• <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 ?

    基于特征協(xié)同交互網(wǎng)絡(luò)的商品點(diǎn)擊率預(yù)測(cè)

    2023-11-22 06:03:25鄒雨菲楊欣胡陳陳
    現(xiàn)代信息科技 2023年19期
    關(guān)鍵詞:深度神經(jīng)網(wǎng)絡(luò)

    鄒雨菲 楊欣 胡陳陳

    摘? 要:隨著用戶行為數(shù)據(jù)和商品數(shù)據(jù)呈指數(shù)級(jí)增長(zhǎng),互聯(lián)網(wǎng)平臺(tái)面臨嚴(yán)重的信息過(guò)載問(wèn)題??梢栽谕扑]算法中引入點(diǎn)擊率預(yù)測(cè)模型,有效提升用戶的購(gòu)物體驗(yàn)。將特征協(xié)同交互網(wǎng)絡(luò)(Co-Action Network, CAN)與深度興趣演化模型(Deep Interest Network, DIN)相融合,挖掘用戶與商品的深層次關(guān)系,模擬真實(shí)場(chǎng)景下用戶與商品的交互情況,得到商品點(diǎn)擊率預(yù)估模型CAN-DIN。在公開(kāi)數(shù)據(jù)集Amazon-beauty上的實(shí)驗(yàn)表明,與相關(guān)基模型相比,CAN-DIN算法的準(zhǔn)確率有一定的提升,可以應(yīng)用于電商推薦場(chǎng)景。

    關(guān)鍵詞:特征交互;點(diǎn)擊率預(yù)估;深度神經(jīng)網(wǎng)絡(luò)

    中圖分類號(hào):TP391.3? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2096-4706(2023)19-0145-06

    Product Click-through Rate Prediction Based on Co-Action Network

    ZOU Yufei, YANG Xin, HU Chenchen

    (Lanzhou Jiaotong University, Lanzhou 730070,China)

    Abstract: With the exponential growth of user behavior data and goods data, internet platforms are facing serious information overload issues. A click-through rate prediction model can be introduced into recommendation algorithms to effectively improve users' shopping experience. By integrating the Co-Action Network (CAN) with the Deep Interest Network (DIN), explore the deep relationships between users and goods, simulate the interaction between users and goods in real scenarios, and obtain the goods click-through rate prediction model CAN-DIN. Experiments on the publicly available dataset Amazon-beauty have shown that the CAN-DIN algorithm has a certain improvement in accuracy compared to relevant base models and can be applied to E-commerce recommendation scenarios.

    Keywords: feature interaction; click-through rate estimation; deep neural network

    0? 引? 言

    點(diǎn)擊率預(yù)測(cè)模型廣泛應(yīng)用于推薦系統(tǒng)中,為用戶推薦符合其興趣和需求的商品或服務(wù)。采用基于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的算法,通過(guò)學(xué)習(xí)用戶歷史行為、偏好和隱式反饋數(shù)據(jù),預(yù)測(cè)用戶對(duì)尚未看到商品或服務(wù)的興趣程度,并將推薦結(jié)果按照吸引用戶的程度大小進(jìn)行降序排列。通過(guò)對(duì)不同推薦結(jié)果進(jìn)行不同權(quán)重的排序,提高滿足用戶需求推薦結(jié)果的展示率,對(duì)于提升電商平臺(tái)的客戶滿意度和企業(yè)盈利能力具有重要意義。

    點(diǎn)擊率預(yù)測(cè)模型的一個(gè)核心問(wèn)題是如何更好地學(xué)習(xí)用戶和表示商品[1]。推薦技術(shù)從遞歸神經(jīng)網(wǎng)絡(luò)[2]、注意力機(jī)制[3]發(fā)展到圖神經(jīng)網(wǎng)絡(luò),這些技術(shù)通常根據(jù)用戶的歷史反饋為用戶推薦物品。

    因式分解機(jī)(FM)[4]是淺層模型時(shí)代的代表性方法。在FM中,特征的交互被建模為特征潛在向量的內(nèi)積。FM在不同類型的相互作用下,使用相同的潛向量。DeepFM[5]不再需要手動(dòng)構(gòu)建笛卡爾積特征。PNN模型[6]提出一種Product Layer的思想,以捕捉特征的互動(dòng)以及鄰域間的互動(dòng)。DCN模型[7]中的Cross網(wǎng)絡(luò)是FM過(guò)程在高階特征組合的推廣,Cross部分在增強(qiáng)高階特征組合的同時(shí)減少了參數(shù)的個(gè)數(shù),并省去了非線性激活函數(shù)。ONN模型[8]通過(guò)一些不同的操作來(lái)學(xué)習(xí)特征間互動(dòng)。盡管上述方法與普通DNN相比性能上有所提高,但每個(gè)ID的嵌入都承擔(dān)了表示學(xué)習(xí)和交互建模的責(zé)任。同時(shí),它們之間的相互干擾可能損害各自的性能。

    本文將特征協(xié)同交互網(wǎng)絡(luò)(Co-Action Network, CAN)[9]與深度興趣演化模型(Deep Interest Network, DIN)[10]相結(jié)合,得到融合特征協(xié)同網(wǎng)絡(luò)的深度興趣演化模型(CAN-DIN)。通過(guò)實(shí)驗(yàn)對(duì)比分析,找到最優(yōu)的模型和參數(shù)組合,實(shí)現(xiàn)了提升推薦準(zhǔn)確率的目的。

    1? 算法概述與模型建立

    1.1? 算法概述

    1.1.1? DIN算法

    DIN模型是推薦算法中的一種深度興趣網(wǎng)絡(luò)模型,它通過(guò)引入注意力機(jī)制來(lái)捕捉用戶對(duì)某個(gè)商品的歷史行為的興趣,并隨著候選商品的變化而變化,從而有效提升模型的表達(dá)能力。

    1)輸入層。輸入x:K維高維稀疏二值型向量通常是由多個(gè)group特征拼接而成的。假設(shè)有M個(gè)group,每個(gè)group特征ti的維度為Ki,ti每個(gè)元素取值為0或1,i的個(gè)數(shù)大于等于1。

