• <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 ?

    基于圖卷積網(wǎng)絡(luò)的多交互注意方面級情感分析

    2023-12-20 02:33:02武偉寧楊長春顧曉清嚴(yán)鑫杰馬甜甜
    關(guān)鍵詞:句法注意力語義

    賈 音,武偉寧,楊長春,顧曉清,嚴(yán)鑫杰,馬甜甜

    (常州大學(xué) 計(jì)算機(jī)與人工智能學(xué)院 阿里云大數(shù)據(jù)學(xué)院 軟件學(xué)院,江蘇 常州 213164)

    0 引 言

    方面級情感分析作為情感分析領(lǐng)域的子任務(wù),旨在根據(jù)上下文識別句子中的方面項(xiàng)以及特定方面的情感極性(如積極、消極或中性)[1]。舉例來說,對于一個(gè)句子“a group of friendly staff,the pizza is not bad,but the beef cubes are not worth the money!”,包含3個(gè)方面詞分別是staff,pizza和beef cubes,對應(yīng)的意見詞分別為friendly,not bad,not worth,其情感極性分別為積極、中立和消極。特定方面的反饋,能夠給人們提供有針對性的見解,幫助人們更準(zhǔn)確地了解某個(gè)事物的具體信息。相比較于粗粒度的情感分析,方面級情感分析更具有研究意義和應(yīng)用價(jià)值。

    目前主要利用深度學(xué)習(xí)的方法進(jìn)行方面級情感分析研究,但仍存在著提取語義句法信息不全面的問題:基于注意力機(jī)制的方法,大多只關(guān)注方面詞與上下文詞之間的語義關(guān)聯(lián),忽略了句法交互對情感分類結(jié)果的影響;而基于圖卷積網(wǎng)絡(luò)的方法僅提取句法信息而忽略了深層語義信息,且未能考慮句法相對距離,使得距離方面詞較遠(yuǎn)的關(guān)鍵信息的權(quán)重被削弱。

    針對上述問題,本文提出了一種基于圖卷積網(wǎng)絡(luò)的多交互注意(multi-interactive attention based on graph convolution network,MIA-GCN)模型。利用圖卷積網(wǎng)絡(luò)能夠更有效提取深層特征信息的優(yōu)點(diǎn)[2],基于注意力機(jī)制和句法相對距離重構(gòu)語義和句法圖鄰接矩陣,更全面地提取語義和句法信息。除此之外,設(shè)計(jì)語義交互和句法交互,同時(shí)關(guān)注方面詞與上下文詞之間的語義關(guān)聯(lián)和句法關(guān)聯(lián),最終進(jìn)行特征融合。

    1 相關(guān)研究

    以神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)具有良好的自動提取特征的能力[3],因此在方面級情感分析領(lǐng)域受到廣大學(xué)者的歡迎。由于句子本身可以看作一個(gè)前后有關(guān)聯(lián)的序列,循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)及其變體長短時(shí)記憶網(wǎng)絡(luò)(long-short term memory,LSTM)作為最基本的神經(jīng)網(wǎng)絡(luò)方法,得到了廣泛的應(yīng)用[4]。基于注意力的方法通過進(jìn)行方面詞與上下文詞的向量運(yùn)算,以計(jì)算結(jié)果來反映單詞之間的關(guān)聯(lián)程度,從而給予與方面詞語義相關(guān)性強(qiáng)的單詞更高的權(quán)重來判斷情感極性。因此,大多研究者將神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制結(jié)合來提取語義信息,并挖掘與方面詞語義上最相關(guān)的意見詞。Tay等[5]將方面向量與上下文向量相連接來模擬方面詞與上下文詞的相似性,并利用注意力機(jī)制自適應(yīng)地關(guān)注給定方面詞的關(guān)聯(lián)詞。Chen等[6]提出了一種基于目標(biāo)的注意力模型用于方面級情感分析。對上下文信息進(jìn)行位置編碼,在位置感知上下文矩陣之間以聯(lián)合的方式計(jì)算上下文與方面詞之間的注意力得分,并進(jìn)行向量化,使得模型更具魯棒性。Zhuang等[7]基于記憶旋轉(zhuǎn)單元提取長期語義信息,并引入分層多頭注意機(jī)制在計(jì)算注意權(quán)重時(shí)保留方面語義信息,最終實(shí)現(xiàn)方面詞與關(guān)鍵詞之間的交互。雖然這些基于注意力機(jī)制的方法取得了一定的成果,但是基本上是建立在語義關(guān)聯(lián)上,注意力機(jī)制可能會關(guān)注到與方面詞句法上不相關(guān)的意見詞,造成情感極性判斷錯(cuò)誤。近年來,圖卷積神經(jīng)網(wǎng)絡(luò)(graph convolutional network,GCN)由于其良好的處理非結(jié)構(gòu)化數(shù)據(jù)的特點(diǎn),被應(yīng)用于方面級情感分析中提取句法信息。Liang等[8]構(gòu)建方向圖卷積網(wǎng)絡(luò)將單詞間的依賴關(guān)系整合到模型中,學(xué)習(xí)關(guān)鍵方面詞的依賴特征和不同方面之間的情感關(guān)系。Pang等[9]提出一種動態(tài)多通道圖卷積網(wǎng)絡(luò)模型。分別利用依賴樹和多頭注意生成句法圖和語義圖來提取句法信息和語義信息,并將提取到的信息進(jìn)行組合、優(yōu)化和融合,使得性能得到了進(jìn)一步提升。

    2 方面級情感分析模型

    本文提出的MIA-GCN模型從句法相對距離和語義關(guān)聯(lián)強(qiáng)弱角度,結(jié)合圖卷積網(wǎng)絡(luò),能夠更加充分地學(xué)習(xí)語義及句法特征信息。并且可以增加交互注意層處理方面詞與上下文詞的語義和句法依存信息,進(jìn)行特征融合??蚣苋鐖D1所示,分別是嵌入層、Bi-LSTM層、圖卷積網(wǎng)絡(luò)層、方面掩碼層、交互注意層以及輸出層。

