• <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 ?

    基于圖神經(jīng)網(wǎng)絡(luò)異構(gòu)數(shù)據(jù)融合的學(xué)科新興主題探測研究*

    2023-12-23 03:46:30段慶鋒閆緒嫻劉東霞
    情報(bào)雜志 2023年12期
    關(guān)鍵詞:異構(gòu)向量學(xué)科

    段慶鋒 陳 紅 閆緒嫻 劉東霞

    (山西財(cái)經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院 太原 030006)

    1 問題的提出

    反映學(xué)科趨勢的新興主題是科技競爭焦點(diǎn),對(duì)于科技決策者至關(guān)重要。面對(duì)學(xué)科領(lǐng)域交叉融合與動(dòng)態(tài)演化的復(fù)雜情形,準(zhǔn)確認(rèn)知甚至前瞻預(yù)測學(xué)科新興趨勢日益困難。當(dāng)前,大數(shù)據(jù)技術(shù)為洞穿表象而直達(dá)內(nèi)在本質(zhì)提供了高效工具,富含豐富信息的海量學(xué)科數(shù)據(jù)更為揭示新興主題提供底層基礎(chǔ)。然而,大數(shù)據(jù)往往具有不同來源、不同媒介,甚至不同結(jié)構(gòu)[1],數(shù)據(jù)范疇的最大化擴(kuò)展盡管有助于提升分析能力,但由此伴隨的數(shù)據(jù)結(jié)構(gòu)內(nèi)在沖突也給分析建模帶來挑戰(zhàn)。因此,探索多元異質(zhì)學(xué)科數(shù)據(jù)的融合分析與建模已經(jīng)成為學(xué)界的重要研究內(nèi)容。

    縱觀科技情報(bào)相關(guān)文獻(xiàn),用于學(xué)科探測的數(shù)據(jù)主要體現(xiàn)為兩大類。一是指標(biāo)型數(shù)據(jù),反映實(shí)體對(duì)象的個(gè)體狀態(tài),如文獻(xiàn)計(jì)量指標(biāo)、altmetrics指標(biāo)等[2];二是關(guān)系型(或網(wǎng)絡(luò)型)數(shù)據(jù),反映實(shí)體對(duì)象個(gè)體之間的關(guān)系狀態(tài),這些關(guān)系呈現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu),比如主題共現(xiàn)、文獻(xiàn)共引等[3]。這樣兩種數(shù)據(jù)呈現(xiàn)不同結(jié)構(gòu)定義,它們?cè)趯W(xué)科新興主題探測研究中發(fā)揮不可或缺作用,通過主題指標(biāo)(指標(biāo)型數(shù)據(jù))的時(shí)序分析可以從縱向揭示學(xué)科新興狀態(tài),通過主題間橫向關(guān)系模式(關(guān)系型數(shù)據(jù))可以揭示涌現(xiàn)狀態(tài)??梢?此兩種數(shù)據(jù)從不同視角及層面反映了學(xué)科主題狀態(tài),它們相互補(bǔ)充且不可替代。因此,全面揭示學(xué)科規(guī)律需要以指標(biāo)型數(shù)據(jù)與關(guān)系型數(shù)據(jù)的深度融合為基礎(chǔ),因?yàn)閷W(xué)科發(fā)展既表現(xiàn)為主題知識(shí)的個(gè)體狀態(tài)動(dòng)態(tài)演化,同時(shí)又存在主題間知識(shí)關(guān)聯(lián)與相互影響,不論何種類型數(shù)據(jù)的缺失都可能會(huì)導(dǎo)致分析視角不全面,更影響學(xué)科理解的深入性??傊?把握學(xué)科新興主題需要且離不開異構(gòu)數(shù)據(jù)的集成融合。

    然而,目前科技情報(bào)學(xué)界對(duì)于異構(gòu)數(shù)據(jù)融合研究還不夠充分,仍不能完全滿足學(xué)科探測對(duì)于全景大數(shù)據(jù)的統(tǒng)一集成分析需求。面對(duì)指標(biāo)型數(shù)據(jù)與關(guān)系型數(shù)據(jù),已有研究大多將源于不同數(shù)據(jù)分析的結(jié)果通過集結(jié)方式實(shí)現(xiàn)綜合分析[4],這樣雖然獲得全面性,但是缺乏數(shù)據(jù)的統(tǒng)一建模利用,分析效率與深度都受到限制。究其原因,結(jié)構(gòu)上的差異阻礙了信息的深度融合。例如,在探測新興主題場景中常用的預(yù)測模型通常只能將指標(biāo)型時(shí)序數(shù)據(jù)作為輸入對(duì)象,而作為非歐式數(shù)據(jù)的關(guān)系型數(shù)據(jù)難以被導(dǎo)入模型,這樣意味著學(xué)科主題預(yù)測結(jié)果只能利用主題個(gè)體在時(shí)間縱向上的動(dòng)態(tài)規(guī)律,而忽略了主題橫向間存在的相互依賴與作用關(guān)系,顯然重要信息維度的缺失會(huì)直接降低預(yù)測能力,嚴(yán)重?fù)p害主題知識(shí)發(fā)展規(guī)律的深度揭示。因此,指標(biāo)型數(shù)據(jù)與關(guān)系型數(shù)據(jù)的異構(gòu)融合已經(jīng)成為制約學(xué)科新興主題發(fā)現(xiàn)的不可忽視環(huán)節(jié),是促進(jìn)學(xué)科探測研究的重要內(nèi)容。

    針對(duì)上述研究缺口,本文將圖神經(jīng)網(wǎng)絡(luò)應(yīng)用于學(xué)科新興主題探測領(lǐng)域,通過異構(gòu)數(shù)據(jù)的深度融合構(gòu)建全景數(shù)據(jù)驅(qū)動(dòng)的學(xué)科新興主題預(yù)測模型。卷積神經(jīng)網(wǎng)絡(luò)模型(GCN)是專門針對(duì)圖結(jié)構(gòu)的學(xué)習(xí)模式,能夠克服傳統(tǒng)模型對(duì)于非歐式數(shù)據(jù)(關(guān)系數(shù)據(jù))學(xué)習(xí)能力不足問題,尤其能夠?qū)⒐?jié)點(diǎn)特征(指標(biāo)數(shù)據(jù))與節(jié)點(diǎn)關(guān)系(關(guān)系數(shù)據(jù))融合學(xué)習(xí),非常適合于異構(gòu)學(xué)科數(shù)據(jù)的融合場景。具體地,構(gòu)建基于GCN的多維特征與共現(xiàn)關(guān)系的融合表示學(xué)習(xí)模型,獲得主題向量;然后,基于主題向量時(shí)序樣本,構(gòu)建基于與LSTM的主題趨勢預(yù)測模型;最后,以圖書情報(bào)學(xué)領(lǐng)域?yàn)槔?開展實(shí)證研究,以檢驗(yàn)方法有效性。

    2 相關(guān)研究

    新興主題戰(zhàn)略價(jià)值關(guān)鍵在于面向未來的趨勢與影響力,因此揭示主題狀態(tài)趨勢的預(yù)測方法成為最常用分析工具。在學(xué)科主題預(yù)測方面,基于指標(biāo)型數(shù)據(jù)和關(guān)系型數(shù)據(jù)的研究方法具有鮮明不同之處,各自形成分析范式。

