵樹隨機選擇樣本的比率,系統(tǒng)默認值為1,范圍在 (0,1]之間。colsample_bytree是構(gòu)建每棵樹時隨機選擇特征的比例,系統(tǒng)默認值為1,范圍在在(0,1]之間。learning_rate為每一步迭代的步長,默認值為0.3,一般設(shè)置為0.1。

    根據(jù)Optuna優(yōu)化框架得到的基于XGBoost的票房預(yù)測模型的主要超參數(shù)如表1所示。

    表1 XGBoost模型的超參數(shù)表

    (2)基于LightGBM的電影票房預(yù)測模型

    基于LightGBM的電影票房預(yù)測模型的主要超參數(shù)有num_leaves, min_data_in_leaf, max_depth, learning_rate 。nums_leaves為LightGBM中每棵樹上的葉子節(jié)點的個數(shù),默認值為31,增大num_leaves的值能提高模型預(yù)測的準(zhǔn)確率,但過高會導(dǎo)致模型過擬合。min_data_in_leaf為LightGBM中一個葉子節(jié)點上的最小樣本數(shù),默認值為20,增大min_data_in_leaf可以防止過擬合。與XGBoost類似,max_depth為樹的最大深度,learning_rate為學(xué)習(xí)率。

    根據(jù)Optuna優(yōu)化框架得到的基于LightGBM的票房預(yù)測模型的主要超參數(shù)如表2所示。

    表2 LightGBM模型的超參數(shù)表

    (3)基于CatBoost的電影票房預(yù)測模型

    基于CatBoost的電影票房預(yù)測模型的主要超參數(shù)有iterations, learning_rate, depth, bagging_temperature。與XGBoost類似,iterations為可以建立的樹的數(shù)目,learning_rate為學(xué)習(xí)率,depth為樹的深度,bagging_temperature為貝葉斯套袋控制強度,默認值為1。

    根據(jù)Optuna優(yōu)化框架得到的基于CatBoost的票房預(yù)測模型的主要超參數(shù)如表3所示。

    表3 CatBoost4模型的超參數(shù)表

    (4)基于支持向量回歸的票房預(yù)測模型

    在使用rbf作為核函數(shù)的情況下,基于支持向量回歸的票房預(yù)測模型的主要超參數(shù)有g(shù)amma和C。其中,gamma決定了數(shù)據(jù)集映射到新的特征空間后的分布,gamma越大,支持向量越少。gamme越小,支持向量越多C是模型的正則化系數(shù),默認值為1.0,主要用來防止模型過擬合,C值越大,對模型的懲罰越高,泛化能力越弱,即造成了過擬合。反之,C值越小,對模型的懲罰越低,泛化能力越強,即造成欠擬合。

    根據(jù)Optuna優(yōu)化框架得到的基于支持向量回歸的票房預(yù)測模型的主要超參數(shù)如表4所示。

    表4 基于支持向量回歸的票房預(yù)測模型的超參數(shù)表

    (5)基于隨機森林的票房預(yù)測模型

    基于隨機森林的票房預(yù)測模型的主要超參數(shù)有n_estimators, max_depth, min_samples_leaf和max_features。與XGBoost類似,max_depth 為決策樹的最大深度,n_estimators為決策樹的個數(shù), min_samples_leaf為葉子節(jié)點所需的最小樣本數(shù),默認值為1,若葉子節(jié)點樣本數(shù)小于min_samples_leaf,則對該葉子節(jié)點和兄弟葉子節(jié)點進行減枝,只留下該葉子節(jié)點的父節(jié)點。max_feature為構(gòu)建決策樹最優(yōu)模型時考慮的最大特征數(shù)。

    根據(jù)Optuna優(yōu)化框架得到的基于隨機森林的票房預(yù)測模型的主要超參數(shù)如表5所示。

    表5 基于隨機森林的票房預(yù)測模型的超參數(shù)表

    (6)基于改進stacking算法的票房預(yù)測模型

    在對以上五個模型進行集成時,本文選用的是嶺回歸算法進行集成。分別記錄下每折驗證集真實值與預(yù)測值的差異,對對應(yīng)測試集的結(jié)果進行加權(quán),即得到最終預(yù)測結(jié)果。

