• <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ERNIE及改進DPCNN的棉花病蟲害問句意圖識別

    2024-08-22 00:00:00李東亞白濤香慧敏戴碩王震魯
    山東農(nóng)業(yè)科學 2024年6期

    關鍵詞:棉花病蟲害;問句意圖識別;ERNIE模型;DPCNN模型;詞位置信息

    中圖分類號:S435.62:TP391.1 文獻標識號:A 文章編號:1001-4942(2024)06-0143-09

    棉花是一種重要的經(jīng)濟作物,是紡織業(yè)中最重要的原料之一,被廣泛種植于世界各地。病蟲害是棉花種植和生產(chǎn)中的主要問題之一,對棉花產(chǎn)量和質量的影響很大,嚴重時甚至會導致大面積的歉收。目前,大多棉花種植人員依賴于采用人工方式尋找解決棉花病蟲害問題的方案,這很難滿足生產(chǎn)上需要及時解決問題的要求。隨著互聯(lián)網(wǎng)和大數(shù)據(jù)技術的高速發(fā)展,構建專業(yè)領域的智能問答系統(tǒng)將能夠為人們提供準確的診斷結果和個性化的信息服務,為棉花產(chǎn)業(yè)的信息化和智能化奠定基礎。知識問答方法主要包括問句意圖識別、信息抽取和答案檢索三個部分,其中問句意圖識別是關鍵步驟,使用識別效率高的方法能有效提升問答質量。

    問句分類是一種將自然語言問句分類到不同的類別或類別集合的自然語言處理任務,其目的是將問題與可能的答案類型相對應,以便自動回答問題或幫助用戶更快地找到答案。目前針對該任務的方法有傳統(tǒng)的基于規(guī)則和統(tǒng)計的機器學習方法,以及深度學習方法。傳統(tǒng)方法包括支持向量機(SVM)、樸素貝葉斯等機器學習算法,這些方法通常依賴于手工提取特征,人力、物力成本高。深度學習方法包括卷積神經(jīng)網(wǎng)絡(CNN)、循環(huán)神經(jīng)網(wǎng)絡(RNN)、長短時記憶網(wǎng)絡(LSTM)等,已有許多研究者將其應用到文本分類任務中,例如Zhang等提出了一種基于多層CNN的問句分類方法,可以提高問句分類的準確率:Lu等提出了一種基于分層注意力機制的深度神經(jīng)網(wǎng)絡模型用于問句分類任務,具有較好的性能:王奧等提出一種基于特征增強的多方位農(nóng)業(yè)問句語義匹配模型,使用雙向長短期記憶網(wǎng)絡及多維注意力機制對農(nóng)業(yè)問句進行語義匹配,實現(xiàn)了農(nóng)業(yè)問句快速自動檢測。

    在農(nóng)業(yè)領域,王郝日欽等提出了一種基于Attention_DenseCNN的水稻問句文本分類方法,能夠快速、準確地對水稻問句文本進行自動分類,分類精確率及F1值分別為95.6%和94.9%;李林等提出了一種用于農(nóng)業(yè)病蟲害問句分類的深度學習模型BERT_Stacked LSTM,使用堆疊長短期記憶網(wǎng)絡(Stacked LSTM)學習到隱藏的復雜語義信息,用于農(nóng)業(yè)病蟲害問句分類取得了較好的效果。金寧等提出了BiGRU_MulCNN分類模型,利用雙向門控循環(huán)單元獲取文本特征信息,進行多粒度的特征提取,能準確地完成用戶問句的自動分類,

    然而目前棉花病蟲害領域缺少公開的數(shù)據(jù)集,而且存在棉花病蟲害問句多為短文本、包含的語義特征少、文本特征提取方法單一等問題。為有效解決上述問題,本研究構建了一個棉花病蟲害問句數(shù)據(jù)集,并提出了一個基于ERNIE(En-hanced Representation through Knowledge Integra-tion)及改進DPCNN(Deep Pyramid Convolutional Neural Networks for Text Categorization)模型的問句分類模型,以期實現(xiàn)棉花病蟲害問句的精準分類。

    1材料與方法

    1.1棉花病蟲害問句數(shù)據(jù)集構建

    針對目前沒有公開的棉花病蟲害問句數(shù)據(jù)集以及網(wǎng)絡中相關的問句數(shù)量少等問題,通過查閱相關數(shù)據(jù)文獻及咨詢領域專家,構建了棉花病蟲害問句數(shù)據(jù)集CQCls。該數(shù)據(jù)集中定義了棉花病蟲害實體共78種,問句類型9種,問句類型與棉花病蟲害知識圖譜實體關系相對應。通過將不同的實體名稱及問句類型進行組合,可生成不同類型的問句,例如“棉花白粉病的危害癥狀是什么?”;通過使用句式模板、同義詞替換等方法進行問句數(shù)據(jù)的擴充,例如,利用不同的句式模板可以將“棉花立枯病的分區(qū)區(qū)域有哪些?”轉化為“棉花立枯病主要分布在哪些地方?”,而通過同義詞替換又可以將其轉換為“立枯病主要集中在哪些地區(qū)?”,以此完成數(shù)據(jù)集的擴增。對于問句類型的標注,通過判斷問句中是否出現(xiàn)同一類型的關鍵詞,如“別名”、“別稱”、“俗稱”等進行統(tǒng)一標注,最后通過人工校對完成標注。棉花病蟲害問句實例如表1所示。