    基于指標(biāo)型數(shù)據(jù)的預(yù)測方法。反映主題趨勢的方法有增長型指數(shù)法[5]、S型增長曲線擬合法[6]、主題聚類變化[7]等。值得注意的是,近年以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)理論及算法不斷成熟,成為新興主題預(yù)見的熱門方法。霍朝光等[8]構(gòu)建基于LSTM模型的學(xué)科主題熱度預(yù)測模型。朱光等[9][10]融合深度神經(jīng)網(wǎng)絡(luò)模型和文獻(xiàn)計(jì)量指標(biāo)用于預(yù)測新興主題。陳偉等[11]采用包含雙重隨機(jī)過程的隱馬爾可夫模型預(yù)測未來技術(shù)趨勢。許學(xué)國和桂美增[12]構(gòu)建采用LSTM模型和經(jīng)驗(yàn)?zāi)B(tài)分解EMD的技術(shù)主題預(yù)測,并通過Clarivate Analytics機(jī)構(gòu)發(fā)布的年度年報(bào)告對(duì)比說明方法有效性。Xu等[13]構(gòu)建了融合多種機(jī)器學(xué)習(xí)模型的新興主題預(yù)測識(shí)別方法。雖然這些預(yù)測模型采用了最新預(yù)測技術(shù),但是主要基于時(shí)序特征數(shù)據(jù)分析主題趨勢,對(duì)關(guān)系模式的抽取與分析不足。

    基于關(guān)系數(shù)據(jù)(網(wǎng)絡(luò)結(jié)構(gòu))的預(yù)測方法。鏈路預(yù)測能夠預(yù)測節(jié)點(diǎn)連接幾率,為主題分析提供結(jié)構(gòu)視角方案[14]。然而,鏈路預(yù)測建立在拓?fù)涮卣髦笜?biāo)之上,缺乏網(wǎng)絡(luò)關(guān)系學(xué)習(xí)能力[15]。值得注意的是,圖神經(jīng)網(wǎng)絡(luò)GNN克服了網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的難題,開始得到學(xué)界廣泛重視。作為GNN典型代表的圖卷積神經(jīng)網(wǎng)絡(luò)GCN已在命名實(shí)體識(shí)別[16]、異質(zhì)鏈路預(yù)測[17]、輿情分析[18]、文本分類[19]、多維學(xué)科知識(shí)網(wǎng)絡(luò)融合[20]等多個(gè)場景取得研究進(jìn)展。例如,劉非凡等[21]使用深度圖神經(jīng)網(wǎng)絡(luò)探測學(xué)科領(lǐng)域主題知識(shí)結(jié)構(gòu),該方法能夠有效融合文獻(xiàn)的文本內(nèi)容特征信息以及其引用關(guān)系特征信息,提升結(jié)果精準(zhǔn)性。Kong等[22]使用圖卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建技術(shù)主題收斂識(shí)別模型。張思凡等[23]提出了基于GCN的文獻(xiàn)被引量預(yù)測模型。GCN模型對(duì)網(wǎng)絡(luò)數(shù)據(jù)的學(xué)習(xí)能力開始已經(jīng)得到廣泛應(yīng)用,尤其同時(shí)利用節(jié)點(diǎn)特征與網(wǎng)絡(luò)關(guān)系的表示學(xué)習(xí)能力更體現(xiàn)了分析優(yōu)勢。

    基于主題指標(biāo)數(shù)據(jù)與關(guān)系數(shù)據(jù)的研究都已相當(dāng)成熟,但融合兩種類型數(shù)據(jù)的集成探測相對(duì)不足。普通神經(jīng)網(wǎng)絡(luò)雖然能夠?qū)崿F(xiàn)不同來源及類型數(shù)據(jù)的特征自學(xué)習(xí),但是無法實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)上的學(xué)習(xí),難以將關(guān)系數(shù)據(jù)與特征數(shù)據(jù)融合學(xué)習(xí)。近年發(fā)展迅速的圖神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)模型在圖結(jié)構(gòu)上學(xué)習(xí),能夠達(dá)成節(jié)點(diǎn)特征與網(wǎng)絡(luò)關(guān)系的信息融合,生成表示向量[24]。圖表示學(xué)習(xí)模型事實(shí)上實(shí)現(xiàn)了異構(gòu)數(shù)據(jù)的信息融合與統(tǒng)一表達(dá),能夠?yàn)槊嫦蛑黝}分析的異構(gòu)數(shù)據(jù)集成利用與統(tǒng)一建模提供基礎(chǔ)。

    3 主題共現(xiàn)矩陣與多維指標(biāo)構(gòu)建

    3.1 數(shù)據(jù)來源及處理

    數(shù)據(jù)來源于兩部分:一是WoS數(shù)據(jù)庫;二是altmetrics網(wǎng)站平臺(tái)。其一,WoS是主流文獻(xiàn)題錄數(shù)據(jù)庫,收錄文獻(xiàn)能夠反映學(xué)科前沿,是主題探測的常用數(shù)據(jù)源。圖書情報(bào)學(xué)為實(shí)證領(lǐng)域,是典型復(fù)合型學(xué)科,前沿信息技術(shù)不斷引入并融入圖情場景,新興主題不斷活躍涌現(xiàn),復(fù)雜動(dòng)態(tài)的學(xué)科前沿非常適合用于檢驗(yàn)學(xué)科探測方法。檢索策略為查詢代表性期刊文獻(xiàn),包括Scientometrics、Journal of the Association for Information Science and Technology、Journal of Informetrics、Information Processing &Management、Information &Management。具體地,采用上述檢索策略可以得到文獻(xiàn)類型為article的文獻(xiàn)記錄共計(jì)6326條,其時(shí)間跨度為8年(2013-2020)。其二,網(wǎng)站altmetric.com是目前主流的altmetrics服務(wù)提供商,具有開源免費(fèi)、指標(biāo)豐富、覆蓋率高等優(yōu)點(diǎn),完全滿足數(shù)據(jù)采集需要。具體地,采用python爬蟲工具,以文獻(xiàn)DOI號(hào)為線索爬取altmetrics數(shù)據(jù),經(jīng)過多輪數(shù)據(jù)清洗,最終獲得3448條匹配記錄。

    3.2 主題共現(xiàn)矩陣

    主題詞是分析基礎(chǔ),從文獻(xiàn)關(guān)鍵詞、標(biāo)題及摘要當(dāng)中通過分析程序抽取獲得,經(jīng)過多輪數(shù)據(jù)清洗、篩選、檢驗(yàn)從中挑選出250個(gè)高頻主題詞。對(duì)于備選主題詞,定義250×250的共現(xiàn)矩陣A,其任意元素Aij∈{0,1},當(dāng)主題i和j存在共現(xiàn)關(guān)系,則Aij取值為1,否則為0。共現(xiàn)關(guān)系是揭示主題語義模式的重要工具,如果兩個(gè)主題詞共同出現(xiàn)在同一篇學(xué)術(shù)文獻(xiàn)之中,則認(rèn)為兩者存在共現(xiàn)關(guān)系。按照年份計(jì)算,由此得到共8年(2013-2020)的主題共現(xiàn)矩陣時(shí)序數(shù)據(jù)。

    3.3 主題多維特征

    為了全面揭示主題狀態(tài),分別構(gòu)建文獻(xiàn)熱度、引用熱度、社交熱度三個(gè)主題指標(biāo)。這些指標(biāo)是學(xué)科知識(shí)形成傳播演變的不同視角揭示,涵蓋了學(xué)科主題在文獻(xiàn)媒介、引用媒介、社交媒介的多維特征體現(xiàn)。首先,主題的文獻(xiàn)熱度Di定義為包含主題i的學(xué)術(shù)文獻(xiàn)數(shù)量。學(xué)術(shù)文獻(xiàn)是學(xué)科主題形成與傳播的關(guān)鍵主要載體,主題出現(xiàn)的次數(shù)越多,反映其關(guān)注程度越高,文獻(xiàn)媒介熱度亦越高。