    2.1 嵌入層

    為了能夠充分獲取語義和句法特征信息,在處理文本時(shí),首先需要進(jìn)行文本向量化。文本向量化最常用的一種方式是詞嵌入,即將每個(gè)單詞通過嵌入矩陣的形式映射到向量空間中,使得句子中的每個(gè)單詞轉(zhuǎn)化為固定維度的詞向量表示。本文利用預(yù)先訓(xùn)練好的詞嵌入矩陣Glove來初始化單詞向量。對于長度為n的句子,經(jīng)過詞嵌入后表示為:W∈Rdw×n, 其中dw表示詞嵌入向量的維數(shù)。除此之外,由于同一個(gè)詞因?yàn)槠湓~性的不同在不同語境中有多種多樣的表示,因此,考慮不同詞性對方面級情感分析的影響是有必要的。受到Zhao等[10]工作的啟發(fā),將詞性種類N設(shè)為4類,分別為形容詞、動詞、副詞、其它,最終得到詞性嵌入矩陣為P∈Rdp×|N|, 其中,dp為詞性嵌入的維度。將詞嵌入與詞性嵌入連接起來,得到嵌入層的最終詞向量表示為X={x1,x2,…,xn}, 其中xi∈Rdw+dp。

    2.2 Bi-LSTM層

    2.3 圖卷積網(wǎng)絡(luò)層

    (1)

    本文提出的MIA-GCN模型中的圖卷積網(wǎng)絡(luò)層包括語義圖卷積模塊和句法圖卷積模塊兩個(gè)對稱的網(wǎng)絡(luò),分別用來提取語義特征和句法特征,也是整個(gè)MIA-GCN模型的核心。對于語義圖卷積模塊,利用注意力機(jī)制構(gòu)造注意得分矩陣;對于句法圖卷積模塊,根據(jù)句法相對距離構(gòu)造句法權(quán)重矩陣以存儲更多的句法信息。最后,將兩個(gè)矩陣分別送入圖卷積中進(jìn)行語義和句法信息的學(xué)習(xí)。

    2.3.1 語義圖卷積模塊

    對于句法信息不敏感的句子,其語義信息對情感極性的判斷影響比較大。因此,獲取語義信息是有必要的。MIA-GCN模型考慮基于語義關(guān)聯(lián)提取深層次語義信息。由注意力機(jī)制得到的注意得分矩陣能夠反映句子中兩個(gè)單詞之間的語義相關(guān)性信息,對于提取語義信息有重要的作用。注意得分矩陣可表示為式(2)

    (2)

    式中:矩陣Q和K為前一層的圖向量表示,WQ和WK為可學(xué)習(xí)的權(quán)重矩陣,d為輸入節(jié)點(diǎn)特征的維數(shù)。其構(gòu)造過程如圖2所示。

    圖2 注意得分矩陣構(gòu)造過程

    2.3.2 句法圖卷積模塊

    以往基于句法的方面級情感分類模型中,通過依存句法分析樹分析句子中單詞之間的句法依賴關(guān)系,結(jié)合圖卷積網(wǎng)絡(luò)聚合相鄰節(jié)點(diǎn)信息的優(yōu)點(diǎn),使得模型能夠提取句法特征信息。本文延續(xù)使用這種方法,利用依存句法分析器SpaCy構(gòu)造句法依賴樹,并將句法依賴樹以圖結(jié)構(gòu)的形式表示。以節(jié)點(diǎn)代表句子中的單詞,邊代表單詞之間的依賴關(guān)系,得到鄰接矩陣形式的句法依賴圖,其中鄰接矩陣D∈Rn×n, 矩陣D中的元素表示為式(3)

    (3)

    如果將上述矩陣D作為圖卷積網(wǎng)絡(luò)的鄰接矩陣,則會忽略未直接相連的兩個(gè)單詞之間可能存在的聯(lián)系。若關(guān)鍵意見詞與方面詞距離較遠(yuǎn),就會導(dǎo)致其傳播到方面詞時(shí),相對于方面詞的權(quán)重被削弱了,從而導(dǎo)致情感極性判斷錯(cuò)誤。

    因此,基于Phan等[13]提出的句法相對距離(syntactic relative distance,SRD),本文提出的MIA-GCN模型對句子中距離方面詞不同句法距離的單詞賦予不同的權(quán)重,來代表不同單詞相對于方面詞的重要性。在鄰接矩陣D的基礎(chǔ)上,首先計(jì)算除方面詞a外的所有單詞到a的SRD。SRD在句法依賴樹中表示兩個(gè)單詞對應(yīng)的節(jié)點(diǎn)之間的最短距離,在鄰接矩陣中只需計(jì)算兩個(gè)頂點(diǎn)之間的最短路徑。以圖3中(a)所構(gòu)造的依賴關(guān)系為例,方面詞為節(jié)點(diǎn)2和節(jié)點(diǎn)3,需要計(jì)算節(jié)點(diǎn)1,節(jié)點(diǎn)4,節(jié)點(diǎn)5分別到2,3之間的距離,并轉(zhuǎn)化為圖3中(b)的形式。

    圖3 句法權(quán)重矩陣構(gòu)造過程

    基于SRD,計(jì)算句法權(quán)重矩陣Asyn代替鄰接矩陣D,Asyn的計(jì)算為式(4)

    (4)

    式中:p為設(shè)定閾值,Asyn∈Rn×n, 圖3中(c)為n=5,p=2的句子構(gòu)建的句法權(quán)重矩陣。通過構(gòu)建句法權(quán)重矩陣來代替離散鄰接矩陣,使得與方面詞句法距離近的上下文詞有較大的權(quán)重且削弱句法距離遠(yuǎn)的上下文信息。

    2.4 方面掩碼層

    (5)

    (6)

    由此可以得到提取到的語義特征的方面掩碼向量hsemmask={0,…,ht+1sem,…,ht+msem,…,0} 和句法特征的方面掩碼向量hsynmask={0,…,ht+1syn,…,ht+msyn,…,0}。

    2.5 多交互注意層

    為了同時(shí)關(guān)注方面詞與上下文單詞之間的語義關(guān)聯(lián)和句法關(guān)聯(lián),通過計(jì)算上下文的隱藏向量與方面向量之間的語義及句法相關(guān)性,為每個(gè)上下文詞分配相關(guān)的注意力權(quán)重,以完成方面與上下文的協(xié)調(diào)優(yōu)化,便于下一步進(jìn)行特征融合。

    (7)

    (8)

    (9)

    (10)

    (11)

    (12)