    通過以上方法最終獲得問句數(shù)據(jù)共207644條,其中病蟲害別名類問句23058條,危害部位類問句24766條,危害癥狀類問句24766條,發(fā)病規(guī)律類問句23058條,防治方法類問句27572條,防治藥劑類問句24766條,病害致病原類問句17446條,害蟲形態(tài)類問句21960條,分布區(qū)域類問句20 252條(圖1)。

    1.2棉花病蟲害問句意圖分類模型

    針對棉花病蟲害問句較短、類型多樣等問題,提出了一種基于ERNIE預訓練模型和融合詞位置信息的DPCNN模型的深度學習模型,用ERN-IE-DPCNN*表示,用來完成對自然語言問句意圖分類的任務。模型總體框架如圖2所示。

    該模型首先使用預訓練的ERNIE模型進行文本編碼,得到每個詞的embedding表示;對每個詞的embedding進行位置信息編碼,即將每個位置映射為一個embedding向量,然后將該向量與詞embedding結合得到帶有位置信息的embed-ding表示;將帶有位置信息的embedding輸入DPCNN模型中進行特征提取,最后通過全局池化層將特征圖轉換成固定大小的向量,使用全連接層將該向量映射到類別空間。

    1.2.1 ERNIE模型 ERNIE是百度公司于2019年提出的一種基于預訓練的語言模型,是百度自然語言處理技術的重要組成部分,旨在通過引入外部知識(如實體、知識圖譜等)和多任務學習等方式,進一步提高語言表示的質量和泛化能力。它采用與BERT相同的雙向Transformer架構進行預訓練。ERNIE主要包含兩種類型的預訓練模型:基于單語言的ERNIE和跨語言的ERN-IE?;趩握Z言的ERNIE在中文、英文、泰文等多種語言上預訓練,其中中文預訓練使用的是比BERT更大的中文語料庫,包括百度百科、百度貼吧、百度知道等多種數(shù)據(jù)源??缯Z言的ERNIE則在多種語言上預訓練,包括英文、中文、阿拉伯語、德語等多種語言。

    ERNIE的預訓練模型是基于Transformer編碼器(圖3)構建的。它采用多層Transformer編碼器對輸入進行編碼,每層Transformer編碼器由多頭自注意力機制和前向全連接網(wǎng)絡組成。ERNIE使用的是相對位置編碼,這種編碼方式可以更好地表示句子中單詞之間的位置關系。

    ERNIE與BERT的區(qū)別在于ERNIE在預訓練過程中加入了實體知識,即通過改變掩碼策略——將BERT中的隨機掩碼替換為實體或短語級別的掩碼,引入了聚合知識的學習機制,使ERNIE能夠更有效地學習句法和語義知識,更好地理解和表示中文文本中的實體和短語,提高模型在語義理解、命名實體識別、關系抽取等任務上的性能。ERNIE使用開源的百度知識圖譜(Baidu Knowledge Graph,BKG)來為輸入序列引入知識,數(shù)據(jù)輸入后,通過編碼、添加位置信息,利用多頭注意力機制進行計算并歸一化,經(jīng)過多個層的前向傳播和再次歸一化,實現(xiàn)對輸入數(shù)據(jù)的編碼和豐富的特征表示,最終輸出編碼。這種聚合知識的引入為ERNIE的語義理解能力和多任務學習效果帶來了顯著的提升,使其成為在中文自然語言處理任務中表現(xiàn)最優(yōu)秀的模型之一。BERT和ERNIE的掩碼方式對比如圖4所示,這種方式可以使ERNIE在多項自然語言處理任務上表現(xiàn)出更好的性能。

    1.2.2改進DPCNN模型 DPCNN是Johnson等提出的一種深度卷積神經(jīng)網(wǎng)絡,包括輸入層、卷積層、池化層、殘差連接、全局池化層和輸出層,主要用于文本分類任務。它的核心思想是通過多個池化層和卷積層來捕捉句子中不同長度的局部特征,并且通過殘差連接和固定池化來避免過擬合和梯度消失的問題。但DPCNN模型不考慮文本中的位置信息。針對棉花病蟲害問句總體較短的特點,本研究對DPCNN進行改進,通過引入位置編碼來融合位置信息,可以有效提高模型的表達能力。改進后的DPCNN模型如圖5所示。

    首先,將輸入序列與詞位置向量進行融合,然后使用Region embedding將其轉換為句向量表示,并逐個輸入到一系列卷積組中。每個卷積組由一個卷積層和殘差連接組成,然后這些卷積組通過步長為2的池化層連接在一起,通過設置多個卷積組可以逐步提取更豐富的特征,最后一個卷積組將會生成輸入序列的最終特征向量表示。

    2結果與分析

    2.1軟硬件環(huán)境及模型參數(shù)