    2)模型設(shè)計(jì)。相比于DNN,DIN引入了local activation unit,用以學(xué)習(xí)用戶興趣和當(dāng)前候選商品的關(guān)聯(lián)程度。在DNN中,假設(shè)ti有k個(gè)元素值為1,則需要將這k個(gè)元素對(duì)應(yīng)的k個(gè)embedding特征進(jìn)行pooling,使得不同樣本之間group拼接完的特征長(zhǎng)度是一致的,即:

    其中,E(s)和Var(s)分別表示每個(gè)mini-batch中激活函數(shù)輸入的均值和方差。

    1.1.2? CAN算法

    特征協(xié)同交互網(wǎng)絡(luò)(Co-Action Network, CAN)是一種新的特征交互方法,主要是利用共現(xiàn)網(wǎng)絡(luò)來(lái)學(xué)習(xí)物品和用戶之間的特征關(guān)聯(lián),并將其應(yīng)用于個(gè)性化推薦和CTR預(yù)測(cè)。

    CAN通過(guò)采用協(xié)同作用單元(Co-Action Unit)和多階增強(qiáng)等技術(shù),有效處理用戶和物品特征的拼接和互動(dòng),提升模型的非線性擬合能力和表達(dá)能力。

    1)架構(gòu)概述。用戶和目標(biāo)物品的特征U和M以兩種方式輸入CAN。在第一種方式下,它們使用的embedding編碼為稠密向量{E(u1),L,E(u1)}和{E(m1),L,E(mJ)},進(jìn)一步拼接為eitem和euser。在第二種方式下,從U和M中選擇一個(gè)子集Ufeed和Minduction,使用co-action unit來(lái)建模特征交互 ,mj ∈ Minduction。CAN的計(jì)算式為:

    其中, 表示矩陣乘法,σ表示激活函數(shù),H表示具有向量輸入的共同作用單元。對(duì)于像用戶歷史行為? 這樣的順序特征,共同作用單元應(yīng)用于每個(gè)點(diǎn)擊行為,然后對(duì)序列進(jìn)行求和池化:

    Pinduction從商品特征中獲取信息,而Pfeed從用戶特征中獲取信息,Pfeed也可作為micro-MLP的參數(shù),反之亦然。

    3)多階增強(qiáng)。上述特征是基于一階特征形成的,特征的交互可以通過(guò)高階來(lái)估計(jì)。雖然共同作用單元可以隱式地學(xué)習(xí)高階特征交互,但考慮到特征交互的稀疏性,學(xué)習(xí)過(guò)程可能會(huì)更加困難。為此,在模型中引入多階信息,以獲得多項(xiàng)式輸入。其通過(guò)將micro-MLP應(yīng)用于不同階數(shù)的Pfeed來(lái)實(shí)現(xiàn):

    其中,C表示階數(shù)。利用Tanh函數(shù)來(lái)避免高階項(xiàng)引起的數(shù)值問(wèn)題。多次元增強(qiáng)大大提升了模型的非線性擬合能力,并且不會(huì)帶來(lái)額外的計(jì)算和存儲(chǔ)成本。

    4)多層次的獨(dú)立性。學(xué)習(xí)的獨(dú)立性是交互建模特征的主要特征之一。為了保證學(xué)習(xí)的獨(dú)立性,模型從不同方面提出了策略。第一,參數(shù)獨(dú)立。通過(guò)將表示學(xué)習(xí)和特征交互建模的更新分離開(kāi)來(lái),使得參數(shù)獨(dú)立性是CAN的基礎(chǔ)。第二,組合獨(dú)立。隨著特征組合數(shù)量的增加,特征間的相互作用呈線性增長(zhǎng)。該方法使模型的表達(dá)能力呈指數(shù)級(jí)放大。特征交互的組合應(yīng)滿足:

    1.2? 模型建立

    CAN-DIN模型是將co-action模塊輸出的向量和DIN模塊輸出的向量以及其他特征通過(guò)embedding層,轉(zhuǎn)化為稠密向量的特征拼接,再通過(guò)3層MLP獲取目標(biāo)item的CTR預(yù)測(cè)值。對(duì)于Pinduction,使用兩層MLP,輸入/輸出維度設(shè)置為16/8和8/4,Pfeed的最高階數(shù)為3。模型參數(shù)以高斯分布(平均值為0,標(biāo)準(zhǔn)差為0.01)初始化。模型訓(xùn)練的優(yōu)化器為Adam,batch_size設(shè)置為128,初始學(xué)習(xí)率設(shè)置為0.002,每個(gè)epoch學(xué)習(xí)率折半。co-action模塊輸出的向量和其他特征通過(guò)embedding層轉(zhuǎn)得到的稠密向量進(jìn)行拼接后通過(guò)3層MLP獲取目標(biāo)item的CTR預(yù)測(cè)值。三層MLP的神經(jīng)元大小分別設(shè)置為200、80、1。模型訓(xùn)練過(guò)程中,使用Logloss計(jì)算損失,為避免梯度爆炸和梯度消失現(xiàn)象的發(fā)生,約束模型輸出y值的取值范圍設(shè)置為[1×10-10,1.0]。

    2? 實(shí)驗(yàn)驗(yàn)證

    2.1? 數(shù)據(jù)集

    本文選用公開(kāi)數(shù)據(jù)集Amazon Review Data的Luxury Beauty子類(簡(jiǎn)稱Amazon-beauty)。當(dāng)一個(gè)用戶對(duì)某個(gè)物品進(jìn)行評(píng)價(jià)時(shí),我們將其認(rèn)定為正樣本,并從當(dāng)前物品列表中隨機(jī)選擇一個(gè)其他商品作為負(fù)樣本,然后將它與當(dāng)前評(píng)價(jià)的正樣本一起寫入文件中,并創(chuàng)建相應(yīng)的用戶行為序列。對(duì)于有兩次以上點(diǎn)擊行為的用戶,選擇其最后一次點(diǎn)擊存入測(cè)試集,其余存入訓(xùn)練集;對(duì)于只有一次點(diǎn)擊行為的用戶默認(rèn)存入訓(xùn)練集。將訓(xùn)練集內(nèi)數(shù)據(jù)按照9:1隨機(jī)劃分成模型訓(xùn)練集和驗(yàn)證集,并對(duì)訓(xùn)練集和驗(yàn)證集數(shù)據(jù)進(jìn)行隨機(jī)打散。將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集的數(shù)據(jù)量如表1所示。