    2.6 情感輸出層

    為了實(shí)現(xiàn)語義特征信息和句法特征信息的融合,將交互層得到的語義交互特征向量hsem與句法交互特征向量hsyn進(jìn)行拼接,得到融合語義與句法的特征向量hf=[hsyn;hsem]。 將獲得的最終表示hf輸入到全連接層,最后通過softmax進(jìn)行分類輸出,即式(13)

    (13)

    式中:c為情感標(biāo)簽的維數(shù)即分類數(shù),Wo和bo分別為權(quán)重參數(shù)和偏置項(xiàng)。模型的損失函數(shù)采用交叉熵?fù)p失函數(shù),利用標(biāo)準(zhǔn)梯度下降法進(jìn)行訓(xùn)練,如式(14)所示

    (14)

    3 實(shí)驗(yàn)與分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)平臺

    實(shí)驗(yàn)在公開數(shù)據(jù)集SemEval 2014 task4的Restaurant數(shù)據(jù)集、Laptop數(shù)據(jù)集以及短文本數(shù)據(jù)集Twitter上進(jìn)行,評估MIA-GCN模型的性能。這些數(shù)據(jù)集都分為訓(xùn)練集和測試集,且都是3分類的(積極、中性、消極)。除此之外,采用以往方面級情感分析的數(shù)據(jù)預(yù)處理方法,去除情感極性沖突的樣本和沒有明確方面詞的樣本,使得每條數(shù)據(jù)都包含一個(gè)或多個(gè)方面。數(shù)據(jù)集統(tǒng)計(jì)情況見表1。

    表1 數(shù)據(jù)集統(tǒng)計(jì)

    本文的實(shí)驗(yàn)平臺見表2。

    3.2 實(shí)驗(yàn)設(shè)置與評價(jià)指標(biāo)

    為了保證對比實(shí)驗(yàn)公平,模型使用300維的Glove詞向量初始化單詞嵌入,模型中的權(quán)重采用均勻分布進(jìn)行初始化。在對比實(shí)驗(yàn)中,計(jì)算句法權(quán)重矩陣時(shí)的閾值p設(shè)置為2,除此之外,模型利用dropout防止過擬合,同時(shí)采用early stop防止精度衰減。模型的超參數(shù)設(shè)置見表3。

    MIA-GCN模型采用準(zhǔn)確率(Accuracy,Acc)與宏平均F1值(macro average F1,MF1)作為評價(jià)指標(biāo)。Acc是相關(guān)研究中最常用的評估指標(biāo),而MF1值是綜合考慮了模型準(zhǔn)確率和召回率的計(jì)算結(jié)果,為所有類別F1的平均值。在衡量模型性能時(shí),Acc與MF1的值越大,模型性能越好。Acc與MF1計(jì)算公式如式(15)~式(17)所示

    表2 實(shí)驗(yàn)環(huán)境

    表3 超參數(shù)設(shè)置

    (15)

    (16)

    (17)

    其中,TP(true positive)為預(yù)測為正的正樣本;FP(false positive)為預(yù)測為負(fù)的正樣本;TN(true negative)為預(yù)測為正的負(fù)樣本;FN(false negative)為預(yù)測為負(fù)的正樣本;precision為精確率;recall為召回率。

    3.3 對比實(shí)驗(yàn)

    為了驗(yàn)證MIA-GCN模型的性能,本文使用以下模型作為對比模型:

    (1)ATAE-LSTM[14]:基于注意力的LSTM的方面級情感分類方法。將方面向量嵌入到詞向量和隱藏向量中,使得方面信息參與注意權(quán)重的計(jì)算。

    (2)MemNet[15]:一種結(jié)合注意力機(jī)制的深度記憶網(wǎng)絡(luò)模型。通過構(gòu)建多個(gè)計(jì)算層,通過每個(gè)計(jì)算中層中的注意層自適應(yīng)地選擇更深層次的信息并捕獲每個(gè)上下文詞與方面之間的相關(guān)性,最后一個(gè)注意層的輸出來進(jìn)行情感極性判斷。

    (3)IAN[16]:將方面詞與語境分離出來,并利用兩個(gè)注意力網(wǎng)絡(luò)交互方面詞與上下文之間的關(guān)系,分別生成它們的表示。最后,連接兩個(gè)表示來預(yù)測方面詞在語境中的情感極性。

    (4)AOA[17]:對方面和文本同時(shí)進(jìn)行建模,生成的方面表示和文本表示通過注意力模塊相互作用,學(xué)習(xí)其表示形式,自動關(guān)注方面和文本中最重要的部分。

    (5)MGAN[18]:利用粗粒度和細(xì)粒度的注意機(jī)制提取嵌入信息并進(jìn)行方面和句子之間的詞語級交互。

    (6)ASGCN[19]:在句子的依賴樹上建立一個(gè)圖卷積網(wǎng)絡(luò)進(jìn)行句法信息的提取,將掩碼后的方面向量與語義信息進(jìn)行注意交互,提高了情感分類性能。

    (7)Bi-GCN[20]:針對利用句法結(jié)構(gòu)的方法會忽略詞語共現(xiàn)信息和不同句法依賴類型對結(jié)果有重要影響的問題,分別構(gòu)造詞法圖和句法圖,并進(jìn)行交互和聚合。

    (8)kumaGCN[21]:將句法依賴樹和自動生成的特定類型圖聯(lián)系起來,動態(tài)地組合詞依賴圖和自注意力網(wǎng)絡(luò)學(xué)習(xí)的潛在圖的信息。

    (9)AGGCN[22]:提出了一種方面門控圖卷積網(wǎng)絡(luò)模型。設(shè)計(jì)方面門控LSTM以生成特定方面信息,并在此基礎(chǔ)上形成依賴樹構(gòu)建GCN,以充分利用句法信息和長距離依賴。

    (10)AFGCN[23]:構(gòu)建了一個(gè)句法依賴模塊以集成句法相對依賴位置圖,并結(jié)合注意力機(jī)制捕獲與方面語義相關(guān)的突出特征,最終形成融合語義和句法特征的向量表示。

