• <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k-means聚類算法與多維特征融合的群體劃分模型

    2023-11-29 11:04:10陳翀旻余泓夫朱迪唐超符華莫梁媛
    粘接 2023年11期

    陳翀旻 余泓夫 朱迪 唐超 符華 莫梁媛

    摘 要:常規(guī)群體劃分模型構(gòu)建方法主要采用二分均值算法,該方法易受到數(shù)據(jù)特征項(xiàng)貢獻(xiàn)度的影響,使得模型的劃分結(jié)果準(zhǔn)確性較低。因此,提出基于k-means聚類算法與多維度特征融合的群體劃分模型。利用k-means聚類算法通過合理設(shè)定密度閾值與鄰域半徑,提取用戶群體的興趣區(qū)域,在興趣區(qū)域中選取貢獻(xiàn)度較大的數(shù)據(jù)特征項(xiàng),并計(jì)算特征項(xiàng)的權(quán)值,以此為依據(jù),采用多維特征融合算法改進(jìn)最大化目標(biāo)函數(shù),以此實(shí)現(xiàn)群體劃分模型的構(gòu)建。實(shí)驗(yàn)結(jié)果顯示,利用所提方法構(gòu)建的群體劃分模型,能夠得到較高的劃分準(zhǔn)確度。

    關(guān)鍵詞:k-means聚類算法;多維度特征融合;群體劃分

    中圖分類號(hào):TP311.132

    文獻(xiàn)標(biāo)志碼:A文章編號(hào):1001-5922(2023)11-0193-04

    Group partition model based on k-means clustering algorithm and multi-dimensional feature fusion

    CHEN Chongmin,YU Hongfu,ZHU Di,TANG Chao,F(xiàn)U Hua,MO Liangyuan

    (Nanning Power Supply Bureau of Guangxi Power Grid Co.,Ltd.,Nanning 530029,China

    Abstract:The traditional population division model construction method mainly uses the dichotomy mean algorithm,which is vulnerable to the influence of the contribution of data feature items,making the accuracy of the model division result low.Therefore,a group partition model based on k-means clustering algorithm and multi-dimensional feature fusion was proposed.The k-means clustering algorithm was used to extract the interest area of th user group by reasonably setting the density threshold and neighborhood radius,select the data feature items with greater contribution in the interest area,and calculate the weight of the feature items.Based on this,the multi-dimensional feature fusion algorithm was used to improve the maximization objective function,so as to achieve the construction of the group division model.The experimental results showed that the population division model constructed by the proposed method can obtain high classification accuracy.

    Key words:k-means clustering algorithm;multidimensional feature fusion;group division

    群體交易行為能夠在一定程度上反應(yīng)用戶的交易特點(diǎn)與用戶之間的內(nèi)在相關(guān)性[1-2],更好地分析群體的行為特征,根據(jù)用戶的需求為客戶制定個(gè)性化的服務(wù)策略從而優(yōu)化用戶體驗(yàn),具有重要的現(xiàn)實(shí)意義。當(dāng)前廣泛應(yīng)用的群體交易行為劃分方法包括基于時(shí)序特征的群體劃分[3-5]和基于長(zhǎng)短期記憶網(wǎng)絡(luò)的群體劃分[6-8],前者無法有效處理原始數(shù)據(jù)中的高維屬性數(shù)據(jù)與冗余數(shù)據(jù),使得在分析用戶行為特征時(shí)易受到噪音影響[9-10],后者缺少對(duì)用戶的細(xì)粒度數(shù)據(jù)分析,易受到數(shù)據(jù)特征項(xiàng)貢獻(xiàn)度的影響,上述影響因素導(dǎo)致劃分準(zhǔn)確度不高[11-12]。針對(duì)以上問題,本文提出利用k-means聚類算法與多維度特征融合相結(jié)合的方法來進(jìn)行群體劃分。應(yīng)用傾向強(qiáng)度和相似性系數(shù)計(jì)算特征項(xiàng)的權(quán)重,將權(quán)重計(jì)算結(jié)果作為特征項(xiàng)貢獻(xiàn)度,明確客戶的價(jià)值重要度。

    1 基于多維度特征融合的群體劃分

    1.1 基于k-means聚類算法的用戶群體興趣區(qū)域提取

    設(shè)δ為以C為圓心,R為半徑的鄰域,如果用戶在一定時(shí)間內(nèi)到訪該區(qū)域的次數(shù)達(dá)到指定閾值,則稱該區(qū)域?yàn)橛脩舻囊粋€(gè)興趣區(qū)域,即用戶頻繁選擇的幾個(gè)鄰近位置所構(gòu)成的一個(gè)空間區(qū)域。用戶群體的興趣區(qū)域如圖1所示,其中F1、F2 F3、F4分別表示該興趣區(qū)域中具有不同選擇頻次的4個(gè)被頻繁訪問的位置;節(jié)點(diǎn)的大小表征了其被選擇次數(shù)的多少;C為4個(gè)位置的質(zhì)心,也即該興趣區(qū)域的質(zhì)心。

    為精準(zhǔn)提取出用戶群體的興趣區(qū)域,采用k-means聚類算法對(duì)群體的興趣區(qū)域進(jìn)行提?。?3]。k-means聚類算法從密度可達(dá)區(qū)間的角度對(duì)密度閾值和鄰域半徑進(jìn)行合理設(shè)定,并且通過選取合適的聚類數(shù)將相似性較高的數(shù)據(jù)歸為一類,因此,非常適用于本文的群體興趣提取。算法所涉及的鄰域半徑與密度閾值分別對(duì)應(yīng)了興趣區(qū)域定義中的δ和ε,參數(shù)δ用來確定興趣區(qū)域的大小;參數(shù)ε用來確定用戶對(duì)該興趣區(qū)域的感興趣程度。

