• <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99白浆流出| 热99在线观看视频| 国产精品乱码一区二三区的特点| 精品99又大又爽又粗少妇毛片 | 免费看日本二区| 日本一二三区视频观看| 日本免费a在线| 亚洲国产欧洲综合997久久,| 少妇丰满av| 99国产极品粉嫩在线观看| 精品国产超薄肉色丝袜足j| 国产黄片美女视频| 精品国内亚洲2022精品成人| 亚洲成a人片在线一区二区| 亚洲五月婷婷丁香| 搡老妇女老女人老熟妇| 久久久久久久久久黄片| 国产主播在线观看一区二区| 无遮挡黄片免费观看| 欧美一区二区精品小视频在线| 99视频精品全部免费 在线| 日韩欧美在线乱码| 制服人妻中文乱码| 国产精品亚洲av一区麻豆| 一级作爱视频免费观看| 久久6这里有精品| 久久久久久大精品| 五月玫瑰六月丁香| 久久久久久久久久黄片| 亚洲精品成人久久久久久| 亚洲真实伦在线观看| 日本免费一区二区三区高清不卡| 国产亚洲精品久久久久久毛片| 欧美激情久久久久久爽电影| 成人永久免费在线观看视频| 小蜜桃在线观看免费完整版高清| www.熟女人妻精品国产| 99久国产av精品| 中出人妻视频一区二区| 精品欧美国产一区二区三| 色精品久久人妻99蜜桃| 成人特级av手机在线观看| www.999成人在线观看| 国产精品一及| 一区福利在线观看| 男人舔女人下体高潮全视频| 婷婷色综合大香蕉| 只有这里有精品99| ponron亚洲| 精品一区二区三区人妻视频| 日本-黄色视频高清免费观看| 精品酒店卫生间| 少妇高潮的动态图| 免费大片黄手机在线观看| 国产午夜精品论理片| 午夜视频国产福利| 夜夜爽夜夜爽视频| 丝袜喷水一区| 免费少妇av软件| 亚洲久久久久久中文字幕| 久热久热在线精品观看| 欧美 日韩 精品 国产| 干丝袜人妻中文字幕| 亚洲成人一二三区av| 少妇熟女欧美另类| 亚洲人与动物交配视频| 麻豆成人午夜福利视频| 国产精品嫩草影院av在线观看| 精品久久久精品久久久| 一个人观看的视频www高清免费观看| 久久99热这里只频精品6学生| 激情 狠狠 欧美| 国产黄色视频一区二区在线观看| 激情五月婷婷亚洲| 亚洲国产欧美人成| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 韩国高清视频一区二区三区| 国产麻豆成人av免费视频| 乱系列少妇在线播放| 少妇人妻精品综合一区二区| 一级黄片播放器| 成人性生交大片免费视频hd| 五月天丁香电影| 99久国产av精品国产电影| 久久久久精品性色| 好男人视频免费观看在线| 欧美zozozo另类| 偷拍熟女少妇极品色| 欧美精品国产亚洲| 国产精品久久久久久精品电影| 国产精品久久久久久精品电影| 亚洲欧美成人综合另类久久久| freevideosex欧美| 午夜福利在线在线| 亚洲真实伦在线观看| 午夜福利在线在线| 国产乱人视频| 91午夜精品亚洲一区二区三区| 最近中文字幕2019免费版| 在线天堂最新版资源| 成人毛片60女人毛片免费| 婷婷色麻豆天堂久久| 久久精品人妻少妇| freevideosex欧美| 亚洲国产精品sss在线观看| 久久久久精品久久久久真实原创| 精品久久久久久电影网| 亚洲自偷自拍三级| 高清日韩中文字幕在线| 国产成人91sexporn| 亚洲欧美成人综合另类久久久| eeuss影院久久| 91av网一区二区| 最新中文字幕久久久久| 亚洲怡红院男人天堂| 九九久久精品国产亚洲av麻豆| 亚洲av免费在线观看| 