    表4 不同模型的實(shí)驗(yàn)結(jié)果

    表4為基準(zhǔn)模型與本文模型的對比實(shí)驗(yàn)結(jié)果,表格內(nèi)結(jié)果均為重復(fù)3次的實(shí)驗(yàn)結(jié)果的平均值。其中,加粗?jǐn)?shù)據(jù)表示其對應(yīng)數(shù)據(jù)集中效果最好的模型的數(shù)值。對表中實(shí)驗(yàn)結(jié)果進(jìn)行分析,可以得到以下結(jié)論:

    (1)基于注意力機(jī)制的模型(ATAE-LSTM、MemNet、IAN、AOA、MGAN):從表4中可以看出,利用交互注意力機(jī)制的IAN、AOA及MGAN模型整體上優(yōu)于傳統(tǒng)非交互注意的ATAE-LSTM、MemNet模型,且都實(shí)現(xiàn)了方面詞與上下文之間的信息交互,從而獲取語義信息。這表明在進(jìn)行方面級情感分析時(shí),方面詞與上下文詞之間的交互有利于提高分類性能。

    (2)基于圖卷積網(wǎng)絡(luò)的模型(ASGCN、Bi-GCN、kumaGCN、AGGCN、AFGCN):與基于注意力機(jī)制的方法比較,基于圖卷積網(wǎng)絡(luò)的方法在數(shù)據(jù)集Rest14和Lap14上的性能均有明顯的提升。這表明利用句法知識建立單詞之間的句法依賴關(guān)系,確實(shí)有利于方面級的情感分析研究。但也存在一些問題:例如對于Twitter這種口語化評論數(shù)據(jù)集,基于圖卷積網(wǎng)絡(luò)的方法ASGCN、kumaGCN并沒有基于注意力機(jī)制的方法MGAN的效果好。這可能是由于基于圖卷積網(wǎng)絡(luò)的方法未能充分考慮語義信息,忽略了方面詞與上下文單詞的語義相關(guān)性,因此,在考慮結(jié)構(gòu)復(fù)雜或者非正式化的句子時(shí),只考慮句法信息進(jìn)行情感分析研究并沒有基于語義關(guān)聯(lián)的注意力機(jī)制的方法性能好。

    (3)基于圖卷積網(wǎng)絡(luò)的多交互注意模型(MIA-GCN):相較于基于注意力機(jī)制的模型和基于圖卷積網(wǎng)絡(luò)的模型,本文提出的MIA-GCN模型的準(zhǔn)確率Acc和MF1值均得到了明顯的提升。在3個(gè)數(shù)據(jù)集上的準(zhǔn)確率分別可以達(dá)到82.85%、77.78%和75.14%;MF1值可達(dá)到75.44%、73.85%、73.92%。MIA-GCN與基于注意力機(jī)制的模型相比,在3個(gè)數(shù)據(jù)集上的Acc值平均提高3.24%、5.85%、3.34%,MF1平均提升5.61%、6.55%、4.37%。由此可見,MIA-GCN模型在Lap14數(shù)據(jù)集上提升最好。這可能是因?yàn)長ap14對于句法信息更敏感,而MIA-GCN相比較于基于注意力機(jī)制的模型多考慮了句法信息;與基于句法信息的圖神經(jīng)網(wǎng)絡(luò)的模型相比,在3個(gè)數(shù)據(jù)集上Acc值平均提升0.64%、1.97%、1.72%,MF1值平均提升2.11%、1.91%、1.93%。其中,MIA-GCN相對于模型AFGCN在Lap14數(shù)據(jù)集上效果相當(dāng)。在Rest14數(shù)據(jù)集上,MIA-GCN的準(zhǔn)確率略低于模型AGGCN,這可能是因?yàn)镽est14數(shù)據(jù)集對于特定方面信息比較敏感,而AFGCN從一開始就利用門控LSTM編碼特定方面信息。綜合而言,MIA-GCN模型在實(shí)驗(yàn)數(shù)據(jù)集上獲得了比較好的性能,對不同領(lǐng)域的文本也可以處理得很好。主要原因在于MIA-GCN模型同時(shí)考慮了深層語義和句法信息。利用GCN來提取和學(xué)習(xí)評論中的語義信息與句法信息,并且對方面進(jìn)行建模,利用交互注意力進(jìn)行方面詞與上下文詞的語義和句法交互,增強(qiáng)了提取與方面詞有緊密聯(lián)系的上下文情感信息的能力。因此,模型MIA-GCN能夠?qū)崿F(xiàn)情感分類任務(wù)性能的提升。

    3.4 消融實(shí)驗(yàn)

    為了驗(yàn)證模型的有效性以及各個(gè)部分對情感分類結(jié)果的影響,設(shè)計(jì)消融實(shí)驗(yàn)在3個(gè)數(shù)據(jù)集上進(jìn)行對比分析,結(jié)果見表5。其中,SynGCN表示只構(gòu)造句法圖卷積網(wǎng)絡(luò)及句法交互;SemGCN表示只利用語義圖卷積網(wǎng)絡(luò)及語義交互;SynGCN_dep代表僅利用依賴解析器的0-1輸出作為圖卷積網(wǎng)絡(luò)的矩陣而不利用句法相對距離進(jìn)行計(jì)算權(quán)重;MIA-GCN w/o inatt表示去除交互注意層,同樣的,MIA-GCN w/o syn或者sem表示只去除句法交互或者只去除語義交互。

    從表5對比結(jié)果可以看出,在Rest14和Lap14數(shù)據(jù)集上,SynGCN的性能明顯優(yōu)于SynGCN_dep,因此,利用句法權(quán)重矩陣代替離散矩陣,可以獲取更多的句法信息,有效提升情感分類的性能。SemGCN模型在Twitter數(shù)據(jù)集上的性能優(yōu)于SynGCN,這是由于Twitter評論數(shù)據(jù)集大多是口語化和非正式的,對句法信息不敏感,因此對于這類語句,語義信息對性能的影響大于句法信息對性能的影響。除此之外,MIA-GCN w/o inatt相比MIA-GCN性能有所下降,原因是去除了交互注意層,方面詞與上下文詞之間不能進(jìn)行交互注意,從而表明利用交互注意可以建模方面詞與上下文詞的語義關(guān)系和句法關(guān)系。對比MIA-GCN w/o syn和MIA-GCN w/o sem,去掉任何一種交互方式,與MIA-GCN相比,Acc和MF1值均下降,驗(yàn)證了語義交互注意和句法交互注意兩者的重要性。

