• <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
    国产高清videossex| 午夜福利在线免费观看网站| 日本黄色日本黄色录像| 久久久久精品人妻al黑| 老汉色av国产亚洲站长工具| 国产精品一区二区在线观看99| 国产三级黄色录像| 如日韩欧美国产精品一区二区三区| 一级片'在线观看视频| 欧美日韩国产mv在线观看视频| 国产精品国产三级国产专区5o| 国产成人系列免费观看| 久久99一区二区三区| 亚洲伊人久久精品综合| 丝袜美足系列| 97在线人人人人妻| 欧美日韩亚洲综合一区二区三区_| 中文字幕人妻熟女乱码| 我的亚洲天堂| 欧美成人精品欧美一级黄| 女人高潮潮喷娇喘18禁视频| 天天添夜夜摸| 性少妇av在线| 亚洲欧美一区二区三区久久| 亚洲少妇的诱惑av| 精品国产一区二区三区久久久樱花| 99热国产这里只有精品6| 久久人人爽av亚洲精品天堂| 欧美成人精品欧美一级黄| 亚洲av美国av| 国产精品一国产av| 国产av国产精品国产| 99热全是精品| 精品人妻熟女毛片av久久网站| 亚洲精品久久久久久婷婷小说| 国产亚洲欧美精品永久| 九色亚洲精品在线播放| 18禁国产床啪视频网站| 欧美成狂野欧美在线观看| 制服人妻中文乱码| 麻豆乱淫一区二区| 十八禁网站网址无遮挡| 99香蕉大伊视频| 天堂8中文在线网| 国产亚洲av高清不卡| 欧美黑人精品巨大| 久久99精品国语久久久| 国产日韩一区二区三区精品不卡| 少妇 在线观看| 日韩欧美一区视频在线观看| 汤姆久久久久久久影院中文字幕| 高潮久久久久久久久久久不卡| 黄网站色视频无遮挡免费观看| 热99久久久久精品小说推荐| 欧美日韩成人在线一区二区| 极品人妻少妇av视频| 日韩av免费高清视频| 午夜免费鲁丝| netflix在线观看网站| 成年女人毛片免费观看观看9 | 丁香六月欧美| 国产av国产精品国产| 女人爽到高潮嗷嗷叫在线视频| 亚洲欧美中文字幕日韩二区| 久久久久久免费高清国产稀缺| 国产一区有黄有色的免费视频| 久久av网站| 男女下面插进去视频免费观看| 美女主播在线视频| 成年女人毛片免费观看观看9 | 免费一级毛片在线播放高清视频 | 黄色一级大片看看| 99国产精品一区二区蜜桃av | 免费在线观看视频国产中文字幕亚洲 | 久久性视频一级片| 一本—道久久a久久精品蜜桃钙片| 青春草亚洲视频在线观看| 777米奇影视久久| 久久狼人影院| 宅男免费午夜| 成年人免费黄色播放视频| 肉色欧美久久久久久久蜜桃| 亚洲黑人精品在线| 国产成人精品久久二区二区91| 国产女主播在线喷水免费视频网站| 日本午夜av视频| 黑人猛操日本美女一级片| 精品久久久久久电影网| 中文字幕最新亚洲高清| 亚洲成人手机| 日韩中文字幕欧美一区二区 | 精品久久久久久电影网| 丝袜脚勾引网站| 久久久精品免费免费高清| 亚洲激情五月婷婷啪啪| 丁香六月欧美| 新久久久久国产一级毛片| 免费观看人在逋| 国产男人的电影天堂91| 丰满饥渴人妻一区二区三| 99re6热这里在线精品视频| 99热国产这里只有精品6| av国产久精品久网站免费入址| 国产野战对白在线观看| 免费看十八禁软件| 中文字幕高清在线视频| 久热这里只有精品99| 这个男人来自地球电影免费观看| 免费一级毛片在线播放高清视频 | 老汉色∧v一级毛片| 国产欧美亚洲国产| 啦啦啦在线观看免费高清www| 亚洲欧美中文字幕日韩二区| a级片在线免费高清观看视频| 两性夫妻黄色片| 99国产精品99久久久久| 亚洲国产毛片av蜜桃av| 只有这里有精品99| av在线播放精品| www.