    深度神經(jīng)網(wǎng)絡(luò)模型在擬合高階復(fù)雜特征時(shí)有不錯(cuò)的表現(xiàn)。因此,深度學(xué)習(xí)模型的輸入數(shù)據(jù)不需要過(guò)于復(fù)雜。本文的研究重點(diǎn)是提取和挖掘用戶的歷史行為特征,從用戶行為歷史信息和物品特征等角度考慮,篩選部分缺失率相對(duì)較低的特征輸入模型。輸入數(shù)據(jù)各字段說(shuō)明如表2所示。

    2.2? 評(píng)價(jià)指標(biāo)

    本文選用AUC、ACC、Logloss三種常用評(píng)價(jià)標(biāo)準(zhǔn)對(duì)CTR排序模型進(jìn)行評(píng)估[11]。

    分類準(zhǔn)確度是評(píng)價(jià)推薦算法在分類商品方面準(zhǔn)確度的重要指標(biāo)[12],根據(jù)用戶對(duì)商品的喜好與否和商品是否被推薦,商品分類情況如表3所示。

    AUC(Area Under the Curve)代表ROC(Receiver Operating Characteristic)曲線下的面積,表示預(yù)測(cè)的正樣本在負(fù)樣本之前的概率。AUC的值不受正負(fù)樣本比例的影響,能夠有效評(píng)價(jià)各種二分類任務(wù)的模型。AUC取值的范圍通常在0.5到1之間,AUC越高表示模型性能越好。AUC的計(jì)算式為:

    (18)

    其中, 表示正樣本預(yù)測(cè)概率大于負(fù)樣本預(yù)測(cè)概率的個(gè)數(shù),positiveNum表示正樣本數(shù),negativeNum表示負(fù)樣本數(shù)。

    推薦結(jié)果的準(zhǔn)確率(Accuracy, ACC)表示模型預(yù)測(cè)準(zhǔn)確性的比例。ACC值越高,表示模型預(yù)測(cè)的準(zhǔn)確率越高,模型效果越好。ACC的計(jì)算式為:

    (19)

    其中,TP、FP、TN、FN的含義如表3所示。

    對(duì)數(shù)似然損失Logloss(Log-likelihood Loss, Logloss)也被稱為交叉熵?fù)p失。Logloss反映了預(yù)測(cè)結(jié)果的平均偏差,體現(xiàn)模型的分類能力,通常用于評(píng)估分類器性能的優(yōu)劣。Logloss越低說(shuō)明模型性能越好。Logloss的計(jì)算式為:

    (20)

    其中,yj表示商品j的真實(shí)標(biāo)簽值, 表示商品j的預(yù)測(cè)值。

    2.3? 實(shí)驗(yàn)結(jié)果分析

    2.3.1? 與經(jīng)典模型對(duì)比實(shí)驗(yàn)

    本實(shí)驗(yàn)的操作系統(tǒng)為Windows 11,編程語(yǔ)言為Python 3.7.16,深度學(xué)習(xí)框架為TensorFlow-gpu 2.6,GPU加速庫(kù)為CUDA 11.8。

    為評(píng)價(jià)模型在預(yù)測(cè)方面的準(zhǔn)確性,將融合特征交互的深度神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)有效果較好的CTR預(yù)測(cè)模型(包括經(jīng)典的FM模型和DNN模型,以及DIN模型)進(jìn)行對(duì)比。

    隨著訓(xùn)練迭代次數(shù)的增加,模型整體的損失函數(shù)值呈下降的趨勢(shì),其中CAN-DNN、CAN-DIN模型的迭代效率明顯優(yōu)于其他模型,說(shuō)明CAN架構(gòu)可以根據(jù)特征交互突出有意義的組合特征,相比其他模型能夠更高效地學(xué)習(xí)高階交互特征,加速了模型的收斂。各模型在測(cè)試集上的表現(xiàn)如表4、圖1所示。

    從表4中的結(jié)果可以看出,CAN-DNN和CAN-DIN的表現(xiàn)在各評(píng)價(jià)指標(biāo)上都優(yōu)于其他基模型。CAN-DNN的AUC值為0.855 7,ACC值為0.767 3,Logloss值為0.232 0。對(duì)比FM模型,CAN-DNN在AUC上提升了11.23%,在ACC上提升了9.85%;對(duì)比DNN模型,CAN-DNN在AUC上提升了3.15%,在ACC上提升了3.62%;

    CAN-DIN的AUC值為0.863 6,ACC值為0.778 9,Logloss值為0.236 3。與熱門模型DIN相比,CAN-DIN的AUC提高了1.7%,準(zhǔn)確率提高了1.7%。以上結(jié)果說(shuō)明,融合有CAN框架的模型都取得了更高的AUC和更低的Logloss,說(shuō)明預(yù)測(cè)結(jié)果與實(shí)際值更為接近。

    如圖1所示,對(duì)比不同模型的參數(shù)量和AUC值,可以看出融合有CAN的模型參數(shù)量和AUC值均顯著高于FM和DNN模型。其中,CAN-DNN模型和CAN-DIN模型的參數(shù)量沒(méi)有明顯差距,但相對(duì)于CAN-DNN模型,CAN-DIN模型的AUC值提升了0.92%,ACC值提升了1.51%。

    從實(shí)驗(yàn)結(jié)果和模型結(jié)構(gòu)的角度來(lái)分析,CAN中的Co-Action Unit是DIN網(wǎng)絡(luò)中計(jì)算歷史用戶行為與目標(biāo)商品相似度的Activation Unit的升級(jí)。不同的是,DIN中的Activation Unit是對(duì)某歷史行為與目標(biāo)商品間的相關(guān)度建模,它需要再乘上原歷史行為,成為一個(gè)新的特征表達(dá)。而Co-Action Unit直接生成了歷史行為與目標(biāo)商品的交叉表達(dá),不再需要建模歷史行為和目標(biāo)商品的相似度,減少了信息的折損。相比之下,基于特征協(xié)同交互網(wǎng)絡(luò)的商品點(diǎn)擊率模型能夠在更上游的位置處理特征交叉,以盡可能地保留原始特征。

    2.3.2? 模型超參數(shù)優(yōu)化

    為了優(yōu)化CAN-DIN模型的超參數(shù),提高模型在實(shí)際應(yīng)用場(chǎng)景中的準(zhǔn)確性和可靠性。本文通過(guò)實(shí)驗(yàn),對(duì)比不同超參數(shù)下的Logloss和AUC值,評(píng)判模型的性能,找到模型最優(yōu)的超參數(shù)組合。