    其次,從引用視角,定義主題引用熱度Ci為

    (1)

    其中變量citedj表示學(xué)術(shù)文獻(xiàn)j的被引數(shù),Iij表示指標(biāo)變量,反映了主題i是否出現(xiàn)在文獻(xiàn)j,其定義為:

    (2)

    被引數(shù)是反映文檔學(xué)術(shù)價(jià)值的最常見和經(jīng)典的文獻(xiàn)計(jì)量指標(biāo),通常認(rèn)為被引越高,則學(xué)術(shù)影響力越高。主題是文檔內(nèi)容的總結(jié)凝練,引用實(shí)質(zhì)上也對(duì)相關(guān)主題的指向。因此,主題引用熱度某種程度上亦反映了主題的學(xué)術(shù)影響力,體現(xiàn)了學(xué)者關(guān)注程度,取值越大,說明主題越具有學(xué)術(shù)價(jià)值。

    最后,從社交媒介視角,構(gòu)建主題社交熱度指標(biāo)Ai。借鑒段慶鋒等[25]提出的社交媒介關(guān)注指標(biāo),其定義為:

    (3)

    其中變量altmetricsj表示學(xué)術(shù)文檔j的替代計(jì)量指標(biāo),Iij表示指標(biāo)變量,定義見公式(2)。主題社交熱度指標(biāo)建立在替代計(jì)量指標(biāo)基礎(chǔ)之上,是主題獲得的社交媒體關(guān)注數(shù)量累積,反映主題在網(wǎng)絡(luò)環(huán)境的關(guān)注熱度。替代計(jì)量指標(biāo)是文獻(xiàn)計(jì)量指標(biāo)的補(bǔ)充和擴(kuò)展,刻畫了更加廣泛的學(xué)術(shù)影響力。主題社交熱度指標(biāo)越高,說明該主題在社交媒體上獲得越高的關(guān)注和傳播,尤其反映了社交網(wǎng)絡(luò)層面的熱度。

    由此,指標(biāo)集(D,C,A)構(gòu)成三維特征,250個(gè)主題形成250×3的特征矩陣X。特征矩陣反映了主題的多維特征,這些特征源于不同媒介,構(gòu)成多源數(shù)據(jù)。多維特征矩陣X與共現(xiàn)矩陣A具有不同結(jié)構(gòu)形式,共同組成了多源異構(gòu)數(shù)據(jù),并作為異構(gòu)數(shù)據(jù)融合模型的輸入

    4 模型構(gòu)建

    4.1 整體框架

    GCN模型具有強(qiáng)力的網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)能力,并可以實(shí)現(xiàn)關(guān)系數(shù)據(jù)與特征數(shù)據(jù)的擬合與自學(xué)習(xí)?;贕CN模型獲得的主題表示向量,采用LSTM模型預(yù)測新興主題。整體上由兩部分模型組合而成,一是用于圖表示學(xué)習(xí)的GCN模型,二是用于新興主題預(yù)測的LSTM模型,如圖1所示。

    圖1 融合多維特征和共現(xiàn)關(guān)系的學(xué)科新興主題探測框架

    多源異構(gòu)數(shù)據(jù)。多維指標(biāo)與共現(xiàn)關(guān)系分別反映主題的不同數(shù)據(jù),蘊(yùn)含互補(bǔ)信息,都能夠?yàn)橹黝}趨勢預(yù)測提供信息支撐。將兩種異構(gòu)數(shù)據(jù)同時(shí)用于預(yù)測模型以提升預(yù)見能力是研究的邏輯出發(fā)點(diǎn)。

    數(shù)據(jù)融合模型。采用GCN模型實(shí)現(xiàn)異構(gòu)主題數(shù)據(jù)的融合,得到用于趨勢預(yù)測的主題表示向量。GCN模型設(shè)定中,節(jié)點(diǎn)屬性通過多維特征加以刻畫,節(jié)點(diǎn)關(guān)系通過共現(xiàn)矩陣加以表現(xiàn)。

    預(yù)測模型。LSTM預(yù)測模型以融合多源異構(gòu)數(shù)據(jù)的主題時(shí)序向量為輸入,輸出為反映是否為新興主題的二元標(biāo)簽。

    4.2 基于GCN的主題異構(gòu)數(shù)據(jù)融合表示學(xué)習(xí)

    圖卷積神經(jīng)網(wǎng)絡(luò)最早于2017年由Kipf和Welling提出[26],以圖數(shù)據(jù)為樣本,對(duì)節(jié)點(diǎn)關(guān)系進(jìn)行表示學(xué)習(xí),基于拉普拉斯矩陣的圖上卷積運(yùn)算是算法核心,理論扎實(shí)且性能優(yōu)異。雖然,以DeepWalk、Node2Vec為代表的圖神經(jīng)網(wǎng)絡(luò)模型能夠在網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行學(xué)習(xí),但采用的隨機(jī)采樣策略存在信息丟失問題[27]。GCN模型克服了上述問題,通過圖上卷積運(yùn)算將節(jié)點(diǎn)表示為低維實(shí)向量,該向量是針對(duì)網(wǎng)絡(luò)關(guān)系與節(jié)點(diǎn)特征的學(xué)習(xí)輸出結(jié)果。

    a.模型架構(gòu)。自編碼結(jié)構(gòu)是神經(jīng)網(wǎng)絡(luò)分布式表示學(xué)習(xí)常用框架,整體上包括編碼器(encoder)和解碼器(decoder)兩部分,如圖2所示。編碼器部分由兩層GCN模塊串聯(lián)而成,負(fù)責(zé)將共現(xiàn)矩陣A和多維特征X構(gòu)成的異構(gòu)數(shù)據(jù)轉(zhuǎn)化為表示向量Z,解碼器部分負(fù)責(zé)基于表示向量Z實(shí)現(xiàn)網(wǎng)絡(luò)還原。中間向量Z就是需要的主題表示結(jié)果,期望該向量能夠盡可能地學(xué)習(xí)得到網(wǎng)絡(luò)關(guān)鍵特征。

    圖2 基于GCN的主題表示向量學(xué)習(xí)模型

    b.編碼器部分。兩層GCN模塊連接組成。研究指出GCN模型不需要堆疊多層就可以取得不錯(cuò)效果[28]。具體地,公式(4)和(5)給出了GCN模塊的正向傳播過程。

    (4)

    (5)

    (5)

    4.3 基于LSTM的學(xué)科新興主題預(yù)測

    采用LSTM模型,從主題歷史狀態(tài)數(shù)據(jù)中學(xué)習(xí)動(dòng)態(tài)演化規(guī)律,并基于擬合模型預(yù)測主題未來新興狀態(tài)。GCN模型輸出的表示向量Z融合了源于主題多維特征與共現(xiàn)關(guān)系信息,能夠充分表征主題狀態(tài),此主題向量時(shí)間序列被用于預(yù)測模型。長短期記憶模型LSTM是一種典型的循環(huán)神經(jīng)網(wǎng)絡(luò),優(yōu)點(diǎn)在于通過包括遺忘門、輸入門、輸出門的模型機(jī)制克服了訓(xùn)練過程中的梯度爆炸及消失問題,能夠更有效地從序列數(shù)據(jù)中捕捉特征。