自偷自拍.com| 国产精品 国内视频| 亚洲情色 制服丝袜| 欧美日韩亚洲高清精品| 国产免费现黄频在线看| svipshipincom国产片| 亚洲熟女毛片儿| 久久鲁丝午夜福利片| 视频区图区小说| 女人爽到高潮嗷嗷叫在线视频| 亚洲国产看品久久| 99香蕉大伊视频| 国语对白做爰xxxⅹ性视频网站| 巨乳人妻的诱惑在线观看| 亚洲一区二区三区欧美精品| 精品一区二区三区av网在线观看 | 亚洲国产欧美网| 亚洲国产毛片av蜜桃av| 只有这里有精品99| 高清欧美精品videossex| 午夜福利乱码中文字幕| 亚洲熟女精品中文字幕| 久久久久网色| 欧美黄色片欧美黄色片| 视频区图区小说| 国产精品熟女久久久久浪| 午夜免费男女啪啪视频观看| 老司机午夜十八禁免费视频| 亚洲五月色婷婷综合| 十八禁网站网址无遮挡| 成年女人毛片免费观看观看9 | 人成视频在线观看免费观看| 一区二区三区四区激情视频| 久久精品熟女亚洲av麻豆精品| 十八禁人妻一区二区| 国产av国产精品国产| 国产一区有黄有色的免费视频| 亚洲精品自拍成人| 一区二区三区乱码不卡18| 国产主播在线观看一区二区 | 久久久国产欧美日韩av| 久久免费观看电影| 精品少妇内射三级| 久久久精品免费免费高清| 观看av在线不卡| 免费在线观看视频国产中文字幕亚洲 | 国产成人一区二区在线| 操美女的视频在线观看| 久久人人爽人人片av| 大香蕉久久网| 国产精品 欧美亚洲| 美女视频免费永久观看网站| 你懂的网址亚洲精品在线观看| www.熟女人妻精品国产| 丁香六月天网| 日本午夜av视频| 我要看黄色一级片免费的| 18禁国产床啪视频网站| 亚洲精品乱久久久久久| 中文字幕亚洲精品专区| 老鸭窝网址在线观看| 日日夜夜操网爽| tube8黄色片| 国产精品偷伦视频观看了| 99九九在线精品视频| 两个人免费观看高清视频| 美女主播在线视频| 欧美日韩精品网址| 99精国产麻豆久久婷婷| 一级毛片女人18水好多 | 制服人妻中文乱码| 在线观看一区二区三区激情| 日本一区二区免费在线视频| 亚洲五月色婷婷综合| 成人亚洲精品一区在线观看| 久久影院123| www.自偷自拍.com| 中文欧美无线码| 天天躁日日躁夜夜躁夜夜| 国产av一区二区精品久久| 99热国产这里只有精品6| 一边摸一边抽搐一进一出视频| 亚洲精品美女久久av网站| 国产精品亚洲av一区麻豆| 国产精品一区二区精品视频观看| 欧美日韩综合久久久久久| 黑人猛操日本美女一级片| 自线自在国产av| av网站免费在线观看视频| 日日摸夜夜添夜夜爱| 精品视频人人做人人爽| 最黄视频免费看| www日本在线高清视频| 热99久久久久精品小说推荐| 大码成人一级视频| 久久国产精品影院| 99国产精品免费福利视频| 久久久久国产一级毛片高清牌| 9191精品国产免费久久| 亚洲国产毛片av蜜桃av| 亚洲国产av影院在线观看| 一级黄片播放器| 国产av精品麻豆| 制服人妻中文乱码| 成年动漫av网址| 久久精品久久久久久噜噜老黄| 男人爽女人下面视频在线观看| 九草在线视频观看| 亚洲情色 制服丝袜| 午夜影院在线不卡| 七月丁香在线播放| 欧美日韩黄片免| 天堂中文最新版在线下载| 人人澡人人妻人| 免费少妇av软件| 国产欧美日韩综合在线一区二区| 亚洲欧美中文字幕日韩二区| 免费观看av网站的网址| 久久99热这里只频精品6学生| 精品国产一区二区三区四区第35| 极品人妻少妇av视频| 建设人人有责人人尽责人人享有的| 大陆偷拍与自拍| 