    將本文提出的基于改進stacking算法的票房預(yù)測模型與基于XGBoost、LightGBM、CatBoost 、隨機森林、支持向量回歸、傳統(tǒng)stacking算法的票房預(yù)測模型的實驗結(jié)果進行對比,最終結(jié)果如表6所示。

    表6 不同算法的指標(biāo)對比

    從表6中可以看出,單個模型中,基于XGBoost的票房預(yù)測模型性能最好,而基于傳統(tǒng)Stacking算法的票房預(yù)測模型的性能優(yōu)于單個模型的性能,基于改進stacking算法的票房預(yù)測模型性能又優(yōu)于基于傳統(tǒng)stacking算法的票房預(yù)測模型,可見改進stacking算法能充分挖掘和利用數(shù)據(jù)信息,在模型之間取長補短,最終取得更好的效果。

    4 總結(jié)與展望

    針對電影票房預(yù)測模型精確度低的問題,本文提出了一種對測試集加權(quán)的stacking算法,對 kaggle提供的TMDB電影票房數(shù)據(jù)集進行了預(yù)測。首先,分別訓(xùn)練了第一層的XGBoost、LightGBM。CatBoost、支持向量回歸和隨機森林電影票房模型,并使用了Optuna參數(shù)優(yōu)化框架找到了模型的最優(yōu)超參數(shù),優(yōu)化了模型;然后,在對第一層的模型進行集成時,第二層使用了對測試集加權(quán)的嶺回歸算法。實驗結(jié)果表明,與其他算法所搭建的電影票房預(yù)測模型相比,基于對測試集加權(quán)的改進stacking算法所搭建的模型對電影票房的預(yù)測更加準(zhǔn)確,效果更好。因此,本文的方法可以對投資公司進行電影票房預(yù)測提供有效的參考。然而,本文中使用的電影票房數(shù)據(jù)有限,將來需要更多的數(shù)據(jù)來構(gòu)建魯棒性更強的票房收入預(yù)測模型。