    預(yù)測模型主要包括4大部分:輸入層、LSTM層、全連層和輸出層,如圖3所示。模型通過前T年向量數(shù)據(jù)預(yù)測第T+1年主題是否呈現(xiàn)新興狀態(tài)。為了獲得訓(xùn)練集樣本標(biāo)簽,采用突發(fā)性檢測算法(Burst Detection)[29],對(duì)主題的新興狀態(tài)序列進(jìn)行二元標(biāo)注,若某主題第t年處于新興狀態(tài)則將其標(biāo)注為1,否則標(biāo)注為0。以損失最小為優(yōu)化目標(biāo),采用隨機(jī)梯度下降法,通過多輪次迭代,可以得到擬合效果滿意的估計(jì)模型。

    圖3 基于LSTM的新興主題預(yù)測模型

    5 結(jié)果分析

    5.1 模型比較

    為了說明設(shè)計(jì)合理性,需通過與其他基準(zhǔn)模型的比較,檢驗(yàn)融合模型的預(yù)測性能優(yōu)勢。在設(shè)計(jì)策略方面,有3個(gè)關(guān)鍵環(huán)節(jié)需要考慮,一是是否采用數(shù)據(jù)融合策略(融合數(shù)據(jù)v.s.非融合數(shù)據(jù));二是采用何種融合模型(GCN v.s.其他GNN);三是采用何種預(yù)測模型(LSTM v.s. GRU)。由此,通過不同模型設(shè)計(jì)策略方式組合,形成除本文模型(模型7)之外的其他6個(gè)參考模型用于性能比較。對(duì)于這些監(jiān)督學(xué)習(xí)模型,選取5個(gè)常用的模型評(píng)估指標(biāo)進(jìn)行分析,包括Accuracy、Precision、Recall、F1、AUC,通過多個(gè)指標(biāo)的綜合研判有助于全面揭示模型優(yōu)劣勢。采用10折交叉驗(yàn)證法劃分訓(xùn)練集與測試集,基于此開展模型預(yù)測性能比較,見表1。

    a.融合數(shù)據(jù)v.s.非融合數(shù)據(jù)。本文模型7采用了多維特征與共現(xiàn)關(guān)系的融合數(shù)據(jù),模型1只采用多維特征數(shù)據(jù),模型2只采用共現(xiàn)關(guān)系數(shù)據(jù)。模型設(shè)計(jì)方面,模型1直接采用多維特征X數(shù)據(jù)進(jìn)行預(yù)測模型訓(xùn)練與測試;模型2將GCN模型中輸入特征X設(shè)定為全1向量,相當(dāng)于只采用關(guān)系數(shù)據(jù)進(jìn)行預(yù)測。通過比較可以看出,模型7在各個(gè)指標(biāo)上都全面優(yōu)于其他2個(gè)模型。結(jié)果支持了最初的判斷,即多源異構(gòu)數(shù)據(jù)有助于提升分析預(yù)測能力,將包含互補(bǔ)信息的多維特征與共現(xiàn)關(guān)系數(shù)據(jù)融合表示,能夠?yàn)樾屡d主題趨勢認(rèn)知提供更有效的數(shù)據(jù)支撐,這也是本文新興主題探測優(yōu)勢的關(guān)鍵所在。

    b.GCN v.s.其他GNN模型。GCN是圖神經(jīng)網(wǎng)絡(luò)GNN的一種,與其他圖神經(jīng)網(wǎng)絡(luò)類型進(jìn)行比較,能夠說明選用GCN的合理性。這里選用3種GNN模型作為對(duì)比模型,包括Node2Vec、GAT、GraphSAGE。Node2Vec模型原理源于詞嵌入方法,在DeepWalk基礎(chǔ)上進(jìn)一步優(yōu)化了采樣效果,采用了不同的隨機(jī)游走方式;GAT模型則在GCN基礎(chǔ)上加入了注意力機(jī)制,具有更強(qiáng)自適應(yīng)能力;GraphSAGE則是一種inductive式學(xué)習(xí),相對(duì)于GCN模型transductive式學(xué)習(xí)的有限擴(kuò)展,能夠?qū)⒁延?xùn)練模型靈活地應(yīng)用于未知新數(shù)據(jù)。分別采用上述3種模型作為主題向量學(xué)習(xí)模塊,而主題預(yù)測部分保持固定,由此得到采用Node2Vec的模型4、采用GAT的模型5,采用GraphSAGE的模型6。將本文模型7與上述3個(gè)模型進(jìn)行比較,可以發(fā)現(xiàn)它們的準(zhǔn)確率和AUC差距不大,而召回率差距最為明顯。其中,模型4表現(xiàn)最差,可能受到Node2Vec算法采樣隨機(jī)性的制約影響?;贕AT的模型5和基于GraphSAGE的模型6在各項(xiàng)指標(biāo)上各有優(yōu)劣,但仍與基于GCN的模型7存在差距。模型6有很高的分類精度,但召回率很低。綜上所述,基于GCN的模型7表現(xiàn)最佳,GCN在新興主題預(yù)測中表現(xiàn)優(yōu)于其他3種對(duì)比模型,說明圖特征提取能力優(yōu)異的GCN模型是合適的圖學(xué)習(xí)模型選擇。

    c.LSTM v.s. GRU。模型3改用GRU作為預(yù)測模塊,圖表示學(xué)習(xí)部分保持不變。GRU模型結(jié)構(gòu)相對(duì)簡單,采用重置門和更新門實(shí)現(xiàn)對(duì)歷史數(shù)據(jù)的遺忘和更新,與LSTM模型同屬循環(huán)神經(jīng)網(wǎng)絡(luò),都是當(dāng)前應(yīng)用廣泛的時(shí)間序列模型。通過比較可以看出,模型3明顯劣于本文模型7,尤其在預(yù)測分類精度和召回率方面水平較低。由此,LSTM模型比GRU模型更加適用于新興主題的前瞻探測任務(wù),LSTM模型的選用具有合理性。

    綜上所述,比較結(jié)果說明GCN與LSTM的模型組合方案具有相對(duì)優(yōu)勢,能夠在出準(zhǔn)確率之外的指標(biāo)上保持領(lǐng)先,展現(xiàn)出良好預(yù)測能力。良好性能表現(xiàn)也反映了基于融合數(shù)據(jù)模型設(shè)計(jì)的合理性,一方面,GCN模型對(duì)異構(gòu)數(shù)據(jù)展現(xiàn)出良好的深度信息融合能力,尤其將主題多維指標(biāo)特征與共現(xiàn)關(guān)系實(shí)現(xiàn)深度信息融合,形成表征能力強(qiáng)的表示向量,該向量同時(shí)包含了主題個(gè)體特征與橫向關(guān)聯(lián)特征,這種信息豐富度的最大化為學(xué)科分析提供了有力數(shù)據(jù)基礎(chǔ);另一方面,LSTM模型負(fù)責(zé)接收融合數(shù)據(jù)并從中學(xué)習(xí)獲得趨勢預(yù)測能力,其與GCN模型形成的組合方案中表現(xiàn)出良好適配性,耦合良好的模型設(shè)計(jì)有助于充分挖掘融合數(shù)據(jù)的內(nèi)在豐富內(nèi)涵,形成面向?qū)W科預(yù)見的一體化模型。

    5.2 識(shí)別分析

    進(jìn)一步結(jié)合學(xué)科背景檢驗(yàn)新興主題預(yù)測有效性。具體地,將2017―2020年數(shù)據(jù)導(dǎo)入擬合模型,預(yù)測各個(gè)主題2021年的新興涌現(xiàn)程度。通過主題預(yù)測,從中篩選出潛在新興主題,揭示這些主題的學(xué)術(shù)價(jià)值與學(xué)科啟示,可以檢驗(yàn)異構(gòu)融合數(shù)據(jù)預(yù)測模型在學(xué)科探測場景的應(yīng)用性。