    實(shí)驗(yàn)結(jié)果如下:

    1)Embedding維度。在表5中,當(dāng)Embedding向量的維度從8開(kāi)始增加時(shí),模型的AUC值逐漸增大,這表明Embedding向量中蘊(yùn)含了更多的特征信息,從而使得模型能夠更好地學(xué)習(xí)到輸入數(shù)據(jù)的特征表示。但是,當(dāng)Embedding向量的維度增加到12之后,模型的AUC值逐漸下降,這是因?yàn)镋mbedding向量的表達(dá)能力也是十分有限的,維度增加到一定程度后就無(wú)法繼續(xù)提高模型的性能。這種情況也稱為維度災(zāi)難,當(dāng)Embedding向量的維度過(guò)高時(shí),模型需要學(xué)習(xí)的參數(shù)數(shù)量會(huì)急劇增加,從而導(dǎo)致模型過(guò)于復(fù)雜,難以訓(xùn)練,并且容易過(guò)擬合。因此,通過(guò)本次實(shí)驗(yàn),確定Embedding向量的最佳維度為12,此時(shí)模型性能最佳。

    2)激活函數(shù)。在表6中,當(dāng)使用Tanh作為激活函數(shù)時(shí),模型的預(yù)測(cè)效果明顯優(yōu)于使用Sigmoid和ReLU激活函數(shù)的預(yù)測(cè)效果。這是因?yàn)門anh函數(shù)在0附近的導(dǎo)數(shù)值更大,因此在輸入數(shù)據(jù)絕對(duì)值較小的區(qū)域,Tanh函數(shù)能夠更快地將輸入映射到輸出,從而加快了模型的收斂速度。與Sigmiod函數(shù)相比,Tanh函數(shù)的輸出范圍更廣,包含從-1—1區(qū)間,因此可以更好地保留輸入數(shù)據(jù)的范圍信息,減少了信息損失。與ReLU函數(shù)相比,Tanh函數(shù)在輸入數(shù)據(jù)為負(fù)數(shù)時(shí)能夠提供非零的輸出,這樣能夠更好地處理輸入數(shù)據(jù)中存在的負(fù)值信息,使模型具有更好的表達(dá)能力。

    3)優(yōu)化器。在表7中,使用Adam優(yōu)化器時(shí),模型的AUC最大,其次是Momentum和Adagrad。Adam優(yōu)化器是一種基于梯度的優(yōu)化器,借鑒了動(dòng)量和自適應(yīng)學(xué)習(xí)率的思想。在Adam優(yōu)化器中,動(dòng)量項(xiàng)可以幫助優(yōu)化器更快地逃離局部最優(yōu)解,自適應(yīng)學(xué)習(xí)率可以使優(yōu)化器在不同參數(shù)和數(shù)據(jù)的情況下自適應(yīng)地調(diào)整學(xué)習(xí)率,從而更好地控制參數(shù)更新的步長(zhǎng)。因此,Adam優(yōu)化器通常能夠更快地收斂,并在較短的時(shí)間內(nèi)達(dá)到較高的精度。Momentum和Adagrad優(yōu)化器也是常用的優(yōu)化器之一。但Momentum可能會(huì)引入振蕩,即當(dāng)優(yōu)化器在梯度方向上來(lái)回?cái)[動(dòng)時(shí),參數(shù)更新的幅度可能會(huì)變得非常大,導(dǎo)致訓(xùn)練過(guò)程不夠穩(wěn)定。Adagrad在訓(xùn)練過(guò)程中,學(xué)習(xí)率會(huì)不斷衰減,并可能會(huì)逐漸趨于零。這意味著隨著訓(xùn)練的推進(jìn),Adagrad優(yōu)化器可能會(huì)疏忽一些重要的參數(shù)變化信息,從而導(dǎo)致訓(xùn)練結(jié)果不佳。

    4)學(xué)習(xí)率。如表8所示,隨著學(xué)習(xí)率的不斷減小,模型的預(yù)測(cè)效果越來(lái)越好,學(xué)習(xí)率為0.000 2時(shí),達(dá)到峰值,當(dāng)學(xué)習(xí)率繼續(xù)減小時(shí),模型的預(yù)測(cè)效果反而下降。這是因?yàn)槟P蛥?shù)更新的步長(zhǎng)變小,模型能夠更準(zhǔn)確地探索最優(yōu)值附近的區(qū)域。但學(xué)習(xí)率過(guò)小時(shí),模型的參數(shù)更新步長(zhǎng)變得非常小,導(dǎo)致模型在最優(yōu)值附近振蕩,很難再進(jìn)一步優(yōu)化模型的性能。此時(shí),模型可能會(huì)停滯在一個(gè)局部最優(yōu)解中,而無(wú)法找到全局最優(yōu)解。

    通過(guò)以上實(shí)驗(yàn),最終確定CAN-DIN模型的emdedding維度為12,激活函數(shù)為Tanh,優(yōu)化器為Adam,學(xué)習(xí)率為0.000 2。最終,CAN-DIN在Amazon-beauty數(shù)據(jù)集上的AUC值為0.869 9,accuracy值為0.782 2。

    3? 結(jié)? 論

    綜上所述,融合特征交互的深度神經(jīng)網(wǎng)絡(luò)模型因其融合了Co-Action Unit結(jié)構(gòu),將通過(guò)點(diǎn)積獲得的標(biāo)量交叉特征轉(zhuǎn)換為向量形式,同時(shí)通過(guò)確保參數(shù)獨(dú)立性避免了單特征嵌入訓(xùn)練對(duì)交叉特征性能的負(fù)面影響。使得其在原有結(jié)構(gòu)的基礎(chǔ)上將不同特征送入新設(shè)計(jì)的算子得到特征交互的表達(dá)向量,再額外送入全連接層中作為信息補(bǔ)充。因此在與其他模型的對(duì)比實(shí)驗(yàn)中,能夠擁有更快的收斂速度和更高的精度。此外,相比于與DNN的融合,將CAN與DIN融合能夠在保證參數(shù)量沒(méi)有明顯增加的情況下獲得更高的AUC值。實(shí)驗(yàn)結(jié)果表明,基于特征協(xié)同交互網(wǎng)絡(luò)的商品點(diǎn)擊率預(yù)測(cè)模型CAN-DIN能夠應(yīng)用在推薦算法中,可以有效提升推薦的準(zhǔn)確性。

    參考文獻(xiàn):

    [1] HU L M,XU S Y,LI C,et al. Graph neural news recommendation with unsupervised preference disentanglement [C]//Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. [S.l.]:Association for Computational Linguistics,2020:4255-4264.

