• <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 ?

    面向在線健康社區(qū)的生成式方面級情感分析

    2024-10-08 00:00:00韓普葉東宇
    現(xiàn)代情報 2024年10期

    關(guān)鍵詞: 生成式模型; 方面級情感分析; 情感三元組; 在線健康社區(qū)

    DOI:10.3969 / j.issn.1008-0821.2024.10.012

    〔中圖分類號〕G203 〔文獻(xiàn)標(biāo)識碼〕A 〔文章編號〕1008-0821 (2024) 10-0142-12

    隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展, 在線健康社區(qū)已成為醫(yī)生和患者群體間的重要溝通交流渠道, 積累了海量的用戶生成內(nèi)容(User Generated Content,UGC)[1] 。這些具有豐富情感信息的UGC 不僅為健康服務(wù)質(zhì)量評價提供數(shù)據(jù)來源, 而且為醫(yī)療服務(wù)創(chuàng)新提供了新的契機[2-4] 。傳統(tǒng)的粗粒度情感分析主要面向句子或篇章級的情感極性判斷, 難以深入挖掘文本數(shù)據(jù)中包含的細(xì)粒度情感信息。隨著醫(yī)療健康領(lǐng)域精準(zhǔn)知識服務(wù)需求的推動, 如何從UGC 中更為精準(zhǔn)地進(jìn)行細(xì)粒度情感信息分析已成為當(dāng)前情感分析研究的重點和難點[5-7] 。

    作為細(xì)粒度情感分析的一種, 方面級情感分析(Aspect Based Sentiment Analysis, ABSA)旨在抽取文本中的方面實體和評論實體并判斷相應(yīng)情感極性。相較于傳統(tǒng)的粗粒度情感分析, ABSA 涉及方面實體抽取、評論實體抽取和情感極性判斷, 其子任務(wù)方面實體抽取、情感對抽取和情感三元組抽取更具挑戰(zhàn)性[8] 。盡管相關(guān)研究采用序列標(biāo)注和多分類方法能夠較好地處理ABSA 中的情感分類任務(wù), 然而, 這些方法在情感三元組抽取任務(wù)上的效果仍不夠理想, 難以準(zhǔn)確對齊各方面實體和評論實體[9] 。尤其在健康領(lǐng)域, UGC 語義信息復(fù)雜且包含了對診療和康復(fù)等過程的多方面評價。如何深入理解其中復(fù)雜的語義信息, 進(jìn)而準(zhǔn)確抽取種類繁雜的方面、評論實體和情感極性對用戶精準(zhǔn)需求分析具有重要意義[8] 。生成式模型由于其獨特的單向自回歸結(jié)構(gòu),能夠根據(jù)復(fù)雜情境靈活地生成文本, 在這些復(fù)雜的自然語言處理任務(wù)上具有天然優(yōu)勢?;诖?, 為充分理解上下文語義信息并有效對齊UGC 中各方面實體和評論實體, 本文將在線健康社區(qū)ABSA 轉(zhuǎn)換為文本生成任務(wù), 構(gòu)建端到端的生成式模型BERTWWM-GPT,探究其在方面級情感分析任務(wù)上的效果。具體而言, 首先利用具有雙向Transformer 結(jié)構(gòu)的BERT-WWM-ext 抽?。眨牵?中方面情感的上下文語義信息; 其次利用單向自回歸結(jié)構(gòu)的GPT[10] 模型解碼語義信息并生成情感三元組序列以對齊方面和評價實體; 最終通過基于規(guī)則的方式過濾和篩選出有效的情感三元組。

    1相關(guān)研究

    1.1方面級情感分析研究

    方面級情感分析旨在抽取文本中有關(guān)特定方面的情感信息, 主要包括方面實體抽取、評論實體抽取和情感分類3個子任務(wù)。相較于傳統(tǒng)的單一情感分類任務(wù), ABSA中的多個子任務(wù)通常是同時進(jìn)行的, 因此難度更大, 復(fù)雜度更高。基于所采用的研究方法, ABSA可以分為序列標(biāo)注方法和多分類的方法。

    基于序列標(biāo)注的方法將ABSA 視為序列標(biāo)注問題, 利用BiLSTM-CRF[11] 等模型對文本中單詞或短語的標(biāo)簽進(jìn)行分類, 進(jìn)而抽取方面實體、評論實體和情感極性。為利用位置感知信息, Xu L 等[12]提出一種能夠聯(lián)合提取情感三元組的端到端模型;為利用全局和局部上下文信息, Yang H 等[13] 提出一種多任務(wù)學(xué)習(xí)情感分析模型, 能夠同步提取方面詞和情感極性; Wang W 等[14] 提出一種融合依存句法信息的多層耦合注意力網(wǎng)絡(luò), 實現(xiàn)了對方面詞和觀點術(shù)語的協(xié)同抽?。?為聚焦鄰近文本的語義信息, 肖宇晗等[15] 提出一種基于語境窗口自注意力機制的深度學(xué)習(xí)模型進(jìn)行方面實體抽?。?Zhao M等[16] 基于實體與上下文的定向依賴關(guān)系提出了一種新型依賴增強圖卷積網(wǎng)絡(luò); 王登雄等[17] 構(gòu)建了一種結(jié)合句法和語義知識的跨領(lǐng)域方面詞抽取框架,以降低源域和目標(biāo)域數(shù)據(jù)之間差異性帶來的影響。基于序列標(biāo)注方法的模型易于設(shè)計且結(jié)構(gòu)簡單, 但隨著文本中方面實體的增多, 數(shù)據(jù)標(biāo)注難度也越來越大且模型難以對齊方面與評論實體[18] 。