久久人人爽人人爽人人片va| 夫妻午夜视频| 淫秽高清视频在线观看| 99九九线精品视频在线观看视频| 搡老乐熟女国产| 嫩草影院精品99| 免费观看性生交大片5| 免费观看性生交大片5| 国产亚洲精品久久久com| 国内精品宾馆在线| 最近2019中文字幕mv第一页| 日韩一区二区三区影片| 中文字幕亚洲精品专区| 精品人妻一区二区三区麻豆| 成人美女网站在线观看视频| 大又大粗又爽又黄少妇毛片口| 在线播放无遮挡| 十八禁网站网址无遮挡 | 免费黄频网站在线观看国产| 欧美潮喷喷水| 久久久久国产网址| 美女脱内裤让男人舔精品视频| 1000部很黄的大片| 2021天堂中文幕一二区在线观| 亚洲欧美成人综合另类久久久| 亚洲精品色激情综合| 久久久精品94久久精品| 超碰av人人做人人爽久久| 亚洲婷婷狠狠爱综合网| 亚洲国产色片| 亚洲精品456在线播放app| 国产色爽女视频免费观看| 成人综合一区亚洲| 国产一区二区三区综合在线观看 | 久久久久免费精品人妻一区二区| 免费大片黄手机在线观看| 看十八女毛片水多多多| 色网站视频免费| 人妻夜夜爽99麻豆av| 2021天堂中文幕一二区在线观| 欧美bdsm另类| 99久久中文字幕三级久久日本| 亚洲国产欧美在线一区| 偷拍熟女少妇极品色| 亚洲综合精品二区| 精品人妻熟女av久视频| 国产91av在线免费观看| 天堂网av新在线| 麻豆成人av视频| av.在线天堂| 国产午夜精品久久久久久一区二区三区| 精品一区二区免费观看| 国产精品一二三区在线看| 高清欧美精品videossex| 国产麻豆成人av免费视频| 亚洲av电影不卡..在线观看| 免费少妇av软件| 国产成人freesex在线| 国产精品综合久久久久久久免费| 最新中文字幕久久久久| 男女边吃奶边做爰视频| 少妇猛男粗大的猛烈进出视频 | 一本久久精品| 免费在线观看成人毛片| 老师上课跳d突然被开到最大视频| 国产日韩欧美在线精品| 日韩,欧美,国产一区二区三区| 国产一级毛片七仙女欲春2| 91aial.com中文字幕在线观看| 亚洲综合色惰| 最近视频中文字幕2019在线8| 女人十人毛片免费观看3o分钟| av女优亚洲男人天堂| 极品教师在线视频| 成人美女网站在线观看视频| 欧美日本视频| 国产精品一区二区在线观看99 | 久久这里只有精品中国| 国产亚洲91精品色在线| 日本爱情动作片www.在线观看| 六月丁香七月| 欧美成人a在线观看| 美女主播在线视频| 天堂√8在线中文| 亚洲伊人久久精品综合| 久久精品夜夜夜夜夜久久蜜豆| 精品不卡国产一区二区三区| 国产免费一级a男人的天堂| 亚洲欧美日韩无卡精品| 美女黄网站色视频| 日本免费a在线| 一区二区三区免费毛片| 能在线免费观看的黄片| 免费看日本二区| 天堂网av新在线| 国产精品99久久久久久久久| 寂寞人妻少妇视频99o| 欧美日韩在线观看h| 亚洲18禁久久av| 丝袜美腿在线中文| 熟女人妻精品中文字幕| 如何舔出高潮| av专区在线播放| 国产成人freesex在线| 美女脱内裤让男人舔精品视频| 午夜福利在线在线| 丰满人妻一区二区三区视频av| 青青草视频在线视频观看| 久99久视频精品免费| 观看免费一级毛片| 中国美白少妇内射xxxbb| 在线a可以看的网站| 少妇人妻一区二区三区视频| 国产国拍精品亚洲av在线观看| 一个人观看的视频www高清免费观看| 国产中年淑女户外野战色| 中文在线观看免费www的网站| 亚洲性久久影院| 午夜福利高清视频| 国产成人免费观看mmmm| 观看美女的网站| 久久精品夜色国产| 天堂网av新在线| 