    所使用的計算機硬件環(huán)境包括Intel(R) Xe-on(R) CPU E5-2620 v4 @ 2.10 GHz處理器,NVIDIA TITAN V顯卡,以及64.0 GB的內存。軟件環(huán)境包括Python 3.6版本和PyTorch框架的1.7.1+cu110版本。模型具體參數(shù)設置如表2所示。

    2.2模型評價指標

    使用準確率(Precision)、召回率(Recall)、F1分數(shù)(F1-Score)對深度學習模型的訓練效果進行評價。具體公式如下:

    P=TP/(TP+FP)×100% ; (1)

    R=TP/(TP+FN)×100% ; (2)

    F1=2×P×R/(P+R)×100% 。 (3)

    式中:P代表準確率;R代表召回率;F1代表F1分數(shù);TP(真陽性)為模型預測為正例的樣本中實際為正例的數(shù)量;FP(假陽性)為被識別為正例的樣本中實際為負例的數(shù)量;TN(真陰性)為被分類為負例的樣本中實際為負例的數(shù)量;FN(假陰性)為模型預測為負例的樣本中實際為正例的數(shù)量。

    另外,在使用深度學習方法進行文本多分類任務時,通常采用宏平均(MacroAvg)、權重平均(WeightedAvg)綜合評價每個模型的結果。其中,宏平均是對每個類別分別計算Precision、Re-call和F1-Score的平均值,并將所有類別視為同等重要,不考慮各類別樣本數(shù)量不平衡造成的影響。權重平均是對每個類別分別計算Precision、Recall和F1-Score的加權平均值,其中權重是每個類別的樣本數(shù)目占總體樣本數(shù)目的比例。宏平均和權重平均的具體計算公式如下。

    2.3不同深度學習模型的訓練效果評價

    針對棉花病蟲害問句,使用不同的深度學習模型進行多組實驗:以BERT模型作為基準模型,分別結合TextCNN、TextRCNN、RNN和DPCNN模型對BERT進行改進。通過實驗對比,發(fā)現(xiàn)使用BERT結合DPCNN的模型訓練效果整體表現(xiàn)較好,性能上超過了其他組合模型;進一步使用ERNIE優(yōu)化BERT對中文掩碼不足的缺點,并增加詞位置信息優(yōu)化DPCNN模型,得到改進后的ERNIR-DPCNN*模型,用于對棉花病蟲害問句意圖進行分類,取得較好的訓練效果,基于Mac-roAvg和WeightedAvg的Precision、Recall和F1-Score均在97%以上(表3)。表明DPCNN模型對特征的提取相較于其他模型表現(xiàn)良好,通過在輸入向量中融入詞位置信息能進一步增強模型的學習能力,從而提升模型的性能。

    不同模型訓練結果的混淆矩陣如圖6所示,其中橫縱坐標的標簽均代表了棉花病蟲害問句的不同類別。

    2.4 DPCNN模型卷積核層數(shù)對訓練結果的影響

    DPCNN模型的核心思想是通過多個池化層和卷積層來捕捉句子中不同長度的局部特征,在一定范圍內增加DPCNN的層數(shù)可以提高模型的表現(xiàn),但是過多的層數(shù)可能會導致模型出現(xiàn)過擬合等問題,同時也會增加模型的訓練時間和復雜度。通常,一個層數(shù)適中的DPCNN模型在文本分類等任務中能夠取得較好的性能。本研究針對棉花病蟲害問句意圖分類任務,對比包含不同層數(shù)卷積核的模型訓練結果,表4可知,在本研究構建的數(shù)據(jù)集上,使用DPCNN模型進行文本多分類任務時,當卷積核為2層時模型性能最好,其宏平均和權重平均下的Fl值分別為97.30%和97.39%,Precision分別為97.48%和97.33%,Re-call分別為97.45%和97.31%。因此在本研究提出的模型采用2層卷積核的DPCNN完成特征的提取任務。

    2.5數(shù)據(jù)集對比實驗

    為驗證ERNIR-DPCNN*模型在其他公開數(shù)據(jù)集上的表現(xiàn)效果及泛化能力,選用TNEWS今日頭條中文新聞數(shù)據(jù)集、DMSCD豆瓣電影短評數(shù)據(jù)集和THUCNews中文新聞數(shù)據(jù)集與本研究構建的CQCls數(shù)據(jù)集進行對比實驗。其中,TNEWS數(shù)據(jù)集包含10個分類的新聞標題和摘要數(shù)據(jù),涵蓋了時政、財經(jīng)、房產(chǎn)、教育、科技、軍事、體育、娛樂、游戲和時尚領域,總樣本超過50萬條,訓練集和測試集各占50%。THUCNews是清華大學自然語言處理實驗室發(fā)布的中文新聞數(shù)據(jù)集,包含14個分類的新聞數(shù)據(jù),涵蓋了時政、財經(jīng)、教育、科技、文化、體育、娛樂等領域,總樣本數(shù)超過26萬條,訓練集、驗證集和測試集的比例為8:1:1。DMSCD是由豆瓣網(wǎng)用戶發(fā)布的中文電影短評數(shù)據(jù)集,包含了超過200萬條的電影短評數(shù)據(jù),每條短評數(shù)據(jù)都由一段文字組成,包含了該用戶對電影的評分和一些標簽信息,涵蓋了電影的劇情、演員、音樂等各個領域。對于DMSCD數(shù)據(jù)集,本研究選取了12個電影的212043條評論數(shù)據(jù)構成該數(shù)據(jù)集的子集,然后按8:1:1劃分訓練集、測試集和校驗集。對比實驗結果(表5)顯示,本研究提出的ERNIR-DPCNN*模型在棉花病蟲害問句數(shù)據(jù)集CQCls以及其他公開數(shù)據(jù)集上的訓練結果均表現(xiàn)良好,對于文本語料數(shù)據(jù)內容復雜多樣且文本格式不規(guī)范的DMSCD數(shù)據(jù)集,基于權重平均的F1-Score也能達到73.42%,證明了本研究所提出模型的有效性及泛化能力。