    猜你喜歡
    特征優(yōu)化模型
    一半模型
    超限高層建筑結(jié)構(gòu)設(shè)計與優(yōu)化思考
    民用建筑防煙排煙設(shè)計優(yōu)化探討
    關(guān)于優(yōu)化消防安全告知承諾的一些思考
    一道優(yōu)化題的幾何解法
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    如何表達“特征”
    不忠誠的四個特征
    抓住特征巧觀察
    黄频高清免费视频| 最新美女视频免费是黄的| 久久热在线av| 亚洲最大成人中文| 亚洲电影在线观看av| 婷婷精品国产亚洲av在线| 国产高清激情床上av| 哪里可以看免费的av片| 亚洲一码二码三码区别大吗| 久久久久九九精品影院| 狂野欧美激情性xxxx| 91老司机精品| 白带黄色成豆腐渣| 久久久久久九九精品二区国产 | 国内少妇人妻偷人精品xxx网站 | 精华霜和精华液先用哪个| 久久久久久亚洲精品国产蜜桃av| 日韩大尺度精品在线看网址| 国产黄片美女视频| 波多野结衣av一区二区av| 女性生殖器流出的白浆| 成人手机av| 精品欧美一区二区三区在线| 9191精品国产免费久久| 悠悠久久av| 18禁国产床啪视频网站| 夜夜爽天天搞| 欧美另类亚洲清纯唯美| 国产精品国产高清国产av| 国产爱豆传媒在线观看 | 国产精品久久视频播放| av片东京热男人的天堂| 欧美乱色亚洲激情| av中文乱码字幕在线| 美女高潮到喷水免费观看| 亚洲国产毛片av蜜桃av| or卡值多少钱| 女生性感内裤真人,穿戴方法视频| 亚洲精品国产精品久久久不卡| 亚洲av电影在线进入| 国产亚洲av嫩草精品影院| 国产激情久久老熟女| 久久精品亚洲精品国产色婷小说| 婷婷精品国产亚洲av在线| 久久精品影院6| 十八禁人妻一区二区| 久久伊人香网站| 超碰成人久久| 人人妻人人澡欧美一区二区| 精品久久久久久久毛片微露脸| 午夜福利视频1000在线观看| 久久久久久久久免费视频了| 日韩欧美 国产精品| 国产精品免费一区二区三区在线| 一本久久中文字幕| 首页视频小说图片口味搜索| 黑人欧美特级aaaaaa片| 亚洲精品国产区一区二| 亚洲熟妇熟女久久| 午夜老司机福利片| 成年免费大片在线观看| 欧美黄色淫秽网站| 色综合欧美亚洲国产小说| 精品午夜福利视频在线观看一区| 中文在线观看免费www的网站 | 男女那种视频在线观看| 看黄色毛片网站| 亚洲 欧美一区二区三区| 黄色a级毛片大全视频| 国产成人av激情在线播放| 正在播放国产对白刺激| 国产1区2区3区精品| 波多野结衣巨乳人妻| 亚洲中文日韩欧美视频| 亚洲一区二区三区不卡视频| 啪啪无遮挡十八禁网站| 精华霜和精华液先用哪个| 热re99久久国产66热| 国产人伦9x9x在线观看| 欧美日韩福利视频一区二区| 69av精品久久久久久| 宅男免费午夜| 免费高清视频大片| 国内揄拍国产精品人妻在线 | 90打野战视频偷拍视频| 免费电影在线观看免费观看| 巨乳人妻的诱惑在线观看| 91成人精品电影| 欧美黑人精品巨大| 免费看十八禁软件| xxx96com| 午夜视频精品福利| 欧美日韩中文字幕国产精品一区二区三区| 日本一区二区免费在线视频| 搡老熟女国产l中国老女人| 午夜福利高清视频| 在线天堂中文资源库| 大香蕉久久成人网| 国产精品电影一区二区三区| 人人妻,人人澡人人爽秒播| 色综合站精品国产| 日本一区二区免费在线视频| 欧美乱码精品一区二区三区| 国产av在哪里看| 亚洲av电影在线进入| 中文字幕精品亚洲无线码一区 | 国产欧美日韩一区二区三| 最近最新中文字幕大全免费视频| 婷婷丁香在线五月| 