99视频精品全部免费 在线| 神马国产精品三级电影在线观看| 草草在线视频免费看| a级毛片免费高清观看在线播放| 春色校园在线视频观看| 亚洲精品国产av蜜桃| 国产精品不卡视频一区二区| 成年女人看的毛片在线观看| 亚洲精品日韩av片在线观看| 色综合站精品国产| 欧美日韩国产mv在线观看视频 | 欧美最新免费一区二区三区| 亚洲成人中文字幕在线播放| 激情五月婷婷亚洲| 好男人在线观看高清免费视频| 熟妇人妻不卡中文字幕| 色5月婷婷丁香| 亚洲精品乱码久久久久久按摩| 一边亲一边摸免费视频| 两个人视频免费观看高清| 99热全是精品| 亚洲三级黄色毛片| 人体艺术视频欧美日本| 欧美日韩精品成人综合77777| 色综合站精品国产| 亚洲精品国产av成人精品| 狠狠精品人妻久久久久久综合| 国产精品不卡视频一区二区| 我的老师免费观看完整版| 最近最新中文字幕免费大全7| 两个人视频免费观看高清| 在线免费观看不下载黄p国产| videos熟女内射| 免费无遮挡裸体视频| 黄片wwwwww| 久久精品久久精品一区二区三区| 成人性生交大片免费视频hd| 久久久久久久国产电影| 一个人看的www免费观看视频| 成人亚洲欧美一区二区av| 日本与韩国留学比较| 精品久久国产蜜桃| 国产淫片久久久久久久久| 国产色爽女视频免费观看| 一个人看的www免费观看视频| 日韩欧美精品v在线| 国产精品日韩av在线免费观看| 午夜福利视频1000在线观看| 久久久久久久大尺度免费视频| 亚洲丝袜综合中文字幕| 国产一级毛片七仙女欲春2| 美女黄网站色视频| 天天躁日日操中文字幕| 亚洲人成网站在线播| 亚洲在久久综合| 精华霜和精华液先用哪个| 午夜亚洲福利在线播放| 久久精品久久久久久久性| 久久久久久久久久成人| 国产精品无大码| 午夜亚洲福利在线播放| 免费看日本二区| 搞女人的毛片| 国产黄频视频在线观看| 国产综合精华液| 美女高潮的动态| 精品少妇黑人巨大在线播放| 国产精品无大码| 一个人免费在线观看电影| 非洲黑人性xxxx精品又粗又长| 波多野结衣巨乳人妻| 亚洲精品久久久久久婷婷小说| 中国国产av一级| 国产v大片淫在线免费观看| 亚洲最大成人中文| 亚洲美女视频黄频| 91精品伊人久久大香线蕉| 欧美 日韩 精品 国产| 久久久久国产网址| 日韩精品有码人妻一区| 国模一区二区三区四区视频| 伊人久久国产一区二区| 精品国产露脸久久av麻豆 | 久久精品久久精品一区二区三区| 超碰97精品在线观看| 国产男女超爽视频在线观看| 亚洲成人中文字幕在线播放| 久久综合国产亚洲精品| 极品教师在线视频| 日韩,欧美,国产一区二区三区| 久久精品久久久久久噜噜老黄| 少妇猛男粗大的猛烈进出视频 | 亚洲精品国产av蜜桃| 亚洲av二区三区四区| www.色视频.com| 日本欧美国产在线视频| 国产色婷婷99| 永久免费av网站大全| 久久精品综合一区二区三区| 久久人人爽人人片av| 精品少妇黑人巨大在线播放| 美女主播在线视频| 一二三四中文在线观看免费高清| 国产在视频线在精品| 亚洲成色77777| www.色视频.com| 禁无遮挡网站| 精品国内亚洲2022精品成人| 精品熟女少妇av免费看| 高清av免费在线| 国产精品国产三级国产专区5o| 久久精品国产亚洲av涩爱| 美女大奶头视频| 午夜亚洲福利在线播放| 国产精品蜜桃在线观看| h日本视频在线播放| xxx大片免费视频| 久久精品夜色国产| 赤兔流量卡办理| 汤姆久久久久久久影院中文字幕 | 能在线免费观看的黄片| 免费观看精品视频网站| 亚洲av国产av综合av卡| 综合色丁香网| 亚洲不卡免费看| 国产精品1区2区在线观看.