    2.6不同模型的棉花病蟲害問句意圖分類結果對比分析

    由實驗結果(表6)可以發(fā)現(xiàn),各個模型在不同問句類別的Precision、Recall、F1-Score表現(xiàn)相差不大,其中發(fā)病規(guī)律和分布區(qū)域的F1-Score相較于其他類別更高,均在98%以上。這是由于這兩類問句的特征詞較明顯,例如分布區(qū)域類問句中大多會出現(xiàn)“地區(qū)”、“區(qū)域”等詞語。從整體上看,本研究提出的ERNIR_DPCNN*模型在Recall和F1-Score指標上表現(xiàn)最好,各類問句的評價結果均高于95%,在棉花病蟲害問句意圖分類任務上性能良好:但是其Precision值及Recall值在部分類型中表現(xiàn)不是最好,說明該模型對于問句類型分類的正確率還需進一步提升。

    3討論與結論

    隨著農(nóng)業(yè)領域信息化的發(fā)展,不同農(nóng)作物病蟲害防治的智能化、信息化管理在農(nóng)業(yè)生產(chǎn)中起著越來越重要的作用。本研究針對棉花病蟲害領域相關問句信息的現(xiàn)狀,構建了棉花病蟲害問句數(shù)據(jù)集CQCls,并基于ERNIE及改進DPCNN構建了棉花病蟲害問句意圖識別模型ERNIR_DPC-NN*,通過使用ERNIE預訓練模型以及在DPC-NN模型中增加詞位置信息提高了模型的表達能力,在文本分類任務上取得了較好的效果,并且能夠平衡各類別樣本數(shù)量不同的影響。

    為使ERNIR_DPCNN*模型的分類效果達到最優(yōu),本研究對DPCNN模型的卷積核層數(shù)進行了篩選實驗,結果發(fā)現(xiàn),在CQCls數(shù)據(jù)集上,使用2層卷積核的DPCNN模型達到了最好的性能。而過多的層數(shù)可能會導致過擬合等問題,并增加模型的訓練時間和復雜度。

    此外,選用TNEWS今日頭條中文新聞數(shù)據(jù)集、DMSCD豆瓣電影短評數(shù)據(jù)集和THUCNews中文新聞數(shù)據(jù)集對ERNIR_DPCNN*模型的分類效果進行了實驗,結果表明,該模型在數(shù)據(jù)量不足、數(shù)據(jù)特征不明顯的數(shù)據(jù)集上也能取得較好的分類效果,說明該模型具有一定的泛化能力和有效性。

    但本研究僅針對棉花病蟲害領域的問句分類做了研究,各類問句數(shù)據(jù)的形式還不夠豐富,在接下來的研究中,可以從更多途徑收集實際生產(chǎn)過程中用戶提出的不同問題,從而進一步提升模型的識別準確率。另外,模型訓練對硬件設備的算力要求較高,后續(xù)可以對模型進行精簡,在減少參數(shù)量的同時保證準確率,從而減少模型訓練所需的時間,降低對硬件設備的要求。