    基于多分類的方法將ABSA視為多分類問題,即對文本中多個連續(xù)片段及其關(guān)系進(jìn)行分類, 該方法不僅可以實現(xiàn)情感極性分類, 也可以實現(xiàn)方面和評論實體對齊。Wu Z 等[19] 提出一個端到端的網(wǎng)格標(biāo)記模型, 并利用評論之間的相互指示作用抽取情感三元組; Zhang C 等[20] 提出一種基于多任務(wù)學(xué)習(xí)的方面實體和評論實體抽取框架, 并通過雙仿射評分器解析兩者之間的情感依賴關(guān)系; Xu L 等[21] 利用目標(biāo)方面詞和觀點交互信息提出一種跨度級情感三元組抽取模型; 郭榮榮等[22] 構(gòu)建了一種融合BERT和多特征提取的圖卷積神經(jīng)網(wǎng)絡(luò)模型, 并使用雙仿射注意力模塊獲取文本中詞對之間的關(guān)系概率分布;Jiang B 等[23] 提出了一種基于BERT 和圖卷積神經(jīng)網(wǎng)絡(luò)的情感三元組抽取框架, 實現(xiàn)了方面和觀點實體之間的信息交互; Gao L 等[24] 構(gòu)建了一個基于問答的機器閱讀理解任務(wù)用于抽取方面和評論實體對。

    1.2在線健康社區(qū)情感分析研究

    在線健康社區(qū)情感分析較早的相關(guān)研究主要采用基于規(guī)則[25-26] 、基于詞典[27] 和基于機器學(xué)習(xí)[28-30]的方法, 然而, 這些方法高度依賴專家知識且特征工程龐大[31] 。近期研究主要是基于深度學(xué)習(xí)的方法, 效果較早期的情感分析方法有較大提升[32-33] 。Yadav S 等[34] 、Jelodar H 等[1] 將傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)方法進(jìn)行對比, 發(fā)現(xiàn)基于深度學(xué)習(xí)的方法在健康社區(qū)情感分析任務(wù)中取得了顯著改進(jìn); 葉艷等[35]采用LDA 模型和BiLSTM 分析了在線醫(yī)療評論中負(fù)面服務(wù)質(zhì)量評價產(chǎn)生的原因; Min Z[36] 結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)和BiL?STM 在挖掘文本局部和全局特征上的優(yōu)勢, 對在線健康社區(qū)的評論進(jìn)行情感分析; Colón-Ruiz C等[37] 、Biseda B 等[38] 對在線藥物評論進(jìn)行情感分析發(fā)現(xiàn), 將預(yù)訓(xùn)練雙向編碼表征網(wǎng)絡(luò)(BidirectionalEncoder Representation from Transformers, BERT)作為模型的嵌入層可進(jìn)一步提升情感分析效果; Ar?bane M 等[39] 提出一種改進(jìn)的BiLSTM 模型用于對社交媒體中有關(guān)健康問題的用戶生成內(nèi)容進(jìn)行情感分析; Cao Y 等[40] 、Shah A M 等[41] 提出了融合多模態(tài)數(shù)據(jù)的情感分析模型并對在線醫(yī)療評論進(jìn)行情感分析, 研究發(fā)現(xiàn)多模態(tài)情感分析效果較單一模態(tài)具有顯著提升。

    隨著精準(zhǔn)知識服務(wù)需求推進(jìn), 情感分析逐漸轉(zhuǎn)向更為細(xì)粒度的ABSA。Gui L 等[42] 對網(wǎng)絡(luò)平臺的在線醫(yī)療評論進(jìn)行情感分析, 提出一種可同時進(jìn)行句子級方面詞提取和文檔級情感分類的聯(lián)合學(xué)習(xí)框架; Shan Y X 等[43] 采用對抗學(xué)習(xí)訓(xùn)練在線醫(yī)療評論中的情感詞表征, 并通過注意力機制將情感特征向量與結(jié)構(gòu)化語義相結(jié)合, 進(jìn)而模型能夠更加關(guān)注文本中特定的方面信息; Han Y 等[44] 提出一種預(yù)訓(xùn)練多任務(wù)學(xué)習(xí)模型, 該模型通過兩個BiGRU 網(wǎng)絡(luò)生成特定藥物評論目標(biāo)的語義表征, 并利用多任務(wù)遷移學(xué)習(xí)短文本藥物評論中的領(lǐng)域知識; ?unic'A 等[45] 提出一種基于依存句法信息的方面級情感分析模型, 該模型通過圖卷積神經(jīng)網(wǎng)絡(luò)對給定方面進(jìn)行情感分類; Praveen S V 等[46] 使用BERT 模型和主題建模方法分析了醫(yī)療保健領(lǐng)域的學(xué)者對生成式模型ChatGPT 的情緒。從上述研究可以發(fā)現(xiàn),細(xì)粒度ABSA 已成為當(dāng)前在線健康社區(qū)情感分析的研究重點。