    表5 消融實(shí)驗(yàn)

    3.5 案例研究

    為了進(jìn)一步分析本文提出的模型對比其它模型的優(yōu)點(diǎn),通過幾個(gè)具體的樣例來分析。如表6所示,提取出一些典型樣例的分類結(jié)果進(jìn)行對比分析。其中數(shù)值negative、natu-ral、positive分別表示情感極性為消極、正常、積極。句子中陰影部分為所在句子的方面項(xiàng)。

    表6 典型數(shù)據(jù)實(shí)驗(yàn)樣例

    對于第一個(gè)例句,由于存在兩個(gè)方面詞即“food”和“service”,基于語義關(guān)聯(lián)的注意力機(jī)制模型ATAE-LSTM會關(guān)注到與方面詞“service”相關(guān)的意見詞“dreadful”,將其作為方面詞“food”的意見詞,導(dǎo)致方面詞與意見詞的錯(cuò)誤匹配,從而判斷情感極性為消極。第二個(gè)例句,“apple os”與其意見詞“happy”的句法距離相距太遠(yuǎn),基于句法信息的圖卷積網(wǎng)絡(luò)模型ASGCN未能捕獲兩者之間的關(guān)系,因此,ASGCN模型情感極性判斷錯(cuò)誤。第三個(gè)例句中,由于含有兩個(gè)方面項(xiàng),ATAE-LSTM未能準(zhǔn)確匹配方面項(xiàng)與意見詞,ASGCN模型未能捕獲否定詞“did not”的特征表示,而MIA-GCN可以結(jié)合語義關(guān)聯(lián)和句法關(guān)聯(lián)做出正確的判斷。

    除此之外,選取句子進(jìn)行注意力可視化分析,如圖4所示。其中,顏色越深,表示注意權(quán)重越大。從圖中可以看出,對于方面詞“staff”,在交互注意層使用語義交互還是句法交互都能關(guān)注到情感詞“should be a bit”,因此,語義交互與句法交互都有助于情感極性的判斷,也驗(yàn)證了語義信息和句法信息對于方面級情感分析的有效性。

    圖4 方面詞“staff”注意力可視化

    4 結(jié)束語

    本文提出了一種基于圖卷積網(wǎng)絡(luò)的多交互模型MIA-GCN來解決目前方面級情感分析研究中存在的提取語義和句法信息不全面導(dǎo)致的情感分類不準(zhǔn)確的問題。MIA-GCN的主要?jiǎng)?chuàng)新點(diǎn)在于分別重構(gòu)了語義圖和句法圖提取語義和句法特征信息,并利用交互注意建模方面詞與上下文之間的語義和句法關(guān)系,使得提取信息更加全面。在常用的3個(gè)方面級情感分類數(shù)據(jù)集上進(jìn)行對比實(shí)驗(yàn)、消融實(shí)驗(yàn)以及案例分析。實(shí)驗(yàn)結(jié)果表明,本文提出的MIA-GCN模型的性能具有一定的提升。驗(yàn)證了帶權(quán)重的鄰接矩陣可以存儲更具體的信息,而交互注意能夠建模方面詞與上下文詞的語義關(guān)系和句法關(guān)系,完成方面與上下文的協(xié)調(diào)優(yōu)化。下一步工作將與更先進(jìn)的預(yù)訓(xùn)練模型BERT進(jìn)行結(jié)合,探索更具有適應(yīng)性的融合語義和句法特征的方法。