    亚洲最大成人中文| 国产欧美日韩一区二区三| 亚洲熟女毛片儿| 黄色成人免费大全| 亚洲精品在线美女| 国产精品98久久久久久宅男小说| 中文字幕av电影在线播放| 午夜久久久久精精品| 欧美另类亚洲清纯唯美| 又大又爽又粗| 久久久水蜜桃国产精品网| 亚洲人成77777在线视频| 国产精品九九99| 国产一区二区激情短视频| 1024香蕉在线观看| 亚洲精品国产区一区二| 国产高清videossex| 午夜福利成人在线免费观看| 午夜激情福利司机影院| 给我免费播放毛片高清在线观看| 久久婷婷人人爽人人干人人爱| 一区二区三区激情视频| 成人一区二区视频在线观看| 老司机午夜十八禁免费视频| a级毛片在线看网站| 亚洲精品国产精品久久久不卡| 国产在线观看jvid| 777久久人妻少妇嫩草av网站| 色老头精品视频在线观看| 级片在线观看| 两性夫妻黄色片| 露出奶头的视频| 亚洲精品久久成人aⅴ小说| 999精品在线视频| 又黄又粗又硬又大视频| 欧美国产日韩亚洲一区| 一本一本综合久久| 国产伦人伦偷精品视频| 成人午夜高清在线视频 | 亚洲熟妇熟女久久| www.自偷自拍.com| 老司机在亚洲福利影院| 人人妻人人看人人澡| bbb黄色大片| 最近在线观看免费完整版| 欧美日韩乱码在线| 亚洲一码二码三码区别大吗| 欧美又色又爽又黄视频| 久久精品国产综合久久久| 首页视频小说图片口味搜索| 日本免费a在线| or卡值多少钱| 久久精品国产亚洲av香蕉五月| 黄色 视频免费看| netflix在线观看网站| 午夜福利成人在线免费观看| 亚洲免费av在线视频| 性色av乱码一区二区三区2| 黑人巨大精品欧美一区二区mp4| 亚洲欧美日韩高清在线视频| 国产成人av激情在线播放| svipshipincom国产片| 十分钟在线观看高清视频www| 亚洲人成伊人成综合网2020| 91国产中文字幕| 久久狼人影院| 国产精品亚洲一级av第二区| 欧美成人免费av一区二区三区| 嫁个100分男人电影在线观看| 亚洲av熟女| videosex国产| 男人舔女人下体高潮全视频| 波多野结衣高清无吗| 久久精品91蜜桃| 国产激情偷乱视频一区二区| 级片在线观看| 一进一出抽搐gif免费好疼| 大香蕉久久成人网| 男女做爰动态图高潮gif福利片| 国产一级毛片七仙女欲春2 | 精品一区二区三区av网在线观看| 免费观看人在逋| 黄色女人牲交| 成人国产综合亚洲| 欧美成人免费av一区二区三区| 国产精品久久久久久人妻精品电影| 岛国视频午夜一区免费看| 妹子高潮喷水视频| 精品一区二区三区av网在线观看| 欧美色视频一区免费| 免费在线观看完整版高清| 国内少妇人妻偷人精品xxx网站 | 黑人欧美特级aaaaaa片| 两性夫妻黄色片| 精品久久久久久久毛片微露脸| 少妇粗大呻吟视频| 波多野结衣巨乳人妻| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲熟妇中文字幕五十中出| 亚洲第一青青草原| 99re在线观看精品视频| 99国产精品一区二区三区| 欧美日韩一级在线毛片| 久久久久国内视频| 日韩大码丰满熟妇| 国产成人影院久久av| 国产高清有码在线观看视频 | 精品无人区乱码1区二区| 亚洲第一欧美日韩一区二区三区| 国产熟女午夜一区二区三区| 波多野结衣av一区二区av| 日日夜夜操网爽| 精品久久久久久久久久久久久 | 中亚洲国语对白在线视频| 嫩草影院精品99| 国产精品综合久久久久久久免费| bbb黄色大片| 男女做爰动态图高潮gif福利片| 久久天堂一区二区三区四区| 哪里可以看免费的av片| 亚洲av熟女| 国产亚洲av嫩草精品影院| 亚洲第一电影网av| 成人18禁高潮啪啪吃奶动态图| 看片在线看免费视频| 在线观看66精品国产| 国产精品1区2区在线观看.| 免费在线观看影片大全网站| 亚洲成人精品中文字幕电影| 免费看a级黄色片| 久久久国产欧美日韩av| av在线播放免费不卡| 香蕉av资源在线| 亚洲无线在线观看| 国产国语露脸激情在线看| 性欧美人与动物交配| 国产精品 欧美亚洲| 国产又黄又爽又无遮挡在线| 日本三级黄在线观看| 国产成人av激情在线播放| 黄色a级毛片大全视频| 成人18禁高潮啪啪吃奶动态图| 日日摸夜夜添夜夜添小说| 国产成人啪精品午夜网站| 亚洲免费av在线视频| 国产色视频综合| av视频在线观看入口| 欧美日韩中文字幕国产精品一区二区三区| 少妇裸体淫交视频免费看高清 | 久久人妻av系列| 