欧美精品亚洲一区二区| 欧美黑人欧美精品刺激| 1024手机看黄色片| 高潮久久久久久久久久久不卡| 亚洲五月色婷婷综合| 久久亚洲精品不卡| 在线观看免费日韩欧美大片| 日本一本二区三区精品| 妹子高潮喷水视频| 国产黄a三级三级三级人| 在线观看免费日韩欧美大片| 久久国产亚洲av麻豆专区| 亚洲中文字幕一区二区三区有码在线看 | 午夜福利一区二区在线看| 久久久久久久久久黄片| 国产精品久久久久久人妻精品电影| 中亚洲国语对白在线视频| 91国产中文字幕| 一级作爱视频免费观看| 亚洲国产中文字幕在线视频| 中文字幕高清在线视频| 欧美激情久久久久久爽电影| 久久欧美精品欧美久久欧美| 久久99热这里只有精品18| 亚洲精品美女久久久久99蜜臀| 俄罗斯特黄特色一大片| 91国产中文字幕| 久久这里只有精品19| 国产v大片淫在线免费观看| 成人18禁在线播放| 黑人操中国人逼视频| 在线观看舔阴道视频| 婷婷亚洲欧美| 久久欧美精品欧美久久欧美| 国产精品一区二区三区四区久久 | 久热这里只有精品99| 亚洲精品久久成人aⅴ小说| 亚洲av第一区精品v没综合| 免费看日本二区| 亚洲最大成人中文| 日韩 欧美 亚洲 中文字幕| 亚洲av熟女| 中出人妻视频一区二区| 一级a爱视频在线免费观看| 午夜福利18| 亚洲av电影在线进入| 成年免费大片在线观看| 亚洲最大成人中文| 国产私拍福利视频在线观看| 一级作爱视频免费观看| 女人爽到高潮嗷嗷叫在线视频| 亚洲成人精品中文字幕电影| 最近最新免费中文字幕在线| 50天的宝宝边吃奶边哭怎么回事| 国产爱豆传媒在线观看 | 无人区码免费观看不卡| 一本综合久久免费| 此物有八面人人有两片| 免费观看人在逋| 国产单亲对白刺激| 久久久久久免费高清国产稀缺| 99精品欧美一区二区三区四区| 欧美色视频一区免费| 窝窝影院91人妻| 日韩欧美 国产精品| 成人免费观看视频高清| 国产单亲对白刺激| 精品一区二区三区视频在线观看免费| 欧美黑人欧美精品刺激| 狂野欧美激情性xxxx| 国语自产精品视频在线第100页| 国产精品久久久久久精品电影 | 此物有八面人人有两片| 人成视频在线观看免费观看| 国产片内射在线| 欧美日韩瑟瑟在线播放| 亚洲av成人一区二区三| 婷婷精品国产亚洲av在线| 精品人妻1区二区| 久久天堂一区二区三区四区| 精品久久久久久久末码| bbb黄色大片| 成人亚洲精品av一区二区| 精品第一国产精品| 欧美最黄视频在线播放免费| 中文字幕高清在线视频| 亚洲自偷自拍图片 自拍| 国产精品99久久99久久久不卡| 成年版毛片免费区| 成人国产综合亚洲| 精品不卡国产一区二区三区| 99国产极品粉嫩在线观看| 亚洲片人在线观看| 亚洲男人天堂网一区| videosex国产| 一级片免费观看大全| 欧美丝袜亚洲另类 | 这个男人来自地球电影免费观看| 制服人妻中文乱码| 日本五十路高清| 成人午夜高清在线视频 | 成人免费观看视频高清| 成人三级做爰电影| 国产成人欧美| 日韩欧美免费精品| 精品第一国产精品| 成人三级黄色视频| 国产色视频综合| 久久国产亚洲av麻豆专区| 久久国产乱子伦精品免费另类| 日韩av在线大香蕉| 国产激情欧美一区二区| 日韩精品免费视频一区二区三区| 免费在线观看黄色视频的| 精品国产国语对白av| 亚洲国产精品sss在线观看| 免费人成视频x8x8入口观看| 日韩大尺度精品在线看网址| 亚洲欧美日韩无卡精品| 久久久久九九精品影院| 亚洲专区字幕在线| 欧美午夜高清在线| 国产97色在线日韩免费| 婷婷亚洲欧美| 日韩欧美一区视频在线观看| 可以在线观看的亚洲视频| 国产黄片美女视频| 淫秽高清视频在线观看| 欧美国产日韩亚洲一区| 午夜福利在线在线| 