    利用隨機(jī)選取方法在用戶數(shù)據(jù)集中獲取各類簇的聚類中心,利用下式計(jì)算數(shù)據(jù)的輪廓系數(shù)(p):

    p=a0+∑MI~=1∑LJ=1aI~J+ε+k(1)

    式中:a0表示待估變量;M表示概念產(chǎn)品的屬性;L表示產(chǎn)品的吸引性系數(shù);I~表示概念產(chǎn)品的實(shí)時(shí)變化狀態(tài);J表示概念產(chǎn)品的效用值;aI~J表示初始聚類處理系數(shù);ε表示用戶對(duì)該興趣區(qū)域的感興趣程度;k表示聚類中心數(shù)。

    通過對(duì)用戶群體針對(duì)產(chǎn)品選擇的時(shí)間序列與頻次進(jìn)行累加處理,利用k-means聚類算法對(duì)群體興趣區(qū)域的提取,據(jù)此可以有效地進(jìn)行群體劃分特征項(xiàng)權(quán)重計(jì)算。

    1.2 群體劃分特征項(xiàng)權(quán)重計(jì)算

    貢獻(xiàn)度是指某個(gè)因素對(duì)整體結(jié)果或目標(biāo)的影響程度,可以用于衡量不同因素對(duì)最終結(jié)果的相對(duì)重要性,幫助理解和解釋影響因素的作用??紤]到客戶的重要程度不同,需要了解特征項(xiàng)對(duì)群體劃分結(jié)果的影響程度即特征項(xiàng)的重要性,將貢獻(xiàn)度代作為每個(gè)特征項(xiàng)對(duì)最終的群體劃分結(jié)果的相對(duì)重要性,通過計(jì)算特征項(xiàng)權(quán)重,可以量化特征對(duì)群體劃分的貢獻(xiàn)度,進(jìn)而明確客戶的價(jià)值重要度。因此,將群體劃分特征項(xiàng)的權(quán)重作為計(jì)算中的貢獻(xiàn)度[14-16],選擇傾向強(qiáng)度來計(jì)算特征項(xiàng)的權(quán)重。特征項(xiàng)集合(Fe):

    Fe=C|(t1,t2,…,ti)(2)

    式中:C表示興趣區(qū)域的質(zhì)心;t1,t2,…,ti表示特征項(xiàng)。

    特征項(xiàng)間的語(yǔ)義相似性計(jì)算公式為:

    w(ti)=∑Fe×Sti×Iti(3)

    式中:Sti表示ti出現(xiàn)的頻率;Iti表示ti的強(qiáng)度系數(shù)。

    在計(jì)算特征項(xiàng)權(quán)重時(shí),考慮到特征項(xiàng)間的相似性因素,本文設(shè)置了相似度系數(shù),判斷2個(gè)特征項(xiàng)的相似程度。

    使用s(X,Y)表示2個(gè)特征項(xiàng)的相似系數(shù),計(jì)算方法:

    s(X,Y)=0.6,1>Sim(A,B)≥0.75

    0.0.75>Sim(A,B)≥0(4)

    針對(duì)群體興趣區(qū)域C在計(jì)算ti權(quán)重時(shí),考慮到興趣區(qū)域C存在與ti相似的其他鄰域特征項(xiàng)cik。此時(shí),ti權(quán)重ω(ti)的計(jì)算方法:

    ω(ti)=ti+cik×s(X,Y)2×logNs(ti,cik)/2(5)

    式中:s(ti,cik)表示特征項(xiàng)與距離中心的相似度系數(shù);N表示數(shù)據(jù)總量。

    綜上,在群體興趣區(qū)域中,本文提出的ti權(quán)重綜合計(jì)算公式:

    ω′(ti)=ti+cik×s(X,Y)2×logNs(ti,cik)/2×I(6)

    利用上述分析與計(jì)算過程,基于群體興趣區(qū)域,興趣能夠表征群體選擇傾向的特征項(xiàng),并計(jì)算特征項(xiàng)的權(quán)重系數(shù),明確用戶的價(jià)值重要度,為后續(xù)群體劃分模型的構(gòu)建奠定基礎(chǔ)。

    1.3 基于多維度特征融合的群體劃分模型構(gòu)建

    在進(jìn)行群體興趣區(qū)域的提取與特征項(xiàng)權(quán)重計(jì)算后,利用多維度特征融合算法構(gòu)建群體劃分模型[17-18]。

    (1)在獲取特征項(xiàng)權(quán)重后,需要分析驗(yàn)證用戶行為特征數(shù)據(jù),以獲取群體劃分依據(jù)。但由于特征項(xiàng)權(quán)重計(jì)算主要是通過興趣空間質(zhì)心和相似系數(shù)確定的,因此原數(shù)據(jù)可能存在噪聲因素、偏倚情況,對(duì)群體交易行為劃分的準(zhǔn)確性產(chǎn)生不良影響。因此,需要根據(jù)特征項(xiàng)權(quán)重計(jì)算結(jié)果,對(duì)特征數(shù)據(jù)進(jìn)行預(yù)處理,濾除冗余數(shù)據(jù),獲取標(biāo)準(zhǔn)化結(jié)果,其公式為:

    Q′i=ω°(ti)ω°(ti)max-ω°(ti)min(7)