国产成人啪精品午夜网站| netflix在线观看网站| 亚洲av中文字字幕乱码综合 | 老汉色∧v一级毛片| 国产精品一区二区精品视频观看| 麻豆成人av在线观看| 日本成人三级电影网站| 99热只有精品国产| 日本五十路高清| 欧美黄色片欧美黄色片| 久久久久久久久久黄片| 国产一区二区三区在线臀色熟女| 亚洲精品久久国产高清桃花| а√天堂www在线а√下载| 精品免费久久久久久久清纯| av有码第一页| 亚洲无线在线观看| 亚洲av美国av| 草草在线视频免费看| 亚洲专区中文字幕在线| 日本黄色视频三级网站网址| 亚洲专区中文字幕在线| 老熟妇乱子伦视频在线观看| 精品高清国产在线一区| 久久人妻av系列| 国产高清videossex| 中出人妻视频一区二区| 99riav亚洲国产免费| 色精品久久人妻99蜜桃| 少妇被粗大的猛进出69影院| 亚洲 国产 在线| 一边摸一边做爽爽视频免费| 免费在线观看视频国产中文字幕亚洲| 在线播放国产精品三级| 午夜成年电影在线免费观看| 两人在一起打扑克的视频| 男人操女人黄网站| 久久午夜亚洲精品久久| 在线观看午夜福利视频| 久久久久久国产a免费观看| 十八禁人妻一区二区| 两人在一起打扑克的视频| 性欧美人与动物交配| 亚洲avbb在线观看| 中文字幕av电影在线播放| 亚洲精品国产一区二区精华液| 丰满人妻熟妇乱又伦精品不卡| 夜夜夜夜夜久久久久| 欧美一级毛片孕妇| www.熟女人妻精品国产| 十分钟在线观看高清视频www| 免费看美女性在线毛片视频| 国产三级黄色录像| 国产精品免费一区二区三区在线| 18禁国产床啪视频网站| 亚洲男人天堂网一区| 男女下面进入的视频免费午夜 | 美女扒开内裤让男人捅视频| 亚洲欧洲精品一区二区精品久久久| 99久久99久久久精品蜜桃| 亚洲va日本ⅴa欧美va伊人久久| 欧美乱色亚洲激情| 久久久久久久久免费视频了| 欧美日本视频| 国产激情偷乱视频一区二区| 人人妻人人看人人澡| 搞女人的毛片| 麻豆成人av在线观看| 老熟妇仑乱视频hdxx| 国产爱豆传媒在线观看 | 亚洲中文字幕日韩| 欧美在线一区亚洲| 在线永久观看黄色视频| 日本 av在线| 中文字幕人成人乱码亚洲影| 天堂动漫精品| 国产成人精品无人区| 亚洲精华国产精华精| 亚洲激情在线av| 99热只有精品国产| 美女高潮喷水抽搐中文字幕| 亚洲片人在线观看| 亚洲第一av免费看| www.999成人在线观看| 国产av一区二区精品久久| 美女免费视频网站| 亚洲精品在线观看二区| 日本精品一区二区三区蜜桃| 亚洲狠狠婷婷综合久久图片| 叶爱在线成人免费视频播放| 日韩欧美 国产精品| 亚洲第一电影网av| 欧美乱妇无乱码| 男人的好看免费观看在线视频 | 欧美激情久久久久久爽电影| 亚洲专区国产一区二区| 老司机深夜福利视频在线观看| 亚洲精品一卡2卡三卡4卡5卡| 亚洲午夜精品一区,二区,三区| 免费在线观看日本一区| 国产伦一二天堂av在线观看| 美国免费a级毛片| 一级a爱视频在线免费观看| 搞女人的毛片| 国产亚洲精品av在线| 亚洲一区二区三区色噜噜| 岛国在线观看网站| 757午夜福利合集在线观看| 欧美又色又爽又黄视频| 色在线成人网| 99re在线观看精品视频| 国产精品影院久久| 亚洲欧美日韩高清在线视频| 97人妻精品一区二区三区麻豆 | 日韩欧美国产一区二区入口| 久久久久亚洲av毛片大全| 亚洲专区中文字幕在线| 国产在线观看jvid| 国产在线观看jvid| 18禁美女被吸乳视频| 嫁个100分男人电影在线观看| 亚洲五月天丁香| 亚洲五月天丁香| 高清毛片免费观看视频网站| 99riav亚洲国产免费| 99久久综合精品五月天人人| 国产成人av激情在线播放| 少妇熟女aⅴ在线视频| 亚洲国产毛片av蜜桃av| 日韩欧美一区视频在线观看| 无遮挡黄片免费观看| 男女床上黄色一级片免费看| 久久久久久久久久黄片| 亚洲精品中文字幕一二三四区| 欧美乱妇无乱码| 三级毛片av免费| 久久这里只有精品19| 国产又黄又爽又无遮挡在线| 午夜免费鲁丝| 香蕉久久夜色| 正在播放国产对白刺激| 色婷婷久久久亚洲欧美| 国产午夜福利久久久久久| 99久久久亚洲精品蜜臀av| 在线观看www视频免费| 白带黄色成豆腐渣| 黄色成人免费大全| 欧美一区二区精品小视频在线| 亚洲真实伦在线观看| 90打野战视频偷拍视频| 叶爱在线成人免费视频播放| 国产一区二区在线av高清观看| 一二三四社区在线视频社区8| 亚洲欧美一区二区三区黑人| 欧美乱妇无乱码| 精品久久久久久成人av| 亚洲精品国产一区二区精华液| 精品第一国产精品| 免费观看精品视频网站| 99久久99久久久精品蜜桃| 在线十欧美十亚洲十日本专区| 嫩草影视91久久| www.