亚洲国产精品一区三区| 国产精品久久久av美女十八| 老司机午夜十八禁免费视频| 纯流量卡能插随身wifi吗| 麻豆av在线久日| 一级毛片我不卡| 亚洲,欧美,日韩| 色综合欧美亚洲国产小说| 午夜视频精品福利| 男的添女的下面高潮视频| 国产免费一区二区三区四区乱码| 欧美日本中文国产一区发布| 成人18禁高潮啪啪吃奶动态图| 午夜福利视频在线观看免费| 亚洲欧洲国产日韩| 中文字幕亚洲精品专区| 亚洲熟女精品中文字幕| 久久久精品区二区三区| 一级片免费观看大全| 一区二区三区乱码不卡18| 一二三四社区在线视频社区8| av网站在线播放免费| 黑人巨大精品欧美一区二区蜜桃| 观看av在线不卡| 久久国产精品影院| 老鸭窝网址在线观看| 国产在视频线精品| 九草在线视频观看| 免费在线观看日本一区| 人妻一区二区av| 91麻豆av在线| 国产精品久久久av美女十八| 最新在线观看一区二区三区 | 国产精品国产三级专区第一集| 一本大道久久a久久精品| 国产欧美亚洲国产| 校园人妻丝袜中文字幕| 国产伦理片在线播放av一区| 精品一区在线观看国产| 国产淫语在线视频| 啦啦啦在线观看免费高清www| av线在线观看网站| 免费在线观看黄色视频的| 黄网站色视频无遮挡免费观看| 永久免费av网站大全| 99九九在线精品视频| 成年人免费黄色播放视频| 欧美大码av| avwww免费| e午夜精品久久久久久久| 黄色 视频免费看| 丝袜人妻中文字幕| 97精品久久久久久久久久精品| 国产精品一区二区在线观看99| 校园人妻丝袜中文字幕| 91精品三级在线观看| 国产高清videossex| 欧美97在线视频| 七月丁香在线播放| 国产野战对白在线观看| 女人精品久久久久毛片| 日韩制服丝袜自拍偷拍| 久久久精品国产亚洲av高清涩受| 欧美+亚洲+日韩+国产| 国产一区二区三区av在线| 狂野欧美激情性bbbbbb| 久久久久久久久久久久大奶| 男人爽女人下面视频在线观看| 久久人妻福利社区极品人妻图片 | 欧美精品人与动牲交sv欧美| 女性被躁到高潮视频| 人体艺术视频欧美日本| 人妻人人澡人人爽人人| 一级毛片黄色毛片免费观看视频| 一本久久精品| 丝袜美腿诱惑在线| 91九色精品人成在线观看| 黄色一级大片看看| 国产av国产精品国产| 高清视频免费观看一区二区| 两个人看的免费小视频| 尾随美女入室| 黄色a级毛片大全视频| 亚洲精品一二三| 男女边吃奶边做爰视频| 国产精品久久久人人做人人爽| 国产亚洲欧美精品永久| 国产在线观看jvid| 777米奇影视久久| 天天躁狠狠躁夜夜躁狠狠躁| 精品欧美一区二区三区在线| 久久狼人影院| 中文字幕色久视频| 国产在线观看jvid| 一级片'在线观看视频| 午夜影院在线不卡| 久久久国产一区二区| 一个人免费看片子| 18禁裸乳无遮挡动漫免费视频| 极品少妇高潮喷水抽搐| 亚洲精品乱久久久久久| 免费少妇av软件| 七月丁香在线播放| 亚洲欧美色中文字幕在线| 在线观看免费午夜福利视频| 女人被躁到高潮嗷嗷叫费观| 日本一区二区免费在线视频| 亚洲伊人色综图| 日本一区二区免费在线视频| 亚洲av在线观看美女高潮| 国产国语露脸激情在线看| 在线观看www视频免费| 亚洲精品久久久久久婷婷小说| 亚洲午夜精品一区,二区,三区| 中文字幕另类日韩欧美亚洲嫩草| 欧美精品啪啪一区二区三区 | 一区二区三区精品91| 又黄又粗又硬又大视频| 美国免费a级毛片| 亚洲美女黄色视频免费看| 亚洲av欧美aⅴ国产| 中国国产av一级| 亚洲av成人不卡在线观看播放网 | 国产欧美日韩精品亚洲av| 