    [2] OKURA S,TAGAMI Y,ONO S,et al. Embedding-based news recommendation for millions of users [C]//Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. HalifaxNS:ACM,2017:1933-1942.

    [3] ZHU Q N,ZHOU X F,SONG Z L,et al. Dan: Deep attention neural network for news recommendation [C]//Proceedings of the AAAI Conference on Artificial Intelligence. [S.l.]:Open Journal Systems,2019:5973-5980.

    [4] RENDLE S. Factorization machines [C]//2010 IEEE International Conference on Data Mining. Sydney:IEEE,2010:995-1000.

    [5] GUO H F,TANG R M,YE Y M,et al. DeepFM: a factorization-machine based neural network for CTR prediction [C]//Proceedings of the 26th International Joint Conference on Artificial Intelligence. [S.l.]:AAAI Press,2017:1725-1731.

    [6] QU Y R,CAI H,REN K,et al. Product-based neural networks for user response prediction [C]//2016 IEEE 16th International Conference on Data Mining (ICDM).Barcelona:IEEE,2016:1149-1154.

    [7] WANG R X,F(xiàn)U B,F(xiàn)U G,et al. Deep & cross network for ad click predictions [J/OL].arXiv:1708.05123v1.[2023-02-16].https://arxiv.org/abs/1708.05123.

    [8] YANG Y,XU B L,SHEN S F,et al. Operation-aware neural networks for user response prediction [J]. Neural Networks,2020,121:161-168.

    [9] BIAN W J,WU K L,Ren L J,et al. CAN: feature co-action network for click-through rate prediction [C]//Proceedings of the fifteenth ACM international conference on Web Search and Data Mining. New York:ACM,2022:57-65.

    [10] ZHOU G R,SONG C R,ZHU X Q,et al. Deep interest network for click-through rate prediction [R/OL].arXiv:1706.06978v3.[2023-02-06].https://arxiv.org/abs/1706.06978v3.

    [11] 陳一洲.基于注意力機(jī)制的用戶點(diǎn)擊率預(yù)測(cè)方法研究[D].上海:東華大學(xué),2022.

    [12] 朱彤.基于多種策略的商品推薦系統(tǒng)研究與實(shí)現(xiàn)[D].咸陽(yáng):西北農(nóng)林科技大學(xué),2022.

    作者簡(jiǎn)介:鄒雨菲(1997—),女,漢族,湖北荊州人,碩士研究生在讀,研究方向:深度學(xué)習(xí);楊欣(1997—),女,漢族,甘肅天水人,碩士研究生,研究方向:經(jīng)濟(jì)統(tǒng)計(jì);胡陳陳(1997—),女,漢族,山東濟(jì)寧人,碩士研究生在讀,研究方向:機(jī)器學(xué)習(xí)。