日韩高清综合在线| 精品高清国产在线一区| 精品国产美女av久久久久小说| 一进一出抽搐动态| 亚洲人成网站在线播放欧美日韩| 午夜亚洲福利在线播放| 亚洲av成人一区二区三| 啦啦啦 在线观看视频| 午夜成年电影在线免费观看| av中文乱码字幕在线| 禁无遮挡网站| 激情在线观看视频在线高清| 亚洲无线在线观看| 亚洲天堂国产精品一区在线| www日本黄色视频网| 在线观看日韩欧美| 在线观看www视频免费| 黄频高清免费视频| 在线观看舔阴道视频| 美女高潮喷水抽搐中文字幕| 国产精品永久免费网站| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲一卡2卡3卡4卡5卡精品中文| 夜夜看夜夜爽夜夜摸| 国产精品精品国产色婷婷| 九色国产91popny在线| 18禁黄网站禁片免费观看直播| 精品欧美国产一区二区三| 日本熟妇午夜| av在线天堂中文字幕| 黄色a级毛片大全视频| 日韩 欧美 亚洲 中文字幕| 无人区码免费观看不卡| 午夜视频精品福利| 香蕉国产在线看| 99国产精品一区二区三区| 中文字幕人妻丝袜一区二区| 亚洲国产中文字幕在线视频| 天天躁狠狠躁夜夜躁狠狠躁| 久久久精品国产亚洲av高清涩受| 丝袜在线中文字幕| 中国美女看黄片| 91九色精品人成在线观看| 国产伦一二天堂av在线观看| 亚洲熟妇熟女久久| 两个人看的免费小视频| 男女做爰动态图高潮gif福利片| 18禁黄网站禁片午夜丰满| 亚洲专区国产一区二区| а√天堂www在线а√下载| 脱女人内裤的视频| 在线永久观看黄色视频| 国产精品久久电影中文字幕| 波多野结衣av一区二区av| 欧美色视频一区免费| 成年版毛片免费区| 国产成人精品无人区| 久久久久久久久中文| 亚洲国产欧洲综合997久久, | 色综合亚洲欧美另类图片| 免费在线观看亚洲国产| 12—13女人毛片做爰片一| 亚洲aⅴ乱码一区二区在线播放 | 欧美一区二区精品小视频在线| 精品免费久久久久久久清纯| 国产99久久九九免费精品| 美女午夜性视频免费| 国产欧美日韩一区二区精品| 午夜两性在线视频| 色播亚洲综合网| av电影中文网址| 亚洲精品粉嫩美女一区| 精品久久久久久久久久免费视频| 久久中文看片网| 精品欧美一区二区三区在线| 村上凉子中文字幕在线| 亚洲成人久久爱视频| 亚洲熟女毛片儿| 男女之事视频高清在线观看| 亚洲精品av麻豆狂野| 亚洲激情在线av| 久久久久九九精品影院| 亚洲专区国产一区二区| 亚洲黑人精品在线| 亚洲午夜理论影院| 国产一区二区激情短视频| 天堂影院成人在线观看| 欧美午夜高清在线| 国产aⅴ精品一区二区三区波| av中文乱码字幕在线| 麻豆成人午夜福利视频| 999久久久精品免费观看国产| 一个人观看的视频www高清免费观看 | 精品久久久久久久毛片微露脸| 午夜免费鲁丝| 天堂√8在线中文| xxx96com| 99热只有精品国产| 在线播放国产精品三级| 国产高清激情床上av| 色综合欧美亚洲国产小说| 亚洲国产毛片av蜜桃av| 女人被狂操c到高潮| 亚洲全国av大片| 男人的好看免费观看在线视频 | 国产免费av片在线观看野外av| 久久草成人影院| 99国产极品粉嫩在线观看| 别揉我奶头~嗯~啊~动态视频| 日本成人三级电影网站| 夜夜爽天天搞| 成年版毛片免费区| av超薄肉色丝袜交足视频| 色老头精品视频在线观看| 黄色视频,在线免费观看| 国产99久久九九免费精品| 欧美激情 高清一区二区三区| 欧美日韩亚洲国产一区二区在线观看| 啦啦啦免费观看视频1| xxxwww97欧美| 女人高潮潮喷娇喘18禁视频| 久久久久久亚洲精品国产蜜桃av| 91成人精品电影| 中文字幕精品亚洲无线码一区 | 