    式中:Q′i表示特征數(shù)據(jù)標(biāo)準(zhǔn)化結(jié)果;ω°(ti)表示特征項(xiàng)初始權(quán)重;ω°(ti)min、ω°(ti)max分別表示初始權(quán)重的最小值與最大值。

    (2)由于數(shù)據(jù)預(yù)處理僅能濾除原數(shù)據(jù)中的冗余數(shù)據(jù)和干擾因素,但原數(shù)據(jù)中會(huì)包含大量特征或?qū)傩缘臄?shù)據(jù)集,導(dǎo)致用戶交易行為劃分的計(jì)算量較大,無法以統(tǒng)一維度進(jìn)行數(shù)據(jù)的處理,甚至還會(huì)出現(xiàn)部分?jǐn)?shù)據(jù)缺失的情況[19-20]。因此,在完成數(shù)據(jù)預(yù)處理后,需要處理原數(shù)據(jù)中的高維數(shù)據(jù),統(tǒng)一數(shù)據(jù)維度,本文對(duì)特征數(shù)據(jù)制定半局部策略,將數(shù)據(jù)按維度分類為一階數(shù)據(jù)與二階數(shù)據(jù),以保證數(shù)據(jù)的完整性。

    (3)對(duì)一階數(shù)據(jù)與二階數(shù)據(jù)執(zhí)行新的融合策略,以強(qiáng)化時(shí)間序列的提取能力,計(jì)算公式為:

    R=12m∑

    Aij-didj2m(8)

    式中:m表示鄰域邊數(shù);Aij表示鄰接矩陣;di、dj分別表示對(duì)應(yīng)連接節(jié)點(diǎn)的分布概率。

    (4)將特征向量中異質(zhì)性的數(shù)據(jù)予以剔除,僅保留同質(zhì)性數(shù)據(jù),之后對(duì)其余數(shù)據(jù)進(jìn)行多維特征融合計(jì)算,即:

    α(i)=Q′i∑R(9)

    式中:Q′i表示特征項(xiàng)數(shù)據(jù)標(biāo)準(zhǔn)化結(jié)果;R表示局部策略。

    (5)更新數(shù)據(jù)融合目標(biāo)函數(shù)。表征多維度屬性信息與參數(shù)信息能夠同步進(jìn)行融合,則得出改進(jìn)后的最大化目標(biāo)函數(shù)為:

    S=1m∑α(i)γ(ci,cj)(10)

    式中:γ(ci,cj)表示節(jié)點(diǎn)i與節(jié)點(diǎn)j屬于同一個(gè)鄰域。

    (6)以最大化目標(biāo)函數(shù)作為合并標(biāo)準(zhǔn),利用式(11)計(jì)算不同時(shí)段特征向量的融合結(jié)果,并將所有結(jié)構(gòu)進(jìn)行合并,得到群體劃分模型為:

    Gij=Sα(i)/xa∑Sα(i)ω°(ti)max(11)

    式中:xa表示特征數(shù)據(jù)的待標(biāo)定參數(shù)。

    上式即為本文建立的群體劃分模型,至此,完成基于多維特征融合算法的群體劃分模型的構(gòu)建。

    2 實(shí)驗(yàn)論證分析

    2.1 實(shí)驗(yàn)準(zhǔn)備

    實(shí)驗(yàn)中選取的數(shù)據(jù)為某電力公司的50萬用戶在2020年10月的關(guān)于電力產(chǎn)品需求的瀏覽記錄。數(shù)據(jù)以CSV文件格式進(jìn)行存儲(chǔ),共包含500萬條記錄。

    2.2 實(shí)驗(yàn)說明

    利用本文提出的k-means聚類算法對(duì)用戶群體的興趣區(qū)域進(jìn)行提取,設(shè)定算法中的鄰域半徑與密度閾值分別為20和0.2,最優(yōu)聚類個(gè)數(shù)為5,輪廓系數(shù)值為0.5,大小比率為5.63,實(shí)驗(yàn)數(shù)據(jù)維度為500×365×4,每個(gè)樣本與各初始質(zhì)心的距離均為10?;诳蛻舻膬r(jià)值需求進(jìn)行興趣區(qū)域提取,提取過程如圖2所示。

    2.3 模型應(yīng)用結(jié)果分析

    根據(jù)實(shí)驗(yàn)數(shù)據(jù)的所屬標(biāo)簽,實(shí)驗(yàn)選取3 500個(gè)用戶數(shù)據(jù)劃分為4類,分別定義為A、B、C、D類。A類表示交易頻繁用戶;B類表示高價(jià)值用戶;C類表示中價(jià)值用戶;D類表示低價(jià)值用戶。參照群體劃分模型中特征項(xiàng)的計(jì)算規(guī)則,以此計(jì)算不同特征數(shù)據(jù)的權(quán)重,最后通過閾值判斷用戶群體數(shù)據(jù)的所屬類別,并與真實(shí)類別進(jìn)行比較,評(píng)估本文構(gòu)建的模型的劃分準(zhǔn)確性,劃分模型的應(yīng)用結(jié)果如圖3所示。

    由圖3可知,利用本文構(gòu)建的群體劃分模型對(duì)實(shí)驗(yàn)數(shù)據(jù)中的用戶類別進(jìn)行劃分,其輸出值與真實(shí)值基本一致。其中對(duì)于B類的劃分得到的劃分準(zhǔn)確率為100%。由于文中所提群體劃分模型構(gòu)建方法能夠根據(jù)用戶交易行為特點(diǎn)對(duì)用戶群體的價(jià)值需求進(jìn)行分析,從而獲得更好的劃分結(jié)果。