    收稿日期:2023-04-10

    猜你喜歡
    深度神經(jīng)網(wǎng)絡(luò)
    基于多注意力多尺度特征融合的圖像描述生成算法
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)數(shù)學(xué)模型設(shè)計(jì)
    基于改進(jìn)SIFT特征和神經(jīng)網(wǎng)絡(luò)結(jié)合的場(chǎng)景識(shí)別
    軟件工程(2019年5期)2019-07-03 02:31:14
    基于Kaldi的語(yǔ)音識(shí)別算法
    深度神經(jīng)網(wǎng)絡(luò)在船舶自動(dòng)舵中的應(yīng)用
    基于深度神經(jīng)網(wǎng)絡(luò)的低延遲聲源分離方法
    基于大數(shù)據(jù)網(wǎng)絡(luò)的運(yùn)動(dòng)損傷評(píng)估模型研究
    試論基于深度神經(jīng)網(wǎng)絡(luò)的汽車車型識(shí)別問(wèn)題
    深度神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀
    基于深度神經(jīng)網(wǎng)絡(luò)的身份識(shí)別研究
    国产亚洲欧美精品永久| 免费看日本二区| 黄色欧美视频在线观看| 肉色欧美久久久久久久蜜桃| 少妇人妻 视频| 人人澡人人妻人| 狂野欧美激情性bbbbbb| 欧美日韩综合久久久久久| 中文欧美无线码| 欧美少妇被猛烈插入视频| 好男人视频免费观看在线| 欧美 日韩 精品 国产| 国产午夜精品一二区理论片| 亚洲精品久久久久久婷婷小说| 日韩三级伦理在线观看| 亚洲精品日本国产第一区| 精品亚洲成国产av| 亚洲第一区二区三区不卡| 国产一区二区在线观看av| 亚洲,一卡二卡三卡| 妹子高潮喷水视频| 内射极品少妇av片p| 婷婷色麻豆天堂久久| 国产精品三级大全| 亚洲国产精品成人久久小说| 国产伦精品一区二区三区四那| 大话2 男鬼变身卡| 一级片'在线观看视频| 亚洲综合精品二区| 国产无遮挡羞羞视频在线观看| 久久久久国产精品人妻一区二区| 亚洲一区二区三区欧美精品| 欧美精品人与动牲交sv欧美| 亚洲一区二区三区欧美精品| 人人妻人人澡人人看| 国产一区亚洲一区在线观看| 国产精品欧美亚洲77777| av国产精品久久久久影院| 卡戴珊不雅视频在线播放| 国产在视频线精品| 国产日韩欧美视频二区| 纯流量卡能插随身wifi吗| 日本91视频免费播放| 少妇的逼水好多| 成年人免费黄色播放视频 | 在线天堂最新版资源| 国产黄色免费在线视频| 久久精品国产自在天天线| 各种免费的搞黄视频| 久久人人爽av亚洲精品天堂| 丰满少妇做爰视频| 99热全是精品| 伊人久久国产一区二区| 另类亚洲欧美激情| .国产精品久久| 22中文网久久字幕| 视频区图区小说| 黑人猛操日本美女一级片| 久久韩国三级中文字幕| 人妻人人澡人人爽人人| 一级黄片播放器| 精品亚洲乱码少妇综合久久| 人妻 亚洲 视频| 久久久久久久久久久免费av| 国产免费一级a男人的天堂| 免费观看a级毛片全部| 国产成人精品婷婷| 日本av手机在线免费观看| 中文字幕精品免费在线观看视频 | 国产一区二区在线观看日韩| 在线观看三级黄色| 啦啦啦中文免费视频观看日本| 国产精品人妻久久久影院| 我要看日韩黄色一级片| 午夜免费鲁丝| 亚洲欧美日韩卡通动漫| 欧美xxxx性猛交bbbb| 成人无遮挡网站| av女优亚洲男人天堂| 建设人人有责人人尽责人人享有的| 中文字幕亚洲精品专区| 大又大粗又爽又黄少妇毛片口| 99国产精品免费福利视频| 国产熟女欧美一区二区| 自拍偷自拍亚洲精品老妇| 日本av免费视频播放| 久久久久久久久大av| 久久影院123| 一级毛片我不卡| 国产69精品久久久久777片| videos熟女内射| 久久av网站| 夜夜看夜夜爽夜夜摸| 国产黄频视频在线观看| 一本—道久久a久久精品蜜桃钙片| 久久ye,这里只有精品| 精品久久久精品久久久| 天堂俺去俺来也www色官网| 国产亚洲av片在线观看秒播厂| 亚洲精华国产精华液的使用体验| 成人免费观看视频高清| 男女边摸边吃奶| 亚洲美女视频黄频| 在线观看三级黄色| 国产免费视频播放在线视频| 人妻少妇偷人精品九色| 特大巨黑吊av在线直播| 欧美精品高潮呻吟av久久| 欧美+日韩+精品| 免费av不卡在线播放| 蜜臀久久99精品久久宅男| 十分钟在线观看高清视频www | 国产精品一区www在线观看| 亚洲美女搞黄在线观看| 少妇的逼水好多| 欧美日韩一区二区视频在线观看视频在线| 自拍偷自拍亚洲精品老妇| 人人妻人人澡人人看| 久久精品夜色国产| 一级黄片播放器| 国产精品麻豆人妻色哟哟久久| 内射极品少妇av片p| 亚洲av欧美aⅴ国产| 亚洲国产av新网站| 亚洲av电影在线观看一区二区三区| 亚洲va在线va天堂va国产| 热re99久久精品国产66热6| 两个人免费观看高清视频 | 久久国产亚洲av麻豆专区| 国产片特级美女逼逼视频| 蜜桃久久精品国产亚洲av| 高清在线视频一区二区三区| 91精品一卡2卡3卡4卡| 你懂的网址亚洲精品在线观看| 亚洲精品日韩av片在线观看| 国产亚洲欧美精品永久| 一区二区三区免费毛片| 婷婷色av中文字幕| 在线观看免费视频网站a站| 99视频精品全部免费 在线| 国产亚洲5aaaaa淫片| 亚洲av福利一区| videossex国产| 国产精品久久久久久精品古装| 两个人免费观看高清视频 | 婷婷色综合www| 国产精品蜜桃在线观看| 少妇被粗大的猛进出69影院 | 日韩免费高清中文字幕av| 欧美日韩亚洲高清精品| 亚洲精品一二三| 制服丝袜香蕉在线| 国产成人91sexporn| 久久97久久精品| 国产亚洲一区二区精品| 久久狼人影院| 久久女婷五月综合色啪小说| 午夜日本视频在线| 女人精品久久久久毛片| 免费大片18禁| 国产黄色视频一区二区在线观看| 久久久久久久亚洲中文字幕| 看十八女毛片水多多多| 亚洲精品视频女| av免费在线看不卡| 亚洲,一卡二卡三卡| 免费在线观看成人毛片| 国产伦精品一区二区三区四那| 黑丝袜美女国产一区| 