    1.3生成式模型應(yīng)用進(jìn)展

    近年來, 生成式模型在眾多領(lǐng)域取得了令人矚目的成果。在計算機視覺領(lǐng)域, 變分自編碼器[47]結(jié)合了自編碼器的結(jié)構(gòu)和概率圖模型的思想, 通過學(xué)習(xí)數(shù)據(jù)的潛在分布, 使得模型能夠生成多樣性的新樣本; 生成對抗網(wǎng)絡(luò)[48] 利用對抗訓(xùn)練的方式使得生成器不斷提高生成樣本質(zhì)量, 判別器則不斷提高辨別真?zhèn)蔚哪芰?。在自然語言處理領(lǐng)域, 基于Transformer 架構(gòu)的單向自回歸GPT[10] 模型能夠?qū)W習(xí)文本長距離依賴關(guān)系, 進(jìn)而自動生成文本。隨著預(yù)訓(xùn)練模型的發(fā)展, 生成式模型逐漸應(yīng)用于文本摘要生成、機器翻譯和智能問答等自然語言處理任務(wù)。在文本摘要生成研究中, 全安坤等[49] 發(fā)現(xiàn), 利用生成式模型融合圖片和文本特征能更好地定位關(guān)鍵內(nèi)容, 生成的摘要更具有概括性和可讀性; 李紅蓮等[50] 通過融合情感和主題雙通道信息并利用指針網(wǎng)絡(luò)生成文本評論摘要; 鄧露等[51] 基于端到端生成式模型提出一種知識增強的生成式摘要方法。在機器翻譯研究中, 申影利等[52] 提出一種基于多任務(wù)學(xué)習(xí)和Transformer 架構(gòu)的生成式機器翻譯模型;為提高模型對文本的表征能力, Kumar A 等[53] 結(jié)合注意力和卷積神經(jīng)網(wǎng)絡(luò)提出一種新的生成對抗網(wǎng)絡(luò); 劉婉月等[54] 提出一種加標(biāo)簽融合多種亞詞序列的生成式機器翻譯模型。在智能問答研究中, 為提高問題和答案的語義匹配度, 劉杰等[55] 構(gòu)建了基于答案引導(dǎo)的問答對聯(lián)合生成模型; Bidgoly A J等[56] 提出了以低資源語言生成式問答框架以解決訓(xùn)練數(shù)據(jù)不足的問題; Francis S 等[57] 利用生成式問答框架結(jié)合上下文信息生成與問題相關(guān)的回答。在情感分析領(lǐng)域, 余傳明等[58] 為解決目標(biāo)語言標(biāo)注語料資源匱乏問題, 使用生成對抗網(wǎng)絡(luò)和SVM對文本的情感極性分類; 龔振凱等[59] 為提取句子的方面詞、情感詞和情感極性, 提出一種硬約束限制下的情感文本生成方法; Hosseini-Asl E 等[60] 借助具有單向注意力機制的生成語言模型進(jìn)行方面詞抽取和情感極性分類任務(wù); Li Z 等[61] 構(gòu)建多模態(tài)生成框架UniSA 以提升模型的多模態(tài)情感感知能力及子任務(wù)間通用情感知識的學(xué)習(xí)能力。

    通過上述研究可知, 針對在線健康社區(qū)的情感分析已取得了較大進(jìn)展, 近年來其研究焦點逐漸轉(zhuǎn)向更細(xì)粒度的ABSA。已有研究大多采用序列標(biāo)注方法或多分類方法進(jìn)行特定方面的實體抽取和情感極性分類任務(wù), 但當(dāng)句中存在多重情感三元組時,現(xiàn)有方法仍然難以有效解決方面實體、評論實體和相應(yīng)情感極性的對齊問題[8,15] 。盡管已有研究表明生成式模型在解決此類復(fù)雜ABSA 子任務(wù)的潛力,但尚未深入探索生成式模型抽取多重情感三元組的效果。基于此, 本文將ABSA 任務(wù)轉(zhuǎn)換成序列生成任務(wù), 進(jìn)一步探究生成式模型對在線健康社區(qū)進(jìn)行方面級情感分析的效果。

    2基于生成式的在線健康社區(qū)方面級情感分析模型

    2.1模型設(shè)計

    為充分理解上下文語義信息并有效對齊UGC中各方面實體和評論實體,本文提出一種端到端的生成式方面級情感分析模型BERT-WWM-GPT。所提模型由雙向Transformer 結(jié)構(gòu)的編碼器和單向自回歸結(jié)構(gòu)的解碼器組成, 通過編碼器抽取上下文語義信息, 解碼器對此解碼生成情感三元組序列,模型具體結(jié)構(gòu)如圖1 所示。模型中編碼器采用具有雙向Transformer結(jié)構(gòu)的BERT-WWM-ext 預(yù)訓(xùn)練模型, 主要包括雙向多頭注意力機制、前饋神經(jīng)網(wǎng)絡(luò)、層歸一化和殘差鏈接網(wǎng)絡(luò)機制; 解碼器采用單向自回歸結(jié)構(gòu)的GPT 預(yù)訓(xùn)練模型, 主要包括單向多頭注意力機制、前饋神經(jīng)網(wǎng)絡(luò)、層歸一化和殘差鏈接網(wǎng)絡(luò)機制。

    由于推理階段僅存在用戶評論文本T,而標(biāo)準(zhǔn)序列G 未知, 為使模型盡可能準(zhǔn)確地預(yù)測在線健康社區(qū)文本的情感信息, 推理策略是通過Decoder解碼Encoder 的語義向量進(jìn)而生成預(yù)測序列P, 并依據(jù)P 內(nèi)單個位置的預(yù)測得分使得整體預(yù)測準(zhǔn)確性最大化。具體而言, 首先通過Encoder端得到文本的上下文表示H; 其次在Decoder使用特殊任務(wù)標(biāo)志符“<tri>”作為任務(wù)的觸發(fā)器, 依據(jù)不斷生成的序列迭代預(yù)測下一個字符, 直到生成特殊的標(biāo)志符“<end>”;然后利用集束算法優(yōu)化生成序列,避免模型陷入局部最優(yōu)陷阱;最終通過基于規(guī)則的方式過濾和篩選出有效的情感三元組表達(dá)。模型的推理階段如圖2所示。