    表2給出模型預(yù)測出的涌現(xiàn)潛力前20名主題,是重點(diǎn)考察分析對(duì)象。雖然通過預(yù)測年份文獻(xiàn)資料回溯分析可以比較檢驗(yàn)上述主題的涌現(xiàn)特征,但這些主題是否真正反映學(xué)科復(fù)雜動(dòng)態(tài)及未來趨勢,甚至具有遠(yuǎn)期的科技戰(zhàn)略價(jià)值,需要綜合分析并多方求證,尤其需要借助專家的豐富經(jīng)驗(yàn)形成學(xué)科主題洞見。這里期望篩選出的主題不僅具有預(yù)期的高增長潛力,更希望這些主題剛剛興起--因?yàn)榧霸绨l(fā)現(xiàn)涌現(xiàn)不久的主題才更具決策價(jià)值。因此,為了判斷主題的新鮮程度,表2同時(shí)標(biāo)出了主題最早出現(xiàn)的年份(限于樣本跨度2013-2020年)。

    表2 高潛力學(xué)科新興主題列表

    基于以上思路,依據(jù)主題新鮮度(最早出現(xiàn)年份),表2中主題可劃為兩大類。一類是以知識(shí)表達(dá)(knowledge representation)、科研評(píng)估(research assessment)等為代表的熱門主題,通常出現(xiàn)時(shí)間較久,有的甚至遠(yuǎn)早于樣本年份,基本成為近10年圖情領(lǐng)域的主流熱點(diǎn)之一,它們雖然相對(duì)新鮮度不夠高,但依然保持較高的學(xué)科活躍度和生命力,尤其隨著學(xué)科發(fā)展其內(nèi)涵及外延不斷變化,甚至呈現(xiàn)階段性漲落,持續(xù)推動(dòng)學(xué)科創(chuàng)新前行。另一類則是新鮮涌現(xiàn)的新興主題(其涌現(xiàn)年份以粗體標(biāo)示),這些主題不但體現(xiàn)學(xué)科前沿最新變化,更暗示學(xué)科領(lǐng)域的發(fā)展新方向。從內(nèi)容上,這些新興主題進(jìn)一步細(xì)分為兩種。一是新興信息技術(shù)推動(dòng)下的情報(bào)學(xué)應(yīng)用,包括區(qū)塊鏈(blockchain)、物聯(lián)網(wǎng)(Internet of things)、詞嵌入(word embedding)、深度學(xué)習(xí)(deep learning)、鏈路預(yù)測(link prediction),這些新興主題是學(xué)科交叉融合的典型體現(xiàn),近年信息技術(shù)的重大突破都快速進(jìn)入并影響圖情領(lǐng)域面貌,從方法工具層面極大地推動(dòng)并改變著該學(xué)科方法范式,而且這種影響是長期深遠(yuǎn)的,值得學(xué)者高度關(guān)注;二是反映新研究議題的新冠疫情(covid-19),作為爆發(fā)于2019年的全球性重大公共衛(wèi)生事件對(duì)全球社會(huì)各個(gè)層面帶來了巨大深遠(yuǎn)影響,同樣圖情學(xué)科亦做出了及時(shí)重點(diǎn)關(guān)注。檢索樣本期刊發(fā)現(xiàn)該主題論文發(fā)表分布為7篇(2020年)、67篇(2021年)、50篇(2022年),可見其突發(fā)性涌現(xiàn)特征明顯,也成為模型對(duì)其2021年的高突發(fā)性預(yù)測的有力印證,而且這種活躍性在隨后年份也得到了延續(xù),凸顯了作為高價(jià)值新興主題對(duì)學(xué)科未來的巨大影響力。這些新興主題的學(xué)術(shù)價(jià)值日益獲得領(lǐng)域?qū)W者的關(guān)注認(rèn)同,其高漲學(xué)術(shù)影響趨勢也能夠通過新近學(xué)術(shù)文獻(xiàn)得到證據(jù)支撐,說明了模型在學(xué)科預(yù)見場景的有效應(yīng)用。

    總之,本文模型不但展現(xiàn)良好預(yù)測性能,更能夠給出頗具學(xué)科啟發(fā)價(jià)值的新興主題,體現(xiàn)應(yīng)用價(jià)值。尤其值得注意的是,本文方法能夠及時(shí)敏感地發(fā)現(xiàn)以covid-19、blockchain為代表的新鮮高價(jià)值主題,其時(shí)間短、數(shù)量相對(duì)少但具有高增長潛力,這些特征通常給探測任務(wù)帶來困難。這里,面向未來的學(xué)科趨勢探測建立在異構(gòu)數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)預(yù)測能力之上,結(jié)合新鮮程度有助于將高價(jià)值新興主題從包括熱門主題的干擾信號(hào)中進(jìn)一步細(xì)分甄別。

    6 結(jié) 論

    多維特征與共現(xiàn)網(wǎng)絡(luò)互為異構(gòu)數(shù)據(jù),雖然都是主題探測依賴的數(shù)據(jù)基礎(chǔ),但難以融合用于新興主題分析。針對(duì)異構(gòu)數(shù)據(jù)融合難題,借助GCN模型對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的信息提取能力,實(shí)現(xiàn)主題多維特征與共現(xiàn)網(wǎng)絡(luò)的融合表達(dá),并獲得融合異構(gòu)數(shù)據(jù)的主題表示向量。基于此,以該融合向量為輸入,利用LSTM時(shí)序模型,預(yù)測學(xué)科主題的新興狀態(tài)涌現(xiàn)趨勢。以圖書情報(bào)學(xué)為領(lǐng)域開展實(shí)證研究,對(duì)GCN+LSTM的模型框架進(jìn)行性能比較和結(jié)果檢驗(yàn),以驗(yàn)證本文方法的有效性。

    本文探測方法表現(xiàn)出良好新興主題預(yù)測能力,具有應(yīng)用價(jià)值。a.研究說明融合模型的預(yù)測能力優(yōu)于非融合模型,預(yù)測能力的提升主要來源于異構(gòu)數(shù)據(jù)融合而獲得的信息豐富度。將應(yīng)用廣泛但難以集成分析的計(jì)量指標(biāo)與共現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行深度圖學(xué)習(xí),以獲得蘊(yùn)含全息特征的主題嵌入向量,該向量能夠更好地捕捉主題內(nèi)在規(guī)律,不但能夠用于發(fā)現(xiàn)新興主題,而且具有更加廣闊的應(yīng)用場景,例如主題演化、主題語義等。b.研究說明圖卷積神經(jīng)網(wǎng)絡(luò)對(duì)于網(wǎng)絡(luò)結(jié)構(gòu)關(guān)系具有極強(qiáng)學(xué)習(xí)捕捉能力,有助于深刻把握學(xué)科領(lǐng)域的復(fù)雜性,能夠?qū)⑵鋺?yīng)用擴(kuò)展至其他對(duì)象,比如引用網(wǎng)絡(luò)、學(xué)術(shù)合作等。另外,雖然鏈路預(yù)測及社會(huì)網(wǎng)絡(luò)指標(biāo)也被應(yīng)用于主題分析,但他們?nèi)狈D卷積神經(jīng)網(wǎng)絡(luò)擁有的圖學(xué)習(xí)能力,更無法實(shí)現(xiàn)異構(gòu)數(shù)據(jù)的多元融合。本文貢獻(xiàn)在于借助圖卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)以往難以集成利用的異構(gòu)數(shù)據(jù)融合,通過GCN+LSTM的模型設(shè)計(jì)為更加全面深刻把握學(xué)科主題新興規(guī)律提供有益探索。