久久精品91无色码中文字幕| 亚洲一区中文字幕在线| 欧美zozozo另类| 久久久久免费精品人妻一区二区 | 国产又黄又爽又无遮挡在线| 久久精品国产清高在天天线| 观看免费一级毛片| 国产精品二区激情视频| 夜夜躁狠狠躁天天躁| 18禁国产床啪视频网站| 最新美女视频免费是黄的| 日韩欧美一区二区三区在线观看| 天堂影院成人在线观看| 深夜精品福利| 男女那种视频在线观看| 国产成年人精品一区二区| 久久午夜综合久久蜜桃| 精品国产美女av久久久久小说| 精品久久久久久成人av| 色综合亚洲欧美另类图片| 伦理电影免费视频| 国产精品,欧美在线| 在线播放国产精品三级| 国产一卡二卡三卡精品| 观看免费一级毛片| 一二三四社区在线视频社区8| 啦啦啦观看免费观看视频高清| 88av欧美| 免费在线观看日本一区| 亚洲精品美女久久av网站| 脱女人内裤的视频| a级毛片a级免费在线| 亚洲中文日韩欧美视频| 免费看美女性在线毛片视频| 又黄又粗又硬又大视频| а√天堂www在线а√下载| 国产精品亚洲美女久久久| 91av网站免费观看| 婷婷亚洲欧美| 国产成人影院久久av| 又紧又爽又黄一区二区| 桃红色精品国产亚洲av| 亚洲一区二区三区色噜噜| 99在线视频只有这里精品首页| 黄色 视频免费看| 99在线视频只有这里精品首页| 老汉色∧v一级毛片| 午夜精品在线福利| 12—13女人毛片做爰片一| 亚洲一卡2卡3卡4卡5卡精品中文| 嫩草影视91久久| bbb黄色大片| 日本五十路高清| 女人被狂操c到高潮| 亚洲国产毛片av蜜桃av| 精品久久久久久成人av| 免费av毛片视频| 最近最新中文字幕大全电影3 | 亚洲男人的天堂狠狠| 日韩 欧美 亚洲 中文字幕| 国产成人啪精品午夜网站| 午夜免费观看网址| 精品国产乱子伦一区二区三区| 亚洲精品美女久久av网站| 热re99久久国产66热| 免费看美女性在线毛片视频| 亚洲av五月六月丁香网| 俺也久久电影网| 亚洲 欧美 日韩 在线 免费| 中文字幕人妻熟女乱码| 欧美日本亚洲视频在线播放| 欧美一级毛片孕妇| 午夜福利一区二区在线看| 两个人看的免费小视频| 欧美日韩中文字幕国产精品一区二区三区| 欧美乱色亚洲激情| 精品免费久久久久久久清纯| 一级a爱视频在线免费观看| 禁无遮挡网站| 久久精品人妻少妇| 欧美丝袜亚洲另类 | 国产亚洲精品第一综合不卡| 99热这里只有精品一区 | 久久香蕉精品热| 真人一进一出gif抽搐免费| 免费在线观看黄色视频的| 夜夜看夜夜爽夜夜摸| 99riav亚洲国产免费| 丝袜在线中文字幕| 国产亚洲欧美98| 成人三级黄色视频| 欧美日韩亚洲国产一区二区在线观看| 国产免费av片在线观看野外av| 亚洲专区字幕在线| 欧美黑人巨大hd| 男女做爰动态图高潮gif福利片| 免费女性裸体啪啪无遮挡网站| 不卡av一区二区三区| cao死你这个sao货| 久久国产精品影院| 最近在线观看免费完整版| 大型黄色视频在线免费观看| 免费看日本二区| 亚洲激情在线av| 啦啦啦韩国在线观看视频| 国产精品自产拍在线观看55亚洲| www日本在线高清视频| cao死你这个sao货| 欧美三级亚洲精品| 18禁黄网站禁片午夜丰满| 国产在线观看jvid| 丰满人妻熟妇乱又伦精品不卡| 黄片小视频在线播放| 成人一区二区视频在线观看| 嫩草影院精品99| 亚洲专区字幕在线| 中亚洲国语对白在线视频| 欧美亚洲日本最大视频资源| 成人国语在线视频| 久久99热这里只有精品18| 亚洲在线自拍视频| 亚洲狠狠婷婷综合久久图片| 国产精品国产高清国产av| 亚洲五月婷婷丁香| 亚洲精品一区av在线观看| 亚洲第一欧美日韩一区二区三区| 免费av毛片视频| 久久青草综合色| 日韩视频一区二区在线观看| 