    3實驗設(shè)計

    3.1實驗流程

    為了利用生成式模型靈活解決在線健康社區(qū)中多重情感三元組抽取任務(wù)上的優(yōu)勢, 本文通過構(gòu)建基于端到端的生成式模型實現(xiàn)方面實體、評論實體和相應(yīng)情感極性的對齊, 以提升在線健康社區(qū)中ABSA 效果, 實驗流程如圖3 所示。具體來說, 首先從在線健康社區(qū)收集用戶評論數(shù)據(jù), 并對數(shù)據(jù)進(jìn)行清洗和預(yù)處理; 其次搭建深度學(xué)習(xí)模型BERTWWM-GPT, 并在編碼器通過嵌入層獲取包含上下文語意信息的詞向量; 然后在解碼器對詞向量解碼,利用單項的自回歸結(jié)構(gòu)生成預(yù)測序列; 最終從預(yù)測序列中篩選出有效的情感三元組。

    3.2數(shù)據(jù)準(zhǔn)備

    中文領(lǐng)域目前尚未有公開的中文在線健康社區(qū)ABSA 任務(wù)數(shù)據(jù)集, 為驗證所提模型在在線健康社區(qū)ABSA任務(wù)上的有效性, 本文選擇好大夫網(wǎng)站作為實驗數(shù)據(jù)來源構(gòu)建數(shù)據(jù)集。好大夫網(wǎng)是中國使用較為廣泛的醫(yī)患交流平臺, 其中包括了對醫(yī)生、醫(yī)院的評論, 以及對藥物、治療和康復(fù)狀況的評論。本文利用爬蟲程序獲?。玻埃玻?年1 月—2023 年8 月該網(wǎng)站的用戶評論, 初步清洗后得到7000條數(shù)據(jù)。為確保數(shù)據(jù)標(biāo)注質(zhì)量, 本研究一方面對實驗數(shù)據(jù)采取了去重、降噪以及刪除低質(zhì)量數(shù)據(jù)等操作; 另一方面通過兩位標(biāo)注員分別標(biāo)注, 第三位標(biāo)注員對不確定數(shù)據(jù)進(jìn)行統(tǒng)一標(biāo)注的方式以確保標(biāo)注結(jié)果的準(zhǔn)確性, 并對方面實體和評論實體以及相應(yīng)的情感極性進(jìn)行標(biāo)注。最終構(gòu)建了包含4 000條數(shù)據(jù)的數(shù)據(jù)集, 數(shù)據(jù)集統(tǒng)計結(jié)果和樣例如表1 和表2所示。

    3.3實驗設(shè)計

    為驗證BERT-WWM-GPT 模型在健康社區(qū)方面級情感分析任務(wù)ASPE 和ASOTE 上的有效性,本文設(shè)計了3 組對照實驗, 每組實驗均采用五折交叉驗證, 并按7∶1∶2 將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集。具體實驗設(shè)計如下:

    實驗一:對比基準(zhǔn)模型在ABSA任務(wù)中的實驗效果。探究采用基于序列標(biāo)注方法、基于多分類方法和單解碼器結(jié)構(gòu)的生成式模型GPT 在ASPE 和ASOTE任務(wù)上的效果。

    實驗二:探究不同生成式模型在ABSA任務(wù)中的實驗效果。本實驗將在實驗一基礎(chǔ)上探究不同生成式模型和編碼器對實驗效果的影響; 同時探究集束搜索算法中不同集束寬對實驗效果的影響。

    實驗三:檢驗?zāi)P偷念I(lǐng)域泛化能力。在實驗二基礎(chǔ)上利用公共數(shù)據(jù)進(jìn)行實驗, 以探究生成式模型BERT-WWM-GPT的泛化能力。

    在實驗一中,為驗證所提模型的有效性, 本文采用ABSA 領(lǐng)域主流的基線模型進(jìn)行對比實驗?;€模型介紹如表3所示。

    3.4實驗環(huán)境

    本文實驗環(huán)境如下: 實驗?zāi)P途捎茫校簦瑁铮睿?8.0 和Pytorch深度學(xué)習(xí)框架1.9.0 版本, 操作系統(tǒng)為Ubuntu,GPU型號為GeForce RTX3090 GPU,內(nèi)存24GB。表4給出了模型的各超參數(shù)值及解釋,所有實驗均在此環(huán)境下運行。

    3.5評估指標(biāo)

    本文采用準(zhǔn)確率(Accuracy)、召回值(Recall)、精確率(Precision)和F1 值作為所有模型的評估指標(biāo), 以下簡稱P、R 和F1。具體計算如式(9) ~(11) 所示:

    其中TP表示正類被預(yù)測為正類的數(shù)量; FN表示正類被預(yù)測為負(fù)類的數(shù)量; FP 表示負(fù)類被預(yù)測為正類的數(shù)量。

    4實驗結(jié)果與分析

    4.1基準(zhǔn)實驗對比

    為驗證基準(zhǔn)模型在健康社區(qū)方面級情感分析任務(wù)上的效果, 第一組實驗采用序列標(biāo)注方法, 如BiLSTM-CRF、LCF 和PAT、CMLA、HAST; 第二組實驗采用基于多分類方法, 如GTS、OTE-MTL和SPAN-ASTE;第三組實驗采用具有解碼器結(jié)構(gòu)的生成式模型GPT。實驗結(jié)果如表5所示。