伊人亚洲综合成人网| 久久久久精品国产欧美久久久 | 人人妻人人澡人人看| 欧美性长视频在线观看| 90打野战视频偷拍视频| 亚洲精品国产一区二区精华液| 婷婷成人精品国产| 肉色欧美久久久久久久蜜桃| 亚洲色图综合在线观看| av视频免费观看在线观看| 日本色播在线视频| 久久久久网色| 色94色欧美一区二区| 七月丁香在线播放| 中文字幕亚洲精品专区| 又大又爽又粗| 真人做人爱边吃奶动态| 日韩电影二区| 又大又黄又爽视频免费| 亚洲欧美日韩另类电影网站| 一本一本久久a久久精品综合妖精| 欧美黄色淫秽网站| 亚洲精品国产区一区二| 最近最新中文字幕大全免费视频 | 免费看不卡的av| 欧美在线黄色| 久久中文字幕一级| 91精品国产国语对白视频| 国产亚洲精品第一综合不卡| 国产极品粉嫩免费观看在线| 老汉色∧v一级毛片| 免费高清在线观看视频在线观看| 国产精品一区二区精品视频观看| 国产成人精品无人区| 国产1区2区3区精品| www.999成人在线观看| 9色porny在线观看| 国产午夜精品一二区理论片| 国产精品欧美亚洲77777| 久久精品熟女亚洲av麻豆精品| 一本色道久久久久久精品综合| 女人被躁到高潮嗷嗷叫费观| 丁香六月天网| 欧美变态另类bdsm刘玥| 国产精品二区激情视频| 久久av网站| 欧美亚洲 丝袜 人妻 在线| 少妇人妻久久综合中文| 欧美黄色淫秽网站| 精品熟女少妇八av免费久了| 一边亲一边摸免费视频| 免费一级毛片在线播放高清视频 | 亚洲欧美清纯卡通| 亚洲成人免费电影在线观看 | 亚洲精品国产色婷婷电影| 黄色视频在线播放观看不卡| 日韩精品免费视频一区二区三区| 国产精品av久久久久免费| 十分钟在线观看高清视频www| 丰满少妇做爰视频| 久久精品国产a三级三级三级| 色94色欧美一区二区| 亚洲欧美成人综合另类久久久| 王馨瑶露胸无遮挡在线观看| 亚洲精品国产一区二区精华液| 欧美精品亚洲一区二区| 深夜精品福利| 后天国语完整版免费观看| 亚洲成国产人片在线观看| 久久久久久久国产电影| 亚洲国产av新网站| 久久久国产欧美日韩av| 一级片'在线观看视频| 精品人妻在线不人妻| 欧美另类一区| 国产欧美日韩精品亚洲av| 日日摸夜夜添夜夜爱| 亚洲av电影在线进入| 天天躁日日躁夜夜躁夜夜| 免费女性裸体啪啪无遮挡网站| 老司机影院成人| 久久免费观看电影| 国产精品99久久99久久久不卡| 亚洲 欧美一区二区三区| 欧美人与善性xxx| 脱女人内裤的视频| 欧美日韩综合久久久久久| 又黄又粗又硬又大视频| 美女大奶头黄色视频| 欧美成人午夜精品| 久9热在线精品视频| av线在线观看网站| 在线av久久热| 国产主播在线观看一区二区 | 国产精品.久久久| 9191精品国产免费久久| 免费观看av网站的网址| 国产精品久久久久久精品电影小说| 老鸭窝网址在线观看| 一边摸一边做爽爽视频免费| 成人黄色视频免费在线看| 午夜视频精品福利| 七月丁香在线播放| h视频一区二区三区| 欧美精品av麻豆av| 美女高潮到喷水免费观看| 日本av手机在线免费观看| 成人午夜精彩视频在线观看| av一本久久久久| 久久av网站| 久久ye,这里只有精品| 日韩视频在线欧美| 欧美另类一区| 欧美激情极品国产一区二区三区| 一级毛片我不卡| 天天操日日干夜夜撸| 亚洲五月色婷婷综合| 亚洲色图 男人天堂 中文字幕| 好男人电影高清在线观看| 一级毛片 在线播放| h视频一区二区三区| 91老司机精品| 大陆偷拍与自拍| a级毛片黄视频| 大香蕉久久成人网| 欧美+亚洲+日韩+国产| 