    2.4 模型劃分準(zhǔn)確性對(duì)比試驗(yàn)分析

    為體現(xiàn)本文設(shè)計(jì)的群體劃分模型構(gòu)建方法的整體優(yōu)越性,采用基于時(shí)序特征的群體劃分模型(方法1)、基于長(zhǎng)短期記憶網(wǎng)絡(luò)的群體劃分模型構(gòu)建方法(方法2)與文中設(shè)計(jì)的方法進(jìn)行仿真對(duì)比試驗(yàn)。三種模型的劃分準(zhǔn)確性結(jié)果對(duì)比如圖4所示。

    由圖4可知,與另外2種劃分模型相比,本文提出的基于k-means聚類算法與多維度特征融合的劃分模型得到了最高的劃分準(zhǔn)確率,在樣本數(shù)量為50時(shí),本文模型取得了96.8%的劃分準(zhǔn)確率。對(duì)比實(shí)驗(yàn)結(jié)果表明,文中所提的群體劃分建模方法是有效可行的。

    3 結(jié)語(yǔ)

    本文利用k-means聚類算法與多維度特征融合的綜合算法對(duì)用戶群體的主體特征與行為模式進(jìn)行分析,基于用戶興趣區(qū)域與特征項(xiàng)權(quán)重構(gòu)建群體劃分模型,以明確不同類型用戶的行為特征,以此來確定用戶群體的類別,為企業(yè)推行個(gè)性化服務(wù)提供決策依據(jù)。

    【參考文獻(xiàn)】

    [1] 李金武,王清珍.基于融合云模型分析的時(shí)間序列概念劃分方法[J].河南工程學(xué)院學(xué)報(bào)(自然科學(xué)版),2022,34(3):54-60.

    [2] 郭曉軍,王云峰,朱亮.基于時(shí)序特征提取的用戶群體劃分模型[J].中國(guó)電子科學(xué)研究院學(xué)報(bào),2021,16(6):592-598.

    [3] 江兵,李國(guó)榮,孫趙盟,等.基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和改進(jìn)型k-means聚類算法的居民峰谷時(shí)段劃分模型[J].現(xiàn)代電力,2021,38(6):620-629.

    [4] 許偉佳,秦永彬,黃瑞章,等.基于DMA與特征劃分的多源文本主題模型[J].計(jì)算機(jī)工程,2021,47(7):59-66.

    [5] 黃艷國(guó),張升升,劉紅軍.基于高斯混合模型聚類算法的交通狀態(tài)劃分[J].現(xiàn)代電子技術(shù),2022,45(7):168-173.

    [6] 袁健,王姍姍,羅英偉.基于圖像視野劃分的公共場(chǎng)所人群計(jì)數(shù)模型[J].計(jì)算機(jī)應(yīng)用研究,2021,38(4):1256-1260.

    [7] 曾四鳴,李鐵成,李順,等.基于改進(jìn)型密度峰值算法的電力負(fù)荷聚類分析[J].科學(xué)技術(shù)與工程,2022,22(25):11032-11040.

    [8] 張曉紅,張欣,石冠男,等.基于馬爾可夫過程的多部件系統(tǒng)劣化狀態(tài)空間劃分模型[J].控制與決策,2021,36(2):418-428.

    [9] 楊資集,潘雁,祝躍飛,等.基于概率模型的二進(jìn)制協(xié)議字段劃分方法[J].計(jì)算機(jī)科學(xué),2022,49(10):319-326.

    [10] 于晗,蔡鴻明,張翼飛,等.基于增量式流處理的自適應(yīng)群體劃分方法[J].計(jì)算機(jī)學(xué)報(bào),2020,43(12):2337-2351.

    [11] 孫勁光,李桃,董祥軍.屬性一致的物體輪廓?jiǎng)澐帜P停跩].電子與信息學(xué)報(bào),2021,43(10):2985-2992.

    [12] 李俊,葉楊,何世東.基于城市用地規(guī)劃的微網(wǎng)格劃分模型研究[J].廣東通信技術(shù),2021,41(7):47-49.

    [13] 雷翔勝,王興華.基于變電能力提升和電源接入質(zhì)量的優(yōu)化設(shè)計(jì)[J].粘接,2022,49(10):158-160.

    [14] 高虹雷,門昌騫,王文劍.一種特征值區(qū)間劃分的模型決策樹加速算法[J].小型微型計(jì)算機(jī)系統(tǒng),2021,42(6):1136-1143.

    [15] 張夢(mèng)瑤,朱廣麗,張順香,等.基于情感分析的微博熱點(diǎn)話題用戶群體劃分模型[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn),2021,5(2):43-49.

    [16] 劉渝琳,司緒,宋琳璇,等.收入群體的持續(xù)期與退出風(fēng)險(xiǎn)估計(jì)——基于EM算法的收入群體劃分[J].統(tǒng)計(jì)研究,2021,38(5):121-135.

    [17] 常兵.融合多維度特征的特定領(lǐng)域新詞發(fā)現(xiàn)方法[J].自動(dòng)化應(yīng)用,2023,64(8):159-162.

    [18] 高云梅,張淑慧.基于信息檢索與K均值聚類的化工產(chǎn)品精準(zhǔn)推薦算法研究[J].粘接,2023,50(3):132-135.

    [19] 楊長(zhǎng)沛,廖列法.基于門控空洞卷積特征融合的中文命名實(shí)體識(shí)別[J].計(jì)算機(jī)工程,2023,49(8):85-95.