    從表5可以發(fā)現(xiàn), 在抽?。挤矫鎸嶓w,情感極性>對任務(wù)ASPE 中:①序列標(biāo)注模型HAST 和LCF模型的F1值分別為60.73%和59.71%, 相較于BiLSTM-CRF 和CMLA 模型均有明顯提升, 主要原因在于HAST和LCF 模型采用多任務(wù)學(xué)習(xí)共享情感極性分類和方面實體抽取任務(wù)的參數(shù), 使得單個任務(wù)學(xué)習(xí)到更多信息,進(jìn)一步優(yōu)化了ASPE 任務(wù)結(jié)果。②多分類模型在ASPE 任務(wù)上效果優(yōu)于序列標(biāo)注模型。其中OTE-MTL 模型在多分類模型中表現(xiàn)最優(yōu),F1 值達(dá)到77.12%, 較HAST 模型提升了16.39%,這是由于OTE-MTL 模型利用多任務(wù)學(xué)習(xí)在ASPE任務(wù)中引入評論實體抽取任務(wù), 更加關(guān)注與評論實體相關(guān)的方面實體和情感極性信息, 進(jìn)一步提高了模型在ASPE 任務(wù)上的效果。③單解碼器生成式模型GPT 在ASPE 任務(wù)上F1 值為77.93%,較OTEMTL模型僅提升了0.81%。進(jìn)一步分析可知,GPT模型雖然能夠自回歸地生成情感三元組序列, 但其單向自回歸結(jié)構(gòu)的解碼器未能有效捕獲文本上下文語義信息, 因此, 相較于OTE-MTL 模型在ASPE任務(wù)上提升效果不顯著。

    在抽?。挤矫鎸嶓w,評論實體, 情感極性>三元組任務(wù)ASOTE 中:①生成式GPT 模型在ASOTE 任務(wù)上表現(xiàn)最優(yōu), F1@ All 值為80.69%, 較多分類模型GTS 提高了7 71%。這表明將ABSA 任務(wù)轉(zhuǎn)化為生成任務(wù)是可行的, 且生成式模型在ABSA 任務(wù)上的表現(xiàn)明顯優(yōu)于基于序列標(biāo)注和多分類的方法。②序列標(biāo)注和多分類模型在ASOTE 任務(wù)上的F1@4 明顯低于F1@ 1,而生成式模型F1@ 4 比F1@ 1高4.22%, 這表明生成式模型更適合處理具有多重情感三元組表達(dá)的復(fù)雜文本。主要原因在于將情感三元組預(yù)測任務(wù)轉(zhuǎn)換成序列生成任務(wù)后, 生成式模型能夠更好地利用情感三元組序列的上下文語義信息, 進(jìn)而有效地處理ASOTE 任務(wù)。③生成式模型在ASPE任務(wù)上F1值為77.93%, 低于在ASOTE任務(wù)上的F1值80.69%,而多分類模型和序列標(biāo)注模型在ASPE 任務(wù)上F1 值高于ASOTE 任務(wù), 這表明生成式模型能夠更好地處理方面級情感分析中的復(fù)雜任務(wù)。進(jìn)一步分析可以發(fā)現(xiàn), 序列標(biāo)注和多分類模型需要對預(yù)測結(jié)果進(jìn)一步解碼生成情感三元組, 存在錯誤傳播的現(xiàn)象, 而生成式模型在訓(xùn)練和推理階段按照“方面, 評論, 情感極性” 格式對齊方面實體和評論實體并聯(lián)合抽取情感三元組, 減少了錯誤序列的生成。

    4.2生成式模型對比

    由4.1小節(jié)可知, 生成式模型GPT 在基準(zhǔn)實驗對比中效果最優(yōu)。因此, 本實驗將在GPT 模型基礎(chǔ)上探究不同編碼器和集束寬度對在線健康社區(qū)情感三元組抽取的影響。其中, Glove-GPT 是在GPT 模型的基礎(chǔ)上使用Glove 詞向量; BERT-GPT是采用BERT[62] 作為嵌入層; BERT-WWM-GPT采用BERT-WWM-ext[63] 作為詞嵌入層。實驗結(jié)果如表6 所示。

    從表6 可以發(fā)現(xiàn), ①Glove-GPT模型在ASOTE任務(wù)上的F1@ All為80.80%,相較于GPT模型僅提升0.11%,這是由于靜態(tài)詞向量Glove無法準(zhǔn)確捕獲字符在不同上下文的語義信息, 因此, 在復(fù)雜的ASOTE 任務(wù)中不適用于生成式模型的編碼器。②BERT-GPT 和BERT-WWM-GPT 模型相較于GPT在ASOTE任務(wù)上的F1 值分別提升了2.49%和3.57%,表明預(yù)訓(xùn)練模型BERT 和BERT-WWM-ext 作為編碼器對實驗效果提升較大,其中BERT-WWM-ext模型對實驗效果提升更為明顯。主要原因在于BERTWWM-ext相較于BERT 采用了更大的語料庫和全字掩蔽預(yù)訓(xùn)練任務(wù),能夠讓模型充分學(xué)習(xí)詞語的語義信息, 進(jìn)而有助于提升三元組抽取效果。③使用集束搜索后,BERT-WWM-GPT模型在AOSTE任務(wù)上的F1@2、F1@3 和F1@4 總體上隨著集束寬度增大而提高, 當(dāng)提高集束寬度為4 時F1@ All 值較GTS 模型提升了12.25%, F1@ 2、F1@ 3 和F1@ 4分別提升了1.32%、1.01%和1.76%。這是由于模型使用集束算法生成序列時考慮了多個備選項, 在一定程度上避免陷入局部最優(yōu)解。當(dāng)集束寬度增大至5 時, 實驗效果出現(xiàn)了下降。進(jìn)一步分析可知,模型對預(yù)測序列上每個字符的預(yù)測并不完全準(zhǔn)確,導(dǎo)致選擇的備選項不一定是最佳備選項, 因此, 過度增大集束寬度可能會生成錯誤序列。