在线看a的网站| 一区二区av电影网| 黄色怎么调成土黄色| 久久精品夜色国产| 久久婷婷青草| 久久人妻熟女aⅴ| 国产一区二区在线观看av| 在线观看美女被高潮喷水网站| 久久精品夜色国产| 成年女人在线观看亚洲视频| 制服丝袜香蕉在线| 免费不卡的大黄色大毛片视频在线观看| 国精品久久久久久国模美| 另类精品久久| 国产伦理片在线播放av一区| 亚洲激情五月婷婷啪啪| 有码 亚洲区| 男人和女人高潮做爰伦理| 国产乱人偷精品视频| 五月开心婷婷网| 欧美日韩视频精品一区| 少妇裸体淫交视频免费看高清| 久久人人爽人人片av| 亚洲av成人精品一区久久| 欧美三级亚洲精品| 国产成人91sexporn| 美女内射精品一级片tv| 蜜桃久久精品国产亚洲av| 免费大片黄手机在线观看| 五月伊人婷婷丁香| 久久97久久精品| 三上悠亚av全集在线观看 | 日日爽夜夜爽网站| 晚上一个人看的免费电影| 在线精品无人区一区二区三| 国产精品成人在线| 久久久久人妻精品一区果冻| 51国产日韩欧美| 日韩电影二区| 在线看a的网站| 亚洲国产欧美在线一区| 美女内射精品一级片tv| 午夜精品国产一区二区电影| 高清视频免费观看一区二区| 亚洲精品日韩在线中文字幕| 男女边吃奶边做爰视频| 亚洲四区av| av在线app专区| av天堂中文字幕网| 精品久久久久久电影网| 国产成人免费无遮挡视频| 超碰97精品在线观看| 国产精品人妻久久久久久| 国产精品久久久久久久电影| 精品一区二区免费观看| 久久久久久久精品精品| 丰满饥渴人妻一区二区三| 另类亚洲欧美激情| 日日啪夜夜撸| 国产视频首页在线观看| 亚洲精品成人av观看孕妇| 少妇的逼水好多| 国产亚洲5aaaaa淫片| 亚洲精品国产成人久久av| 熟女人妻精品中文字幕| 久热这里只有精品99| 国产女主播在线喷水免费视频网站| 免费大片黄手机在线观看| 久久99精品国语久久久| 亚洲精品国产色婷婷电影| a 毛片基地| 久久精品熟女亚洲av麻豆精品| 制服丝袜香蕉在线| 自拍欧美九色日韩亚洲蝌蚪91 | 成人亚洲精品一区在线观看| 欧美bdsm另类| 久久97久久精品| 免费看av在线观看网站| 亚洲久久久国产精品| 亚洲av日韩在线播放| 18禁裸乳无遮挡动漫免费视频| av不卡在线播放| 国产色婷婷99| 欧美精品一区二区大全| 亚洲欧洲精品一区二区精品久久久 | 人人妻人人爽人人添夜夜欢视频 | 午夜91福利影院| 成人美女网站在线观看视频| 91久久精品电影网| 欧美少妇被猛烈插入视频| a级毛色黄片| 麻豆成人av视频| 欧美bdsm另类| 夜夜骑夜夜射夜夜干| 美女中出高潮动态图| a级毛片在线看网站| 欧美少妇被猛烈插入视频| 99热这里只有是精品在线观看| 午夜福利,免费看| 精华霜和精华液先用哪个| 六月丁香七月| 丝袜喷水一区| 亚洲欧美一区二区三区黑人 | 99久久精品国产国产毛片| 精品一区二区三卡| 亚洲av国产av综合av卡| 亚洲av电影在线观看一区二区三区| 成年人午夜在线观看视频| 欧美变态另类bdsm刘玥| av在线观看视频网站免费| 免费观看无遮挡的男女| 久久久久久久久久久丰满| 国产av精品麻豆| 精品久久久久久电影网| 日韩欧美精品免费久久| 精品久久久噜噜| 男女边摸边吃奶| 国产av国产精品国产| 一个人免费看片子| 伊人亚洲综合成人网| 综合色丁香网| 国产乱人偷精品视频| 成人毛片60女人毛片免费| 亚洲av男天堂| 免费观看的影片在线观看| 亚洲人成网站在线观看播放| 一区二区三区精品91| 久久韩国三级中文字幕| 国产色婷婷99| freevideosex欧美| av国产精品久久久久影院| av黄色大香蕉| 久久热精品热| 黄色怎么调成土黄色| 高清在线视频一区二区三区| 三级国产精品欧美在线观看| 精品久久久久久久久av| 国产69精品久久久久777片| av福利片在线观看| 五月玫瑰六月丁香| 秋霞在线观看毛片| 国产欧美亚洲国产| 一本—道久久a久久精品蜜桃钙片| 熟女人妻精品中文字幕| 国产在线视频一区二区| www.色视频.com| 丝袜脚勾引网站| 内射极品少妇av片p| 亚洲av.av天堂| 欧美xxxx性猛交bbbb| 国产探花极品一区二区| 精品一区二区免费观看| 黄色视频在线播放观看不卡| 国产伦在线观看视频一区| 国产伦精品一区二区三区视频9| av女优亚洲男人天堂| 中文资源天堂在线| 亚洲av.av天堂| 久久人人爽人人片av| 免费av不卡在线播放| 免费av中文字幕在线| 亚洲av不卡在线观看| 免费大片黄手机在线观看| 亚洲精品乱久久久久久| 国产精品国产三级国产专区5o| 女性生殖器流出的白浆| 亚洲内射少妇av| 婷婷色av中文字幕| 久久人妻熟女aⅴ| 男女边吃奶边做爰视频| 热re99久久精品国产66热6| 99视频精品全部免费 在线| 97在线视频观看| 亚洲精品国产av蜜桃| 国产免费一级a男人的天堂| 亚洲情色 制服丝袜| 亚洲人成网站在线播| 美女大奶头黄色视频| av国产精品久久久久影院| 中文字幕久久专区| 免费观看a级毛片全部| 亚洲精品日本国产第一区| 尾随美女入室| 中国三级夫妇交换| 国产视频内射| 国产精品久久久久久久电影| 一级二级三级毛片免费看| 九九爱精品视频在线观看| 91久久精品电影网| 免费观看无遮挡的男女| 亚洲丝袜综合中文字幕| 看非洲黑人一级黄片| 男人和女人高潮做爰伦理| 久久鲁丝午夜福利片| 自拍欧美九色日韩亚洲蝌蚪91 | 国产一区二区三区av在线| 亚洲精品国产av成人精品| 色5月婷婷丁香| 日韩中文字幕视频在线看片| 免费在线观看成人毛片| av福利片在线观看| 久久久精品94久久精品| 欧美 日韩 精品 国产| 天天躁夜夜躁狠狠久久av| videossex国产| av国产精品久久久久影院| 又黄又爽又刺激的免费视频.