    [20] 杜濤,王朝龍,朱靖,等.基于聚類算法的變壓設(shè)備運(yùn)行數(shù)據(jù)監(jiān)測(cè)與異常檢測(cè)技術(shù)[J].粘接,2022,49(12):137-140.

    收稿日期:2023-09-10;修回日期:2023-10-09

    作者簡(jiǎn)介:陳翀旻(1980-),男,工程師,研究方向:電力系統(tǒng)自動(dòng)化;E-mail:Cchongm@163.com。

    引文格式:陳翀旻,余泓夫,朱 迪,等.基于k-means聚類算法與多維特征融合的群體劃分模型[J].粘接,2023,50(11):193-196.

    亚洲国产av新网站| 黑人操中国人逼视频| 亚洲三区欧美一区| 国产精品久久久人人做人人爽| 国产亚洲精品久久久久5区| 99热国产这里只有精品6| 男女高潮啪啪啪动态图| 黄色视频在线播放观看不卡| 久久精品aⅴ一区二区三区四区| 香蕉丝袜av| 日韩制服骚丝袜av| 91精品国产国语对白视频| 大陆偷拍与自拍| 亚洲精品久久久久久婷婷小说| 人妻久久中文字幕网| 久久精品国产综合久久久| 久久久久久人人人人人| 国产精品.久久久| 18在线观看网站| 欧美另类亚洲清纯唯美| 欧美激情久久久久久爽电影 | 成在线人永久免费视频| 成人国产av品久久久| 欧美日韩精品网址| 考比视频在线观看| 久久性视频一级片| xxxhd国产人妻xxx| 嫩草影视91久久| 欧美激情极品国产一区二区三区| 日韩制服骚丝袜av| 两性午夜刺激爽爽歪歪视频在线观看 | 考比视频在线观看| 嫁个100分男人电影在线观看| 欧美日韩一级在线毛片| 亚洲成国产人片在线观看| 一级毛片女人18水好多| 九色亚洲精品在线播放| 日韩制服丝袜自拍偷拍| 久久久欧美国产精品| 免费高清在线观看日韩| 最新的欧美精品一区二区| 国产精品成人在线| 最新在线观看一区二区三区| 中文精品一卡2卡3卡4更新| 高清在线国产一区| 少妇 在线观看| 一区福利在线观看| 日韩大码丰满熟妇| 色视频在线一区二区三区| 建设人人有责人人尽责人人享有的| 日韩精品免费视频一区二区三区| 色精品久久人妻99蜜桃| 欧美久久黑人一区二区| 不卡一级毛片| 国产精品.久久久| 国产极品粉嫩免费观看在线| 9191精品国产免费久久| 日本五十路高清| 色94色欧美一区二区| 国产欧美日韩综合在线一区二区| 91精品伊人久久大香线蕉| 三上悠亚av全集在线观看| 国产欧美亚洲国产| 最黄视频免费看| 日日夜夜操网爽| 欧美 日韩 精品 国产| 老汉色av国产亚洲站长工具| 麻豆av在线久日| 国产精品免费大片| 水蜜桃什么品种好| 亚洲男人天堂网一区| 欧美亚洲 丝袜 人妻 在线| 亚洲欧洲精品一区二区精品久久久| 亚洲精品一卡2卡三卡4卡5卡 | 99久久国产精品久久久| 又黄又粗又硬又大视频| 午夜福利一区二区在线看| 国产精品 国内视频| 国产精品 欧美亚洲| 国产精品免费视频内射| 1024香蕉在线观看| tocl精华| 国产免费一区二区三区四区乱码| 久久国产精品男人的天堂亚洲| 亚洲av日韩在线播放| 777米奇影视久久| 老司机亚洲免费影院| 男女无遮挡免费网站观看| 国产成人精品久久二区二区91| 亚洲精品国产一区二区精华液| a 毛片基地| 国产精品久久久人人做人人爽| 汤姆久久久久久久影院中文字幕| 脱女人内裤的视频| 午夜免费成人在线视频| 国产成人精品无人区| 国产男女内射视频| 性色av一级| 国产欧美日韩精品亚洲av| 美女主播在线视频| av电影中文网址| 亚洲国产毛片av蜜桃av| 国产黄色免费在线视频| 中文字幕av电影在线播放| 丝瓜视频免费看黄片| 天天添夜夜摸| 国产成人啪精品午夜网站| 亚洲欧美日韩另类电影网站| 欧美激情极品国产一区二区三区| 老司机午夜福利在线观看视频 | 丝袜在线中文字幕| 国产有黄有色有爽视频| 免费av中文字幕在线| 亚洲五月色婷婷综合| 美女高潮喷水抽搐中文字幕| 视频区图区小说| 人妻人人澡人人爽人人| 亚洲男人天堂网一区| 日韩欧美免费精品| 搡老乐熟女国产| 999精品在线视频| 国产亚洲欧美在线一区二区| 国产97色在线日韩免费| 亚洲欧美激情在线| 老司机影院毛片| av又黄又爽大尺度在线免费看| a 毛片基地| 亚洲,欧美精品.