    4. 3模型領(lǐng)域泛化能力驗證

    為驗證基于端到端的生成式模型的泛化能力,本文選取方面級情感分析領(lǐng)域的5 份中文公共數(shù)據(jù)進(jìn)行實驗, 其中Camera、Car、Phone 和Notebook數(shù)據(jù)集[13] 是電子商務(wù)平臺的商品評價數(shù)據(jù), 標(biāo)注了方面實體和情感極性, 4份數(shù)據(jù)集共包含6 432條數(shù)據(jù); Food[64] 數(shù)據(jù)集包含了27 835條數(shù)據(jù),標(biāo)注了餐飲行業(yè)在線評論的方面、評論實體和相應(yīng)的情感極性, 每條數(shù)據(jù)最多包含19對情感三元組。其中,Camera、Car、Phone 和Notebook數(shù)據(jù)集均未標(biāo)注評論實體,因此主要進(jìn)行ASPE 實驗; Food數(shù)據(jù)集標(biāo)注了方面、評論實體和相應(yīng)的情感極性,可以進(jìn)行ASOTE 實驗。為保證各實驗的可比較性,均采用F1 值評價指標(biāo)對實驗結(jié)果進(jìn)行評價,實驗結(jié)果如表7所示。

    由表7可以發(fā)現(xiàn),①由于Camera、Car、hone和Notebook數(shù)據(jù)集語料表述較為簡單, 每條數(shù)據(jù)僅包含一個方面的評價, 因此ASPE 任務(wù)整體實驗效果較好。所提模型BERT-WWM-GPT 在4 個數(shù)據(jù)集的ASPE 任務(wù)上效果均達(dá)到最優(yōu), F1 值分別為76.85%、80.80%、83.52%和79.48%, 較OTEMTL模型分別提升了3.75%、13.57%、10.86%和8.59%。LCF、OTE-MTL、GPT 和BERT-WWMGPT模型在ASPE 任務(wù)上的F1 值逐漸遞增, 這與實驗一和實驗二的結(jié)論相吻合, 表明生成式模型在ASPE 任務(wù)上的效果優(yōu)于序列標(biāo)注和多分類模型,且基于預(yù)訓(xùn)練的BERT-WWM-ext 編碼器對ASPE任務(wù)具有較好的提升效果。②由于Food 數(shù)據(jù)集存在大量具有多重情感三元組的數(shù)據(jù), 增加了情感三元組抽取的難度, 因此ASOTE 任務(wù)整體實驗效果較低。其中, MuG RoBERTa-large模型較OTE -MTL 模型在F1 值上僅提升了0.28%, 主要原因在于OTE-MTL模型和MuG RoBERTa-large 模型均采用多分類的方法處理情感三元組抽取任務(wù), 因此實驗結(jié)果相近。而生成式模型BERT-WWM-GPT 較MuG RoBERTa-large 在F1 值上提升了7.22%, 在ASOTE任務(wù)上效果最佳, 這進(jìn)一步表明了所提模型BERT-WWM-GPT優(yōu)秀的泛化能力, 且在抽取多重情感三元組任務(wù)中更具有優(yōu)勢。

    4.4案例分析

    為進(jìn)一步理解BERT-WWM-GPT在健康領(lǐng)域ABSA 任務(wù)上的效果, 本文選取了3 個代表性案例進(jìn)行分析。其中案例一句式簡單, 包含3個情感三元組和兩種不同的情感極性; 案例二存在3 個情感三元組, 但僅有兩個方面實體, 即關(guān)系重疊現(xiàn)象,且同一方面實體存在兩種不同情感極性的評論實體; 案例三句式復(fù)雜且存在6 個情感三元組, 不僅存在關(guān)系重疊現(xiàn)象, 且存在隱性情感表達(dá)現(xiàn)象。表8給出了案例介紹與模型的抽取結(jié)果。

    通過案例分析可知,BERT-WWM-GPT 模型完整地抽取了案例一與案例二中的情感三元組。案例二中方面實體“王醫(yī)生” 存在兩種不同情感極性的評論實體,BERT-WWM-GPT 不僅完整地抽取了相關(guān)的方面與評論實體對, 還準(zhǔn)確預(yù)測了兩種不同的情感極性, 這表明所提模型針對具有多重情感三元組的文本有較好的抽取能力。

    案例三句式較為復(fù)雜, 其方面實體“刀口” 的評論實體“很小” 和“基本看不到” 屬于隱性情感表達(dá), 針對不同方面有不同情感極性。例如, 方面實體“手術(shù)效果” 的評論同樣是“很小”, 但表達(dá)的情感極性卻完全相反, BERT-WWM-GPT模型未能準(zhǔn)確識別情感極性; 此外, 當(dāng)方面實體的表達(dá)較為復(fù)雜, 例如“告知注意事項” 由動詞和名詞組成, BERT-WWM-GPT 未能正確識別實體邊界。這表明所提模型未能較好地分析隱性情感和抽取復(fù)雜實體信息, 未來可通過遷移學(xué)習(xí)引入外部知識解決此類問題。

    5結(jié)論

    通過實現(xiàn)方面實體和評論實體對齊進(jìn)而更為準(zhǔn)確地抽取在線健康社區(qū)文本中的多重情感三元組,提出了一種基于端到端的生成式模型BERT-WWMGPT。研究結(jié)果表明: ①單解碼器生成式模型GPT相較于序列標(biāo)注和多分類模型更適合處理具有多重情感三元組表達(dá)的復(fù)雜文本, 其F1值較基準(zhǔn)模型GTS提升了7.71%。②預(yù)訓(xùn)練模型相較于靜態(tài)詞向量更加適合作為生成式模型的編碼器, 且BERTWWM相較于BERT 在F1@ All值上提升了1.08%。③在5 份中文公開數(shù)據(jù)集和自建數(shù)據(jù)集上的實驗結(jié)果表明, 所提模型BERT-WWM-GPT 能較好地抽取在線健康社區(qū)多重情感三元組, 且具有良好的泛化能力。目前在線健康社區(qū)中用戶評論表述復(fù)雜且包含大量隱性情感信息, 如何對隱性情感表達(dá)進(jìn)行有效抽取和情感極性分類是本文未來研究的重點。