    猜你喜歡
    句法注意力語義
    讓注意力“飛”回來
    句法與句意(外一篇)
    中華詩詞(2021年3期)2021-12-31 08:07:22
    述謂結(jié)構(gòu)與英語句法配置
    語言與語義
    句法二題
    中華詩詞(2018年3期)2018-08-01 06:40:40
    詩詞聯(lián)句句法梳理
    中華詩詞(2018年11期)2018-03-26 06:41:32
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    “上”與“下”語義的不對稱性及其認(rèn)知闡釋
    認(rèn)知范疇模糊與語義模糊
    春色校园在线视频观看| 国产色爽女视频免费观看| 亚洲成人av在线免费| 各种免费的搞黄视频| 在线免费观看不下载黄p国产| 久久久精品94久久精品| 国产av码专区亚洲av| 汤姆久久久久久久影院中文字幕| 国产一区有黄有色的免费视频| 欧美成人a在线观看| 免费播放大片免费观看视频在线观看| 久久女婷五月综合色啪小说 | 国产精品成人在线| 欧美一级a爱片免费观看看| 国产免费视频播放在线视频| 国产黄色免费在线视频| 国产探花在线观看一区二区| 各种免费的搞黄视频| 国产乱人视频| 我要看日韩黄色一级片| 内地一区二区视频在线| 99久国产av精品国产电影| 婷婷色麻豆天堂久久| 久久久亚洲精品成人影院| 日韩欧美一区视频在线观看 | 尾随美女入室| 真实男女啪啪啪动态图| 中文字幕免费在线视频6| 亚洲国产色片| 婷婷色综合www| 国产在视频线精品| 亚洲欧美日韩无卡精品| 久久久精品免费免费高清| 成年av动漫网址| 99久久精品热视频| 男女无遮挡免费网站观看| 草草在线视频免费看| 午夜精品国产一区二区电影 | 欧美zozozo另类| 免费不卡的大黄色大毛片视频在线观看| 99久久精品热视频| 99久久中文字幕三级久久日本| 各种免费的搞黄视频| 日本与韩国留学比较| 久久久久久久久久人人人人人人| 亚洲最大成人中文| 人人妻人人澡人人爽人人夜夜| 丝袜喷水一区| 亚洲精品国产av蜜桃| 18禁动态无遮挡网站| 国内精品宾馆在线| 亚洲精品影视一区二区三区av| 国产免费一区二区三区四区乱码| 中国三级夫妇交换| 最新中文字幕久久久久| av在线观看视频网站免费| 人妻一区二区av| 热re99久久精品国产66热6| 亚洲国产色片| 乱系列少妇在线播放| av女优亚洲男人天堂| 亚洲aⅴ乱码一区二区在线播放| 欧美成人a在线观看| 日本猛色少妇xxxxx猛交久久| 日韩中字成人| 精品人妻熟女av久视频| 国产人妻一区二区三区在| 亚洲国产精品成人久久小说| 欧美日韩国产mv在线观看视频 | 又大又黄又爽视频免费| 日韩欧美 国产精品| 成人免费观看视频高清| 色综合色国产| 99热这里只有是精品50| 国产v大片淫在线免费观看| 啦啦啦啦在线视频资源| 99久国产av精品国产电影| 校园人妻丝袜中文字幕| 久久久国产一区二区| 我要看日韩黄色一级片| 欧美日韩视频高清一区二区三区二| 久久人人爽av亚洲精品天堂 | 国产男人的电影天堂91| 在线a可以看的网站| 国产精品99久久久久久久久| 联通29元200g的流量卡| 真实男女啪啪啪动态图| 国产色爽女视频免费观看| 国产综合懂色| 精品一区二区三卡| 久久精品国产鲁丝片午夜精品| 免费少妇av软件| 国产一区有黄有色的免费视频| 色视频www国产| 在线免费观看不下载黄p国产| 欧美成人精品欧美一级黄| 国产日韩欧美亚洲二区| 欧美3d第一页| 伊人久久国产一区二区| 欧美丝袜亚洲另类| 亚洲最大成人手机在线| 天天躁日日操中文字幕| 午夜老司机福利剧场| 91精品伊人久久大香线蕉| 国产亚洲av嫩草精品影院| 一本久久精品| 亚洲精品国产成人久久av| 日韩强制内射视频| 嫩草影院新地址| 欧美zozozo另类| 简卡轻食公司| 韩国高清视频一区二区三区| 中文字幕制服av| 真实男女啪啪啪动态图| 精品少妇黑人巨大在线播放| 久久久久久久久久久免费av| 九草在线视频观看| 三级男女做爰猛烈吃奶摸视频| 波野结衣二区三区在线| 欧美xxⅹ黑人| 汤姆久久久久久久影院中文字幕| av网站免费在线观看视频| 成人亚洲精品一区在线观看 | 香蕉精品网在线| 国产中年淑女户外野战色| 久久久久精品性色| 亚洲va在线va天堂va国产| 久久久久网色| av在线播放精品| 一区二区三区四区激情视频| 欧美成人a在线观看| 亚洲综合精品二区| 中文乱码字字幕精品一区二区三区| 国产老妇伦熟女老妇高清| 久久精品国产亚洲网站| 极品教师在线视频| 久久久久久久国产电影| 涩涩av久久男人的天堂| 国产色爽女视频免费观看| 成人午夜精彩视频在线观看| 人妻制服诱惑在线中文字幕| 熟女电影av网| 婷婷色麻豆天堂久久| 亚洲天堂av无毛| 精品久久久久久久久亚洲| 免费观看a级毛片全部| 成人国产麻豆网| 黑人高潮一二区| 国产成人福利小说| 视频中文字幕在线观看| 日韩成人av中文字幕在线观看| 黑人高潮一二区| 国产av不卡久久| 久久ye,这里只有精品| 日本av手机在线免费观看| 69人妻影院| 午夜免费鲁丝| 国产精品精品国产色婷婷| av在线播放精品| 国产亚洲av嫩草精品影院| 国产 精品1| 97在线视频观看| 日韩人妻高清精品专区| 汤姆久久久久久久影院中文字幕| av免费观看日本| 亚洲综合色惰| 久久久久久国产a免费观看| 狂野欧美激情性xxxx在线观看| 久久99热这里只频精品6学生| 国模一区二区三区四区视频| 久久久久精品性色| 美女高潮的动态| 精品99又大又爽又粗少妇毛片| 久久久a久久爽久久v久久| 赤兔流量卡办理| 看免费成人av毛片| 国产av码专区亚洲av| 成人毛片a级毛片在线播放| 少妇丰满av| 男女下面进入的视频免费午夜| 国产精品人妻久久久影院| 美女内射精品一级片tv| 超碰97精品在线观看| 九九爱精品视频在线观看| 亚洲不卡免费看| 夜夜爽夜夜爽视频| 国产精品国产av在线观看| 国产高清不卡午夜福利| 亚洲成人av在线免费| 免费观看av网站的网址| 