自偷自拍.com| 亚洲国产精品999在线| 亚洲国产欧洲综合997久久, | 亚洲国产欧美一区二区综合| 成人18禁在线播放| 国内精品久久久久精免费| 精品卡一卡二卡四卡免费| 又黄又粗又硬又大视频| 老熟妇仑乱视频hdxx| 国产成人系列免费观看| 宅男免费午夜| 中文字幕人妻丝袜一区二区| 日日干狠狠操夜夜爽| 99在线人妻在线中文字幕| 久久久久久久午夜电影| 日韩视频一区二区在线观看| 久久九九热精品免费| x7x7x7水蜜桃| 99热这里只有精品一区 | 成年女人毛片免费观看观看9| 91麻豆av在线| 成人18禁高潮啪啪吃奶动态图| 国产伦在线观看视频一区| 麻豆成人av在线观看| 亚洲全国av大片| av在线播放免费不卡| 99国产精品一区二区蜜桃av| 18美女黄网站色大片免费观看| 久99久视频精品免费| 成人18禁高潮啪啪吃奶动态图| 99国产精品一区二区三区| 身体一侧抽搐| 国产野战对白在线观看| 日韩视频一区二区在线观看| 俄罗斯特黄特色一大片| 男人操女人黄网站| 十分钟在线观看高清视频www| 亚洲avbb在线观看| 国产亚洲精品综合一区在线观看 | 男男h啪啪无遮挡| 搡老熟女国产l中国老女人| 女同久久另类99精品国产91| 男女做爰动态图高潮gif福利片| 大香蕉久久成人网| 高清在线国产一区| 亚洲国产高清在线一区二区三 | 国产野战对白在线观看| av中文乱码字幕在线| 国产午夜精品久久久久久| 欧美黑人巨大hd| 午夜激情福利司机影院| 日韩精品中文字幕看吧| 亚洲国产精品sss在线观看| a级毛片a级免费在线| 久久草成人影院| 中文字幕高清在线视频| 黑人操中国人逼视频| 午夜视频精品福利| 国产精品久久久久久精品电影 | 免费观看人在逋| 免费看日本二区| 9191精品国产免费久久| 日韩欧美 国产精品| 少妇被粗大的猛进出69影院| 日本 欧美在线| 香蕉国产在线看| 国产激情久久老熟女| 色婷婷久久久亚洲欧美| 999精品在线视频| 97人妻精品一区二区三区麻豆 | 老汉色av国产亚洲站长工具| 亚洲五月天丁香| 特大巨黑吊av在线直播 | 波多野结衣av一区二区av| 国产高清激情床上av| 亚洲av电影在线进入| 亚洲欧美激情综合另类| 观看免费一级毛片| 亚洲电影在线观看av| 国产成人系列免费观看| 欧美性猛交黑人性爽| 91国产中文字幕| 久久久久国产一级毛片高清牌| 真人做人爱边吃奶动态| 亚洲电影在线观看av| 一区二区日韩欧美中文字幕| 丝袜美腿诱惑在线| 久9热在线精品视频| 日本三级黄在线观看| 国产又黄又爽又无遮挡在线| 国产aⅴ精品一区二区三区波| 韩国av一区二区三区四区| 天天躁夜夜躁狠狠躁躁| 宅男免费午夜| 亚洲精品中文字幕一二三四区| 在线观看日韩欧美| 正在播放国产对白刺激| 国产av一区在线观看免费| 精品不卡国产一区二区三区| 精品久久久久久,| 视频区欧美日本亚洲| 给我免费播放毛片高清在线观看| 欧美另类亚洲清纯唯美| 欧美乱码精品一区二区三区| 波多野结衣av一区二区av| 久久久久久久午夜电影| tocl精华| www.精华液| 亚洲国产高清在线一区二区三 | 美女午夜性视频免费| 日韩欧美免费精品| 欧美大码av| 又黄又爽又免费观看的视频| 丝袜在线中文字幕| 国产高清激情床上av| 青草久久国产| 免费观看精品视频网站| 成人av一区二区三区在线看| 亚洲一码二码三码区别大吗| 级片在线观看| 波多野结衣av一区二区av| 亚洲性夜色夜夜综合| 人人妻人人澡人人看| 色尼玛亚洲综合影院| 在线观看66精品国产| 天堂动漫精品| 特大巨黑吊av在线直播 | 91字幕亚洲| 两个人免费观看高清视频| 90打野战视频偷拍视频| 欧美日韩一级在线毛片| 久久精品国产综合久久久| 国产av在哪里看| 他把我摸到了高潮在线观看| 精品乱码久久久久久99久播| 制服诱惑二区| 日日爽夜夜爽网站| 国产精品香港三级国产av潘金莲| 欧美日韩亚洲综合一区二区三区_| 国产国语露脸激情在线看| 老司机在亚洲福利影院| 日本 av在线| 国产亚洲精品久久久久5区| 欧美大码av| 老汉色∧v一级毛片| АⅤ资源中文在线天堂| 国产v大片淫在线免费观看| 国产乱人伦免费视频| 午夜福利一区二区在线看| 99在线视频只有这里精品首页| 黄色毛片三级朝国网站| 