| 免费高清在线观看视频在线观看| 欧美日韩国产mv在线观看视频| 欧美高清成人免费视频www| 国产成人91sexporn| 久久精品国产亚洲网站| 中文字幕人妻丝袜制服| 成人影院久久| 精品人妻熟女av久视频| 日本免费在线观看一区| 精品少妇内射三级| 亚洲久久久国产精品| 国产成人精品婷婷| 自线自在国产av| 亚洲av中文av极速乱| 午夜91福利影院| 亚洲性久久影院| xxx大片免费视频| 晚上一个人看的免费电影| 精品人妻偷拍中文字幕| 美女福利国产在线| 亚洲欧美成人精品一区二区| 爱豆传媒免费全集在线观看| 婷婷色av中文字幕| 边亲边吃奶的免费视频| 日日摸夜夜添夜夜爱| 中文字幕久久专区| 视频区图区小说| 最近2019中文字幕mv第一页| 国产av精品麻豆| 偷拍熟女少妇极品色| 成人综合一区亚洲| 人人妻人人澡人人看| 最近的中文字幕免费完整| 日韩,欧美,国产一区二区三区| 在线观看国产h片| 亚洲久久久国产精品| 亚洲,一卡二卡三卡| 亚洲成色77777| 一区二区三区乱码不卡18| 夜夜看夜夜爽夜夜摸| 精品一区二区三区视频在线| 免费高清在线观看视频在线观看| 国产精品伦人一区二区| 少妇人妻久久综合中文| 精品视频人人做人人爽| 欧美少妇被猛烈插入视频| 美女内射精品一级片tv| 中文资源天堂在线| 2018国产大陆天天弄谢| 亚洲精品一区蜜桃| 日本与韩国留学比较| 国产老妇伦熟女老妇高清| 久久久久久久久久久免费av| 免费大片18禁| 两个人免费观看高清视频 | 亚洲图色成人| 国产一区二区三区av在线| 国产成人aa在线观看| 免费观看av网站的网址| 日日摸夜夜添夜夜爱| 欧美高清成人免费视频www| 在线观看三级黄色| 精品亚洲乱码少妇综合久久| 亚洲天堂av无毛| 国产精品国产三级国产专区5o| 国产精品一区二区性色av| 18禁在线无遮挡免费观看视频| 久久精品国产亚洲av涩爱| 亚洲精品国产成人久久av| 免费少妇av软件| 极品人妻少妇av视频| 18禁动态无遮挡网站| 免费人妻精品一区二区三区视频| 下体分泌物呈黄色| 肉色欧美久久久久久久蜜桃| 亚洲欧美日韩卡通动漫| 人妻一区二区av| 一本—道久久a久久精品蜜桃钙片| 纯流量卡能插随身wifi吗| 亚洲av中文av极速乱| 一本一本综合久久| 少妇高潮的动态图| 伦理电影免费视频| 99热这里只有是精品50| 少妇人妻久久综合中文| 午夜精品国产一区二区电影| 亚洲美女黄色视频免费看| 水蜜桃什么品种好| 永久网站在线| 日韩欧美精品免费久久| 伦理电影大哥的女人| 一级毛片久久久久久久久女| 在线观看一区二区三区激情| 熟妇人妻不卡中文字幕| 男的添女的下面高潮视频| 日本欧美国产在线视频| 久久国产精品大桥未久av | 久久久久国产网址| 18禁在线播放成人免费| 人人妻人人看人人澡| 欧美另类一区| 久久婷婷青草| av又黄又爽大尺度在线免费看| 极品少妇高潮喷水抽搐| 一区二区av电影网| 99热这里只有精品一区| 观看av在线不卡| 热re99久久精品国产66热6| 汤姆久久久久久久影院中文字幕| 水蜜桃什么品种好| 国产成人精品无人区| 日韩亚洲欧美综合| 国产有黄有色有爽视频| 成人无遮挡网站| h日本视频在线播放| 一二三四中文在线观看免费高清| 欧美激情国产日韩精品一区| 亚洲av电影在线观看一区二区三区| 少妇的逼水好多| 精品一区在线观看国产| 欧美变态另类bdsm刘玥| 欧美另类一区| 日韩欧美一区视频在线观看 | 成人午夜精彩视频在线观看| 免费久久久久久久精品成人欧美视频 | 久久久久国产网址| 观看美女的网站| 久久精品国产亚洲av涩爱| 天美传媒精品一区二区| 内射极品少妇av片p| 国产综合精华液| 99国产精品免费福利视频| 黄色怎么调成土黄色| 日韩,欧美,国产一区二区三区| 免费观看性生交大片5| 亚洲国产日韩一区二区| 黄色怎么调成土黄色| 国产成人freesex在线| 国产av国产精品国产| 精品酒店卫生间| 91精品伊人久久大香线蕉| 看十八女毛片水多多多| 亚洲成人手机| 成人亚洲精品一区在线观看| 一区二区三区免费毛片| 全区人妻精品视频| 日韩免费高清中文字幕av| 久久久久久久久久人人人人人人| 毛片一级片免费看久久久久| 日韩熟女老妇一区二区性免费视频| 99久久综合免费| 国产高清不卡午夜福利| 日韩欧美精品免费久久| 久久狼人影院| 男女边吃奶边做爰视频| a级一级毛片免费在线观看| 一边亲一边摸免费视频| 成年女人在线观看亚洲视频| 久久久精品94久久精品| 在线播放无遮挡| 18禁在线播放成人免费| 国产精品99久久久久久久久| 亚洲精品国产色婷婷电影| kizo精华| 日本av手机在线免费观看| 岛国毛片在线播放| 99久久综合免费| 国产精品久久久久久久电影| 日本欧美国产在线视频| 91久久精品电影网| 少妇人妻精品综合一区二区| 国产精品无大码| 免费黄网站久久成人精品| 日本wwww免费看| 中文字幕免费在线视频6| 一区二区av电影网| 乱码一卡2卡4卡精品| 中文精品一卡2卡3卡4更新| 在线观看免费视频网站a站| 91久久精品国产一区二区三区| 国产伦理片在线播放av一区| 日本爱情动作片www.在线观看| 国产精品一区二区三区四区免费观看| 一二三四中文在线观看免费高清| 大陆偷拍与自拍| 国内精品宾馆在线| 22中文网久久字幕| 三级国产精品片| 欧美bdsm另类| 91成人精品电影| 国产男女内射视频| a级片在线免费高清观看视频| 欧美性感艳星| 成年人免费黄色播放视频 | 国产成人精品一,二区| 国产亚洲午夜精品一区二区久久| 少妇的逼水好多| 免费大片18禁| 九草在线视频观看| 欧美日韩国产mv在线观看视频| 成年美女黄网站色视频大全免费 | 女的被弄到高潮叫床怎么办| 久久久久久久久大av| 精品视频人人做人人爽| 国产精品一区二区在线不卡| 内射极品少妇av片p| 亚洲高清免费不卡视频| 精品熟女少妇av免费看| 久久久久精品性色| 汤姆久久久久久久影院中文字幕| 国产精品蜜桃在线观看| 亚洲av.av天堂| 中文字幕久久专区| 在线观看国产h片| 伦理电影大哥的女人| 国产精品久久久久成人av| 寂寞人妻少妇视频99o| 狂野欧美白嫩少妇大欣赏| 亚洲天堂av无毛| 高清毛片免费看| 一本—道久久a久久精品蜜桃钙片| 免费人成在线观看视频色| 亚洲精品国产成人久久av| 亚洲国产日韩一区二区| 人妻人人澡人人爽人人| 精品人妻偷拍中文字幕| 91精品国产九色| 99久久中文字幕三级久久日本| 国产色爽女视频免费观看| 一级a做视频免费观看| 欧美人与善性xxx| 亚洲国产最新在线播放| 天天躁夜夜躁狠狠久久av| 日本黄色片子视频| 菩萨蛮人人尽说江南好唐韦庄| 精品亚洲成国产av| 成人特级av手机在线观看| 国产成人精品福利久久| 我要看黄色一级片免费的|