| 日韩三级伦理在线观看| 久久精品夜色国产| 91狼人影院| 久久精品国产自在天天线| 久久午夜福利片| 高清在线视频一区二区三区| 国产有黄有色有爽视频| 又粗又硬又长又爽又黄的视频| 日本一二三区视频观看| 一级毛片aaaaaa免费看小| 日产精品乱码卡一卡2卡三| 综合色av麻豆| 国产精品久久久久久久久免| 亚洲成人av在线免费| 久久久久久伊人网av| 国产淫片久久久久久久久| 久久久欧美国产精品| 97人妻精品一区二区三区麻豆| 欧美zozozo另类| 久久久久久久亚洲中文字幕| 国产女主播在线喷水免费视频网站 | 久久热精品热| 国产精品女同一区二区软件| 精品久久久久久成人av| 全区人妻精品视频| 亚洲综合色惰| 久久人人爽人人片av| 伦理电影大哥的女人| 国内揄拍国产精品人妻在线| 午夜免费激情av| 国产又色又爽无遮挡免| 少妇丰满av| 男人爽女人下面视频在线观看| 亚洲无线观看免费| 久久99热这里只有精品18| 大香蕉97超碰在线| 久久久久免费精品人妻一区二区| 亚洲欧洲国产日韩| 好男人在线观看高清免费视频| 亚洲无线观看免费| 搡女人真爽免费视频火全软件| 男人爽女人下面视频在线观看| 欧美人与善性xxx| 精品一区二区免费观看| 久久精品夜色国产| 岛国毛片在线播放| 亚洲欧美成人综合另类久久久| 成人av在线播放网站| 免费无遮挡裸体视频| 精品久久久久久久久av| 一级av片app| 国产精品久久久久久久电影| 国产精品精品国产色婷婷| 老师上课跳d突然被开到最大视频| 亚洲精品亚洲一区二区| 国产av国产精品国产| 十八禁国产超污无遮挡网站| 国产av在哪里看| 一区二区三区四区激情视频| 国产成人精品一,二区| 亚洲精品成人久久久久久| 日本一二三区视频观看| 亚洲国产日韩欧美精品在线观看| 最新中文字幕久久久久| 久久国内精品自在自线图片| 99re6热这里在线精品视频| 久久精品久久久久久噜噜老黄| 国内精品宾馆在线| 亚洲在久久综合| 精品午夜福利在线看| 久热久热在线精品观看| 九九在线视频观看精品| 噜噜噜噜噜久久久久久91| 嘟嘟电影网在线观看| 肉色欧美久久久久久久蜜桃 | 久久久久久久午夜电影| 久久精品综合一区二区三区| 蜜桃久久精品国产亚洲av| 国产永久视频网站| 久久6这里有精品| av专区在线播放| 国产成人免费观看mmmm| 亚洲国产成人一精品久久久| 中文字幕av成人在线电影| 校园人妻丝袜中文字幕| 久久久久久久亚洲中文字幕| 亚洲精品,欧美精品| 亚洲最大成人手机在线| 波多野结衣巨乳人妻| 热99在线观看视频| 水蜜桃什么品种好| 夫妻性生交免费视频一级片| or卡值多少钱| 午夜久久久久精精品| 久久精品人妻少妇| 六月丁香七月| 免费av观看视频| 色综合亚洲欧美另类图片| 啦啦啦啦在线视频资源| 精品国产露脸久久av麻豆 | 插阴视频在线观看视频| 国产亚洲精品av在线| 丰满人妻一区二区三区视频av| 亚洲精品第二区| 免费观看在线日韩| 一区二区三区四区激情视频| 久久久久久久久中文| 亚洲一级一片aⅴ在线观看| 久热久热在线精品观看| 午夜福利高清视频| 欧美日韩国产mv在线观看视频 | 激情 狠狠 欧美| 熟妇人妻不卡中文字幕| 男人舔奶头视频| 春色校园在线视频观看| 色5月婷婷丁香| 中文精品一卡2卡3卡4更新| 九九爱精品视频在线观看| 2021天堂中文幕一二区在线观| 18禁裸乳无遮挡免费网站照片| 久久久欧美国产精品| 国产成人免费观看mmmm| 久久久久久久大尺度免费视频| 