亚洲国产精品999在线| 午夜福利免费观看在线| 99热6这里只有精品| 黄色毛片三级朝国网站| 久久精品国产亚洲av香蕉五月| 精品欧美国产一区二区三| 黄片播放在线免费| 91字幕亚洲| 久久中文字幕一级| 级片在线观看| 成人特级黄色片久久久久久久| 波多野结衣高清作品| 可以免费在线观看a视频的电影网站| 亚洲一区中文字幕在线| 亚洲精品美女久久av网站| 午夜精品久久久久久毛片777| 日日爽夜夜爽网站| 黄色女人牲交| 午夜精品久久久久久毛片777| 国产精品一区二区精品视频观看| 岛国视频午夜一区免费看| 久久精品国产亚洲av高清一级| 精品久久久久久久久久久久久 | 老司机深夜福利视频在线观看| 香蕉av资源在线| 99riav亚洲国产免费| 我的亚洲天堂| 天天躁狠狠躁夜夜躁狠狠躁| 99国产精品一区二区蜜桃av| 女警被强在线播放| 99精品在免费线老司机午夜| 不卡一级毛片| 波多野结衣高清作品| 99久久国产精品久久久| 777久久人妻少妇嫩草av网站| 国产野战对白在线观看| 久久婷婷人人爽人人干人人爱| 色精品久久人妻99蜜桃| 亚洲av片天天在线观看| 日韩精品免费视频一区二区三区| 国产视频内射| 国产精品1区2区在线观看.| 免费在线观看完整版高清| 美女 人体艺术 gogo| 不卡av一区二区三区| 精品乱码久久久久久99久播| 久久天躁狠狠躁夜夜2o2o| 国产精品一区二区免费欧美| 国产真人三级小视频在线观看| 国产成人影院久久av| 免费无遮挡裸体视频| 亚洲av日韩精品久久久久久密| 国产在线精品亚洲第一网站| av天堂在线播放| 亚洲国产欧美一区二区综合| 亚洲午夜理论影院| 丁香欧美五月| 亚洲精品久久国产高清桃花| 亚洲国产精品合色在线| 日韩三级视频一区二区三区| 最新美女视频免费是黄的| 99国产极品粉嫩在线观看| 这个男人来自地球电影免费观看| 精品卡一卡二卡四卡免费| 国内揄拍国产精品人妻在线 | 久久亚洲真实| 亚洲人成网站高清观看| 精品久久久久久,| 夜夜爽天天搞| 亚洲精品国产一区二区精华液| 国产99白浆流出| 一边摸一边抽搐一进一小说| 精品高清国产在线一区| 国产免费av片在线观看野外av| 午夜久久久在线观看| 大型黄色视频在线免费观看| 国产精品自产拍在线观看55亚洲| 亚洲人成伊人成综合网2020| 亚洲人成网站在线播放欧美日韩| 90打野战视频偷拍视频| 成人亚洲精品av一区二区| 2021天堂中文幕一二区在线观 | 女人被狂操c到高潮| 欧美不卡视频在线免费观看 | 国产伦在线观看视频一区| 欧美激情极品国产一区二区三区| 首页视频小说图片口味搜索| 老司机在亚洲福利影院| 黄频高清免费视频| 老司机午夜福利在线观看视频| 又紧又爽又黄一区二区| 免费av毛片视频| 国产日本99.免费观看| 色哟哟哟哟哟哟| 搡老妇女老女人老熟妇| 精品国产国语对白av| 18禁国产床啪视频网站| 狂野欧美激情性xxxx| 99国产极品粉嫩在线观看| 国产精品 国内视频| 欧美最黄视频在线播放免费| 日韩欧美 国产精品| 大香蕉久久成人网| 在线国产一区二区在线| 在线免费观看的www视频| 中文在线观看免费www的网站 | 精品久久久久久久人妻蜜臀av| 国产精品久久久久久亚洲av鲁大| 国产精品久久视频播放| 最新美女视频免费是黄的| 国产一区在线观看成人免费| 日韩高清综合在线| 91在线观看av| 国产一区二区三区在线臀色熟女| 久久热在线av| 妹子高潮喷水视频| www.www免费av| 免费一级毛片在线播放高清视频| 99re在线观看精品视频| 丝袜人妻中文字幕| 色老头精品视频在线观看| АⅤ资源中文在线天堂| 欧美日韩福利视频一区二区| 午夜两性在线视频| 国内少妇人妻偷人精品xxx网站 | 久久久久久免费高清国产稀缺| a级毛片a级免费在线| 国产aⅴ精品一区二区三区波| 国产av一区二区精品久久| 国产欧美日韩一区二区精品| 老司机在亚洲福利影院| 久久久久久久久久黄片| 亚洲人成伊人成综合网2020| 国产99白浆流出| 欧美日韩中文字幕国产精品一区二区三区| 亚洲国产中文字幕在线视频| 一区二区三区激情视频| 欧美zozozo另类| 日本一本二区三区精品| 久久香蕉精品热| 极品教师在线免费播放| 久久热在线av| 色在线成人网| 国产单亲对白刺激| 久久精品人妻少妇| 久久精品成人免费网站| 99国产精品99久久久久| 天堂动漫精品| 欧美中文综合在线视频| 欧美在线黄色| 1024手机看黄色片| 美女国产高潮福利片在线看|