| 久久香蕉激情| 国产成+人综合+亚洲专区| 久久国产精品男人的天堂亚洲| 男女边摸边吃奶| 人人澡人人妻人| 亚洲专区中文字幕在线| 国产有黄有色有爽视频| 两个人看的免费小视频| 男女午夜视频在线观看| 悠悠久久av| 少妇被粗大的猛进出69影院| 人人妻人人澡人人看| 夜夜骑夜夜射夜夜干| 国产主播在线观看一区二区| 成人黄色视频免费在线看| 久久久久久久久免费视频了| 精品亚洲成国产av| 亚洲七黄色美女视频| 欧美少妇被猛烈插入视频| 婷婷成人精品国产| 在线看a的网站| 成人影院久久| 亚洲少妇的诱惑av| 亚洲精品日韩在线中文字幕| 色播在线永久视频| 欧美97在线视频| 91国产中文字幕| 热re99久久国产66热| 免费少妇av软件| a在线观看视频网站| 亚洲色图综合在线观看| 成年动漫av网址| 在线观看免费日韩欧美大片| 中文字幕精品免费在线观看视频| 欧美黄色片欧美黄色片| 一本色道久久久久久精品综合| a 毛片基地| 捣出白浆h1v1| 一级片'在线观看视频| 亚洲欧美日韩另类电影网站| 欧美日韩亚洲综合一区二区三区_| 亚洲avbb在线观看| 不卡一级毛片| 99国产精品一区二区蜜桃av | 老司机福利观看| 建设人人有责人人尽责人人享有的| videosex国产| 91大片在线观看| 黑人巨大精品欧美一区二区蜜桃| 啪啪无遮挡十八禁网站| 亚洲中文日韩欧美视频| 日韩 欧美 亚洲 中文字幕| 久久性视频一级片| www日本在线高清视频| 久久av网站| 精品一区二区三区四区五区乱码| 亚洲国产精品成人久久小说| 十八禁网站免费在线| 成人国产av品久久久| 免费黄频网站在线观看国产| tocl精华| 国产精品1区2区在线观看. | 女人高潮潮喷娇喘18禁视频| 亚洲美女黄色视频免费看| 9191精品国产免费久久| 日本精品一区二区三区蜜桃| 一本色道久久久久久精品综合| 国产日韩欧美视频二区| 国产精品自产拍在线观看55亚洲 | 各种免费的搞黄视频| 国产视频一区二区在线看| 国产亚洲欧美在线一区二区| 国产日韩一区二区三区精品不卡| 国产成人系列免费观看| 在线观看免费午夜福利视频| 热99国产精品久久久久久7| 欧美激情 高清一区二区三区| 亚洲国产av新网站| 蜜桃国产av成人99| 国产成人精品在线电影| 在线观看免费午夜福利视频| 欧美一级毛片孕妇| 制服诱惑二区| 国产成人欧美在线观看 | 精品人妻熟女毛片av久久网站| 亚洲人成77777在线视频| 亚洲av电影在线进入| 永久免费av网站大全| 色综合欧美亚洲国产小说| av电影中文网址| 97在线人人人人妻| 十八禁网站网址无遮挡| 纵有疾风起免费观看全集完整版| 亚洲国产欧美一区二区综合| 国产欧美日韩综合在线一区二区| 岛国在线观看网站| 亚洲成av片中文字幕在线观看| 亚洲国产av影院在线观看| 国产精品99久久99久久久不卡| 大香蕉久久网| 一级毛片电影观看| 少妇精品久久久久久久| 99久久国产精品久久久| 蜜桃国产av成人99| 丝袜人妻中文字幕| 老司机亚洲免费影院| 亚洲精品国产精品久久久不卡| 一级片'在线观看视频| 天天躁夜夜躁狠狠躁躁| 国产精品成人在线| 欧美日韩精品网址| 国产免费福利视频在线观看| 丰满少妇做爰视频| 亚洲精品美女久久av网站| 欧美另类亚洲清纯唯美| 亚洲国产毛片av蜜桃av| 性少妇av在线| 久久久久久久大尺度免费视频| 欧美精品一区二区大全| 少妇猛男粗大的猛烈进出视频| 亚洲精品久久成人aⅴ小说| 精品一区二区三区四区五区乱码| 国产一级毛片在线| 欧美亚洲 丝袜 人妻 在线| 无限看片的www在线观看| 精品少妇黑人巨大在线播放| 亚洲欧洲精品一区二区精品久久久| 男女午夜视频在线观看| 日本一区二区免费在线视频| 999精品在线视频| 美女大奶头黄色视频| 精品少妇内射三级| 亚洲精品粉嫩美女一区| www.熟女人妻精品国产| 国产一区有黄有色的免费视频| 桃红色精品国产亚洲av| 精品国内亚洲2022精品成人 | 亚洲精品国产区一区二| 亚洲精品一区蜜桃| 啦啦啦 在线观看视频| 久久中文字幕一级| 超色免费av| 色婷婷av一区二区三区视频| 在线观看免费高清a一片| 狂野欧美激情性bbbbbb| 亚洲成人免费av在线播放| 深夜精品福利| 国产国语露脸激情在线看| 女人精品久久久久毛片| 国产av国产精品国产| 9191精品国产免费久久| 国产无遮挡羞羞视频在线观看| 91成人精品电影| 一二三四社区在线视频社区8| 午夜福利在线观看吧| xxxhd国产人妻xxx| 国产精品一二三区在线看| 日韩熟女老妇一区二区性免费视频| 男女高潮啪啪啪动态图| 久热这里只有精品99| 欧美黄色淫秽网站| 极品少妇高潮喷水抽搐| 日韩一卡2卡3卡4卡2021年| 蜜桃国产av成人99| 亚洲五月婷婷丁香| 亚洲三区欧美一区| 汤姆久久久久久久影院中文字幕| 亚洲一区中文字幕在线| 