    丝瓜视频免费看黄片| 五月伊人婷婷丁香| 免费av不卡在线播放| 久久久久久久亚洲中文字幕| 国产精品99久久99久久久不卡 | 秋霞伦理黄片| 国产精品久久久久久久久免| 男人爽女人下面视频在线观看| 午夜久久久在线观看| 欧美日韩精品成人综合77777| 亚洲第一区二区三区不卡| 成人免费观看视频高清| 97精品久久久久久久久久精品| 久久韩国三级中文字幕| 各种免费的搞黄视频| 看非洲黑人一级黄片| 欧美亚洲 丝袜 人妻 在线| 国产av码专区亚洲av| 国产精品国产av在线观看| tube8黄色片| 国产精品嫩草影院av在线观看| 久久99热这里只频精品6学生| 亚洲成国产人片在线观看| 亚洲激情五月婷婷啪啪| 大香蕉久久网| 国产又爽黄色视频| 国产精品一二三区在线看| 免费观看性生交大片5| 亚洲av男天堂| 精品福利永久在线观看| 国产毛片在线视频| 久久久国产欧美日韩av| 久久人人爽人人片av| 好男人视频免费观看在线| 2018国产大陆天天弄谢| 99香蕉大伊视频| 亚洲精品aⅴ在线观看| av有码第一页| 国产成人精品一,二区| 免费看av在线观看网站| 欧美人与性动交α欧美软件 | 亚洲国产成人一精品久久久| 狂野欧美激情性bbbbbb| av国产精品久久久久影院| 中国国产av一级| 18禁裸乳无遮挡动漫免费视频| 亚洲av成人精品一二三区| 国产国语露脸激情在线看| 日韩av不卡免费在线播放| 国产男女超爽视频在线观看| 欧美+日韩+精品| 少妇被粗大的猛进出69影院 | 国产精品国产av在线观看| 欧美97在线视频| 91久久精品国产一区二区三区| 亚洲成色77777| 亚洲av综合色区一区| 色婷婷久久久亚洲欧美| 最近手机中文字幕大全| 国产黄色免费在线视频| 亚洲三级黄色毛片| 蜜桃国产av成人99| 我要看黄色一级片免费的| 91久久精品国产一区二区三区| 搡女人真爽免费视频火全软件| 最新的欧美精品一区二区| 99精国产麻豆久久婷婷| 亚洲成色77777| av有码第一页| 亚洲精品美女久久av网站| 国产爽快片一区二区三区| 婷婷成人精品国产| 另类精品久久| 麻豆乱淫一区二区| 亚洲情色 制服丝袜| 一边亲一边摸免费视频| 久久久久久伊人网av| 观看av在线不卡| 午夜日本视频在线| 你懂的网址亚洲精品在线观看| 黄色配什么色好看| 欧美激情 高清一区二区三区| 男人添女人高潮全过程视频| av线在线观看网站| 欧美3d第一页| 最近的中文字幕免费完整| 性色avwww在线观看| 卡戴珊不雅视频在线播放| 国产精品三级大全| 国产成人免费观看mmmm| 欧美精品一区二区免费开放| 美女主播在线视频| 日韩av免费高清视频| 黑人欧美特级aaaaaa片| 午夜激情久久久久久久| 亚洲国产av新网站| 精品一区二区三区四区五区乱码 | 免费看av在线观看网站| 免费日韩欧美在线观看| 午夜福利视频精品| 精品少妇久久久久久888优播| 国产激情久久老熟女| 国产亚洲午夜精品一区二区久久| av免费观看日本| 亚洲精品,欧美精品| 国产一区二区在线观看日韩| 日韩av不卡免费在线播放| 一级毛片黄色毛片免费观看视频| 天堂中文最新版在线下载| 国产男女超爽视频在线观看| 久久婷婷青草| 又黄又爽又刺激的免费视频.| 老女人水多毛片| 激情视频va一区二区三区| 五月天丁香电影| 久久午夜福利片| 性色avwww在线观看| 国内精品宾馆在线| 精品久久久精品久久久| 一区二区三区乱码不卡18| 亚洲欧美中文字幕日韩二区| 中文字幕亚洲精品专区| 精品亚洲成国产av| 十八禁高潮呻吟视频| 高清毛片免费看| av女优亚洲男人天堂| 亚洲婷婷狠狠爱综合网| 啦啦啦中文免费视频观看日本| 黑人欧美特级aaaaaa片| 一级毛片电影观看| 国产精品欧美亚洲77777| 高清av免费在线| 日韩制服骚丝袜av| 国产麻豆69| 亚洲av国产av综合av卡| 免费观看在线日韩| 熟女电影av网| 亚洲精品aⅴ在线观看| 全区人妻精品视频| 色94色欧美一区二区| 精品人妻熟女毛片av久久网站| av线在线观看网站| 男女午夜视频在线观看 | 深夜精品福利| 欧美变态另类bdsm刘玥| 另类精品久久| av女优亚洲男人天堂| 免费日韩欧美在线观看| 美国免费a级毛片| 一级毛片我不卡| 少妇的丰满在线观看| 亚洲国产精品专区欧美| 啦啦啦在线观看免费高清www| 久久人人爽av亚洲精品天堂| 亚洲 欧美一区二区三区| 亚洲 欧美一区二区三区| 啦啦啦中文免费视频观看日本| 久久97久久精品| 亚洲精品国产av成人精品| 少妇熟女欧美另类| 国产精品蜜桃在线观看| 久久久久久人人人人人| 男女午夜视频在线观看 | 精品一区二区三区四区五区乱码 | 天天影视国产精品| av视频免费观看在线观看| 一个人免费看片子| 精品亚洲成a人片在线观看| 人妻 亚洲 视频| 亚洲成av片中文字幕在线观看 | 18禁在线无遮挡免费观看视频| 日本爱情动作片www.