    雖然方法科學(xué)性與適用性得到有力支撐,但也存在局限性。本文選擇了主題共現(xiàn)進(jìn)行融合分析,但還有其他反映主題狀態(tài)的重要網(wǎng)絡(luò)關(guān)系,比如語義關(guān)聯(lián)、主題引用等,這些數(shù)據(jù)的綜合集成分析值得下一步深入探討。另外,非結(jié)構(gòu)化的文獻(xiàn)全文蘊(yùn)含更豐富主題信息,將其與網(wǎng)絡(luò)關(guān)系的深度融合也是有待探索方向。

    猜你喜歡
    異構(gòu)向量學(xué)科
    【學(xué)科新書導(dǎo)覽】
    試論同課異構(gòu)之“同”與“異”
    向量的分解
    土木工程學(xué)科簡介
    聚焦“向量與三角”創(chuàng)新題
    “超學(xué)科”來啦
    overlay SDN實(shí)現(xiàn)異構(gòu)兼容的關(guān)鍵技術(shù)
    向量垂直在解析幾何中的應(yīng)用
    論新形勢下統(tǒng)一戰(zhàn)線學(xué)學(xué)科在統(tǒng)戰(zhàn)工作實(shí)踐中的創(chuàng)新
    LTE異構(gòu)網(wǎng)技術(shù)與組網(wǎng)研究
    在线观看免费午夜福利视频| 桃红色精品国产亚洲av| 精品人妻1区二区| xxxhd国产人妻xxx| 亚洲国产av影院在线观看| 最新的欧美精品一区二区| 成人国产av品久久久| 久久这里只有精品19| 极品教师在线免费播放| 97在线人人人人妻| 久久国产精品影院| 日日夜夜操网爽| 久久久久国产一级毛片高清牌| 波多野结衣一区麻豆| 国产亚洲精品久久久久5区| 亚洲精品久久成人aⅴ小说| 热re99久久精品国产66热6| 亚洲av成人一区二区三| 最新美女视频免费是黄的| 午夜老司机福利片| 日韩免费av在线播放| 丝袜人妻中文字幕| 国产欧美日韩精品亚洲av| 精品卡一卡二卡四卡免费| 大码成人一级视频| 欧美成狂野欧美在线观看| 国产男女超爽视频在线观看| 人人妻人人爽人人添夜夜欢视频| 成人av一区二区三区在线看| 在线 av 中文字幕| 在线观看舔阴道视频| 久久久久久久久免费视频了| 一本—道久久a久久精品蜜桃钙片| 久久天躁狠狠躁夜夜2o2o| 成在线人永久免费视频| 欧美激情 高清一区二区三区| 国产精品香港三级国产av潘金莲| 99久久人妻综合| 国产无遮挡羞羞视频在线观看| 国产老妇伦熟女老妇高清| 亚洲av片天天在线观看| 久久人妻av系列| 老司机福利观看| 中文字幕人妻熟女乱码| 肉色欧美久久久久久久蜜桃| 久久毛片免费看一区二区三区| 99国产极品粉嫩在线观看| 9热在线视频观看99| 热re99久久国产66热| 国产高清videossex| 国产97色在线日韩免费| 国产成人影院久久av| 丝袜美腿诱惑在线| 久久av网站| 波多野结衣av一区二区av| 日本黄色视频三级网站网址 | 国产精品 欧美亚洲| 两人在一起打扑克的视频| 欧美日韩一级在线毛片| 18在线观看网站| 狠狠婷婷综合久久久久久88av| 欧美黑人欧美精品刺激| 国产亚洲精品第一综合不卡| 精品少妇一区二区三区视频日本电影| 午夜福利视频精品| netflix在线观看网站| 天天躁日日躁夜夜躁夜夜| 欧美大码av| 国产97色在线日韩免费| 在线观看免费日韩欧美大片| 日本a在线网址| 人人妻人人爽人人添夜夜欢视频| 亚洲国产看品久久| 老司机靠b影院| 黄色成人免费大全| 在线观看舔阴道视频| 中文字幕av电影在线播放| 怎么达到女性高潮| 欧美大码av| 久久久国产一区二区| 免费不卡黄色视频| 欧美日韩视频精品一区| a级毛片在线看网站| 国产精品自产拍在线观看55亚洲 | 精品亚洲乱码少妇综合久久| 欧美日韩亚洲高清精品| 国产精品亚洲一级av第二区| 男女高潮啪啪啪动态图| 91av网站免费观看| 欧美日韩亚洲高清精品| 怎么达到女性高潮| 中文欧美无线码| 午夜福利乱码中文字幕| 激情在线观看视频在线高清 | 国产免费福利视频在线观看| 国产在线观看jvid| 大片免费播放器 马上看| 如日韩欧美国产精品一区二区三区| 搡老岳熟女国产| 97人妻天天添夜夜摸| 手机成人av网站| 女人爽到高潮嗷嗷叫在线视频| 一级毛片精品| 午夜免费鲁丝| 日韩大码丰满熟妇| 久久精品国产亚洲av高清一级| 男女之事视频高清在线观看| 色94色欧美一区二区| 十八禁网站免费在线| 91麻豆精品激情在线观看国产 | 极品人妻少妇av视频| 后天国语完整版免费观看| av超薄肉色丝袜交足视频| 久久人妻福利社区极品人妻图片| 色94色欧美一区二区| 在线天堂中文资源库| 黄片小视频在线播放| 国产精品免费一区二区三区在线 | 欧美日韩av久久| 手机成人av网站| 色老头精品视频在线观看| 欧美激情久久久久久爽电影 | 高清欧美精品videossex| 午夜日韩欧美国产| 美女福利国产在线| 成人精品一区二区免费| 亚洲中文日韩欧美视频| 欧美人与性动交α欧美软件| 热99国产精品久久久久久7| 欧美日韩av久久| 亚洲成人免费电影在线观看| 国产一区二区三区视频了| 日韩免费av在线播放| 日本五十路高清| 丁香欧美五月| 搡老岳熟女国产| 国产精品久久久人人做人人爽| 高清视频免费观看一区二区| 19禁男女啪啪无遮挡网站| 国产精品九九99| 亚洲性夜色夜夜综合| 亚洲av日韩在线播放| 视频在线观看一区二区三区| 欧美精品一区二区免费开放| 亚洲人成电影免费在线| 99久久精品国产亚洲精品| 狂野欧美激情性xxxx| 日韩中文字幕视频在线看片| 午夜激情久久久久久久| 国产精品一区二区在线不卡| 高潮久久久久久久久久久不卡| 丝袜美足系列| 不卡av一区二区三区| 超碰97精品在线观看| 成人av一区二区三区在线看| 天天躁夜夜躁狠狠躁躁| 亚洲精品在线观看二区| 天天影视国产精品| 国产主播在线观看一区二区| av视频免费观看在线观看| 亚洲第一青青草原| 欧美日韩中文字幕国产精品一区二区三区 | 日本黄色日本黄色录像| 亚洲久久久国产精品| 午夜福利在线免费观看网站| 欧美激情高清一区二区三区| 狠狠狠狠99中文字幕| 亚洲一区二区三区欧美精品| 桃红色精品国产亚洲av| 欧美成狂野欧美在线观看| 性少妇av在线| 夫妻午夜视频| 一级毛片女人18水好多| 色播在线永久视频| 欧美日韩精品网址| 精品少妇一区二区三区视频日本电影| 欧美 日韩 精品 国产| 亚洲美女黄片视频| 精品人妻在线不人妻| 深夜精品福利| 亚洲人成77777在线视频| 中文字幕另类日韩欧美亚洲嫩草| 人成视频在线观看免费观看| tocl精华| 首页视频小说图片口味搜索| www.