久久人妻福利社区极品人妻图片| 王馨瑶露胸无遮挡在线观看| 久久久国产精品麻豆| 黑人欧美特级aaaaaa片| 久久亚洲国产成人精品v| 大片电影免费在线观看免费| 日韩欧美国产一区二区入口| 国产极品粉嫩免费观看在线| 纯流量卡能插随身wifi吗| 欧美亚洲 丝袜 人妻 在线| 9热在线视频观看99| 中文字幕人妻丝袜制服| 亚洲av片天天在线观看| 久久久国产精品麻豆| 免费在线观看日本一区| 亚洲av美国av| 正在播放国产对白刺激| 午夜福利一区二区在线看| 国产男人的电影天堂91| 在线观看一区二区三区激情| 国产成人欧美在线观看 | 亚洲欧美日韩另类电影网站| 永久免费av网站大全| 亚洲精品国产av成人精品| 人人妻人人澡人人爽人人夜夜| 看免费av毛片| 18禁国产床啪视频网站| 青春草亚洲视频在线观看| 精品人妻在线不人妻| 婷婷丁香在线五月| 精品亚洲成国产av| 操美女的视频在线观看| 亚洲全国av大片| 波多野结衣一区麻豆| 欧美成人午夜精品| 桃红色精品国产亚洲av| 妹子高潮喷水视频| a在线观看视频网站| 黄色视频在线播放观看不卡| 最近最新免费中文字幕在线| 亚洲欧美日韩另类电影网站| a在线观看视频网站| 久热爱精品视频在线9| 亚洲精品中文字幕一二三四区 | 精品亚洲乱码少妇综合久久| 久久这里只有精品19| 亚洲专区中文字幕在线| 日本wwww免费看| 91字幕亚洲| 亚洲天堂av无毛| 性色av一级| 嫁个100分男人电影在线观看| 又紧又爽又黄一区二区| 免费人妻精品一区二区三区视频| 亚洲成人免费电影在线观看| 麻豆av在线久日| 一边摸一边抽搐一进一出视频| 欧美日韩亚洲综合一区二区三区_| 99久久99久久久精品蜜桃| 啦啦啦 在线观看视频| 亚洲精品久久午夜乱码| 黄片小视频在线播放| av一本久久久久| 日韩欧美一区视频在线观看| 男女国产视频网站| 亚洲精品一二三| 伦理电影免费视频| 久久亚洲国产成人精品v| 国产精品一区二区在线不卡| 午夜福利,免费看| 精品第一国产精品| 久久精品国产亚洲av香蕉五月 | 日本一区二区免费在线视频| 免费在线观看影片大全网站| 黄色片一级片一级黄色片| 久久久久久久国产电影| 国产成人av教育| 中文字幕制服av| 欧美精品一区二区免费开放| 中文字幕制服av| 一进一出抽搐动态| 涩涩av久久男人的天堂| 自拍欧美九色日韩亚洲蝌蚪91| 国产成人系列免费观看| 91麻豆av在线| 日韩欧美一区视频在线观看| 成人18禁高潮啪啪吃奶动态图| 亚洲精品一二三| 久久国产精品人妻蜜桃| 精品少妇黑人巨大在线播放| 91精品伊人久久大香线蕉| 午夜福利在线免费观看网站| 亚洲自偷自拍图片 自拍| 亚洲欧美精品自产自拍| 男人爽女人下面视频在线观看| 99国产精品一区二区蜜桃av | 夜夜骑夜夜射夜夜干| 久久人妻熟女aⅴ| 欧美 亚洲 国产 日韩一| 免费女性裸体啪啪无遮挡网站| 亚洲国产欧美网| 成在线人永久免费视频| 女性被躁到高潮视频| 黄频高清免费视频| 热re99久久国产66热| 深夜精品福利| 最新的欧美精品一区二区| 国产欧美日韩综合在线一区二区| 色播在线永久视频| 黄片小视频在线播放| 亚洲第一欧美日韩一区二区三区 | 真人做人爱边吃奶动态| 另类亚洲欧美激情| 菩萨蛮人人尽说江南好唐韦庄| 亚洲熟女毛片儿| 日韩欧美免费精品| 9色porny在线观看| 国产亚洲精品第一综合不卡| 18在线观看网站| 不卡av一区二区三区| 日本黄色日本黄色录像| 一级片'在线观看视频| 国产精品久久久久久精品古装| 午夜福利在线免费观看网站| svipshipincom国产片| 免费在线观看影片大全网站| 久久精品国产亚洲av高清一级| 99九九在线精品视频| 91精品三级在线观看| 高清av免费在线| 纯流量卡能插随身wifi吗| 老鸭窝网址在线观看| 亚洲 欧美一区二区三区| 在线观看一区二区三区激情| 女警被强在线播放| 欧美日韩黄片免| 精品国产一区二区三区久久久樱花| 精品一区在线观看国产| 精品人妻一区二区三区麻豆| 香蕉国产在线看| 亚洲欧美清纯卡通| 男女床上黄色一级片免费看| 自拍欧美九色日韩亚洲蝌蚪91| 嫩草影视91久久| 一级片免费观看大全| 亚洲成人手机| 嫁个100分男人电影在线观看| 热re99久久国产66热| 久久中文看片网| 大码成人一级视频| 成人国产一区最新在线观看| 亚洲天堂av无毛| a 毛片基地| 黑丝袜美女国产一区| xxxhd国产人妻xxx| kizo精华| 日本撒尿小便嘘嘘汇集6| 飞空精品影院首页| 1024视频免费在线观看| 免费日韩欧美在线观看| 精品人妻在线不人妻| 