欧美亚洲 丝袜 人妻 在线| av免费在线看不卡| 一边亲一边摸免费视频| 欧美激情在线99| 一区二区三区免费毛片| 人妻少妇偷人精品九色| 一级黄片播放器| 99久久人妻综合| 久久久精品免费免费高清| 网址你懂的国产日韩在线| 免费观看在线日韩| 久久久久久九九精品二区国产| 在线观看一区二区三区| 欧美少妇被猛烈插入视频| 一级毛片久久久久久久久女| 国产在视频线精品| 欧美3d第一页| 涩涩av久久男人的天堂| 国产成人午夜福利电影在线观看| 国产欧美亚洲国产| 亚洲欧美一区二区三区黑人 | 人妻夜夜爽99麻豆av| www.av在线官网国产| 午夜福利在线观看免费完整高清在| 亚洲激情五月婷婷啪啪| 精品久久久久久久久亚洲| 亚洲内射少妇av| 18禁在线无遮挡免费观看视频| 简卡轻食公司| 久久久久久久大尺度免费视频| 成人综合一区亚洲| 国产毛片a区久久久久| 成人高潮视频无遮挡免费网站| 免费观看在线日韩| 亚洲精品乱码久久久久久按摩| a级一级毛片免费在线观看| 欧美激情久久久久久爽电影| 亚洲av日韩在线播放| 美女主播在线视频| 国产精品久久久久久精品电影| 亚洲精品国产色婷婷电影| 能在线免费看毛片的网站| 在线免费观看不下载黄p国产| 亚洲美女搞黄在线观看| 亚洲人成网站高清观看| 特级一级黄色大片| 在线a可以看的网站| 午夜福利在线在线| 精品国产乱码久久久久久小说| 国产精品三级大全| 69av精品久久久久久| 久久久久网色| 中文字幕制服av| 亚洲欧美成人精品一区二区| 亚洲欧美一区二区三区黑人 | 亚洲第一区二区三区不卡| 男女边摸边吃奶| 99久久精品热视频| 中国国产av一级| 能在线免费看毛片的网站| 91精品国产九色| 在线播放无遮挡| 乱码一卡2卡4卡精品| 天天一区二区日本电影三级| 我的老师免费观看完整版| 国产极品天堂在线| 亚洲国产欧美在线一区| 一个人观看的视频www高清免费观看| 最近的中文字幕免费完整| 亚洲图色成人| 联通29元200g的流量卡| 国产高清不卡午夜福利| av免费观看日本| 激情 狠狠 欧美| 97热精品久久久久久| kizo精华| 久热这里只有精品99| 久久久久久久久久人人人人人人| 成人黄色视频免费在线看| 亚洲欧洲日产国产| 久久ye,这里只有精品| 老司机影院成人| 在线观看人妻少妇| 黄色配什么色好看| 日韩av在线免费看完整版不卡| 国产精品秋霞免费鲁丝片| 天美传媒精品一区二区| 久久久色成人| 国产v大片淫在线免费观看| 人妻 亚洲 视频| 高清午夜精品一区二区三区| 免费播放大片免费观看视频在线观看| 久久影院123| 国产黄色视频一区二区在线观看| 蜜桃久久精品国产亚洲av| 国产又色又爽无遮挡免| 欧美日韩一区二区视频在线观看视频在线 | 男人狂女人下面高潮的视频| 国产午夜精品一二区理论片| 肉色欧美久久久久久久蜜桃 | 色视频www国产| 国产色爽女视频免费观看| 成年版毛片免费区| 亚洲熟女精品中文字幕| 男女边吃奶边做爰视频| 亚洲精品日本国产第一区| 免费黄频网站在线观看国产| 欧美人与善性xxx| 久久久午夜欧美精品| 日本猛色少妇xxxxx猛交久久| 亚洲欧美清纯卡通| 99热这里只有精品一区| 内射极品少妇av片p| 久久久午夜欧美精品| a级毛片免费高清观看在线播放| 成年人午夜在线观看视频| 国产大屁股一区二区在线视频| 大陆偷拍与自拍| 成人国产麻豆网| 一级毛片久久久久久久久女| 最近的中文字幕免费完整| 美女被艹到高潮喷水动态| 99精国产麻豆久久婷婷| 久久久久精品久久久久真实原创| 少妇裸体淫交视频免费看高清| 亚洲欧美一区二区三区国产| 男人添女人高潮全过程视频| 欧美三级亚洲精品| 日韩三级伦理在线观看| 王馨瑶露胸无遮挡在线观看| 欧美丝袜亚洲另类| 国产精品伦人一区二区| 99久久精品一区二区三区| 永久免费av网站大全| 欧美日韩在线观看h| 免费播放大片免费观看视频在线观看| 在线观看国产h片| 综合色丁香网| 秋霞在线观看毛片| 久久精品熟女亚洲av麻豆精品| 亚洲电影在线观看av| 2021天堂中文幕一二区在线观| 2018国产大陆天天弄谢| 大片免费播放器 马上看| 内地一区二区视频在线| 黄色配什么色好看| 久久久久精品久久久久真实原创| av国产精品久久久久影院| 天堂俺去俺来也www色官网| 小蜜桃在线观看免费完整版高清| 午夜福利网站1000一区二区三区| 国产一区亚洲一区在线观看| 亚洲,一卡二卡三卡| 韩国高清视频一区二区三区| 伦精品一区二区三区| 亚洲精品日韩av片在线观看| 国产精品爽爽va在线观看网站| 最近2019中文字幕mv第一页| 成人午夜精彩视频在线观看| 中文字幕av成人在线电影| 亚洲av电影在线观看一区二区三区 | 人妻系列 视频| 伦精品一区二区三区| 亚洲天堂av无毛| 国产视频首页在线观看| 精品久久久精品久久久| 在线亚洲精品国产二区图片欧美 | 97超碰精品成人国产| 国产老妇女一区| 精品国产三级普通话版| 日韩欧美精品免费久久| 亚洲人成网站在线播| av天堂中文字幕网| 草草在线视频免费看| 欧美xxxx黑人xx丫x性爽| 国产日韩欧美亚洲二区| 人体艺术视频欧美日本| 亚洲精品乱久久久久久| 日本爱情动作片www.在线观看| 亚洲人成网站在线播| 国产高清不卡午夜福利| 亚洲一级一片aⅴ在线观看| 一本一本综合久久| 久久精品熟女亚洲av麻豆精品| 亚洲精品亚洲一区二区| 有码 亚洲区| 欧美少妇被猛烈插入视频| 天天躁日日操中文字幕| 精品亚洲乱码少妇综合久久| 国产熟女欧美一区二区| 97超视频在线观看视频| 观看美女的网站| 啦啦啦中文免费视频观看日本| 亚洲精品第二区| 久久久久九九精品影院| 一本久久精品| 亚洲av不卡在线观看| 秋霞伦理黄片| 国产精品不卡视频一区二区| 成人亚洲精品一区在线观看 | 91久久精品国产一区二区成人| 亚洲,一卡二卡三卡| 乱系列少妇在线播放| 欧美丝袜亚洲另类| 亚洲精品中文字幕在线视频 | 久久韩国三级中文字幕| 免费看av在线观看网站| 精品人妻一区二区三区麻豆| 天堂网av新在线| 波野结衣二区三区在线| 日本与韩国留学比较| 免费av毛片视频| 