熟女人妻精品国产| 午夜免费鲁丝| 9191精品国产免费久久| 曰老女人黄片| 老司机靠b影院| 在线观看人妻少妇| 国产一卡二卡三卡精品| 五月开心婷婷网| 国产福利在线免费观看视频| 超色免费av| 日韩一卡2卡3卡4卡2021年| 国产成人啪精品午夜网站| 我的亚洲天堂| 成人永久免费在线观看视频 | 香蕉丝袜av| 精品福利永久在线观看| 在线观看免费日韩欧美大片| 国产成人av教育| 2018国产大陆天天弄谢| 久久99热这里只频精品6学生| 久久精品亚洲精品国产色婷小说| 久久婷婷成人综合色麻豆| 人妻一区二区av| 日韩欧美免费精品| 国产极品粉嫩免费观看在线| 丰满人妻熟妇乱又伦精品不卡| 丝袜美足系列| 妹子高潮喷水视频| 人妻 亚洲 视频| 狠狠狠狠99中文字幕| 性少妇av在线| 中文字幕高清在线视频| 亚洲精品在线美女| 国产xxxxx性猛交| 国产成人精品在线电影| 久久久久国内视频| 夜夜夜夜夜久久久久| 国产精品一区二区在线不卡| 黄色成人免费大全| 国产淫语在线视频| 69av精品久久久久久 | 午夜视频精品福利| 国产精品影院久久| 悠悠久久av| 人人妻,人人澡人人爽秒播| 日韩欧美一区二区三区在线观看 | 亚洲精品中文字幕在线视频| 日韩视频在线欧美| 大香蕉久久网| 老鸭窝网址在线观看| 最新在线观看一区二区三区| 黑人欧美特级aaaaaa片| 亚洲av片天天在线观看| 久久久精品区二区三区| 国产一区有黄有色的免费视频| 啦啦啦 在线观看视频| 精品福利永久在线观看| 三级毛片av免费| 国产成人啪精品午夜网站| 中文字幕av电影在线播放| 成年人午夜在线观看视频| 18禁观看日本| 人妻 亚洲 视频| 久久久水蜜桃国产精品网| 大型av网站在线播放| 国产欧美日韩一区二区精品| 国产精品免费大片| 午夜日韩欧美国产| 丝袜在线中文字幕| 在线永久观看黄色视频| 亚洲精品中文字幕一二三四区 | 一二三四在线观看免费中文在| av天堂在线播放| 在线天堂中文资源库| 亚洲天堂av无毛| 国产成人啪精品午夜网站| 午夜福利影视在线免费观看| 国产亚洲精品第一综合不卡| 老汉色av国产亚洲站长工具| 日韩大码丰满熟妇| 国产精品久久电影中文字幕 | 桃红色精品国产亚洲av| 日韩中文字幕视频在线看片| 久久热在线av| 手机成人av网站| 国产精品影院久久| 国产一区二区激情短视频| 制服诱惑二区| 久久午夜综合久久蜜桃| 9热在线视频观看99| 国产精品久久久av美女十八| 成年人免费黄色播放视频| 亚洲精品自拍成人| 最新在线观看一区二区三区| 人人澡人人妻人| 老司机在亚洲福利影院| 国产日韩欧美在线精品| 极品教师在线免费播放| 别揉我奶头~嗯~啊~动态视频| 国产男女内射视频| 国产精品熟女久久久久浪| 丝瓜视频免费看黄片| 男女床上黄色一级片免费看| 在线看a的网站| 精品一区二区三区四区五区乱码| 一区二区三区国产精品乱码| 蜜桃国产av成人99| 两个人免费观看高清视频| 色94色欧美一区二区| 国产av精品麻豆| 欧美乱妇无乱码| 两个人看的免费小视频| 国产成人av激情在线播放| 亚洲色图综合在线观看| 国精品久久久久久国模美| 无限看片的www在线观看| 亚洲全国av大片| 19禁男女啪啪无遮挡网站| 99香蕉大伊视频| 我的亚洲天堂| 悠悠久久av| 日韩熟女老妇一区二区性免费视频| 亚洲一卡2卡3卡4卡5卡精品中文| 成人影院久久| 下体分泌物呈黄色| 一个人免费看片子| 露出奶头的视频| 久久午夜亚洲精品久久| 成人影院久久| 国产精品一区二区精品视频观看| 国产视频一区二区在线看| 波多野结衣av一区二区av| 成人亚洲精品一区在线观看| 日本av免费视频播放| 亚洲欧洲精品一区二区精品久久久| 亚洲欧美精品综合一区二区三区| 久久精品aⅴ一区二区三区四区| 亚洲av电影在线进入| 成年人黄色毛片网站| 国产高清videossex| 激情在线观看视频在线高清 | 久久久久网色| www.自偷自拍.com| 人人妻人人爽人人添夜夜欢视频| 高清毛片免费观看视频网站 | 成年人午夜在线观看视频| 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| 两性夫妻黄色片| 久久久久久久久免费视频了| 在线观看www视频免费| 国产精品免费一区二区三区在线 | 12—13女人毛片做爰片一| 欧美激情 高清一区二区三区| av网站免费在线观看视频| 欧美中文综合在线视频| 女人爽到高潮嗷嗷叫在线视频| 伊人久久大香线蕉亚洲五| 在线天堂中文资源库| 午夜精品久久久久久毛片777| 国产精品电影一区二区三区 | 亚洲自偷自拍图片 自拍| 天天躁夜夜躁狠狠躁躁| 91精品三级在线观看| 国产精品偷伦视频观看了| 高清在线国产一区| 变态另类成人亚洲欧美熟女 | 成人国产一区最新在线观看| 美女高潮到喷水免费观看| 精品国产乱码久久久久久小说| 精品国产乱子伦一区二区三区| 日本黄色视频三级网站网址 | 国产真人三级小视频在线观看| 69av精品久久久久久 | av天堂在线播放| 黄色视频不卡| 黄色片一级片一级黄色片| 国产一区二区 视频在线| 天堂俺去俺来也www色官网| 91精品三级在线观看| 国产熟女午夜一区二区三区| 亚洲 欧美一区二区三区| 成人av一区二区三区在线看| 深夜精品福利| 后天国语完整版免费观看| 午夜福利视频精品| 久久久国产欧美日韩av| 满18在线观看网站| 最新在线观看一区二区三区| 老司机深夜福利视频在线观看| 亚洲美女黄片视频| 久久中文字幕人妻熟女| 一本—道久久a久久精品蜜桃钙片| 99久久99久久久精品蜜桃| 国产亚洲精品第一综合不卡| 男女之事视频高清在线观看| 一级片'在线观看视频| 午夜激情av网站| 亚洲精品一二三| 男人操女人黄网站| 中文字幕av电影在线播放| 嫩草影视91久久| 精品久久久久久久毛片微露脸| 国产一区二区在线观看av| 国产亚洲精品一区二区www | 18禁观看日本| 性高湖久久久久久久久免费观看| 黄色片一级片一级黄色片| 少妇猛男粗大的猛烈进出视频| 成人国产一区最新在线观看| 久久人妻福利社区极品人妻图片| 熟女少妇亚洲综合色aaa.