日韩一卡2卡3卡4卡2021年| 老熟妇仑乱视频hdxx| 如日韩欧美国产精品一区二区三区| 久热爱精品视频在线9| 欧美精品一区二区大全| 在线 av 中文字幕| 日本a在线网址| 国产成+人综合+亚洲专区| 亚洲人成77777在线视频| 丁香六月欧美| 女性生殖器流出的白浆| 国产精品久久久久成人av| 国产精品 国内视频| 亚洲精品国产区一区二| 少妇人妻久久综合中文| 在线观看免费视频网站a站| 久久久久久久久免费视频了| 人人妻人人澡人人爽人人夜夜| 五月天丁香电影| 一区二区三区精品91| 黑人巨大精品欧美一区二区蜜桃| 中文精品一卡2卡3卡4更新| 91麻豆精品激情在线观看国产 | 精品久久久久久久毛片微露脸 | 亚洲九九香蕉| 狂野欧美激情性bbbbbb| av福利片在线| 少妇精品久久久久久久| 制服人妻中文乱码| 90打野战视频偷拍视频| 曰老女人黄片| 成人黄色视频免费在线看| av在线app专区| 多毛熟女@视频| 成年人免费黄色播放视频| 国产在视频线精品| 亚洲激情五月婷婷啪啪| 狠狠精品人妻久久久久久综合| 亚洲第一欧美日韩一区二区三区 | 老汉色∧v一级毛片| 桃红色精品国产亚洲av| 韩国高清视频一区二区三区| 日本av免费视频播放| 国产日韩欧美亚洲二区| 男女高潮啪啪啪动态图| av有码第一页| 亚洲午夜精品一区,二区,三区| 亚洲美女黄色视频免费看| 极品少妇高潮喷水抽搐| 国产高清videossex| 女人久久www免费人成看片| 亚洲va日本ⅴa欧美va伊人久久 | 欧美日韩精品网址| av福利片在线| 日韩电影二区| 久久久久久久精品精品| 狠狠婷婷综合久久久久久88av| 秋霞在线观看毛片| 国产一区二区在线观看av| 日韩电影二区| 国精品久久久久久国模美| 国产免费福利视频在线观看| 不卡一级毛片| 成年女人毛片免费观看观看9 | 亚洲国产欧美日韩在线播放| av又黄又爽大尺度在线免费看| 人人妻人人爽人人添夜夜欢视频| 日韩免费高清中文字幕av| 黄片大片在线免费观看| 国产亚洲av片在线观看秒播厂| 久久ye,这里只有精品| 国产一区二区三区在线臀色熟女 | 久久精品久久久久久噜噜老黄| 精品国产一区二区三区四区第35| 免费在线观看日本一区| 亚洲一码二码三码区别大吗| 建设人人有责人人尽责人人享有的| 波多野结衣一区麻豆| 亚洲av成人不卡在线观看播放网 | 国产精品影院久久| 国产一区二区在线观看av| 亚洲精品一区蜜桃| 爱豆传媒免费全集在线观看| 男人添女人高潮全过程视频| 18禁裸乳无遮挡动漫免费视频| 新久久久久国产一级毛片| av片东京热男人的天堂| 国产精品麻豆人妻色哟哟久久| 欧美大码av| 99国产综合亚洲精品| 久久人人爽人人片av| 操美女的视频在线观看| 亚洲,欧美精品.| 一本综合久久免费| 欧美成狂野欧美在线观看| 天天影视国产精品| 脱女人内裤的视频| 母亲3免费完整高清在线观看| 久久久久久久国产电影| 丰满人妻熟妇乱又伦精品不卡| 午夜福利在线免费观看网站| 亚洲欧美激情在线| 狂野欧美激情性xxxx| 国产在线视频一区二区| 欧美日韩av久久| 国产成人一区二区三区免费视频网站| 少妇被粗大的猛进出69影院| 一级毛片精品| 中文字幕人妻丝袜制服| 国产精品1区2区在线观看. | 女人爽到高潮嗷嗷叫在线视频| 少妇裸体淫交视频免费看高清 | 青春草亚洲视频在线观看| 91精品三级在线观看| 热re99久久国产66热| 肉色欧美久久久久久久蜜桃| 9热在线视频观看99| 国产黄频视频在线观看| 999精品在线视频| 亚洲国产av新网站| 天天影视国产精品| 国产片内射在线| 亚洲精品一二三| 中文字幕高清在线视频| 亚洲精品久久久久久婷婷小说| av在线老鸭窝| 久久青草综合色| 亚洲精华国产精华精| 妹子高潮喷水视频| 菩萨蛮人人尽说江南好唐韦庄| 天天影视国产精品| 国产成人啪精品午夜网站| 亚洲成人国产一区在线观看| 亚洲精品av麻豆狂野| 久久女婷五月综合色啪小说| av不卡在线播放| 久久久久久久久久久久大奶| 亚洲精品第二区| 国产精品偷伦视频观看了| 成年av动漫网址| 中文字幕色久视频| 考比视频在线观看| 亚洲欧美日韩高清在线视频 | 国产男女超爽视频在线观看| 国产精品久久久久成人av| 母亲3免费完整高清在线观看| 亚洲成人免费电影在线观看| 国产欧美日韩一区二区精品| 蜜桃国产av成人99| 久久这里只有精品19| 精品一区二区三卡| 久久热在线av| 国产精品.久久久| a 毛片基地| 成人国语在线视频| 国产亚洲欧美在线一区二区| 亚洲中文字幕日韩| 欧美日韩亚洲国产一区二区在线观看 |