国语自产精品视频在线第100页| 欧美色视频一区免费| 2021天堂中文幕一二区在线观 | 国产欧美日韩精品亚洲av| 人人妻人人看人人澡| 黄频高清免费视频| 亚洲电影在线观看av| 欧美色欧美亚洲另类二区| 精品午夜福利视频在线观看一区| 亚洲精品一区av在线观看| 99久久精品国产亚洲精品| 亚洲美女黄片视频| 伦理电影免费视频| 亚洲中文av在线| 超碰成人久久| 嫁个100分男人电影在线观看| 欧美又色又爽又黄视频| 亚洲欧美精品综合久久99| 国产91精品成人一区二区三区| 一级毛片精品| 免费女性裸体啪啪无遮挡网站| 国产亚洲精品久久久久久毛片| 老司机午夜十八禁免费视频| 久久亚洲精品不卡| 免费一级毛片在线播放高清视频| 久久精品国产亚洲av高清一级| 中文亚洲av片在线观看爽| 在线观看免费午夜福利视频| 国产又色又爽无遮挡免费看| 国产激情欧美一区二区| 满18在线观看网站| 在线观看www视频免费| 很黄的视频免费| 亚洲精品久久成人aⅴ小说| 黄色a级毛片大全视频| 欧美激情高清一区二区三区| 亚洲三区欧美一区| 亚洲成国产人片在线观看| 一进一出好大好爽视频| 亚洲中文日韩欧美视频| 一个人观看的视频www高清免费观看 | 精品一区二区三区四区五区乱码| 国内揄拍国产精品人妻在线 | 91麻豆精品激情在线观看国产| 99精品在免费线老司机午夜| 最近最新中文字幕大全免费视频| 国产一区二区三区视频了| 亚洲人成伊人成综合网2020| 少妇被粗大的猛进出69影院| 99国产精品99久久久久| 久久精品成人免费网站| 日韩欧美国产一区二区入口| 黄色丝袜av网址大全| 日韩视频一区二区在线观看| 久久香蕉精品热| e午夜精品久久久久久久| 久久精品国产清高在天天线| 女人爽到高潮嗷嗷叫在线视频| 这个男人来自地球电影免费观看| 国产三级在线视频| 国产精品一区二区免费欧美| 性色av乱码一区二区三区2| 久久婷婷成人综合色麻豆| 久久精品国产99精品国产亚洲性色| 日韩欧美三级三区| 欧美性长视频在线观看| 真人一进一出gif抽搐免费| 欧美在线黄色| 国产激情欧美一区二区| 中亚洲国语对白在线视频| 午夜福利在线在线| 制服人妻中文乱码| 精品免费久久久久久久清纯| 免费在线观看影片大全网站| 欧洲精品卡2卡3卡4卡5卡区| 国产精品爽爽va在线观看网站 | а√天堂www在线а√下载| 老司机靠b影院| 国产激情久久老熟女| 亚洲av日韩精品久久久久久密| 国产精品98久久久久久宅男小说| 很黄的视频免费| 欧美激情 高清一区二区三区| 在线观看舔阴道视频| 国产亚洲av嫩草精品影院| 巨乳人妻的诱惑在线观看| 日日爽夜夜爽网站| 国产精品久久视频播放| 午夜福利18| 免费在线观看日本一区| 老鸭窝网址在线观看| 久久欧美精品欧美久久欧美| 91大片在线观看| 日韩视频一区二区在线观看| 精品国产超薄肉色丝袜足j| 亚洲欧美精品综合久久99| 色综合站精品国产| 亚洲人成网站在线播放欧美日韩| 久久草成人影院| 女生性感内裤真人,穿戴方法视频| 亚洲欧美精品综合一区二区三区| 日韩一卡2卡3卡4卡2021年| 深夜精品福利| 欧美日韩精品网址| 老司机午夜十八禁免费视频| 99精品欧美一区二区三区四区| 亚洲av五月六月丁香网| 热99re8久久精品国产| 亚洲av美国av| 女性被躁到高潮视频| 人人妻人人澡人人看| 国产一卡二卡三卡精品| 成人永久免费在线观看视频| 麻豆成人午夜福利视频| 久久精品夜夜夜夜夜久久蜜豆 | 757午夜福利合集在线观看| 日韩有码中文字幕| 国产av一区二区精品久久| 亚洲专区字幕在线| 欧美日韩福利视频一区二区| 国产精品免费一区二区三区在线| 国产免费男女视频| 女警被强在线播放|