少妇的丰满在线观看| av网站在线播放免费| 午夜福利一区二区在线看| 亚洲欧美日韩高清在线视频 | 一本一本久久a久久精品综合妖精| 啦啦啦在线免费观看视频4| 国产伦人伦偷精品视频| 国产精品久久久久成人av| 天天躁夜夜躁狠狠久久av| 国产一级毛片在线| 最新在线观看一区二区三区 | 国产熟女欧美一区二区| 亚洲成国产人片在线观看| 欧美人与性动交α欧美软件| 精品亚洲成国产av| 国产亚洲精品久久久久5区| 大码成人一级视频| 九色亚洲精品在线播放| 亚洲精品美女久久久久99蜜臀 | 999久久久国产精品视频| 亚洲国产欧美一区二区综合| 国产1区2区3区精品| 18禁国产床啪视频网站| 久久久国产一区二区| 亚洲av在线观看美女高潮| 国产精品一国产av| 老司机在亚洲福利影院| 国产有黄有色有爽视频| 免费一级毛片在线播放高清视频 | 十八禁高潮呻吟视频| 一本色道久久久久久精品综合| 免费看不卡的av| 精品少妇内射三级| 欧美精品人与动牲交sv欧美| 美女视频免费永久观看网站| 18禁裸乳无遮挡动漫免费视频| 久久久欧美国产精品| 777米奇影视久久| 晚上一个人看的免费电影| 又大又爽又粗| 在线 av 中文字幕| 亚洲av电影在线进入| 亚洲,一卡二卡三卡| 亚洲男人天堂网一区| 激情五月婷婷亚洲| 人妻 亚洲 视频| 国产精品人妻久久久影院| 自线自在国产av| bbb黄色大片| 午夜精品国产一区二区电影| 成人手机av| 国产精品99久久99久久久不卡| 51午夜福利影视在线观看| 午夜91福利影院| 午夜福利免费观看在线| 国精品久久久久久国模美| 亚洲,欧美,日韩| 国产高清videossex| 免费少妇av软件| 成人国产av品久久久| 久久精品熟女亚洲av麻豆精品| 日韩制服骚丝袜av| 老司机靠b影院| 亚洲国产欧美一区二区综合| 不卡av一区二区三区| 99国产综合亚洲精品| 国精品久久久久久国模美| 国产欧美日韩一区二区三 | 人人妻人人爽人人添夜夜欢视频| 可以免费在线观看a视频的电影网站| 久久人人97超碰香蕉20202| 制服诱惑二区| 欧美成人午夜精品| 这个男人来自地球电影免费观看| 777久久人妻少妇嫩草av网站| 久久精品国产亚洲av高清一级| 精品国产国语对白av| 国产欧美亚洲国产| 伦理电影免费视频| 国产主播在线观看一区二区 | 精品久久久精品久久久| 国产欧美日韩精品亚洲av| xxxhd国产人妻xxx| 久久鲁丝午夜福利片| 人人澡人人妻人| 另类亚洲欧美激情| svipshipincom国产片| 亚洲国产看品久久| 日韩av免费高清视频| 国产一区有黄有色的免费视频| 亚洲精品乱久久久久久| 久久国产精品男人的天堂亚洲| 国产精品人妻久久久影院| 美女午夜性视频免费| 国产成人啪精品午夜网站| 国产淫语在线视频| 亚洲国产欧美在线一区| 亚洲国产看品久久| www.熟女人妻精品国产| 国产一卡二卡三卡精品| 国产精品一区二区在线不卡| 欧美激情 高清一区二区三区| 天堂8中文在线网| 国产欧美日韩精品亚洲av| 国产99久久九九免费精品| 亚洲中文av在线| 黄色毛片三级朝国网站| 国产精品一区二区在线观看99| 久久人人爽av亚洲精品天堂| 波野结衣二区三区在线| 性色av一级| 国产激情久久老熟女| 久久国产精品大桥未久av| 一区二区三区激情视频| 日韩大片免费观看网站| 十八禁网站网址无遮挡| 美女国产高潮福利片在线看| 老司机午夜十八禁免费视频| 国产精品二区激情视频| 欧美精品亚洲一区二区| 十分钟在线观看高清视频www| 国产欧美亚洲国产| 国产视频一区二区在线看|