| 黄网站色视频无遮挡免费观看| 日韩欧美三级三区| 国产熟女午夜一区二区三区| 一级毛片女人18水好多| 亚洲av成人不卡在线观看播放网| 日韩欧美免费精品| 午夜成年电影在线免费观看| 亚洲欧美激情在线| 国产一区二区激情短视频| 久久久久久亚洲精品国产蜜桃av| av不卡在线播放| 精品人妻在线不人妻| 欧美精品一区二区免费开放| 王馨瑶露胸无遮挡在线观看| 丁香欧美五月| 麻豆av在线久日| 国产av国产精品国产| 十八禁高潮呻吟视频| 最近最新中文字幕大全免费视频| 国产激情久久老熟女| 国产精品免费视频内射| 男女床上黄色一级片免费看| 亚洲人成电影免费在线| 热re99久久国产66热| 免费少妇av软件| 男女之事视频高清在线观看| 国产精品 欧美亚洲| 午夜两性在线视频| 成人免费观看视频高清| 国产单亲对白刺激| 精品少妇一区二区三区视频日本电影| 美女高潮喷水抽搐中文字幕| 色婷婷av一区二区三区视频| 午夜激情av网站| 国产午夜精品久久久久久| 精品午夜福利视频在线观看一区 | 国产精品久久久av美女十八| 亚洲美女黄片视频| 女人久久www免费人成看片| 十分钟在线观看高清视频www| 国产精品国产高清国产av | 精品乱码久久久久久99久播| 亚洲精品乱久久久久久| 日韩一区二区三区影片| 精品久久久久久久毛片微露脸| 中文亚洲av片在线观看爽 | a级毛片黄视频| 俄罗斯特黄特色一大片| 国产精品电影一区二区三区 | 国产欧美亚洲国产| 在线播放国产精品三级| 日韩欧美国产一区二区入口| 天天操日日干夜夜撸| 国产片内射在线| 国产又色又爽无遮挡免费看| 亚洲伊人久久精品综合| 天天躁夜夜躁狠狠躁躁| 欧美日韩一级在线毛片| 飞空精品影院首页| 亚洲国产欧美一区二区综合| 黑人欧美特级aaaaaa片| 国产精品国产av在线观看| 69精品国产乱码久久久| 国产日韩欧美视频二区| 色精品久久人妻99蜜桃| 欧美日韩精品网址| 满18在线观看网站| www日本在线高清视频| 中文字幕另类日韩欧美亚洲嫩草| 色综合婷婷激情| 欧美激情极品国产一区二区三区| 亚洲成a人片在线一区二区| 大型黄色视频在线免费观看| 麻豆国产av国片精品| 女同久久另类99精品国产91| 一边摸一边抽搐一进一小说 | 啦啦啦在线免费观看视频4| 精品少妇黑人巨大在线播放| 久久人妻av系列| 欧美av亚洲av综合av国产av| 久久午夜亚洲精品久久| 热re99久久国产66热| 亚洲精品粉嫩美女一区| 两个人看的免费小视频| 国产免费av片在线观看野外av| 亚洲综合色网址| 99国产极品粉嫩在线观看| 国产在线视频一区二区| 久久人人爽av亚洲精品天堂| 午夜福利乱码中文字幕| e午夜精品久久久久久久| 免费在线观看影片大全网站| 亚洲一区二区三区欧美精品| 大片免费播放器 马上看| 亚洲精品久久成人aⅴ小说| 老司机午夜福利在线观看视频 | 男女无遮挡免费网站观看| 乱人伦中国视频| 免费女性裸体啪啪无遮挡网站| 夫妻午夜视频| 国产在线观看jvid| 久久久久久亚洲精品国产蜜桃av| 好男人电影高清在线观看| 19禁男女啪啪无遮挡网站| 亚洲 欧美一区二区三区| 少妇被粗大的猛进出69影院| 狂野欧美激情性xxxx| 亚洲成人免费av在线播放| 桃花免费在线播放| videos熟女内射| 大片电影免费在线观看免费| 国产av一区二区精品久久| 久久热在线av| 午夜福利视频在线观看免费| 午夜福利在线观看吧| 女人爽到高潮嗷嗷叫在线视频| 女性生殖器流出的白浆| 99精品在免费线老司机午夜| 岛国毛片在线播放| 啦啦啦中文免费视频观看日本| 捣出白浆h1v1| 丁香六月欧美| 久久久国产精品麻豆| 在线观看免费高清a一片| 成人免费观看视频高清| 热re99久久国产66热| 国产成人精品在线电影| 色综合婷婷激情| 天天添夜夜摸| 99九九在线精品视频| 欧美日韩亚洲综合一区二区三区_| 成人永久免费在线观看视频 | 99热网站在线观看| 日韩成人在线观看一区二区三区| 亚洲成国产人片在线观看| 久久狼人影院| 久久午夜综合久久蜜桃| 捣出白浆h1v1| 大片免费播放器 马上看| 国内毛片毛片毛片毛片毛片| 欧美性长视频在线观看| 夜夜爽天天搞| 一边摸一边做爽爽视频免费| 免费看十八禁软件| 成人特级黄色片久久久久久久 | 亚洲人成伊人成综合网2020| 韩国精品一区二区三区| 欧美日韩福利视频一区二区| 99国产极品粉嫩在线观看| 国产成人免费观看mmmm| 搡老岳熟女国产| 国产亚洲午夜精品一区二区久久| kizo精华| 天堂8中文在线网| 欧美激情极品国产一区二区三区| 午夜日韩欧美国产| 性色av乱码一区二区三区2| 在线 av 中文字幕| 久久精品成人免费网站| 精品一区二区三区视频在线观看免费 | 亚洲av欧美aⅴ国产| 菩萨蛮人人尽说江南好唐韦庄| 人妻一区二区av| 国产免费福利视频在线观看| 亚洲成人国产一区在线观看| 国产视频一区二区在线看| 久久狼人影院| 99精品欧美一区二区三区四区| 美女主播在线视频| 真人做人爱边吃奶动态| 亚洲专区中文字幕在线| 成年版毛片免费区| 91麻豆精品激情在线观看国产 | 欧美一级毛片孕妇| 精品国产国语对白av| 免费在线观看日本一区| 丰满人妻熟妇乱又伦精品不卡| 亚洲精品在线美女| 亚洲精品美女久久久久99蜜臀| 首页视频小说图片口味搜索| 亚洲三区欧美一区| 丝袜喷水一区| 青草久久国产| 在线观看www视频免费| 中国美女看黄片| 久久精品国产综合久久久| 午夜日韩欧美国产| 久久国产精品大桥未久av| 国产一区二区在线观看av| 男女午夜视频在线观看| 国产精品秋霞免费鲁丝片| 色老头精品视频在线观看| 亚洲av第一区精品v没综合| 夜夜夜夜夜久久久久| 亚洲成国产人片在线观看| 亚洲精品在线美女| 免费观看a级毛片全部| 欧美成人午夜精品| 成年人免费黄色播放视频| 久久热在线av| 免费少妇av软件| 99久久精品国产亚洲精品| 丝袜在线中文字幕| 国产精品自产拍在线观看55亚洲 | 午夜福利,免费看| 国产欧美日韩精品亚洲av| 国产精品一区二区免费欧美| 99久久人妻综合| 高清毛片免费观看视频网站 | 99久久99久久久精品蜜桃| 大香蕉久久网| 国产亚洲欧美精品永久| 久久狼人影院| 欧美成人免费av一区二区三区 | 99久久精品国产亚洲精品| 大型黄色视频在线免费观看| 中国美女看黄片| 五月天丁香电影|