国产免费一区二区三区四区乱码| 久久久久久久大尺度免费视频| 夫妻性生交免费视频一级片| 亚洲精品日韩av片在线观看| 亚洲欧洲日产国产| 亚洲精品日本国产第一区| 国产精品蜜桃在线观看| 欧美高清成人免费视频www| 天天躁夜夜躁狠狠久久av| 午夜激情久久久久久久| 男插女下体视频免费在线播放| 欧美成人午夜免费资源| 熟女电影av网| 一级片'在线观看视频| 老司机影院成人| 国产成人精品一,二区| 亚洲精品亚洲一区二区| 自拍欧美九色日韩亚洲蝌蚪91 | 91精品一卡2卡3卡4卡| 天天躁夜夜躁狠狠久久av| 精品久久久久久久久av| 下体分泌物呈黄色| 中国美白少妇内射xxxbb| 菩萨蛮人人尽说江南好唐韦庄| 男男h啪啪无遮挡| 国产成人a区在线观看| 国产极品天堂在线| 国精品久久久久久国模美| 直男gayav资源| 国产高潮美女av| 91在线精品国自产拍蜜月| 亚洲国产色片| 国产成人一区二区在线| 菩萨蛮人人尽说江南好唐韦庄| 成年人午夜在线观看视频| 另类亚洲欧美激情| 国产精品av视频在线免费观看| 麻豆成人午夜福利视频| 免费大片黄手机在线观看| 日产精品乱码卡一卡2卡三| 91在线精品国自产拍蜜月| 国产亚洲av片在线观看秒播厂| 亚洲性久久影院| 免费观看a级毛片全部| 亚洲va在线va天堂va国产| 日日摸夜夜添夜夜添av毛片| eeuss影院久久| 美女内射精品一级片tv| 69av精品久久久久久| 亚洲精品日韩在线中文字幕| 一级片'在线观看视频| 一本一本综合久久| 涩涩av久久男人的天堂| 插逼视频在线观看| 日韩欧美精品v在线| 国产高清有码在线观看视频| 免费看av在线观看网站| 免费少妇av软件| 亚洲国产高清在线一区二区三| 自拍欧美九色日韩亚洲蝌蚪91 | 大香蕉97超碰在线| 又爽又黄a免费视频| 大香蕉久久网| 搡女人真爽免费视频火全软件| 性色avwww在线观看| 高清在线视频一区二区三区| 你懂的网址亚洲精品在线观看| 各种免费的搞黄视频| 99久久精品国产国产毛片| 国产日韩欧美亚洲二区| 亚洲精品自拍成人| 王馨瑶露胸无遮挡在线观看| 中文资源天堂在线| 国产成人91sexporn| 国产精品久久久久久久久免| 成人毛片a级毛片在线播放| 欧美xxxx黑人xx丫x性爽| 91狼人影院| 国产国拍精品亚洲av在线观看| 亚洲久久久久久中文字幕| 汤姆久久久久久久影院中文字幕| 高清欧美精品videossex| av在线播放精品| 啦啦啦中文免费视频观看日本| 亚洲综合精品二区| 毛片女人毛片| av在线app专区| 成人亚洲欧美一区二区av| 久久久久久久午夜电影| 美女视频免费永久观看网站| 成人毛片a级毛片在线播放| 久久久久久久精品精品| 男女无遮挡免费网站观看| 纵有疾风起免费观看全集完整版| 免费av毛片视频| 午夜激情福利司机影院| 九九在线视频观看精品| 亚洲国产欧美人成| 成人二区视频| 两个人的视频大全免费| 日本爱情动作片www.在线观看| 中文字幕制服av| 在线观看av片永久免费下载| 丰满少妇做爰视频| 特级一级黄色大片| 亚洲精品国产成人久久av| 亚洲美女搞黄在线观看| 国产有黄有色有爽视频| 免费大片18禁| 亚洲av在线观看美女高潮| 国产真实伦视频高清在线观看| 日本欧美国产在线视频| 久久久久久久久久成人| 大码成人一级视频| 91精品国产九色| 在线看a的网站| av在线播放精品| 国产成人一区二区在线| 欧美精品国产亚洲| 韩国高清视频一区二区三区| 人妻夜夜爽99麻豆av| 亚洲色图综合在线观看| 亚洲,欧美,日韩| 久久久久精品久久久久真实原创| 最近2019中文字幕mv第一页| 一级毛片黄色毛片免费观看视频| 成人国产麻豆网| 97精品久久久久久久久久精品| 欧美日韩一区二区视频在线观看视频在线 | 哪个播放器可以免费观看大片| 午夜爱爱视频在线播放| 久久久久久久久久成人| 中国国产av一级| 高清视频免费观看一区二区| 97超视频在线观看视频| 久久久久久久国产电影| 免费高清在线观看视频在线观看| 简卡轻食公司| 日韩欧美 国产精品| 99久久精品国产国产毛片| 黄色一级大片看看| 国产成人福利小说| 国产69精品久久久久777片| 亚洲精品日韩在线中文字幕| 一本一本综合久久| 国国产精品蜜臀av免费| 久久久久久久久久久丰满| 亚洲一区二区三区欧美精品 | 免费大片黄手机在线观看| 国产男人的电影天堂91| 男女那种视频在线观看| 男女边摸边吃奶| 在线免费十八禁| 夜夜看夜夜爽夜夜摸| 一区二区三区乱码不卡18| 夜夜爽夜夜爽视频| 七月丁香在线播放| 欧美 日韩 精品 国产| 午夜日本视频在线| 日韩 亚洲 欧美在线| 插逼视频在线观看| 色播亚洲综合网| 亚洲无线观看免费| 精品久久国产蜜桃| 最近最新中文字幕大全电影3| 精品国产三级普通话版| 91精品国产九色| 美女主播在线视频| 欧美3d第一页| 欧美精品人与动牲交sv欧美| 天天躁日日操中文字幕| 天天一区二区日本电影三级| 国产综合精华液| 小蜜桃在线观看免费完整版高清| 啦啦啦在线观看免费高清www| 免费少妇av软件| 久久人人爽人人爽人人片va| 精品亚洲乱码少妇综合久久| 日韩不卡一区二区三区视频在线| 欧美高清性xxxxhd video| 精品久久久久久电影网| 亚洲精品乱码久久久v下载方式| 99久久中文字幕三级久久日本| 中文字幕人妻熟人妻熟丝袜美| 免费av毛片视频| 国产精品麻豆人妻色哟哟久久| 中文精品一卡2卡3卡4更新| 青春草视频在线免费观看| 青春草亚洲视频在线观看| 熟女av电影| 久久综合国产亚洲精品| 十八禁网站网址无遮挡 | 欧美日韩综合久久久久久| 婷婷色综合www| 国产爱豆传媒在线观看| 亚洲欧美日韩另类电影网站 | 波野结衣二区三区在线| 在线观看免费高清a一片| 九九在线视频观看精品| 国产人妻一区二区三区在| 亚洲精品日韩在线中文字幕| 国产乱来视频区| 免费高清在线观看视频在线观看| 如何舔出高潮| 亚洲自拍偷在线| 久热久热在线精品观看| 亚洲一区二区三区欧美精品 | 精品人妻视频免费看| 99久久人妻综合| 最新中文字幕久久久久| 男女那种视频在线观看| 激情 狠狠 欧美| 搞女人的毛片|