亚洲精品视频女| 亚洲欧美清纯卡通| 成年版毛片免费区| 色综合站精品国产| 中文在线观看免费www的网站| 2021天堂中文幕一二区在线观| 好男人在线观看高清免费视频| 不卡视频在线观看欧美| 久久久久久久午夜电影| 极品少妇高潮喷水抽搐| 精品人妻视频免费看| 亚洲av免费高清在线观看| 看十八女毛片水多多多| 欧美性感艳星| 午夜免费观看性视频| 亚洲伊人久久精品综合| 国产精品蜜桃在线观看| 国产精品国产三级专区第一集| 好男人在线观看高清免费视频| 女人久久www免费人成看片| 综合色av麻豆| 老女人水多毛片| 国产伦精品一区二区三区视频9| 建设人人有责人人尽责人人享有的 | 国产白丝娇喘喷水9色精品| 噜噜噜噜噜久久久久久91| 国产成人a区在线观看| 日韩不卡一区二区三区视频在线| 亚洲精品中文字幕在线视频 | 中文资源天堂在线| 五月玫瑰六月丁香| 久久久久久久国产电影| 亚洲精品久久久久久婷婷小说| 五月天丁香电影| 一级毛片黄色毛片免费观看视频| 丝袜美腿在线中文| 日韩成人伦理影院| a级毛片免费高清观看在线播放| 亚洲人成网站高清观看| 美女黄网站色视频| 久久久久久久国产电影| 91av网一区二区| 日本黄色片子视频| av网站免费在线观看视频 | 国产久久久一区二区三区| 亚洲成人中文字幕在线播放| 天堂俺去俺来也www色官网 | 精品一区二区免费观看| 秋霞在线观看毛片| 中文字幕av成人在线电影| 久久午夜福利片| av在线亚洲专区| 激情五月婷婷亚洲| 午夜精品一区二区三区免费看| 亚洲欧美清纯卡通| 免费无遮挡裸体视频| 91久久精品国产一区二区成人| 伦精品一区二区三区| 青春草亚洲视频在线观看| 少妇的逼水好多| 国产黄a三级三级三级人| 精品国内亚洲2022精品成人| 日韩欧美三级三区| av线在线观看网站| 亚洲精品日韩av片在线观看| 超碰97精品在线观看| 亚洲国产精品sss在线观看| 成人二区视频| av免费观看日本| 特大巨黑吊av在线直播| 日本色播在线视频| 亚洲一区高清亚洲精品| 国产黄色免费在线视频| 少妇人妻精品综合一区二区| 男的添女的下面高潮视频| 国产精品美女特级片免费视频播放器| 国产免费一级a男人的天堂| 丰满少妇做爰视频| 最近中文字幕2019免费版| 亚洲精品国产av成人精品| 九九在线视频观看精品| 男插女下体视频免费在线播放| 99re6热这里在线精品视频| 久久综合国产亚洲精品| 亚洲性久久影院| 欧美一区二区亚洲| 日韩成人伦理影院| 国产精品女同一区二区软件| 欧美激情国产日韩精品一区| 69人妻影院| 国产白丝娇喘喷水9色精品| 国产成人a∨麻豆精品| 亚洲色图av天堂| 亚洲国产最新在线播放| 你懂的网址亚洲精品在线观看| 嫩草影院入口| 国产精品1区2区在线观看.| 插阴视频在线观看视频| av.在线天堂| 成年人午夜在线观看视频 | 七月丁香在线播放| 午夜久久久久精精品| 97超视频在线观看视频| 亚洲在线观看片| 亚洲欧洲日产国产| av在线亚洲专区| 久久97久久精品| 老司机影院毛片| 日本欧美国产在线视频| 精品人妻偷拍中文字幕| 免费在线观看成人毛片| 国产一区二区三区av在线| 婷婷色av中文字幕| 亚洲欧美成人综合另类久久久| 极品少妇高潮喷水抽搐| 少妇的逼好多水| 亚洲av中文字字幕乱码综合| 亚洲av电影在线观看一区二区三区 | 亚洲欧洲日产国产| 中文在线观看免费www的网站| 久久精品国产自在天天线| 免费在线观看成人毛片| 亚洲欧美精品专区久久| 久久久久久久久久久丰满| 日韩三级伦理在线观看| av在线老鸭窝|