在线观看| 色视频在线一区二区三区| 天美传媒精品一区二区| 卡戴珊不雅视频在线播放| 好男人视频免费观看在线| 国内精品宾馆在线| 亚洲欧美中文字幕日韩二区| 成年人午夜在线观看视频| 老司机影院成人| 97人妻天天添夜夜摸| 免费黄色在线免费观看| 韩国高清视频一区二区三区| 香蕉精品网在线| 男人舔女人的私密视频| 十八禁高潮呻吟视频| 男人添女人高潮全过程视频| 欧美日本中文国产一区发布| 欧美xxⅹ黑人| 满18在线观看网站| 欧美精品一区二区大全| 亚洲激情五月婷婷啪啪| 日韩不卡一区二区三区视频在线| 一级片'在线观看视频| 亚洲av电影在线观看一区二区三区| 日本av手机在线免费观看| 在线观看免费高清a一片| 欧美国产精品va在线观看不卡| 人妻系列 视频| 97在线人人人人妻| 日韩电影二区| 国产精品不卡视频一区二区| 国产一区二区激情短视频 | 国产视频首页在线观看| 成人影院久久| 亚洲欧洲日产国产| 亚洲色图综合在线观看| 国内精品宾馆在线| 18禁观看日本| 亚洲精品久久成人aⅴ小说| 欧美老熟妇乱子伦牲交| 久久久久精品人妻al黑| 欧美最新免费一区二区三区| 制服丝袜香蕉在线| 视频在线观看一区二区三区| 制服诱惑二区| 成人国产av品久久久| www.av在线官网国产| www.av在线官网国产| 国产av精品麻豆| 22中文网久久字幕| 婷婷色综合大香蕉| 自拍欧美九色日韩亚洲蝌蚪91| 有码 亚洲区| 亚洲精品av麻豆狂野| 亚洲av免费高清在线观看| 99热全是精品| 中文字幕制服av| av在线老鸭窝| 国产在线视频一区二区| 永久免费av网站大全| 香蕉国产在线看| av又黄又爽大尺度在线免费看| 亚洲 欧美一区二区三区| 色婷婷久久久亚洲欧美| 免费黄网站久久成人精品| 国产日韩欧美在线精品| 在线天堂中文资源库| 亚洲av电影在线进入| 国产极品天堂在线| 亚洲激情五月婷婷啪啪| 一区二区av电影网| 亚洲欧美日韩卡通动漫| 国产精品一二三区在线看| 国产色爽女视频免费观看| 午夜福利,免费看| 男女免费视频国产| 哪个播放器可以免费观看大片| 亚洲欧洲日产国产| 精品卡一卡二卡四卡免费| 麻豆乱淫一区二区| 日韩电影二区| 国产熟女欧美一区二区| 亚洲精品视频女| 日韩大片免费观看网站| av国产精品久久久久影院| 下体分泌物呈黄色| 国产爽快片一区二区三区| 亚洲精品美女久久久久99蜜臀 | 免费高清在线观看日韩| 日韩中字成人| 青青草视频在线视频观看| 九色亚洲精品在线播放| 久久久a久久爽久久v久久| 色94色欧美一区二区| 街头女战士在线观看网站| 黑人猛操日本美女一级片| 又黄又粗又硬又大视频| 飞空精品影院首页| 亚洲精品一二三| 日本与韩国留学比较| 国产麻豆69| 精品少妇久久久久久888优播| 日韩 亚洲 欧美在线| 高清在线视频一区二区三区| 亚洲精品美女久久久久99蜜臀 | 母亲3免费完整高清在线观看 | 日韩熟女老妇一区二区性免费视频| 伊人亚洲综合成人网| 最近最新中文字幕免费大全7| 91在线精品国自产拍蜜月| av女优亚洲男人天堂| 十八禁高潮呻吟视频| 国产欧美亚洲国产| 91aial.com中文字幕在线观看| 国产精品一区二区在线不卡| 中文乱码字字幕精品一区二区三区| 亚洲伊人色综图| 国产午夜精品一二区理论片| 精品国产一区二区三区久久久樱花| 一区在线观看完整版| 一级毛片电影观看| 99久国产av精品国产电影| 狠狠精品人妻久久久久久综合| 国产成人午夜福利电影在线观看| 熟女电影av网| 视频区图区小说| 久久99热这里只频精品6学生| 国产黄色视频一区二区在线观看| 亚洲国产精品国产精品| 成人亚洲精品一区在线观看| 波多野结衣一区麻豆| 国产综合精华液| 国产精品99久久99久久久不卡 | 国产精品人妻久久久影院| 一区二区三区乱码不卡18| 亚洲图色成人| videosex国产| 亚洲美女视频黄频| 亚洲精品久久午夜乱码| 国产 精品1| 成年女人在线观看亚洲视频| 久久人妻熟女aⅴ| 七月丁香在线播放| 精品卡一卡二卡四卡免费| 亚洲精品国产av蜜桃| 大香蕉久久网| 婷婷色综合大香蕉| 天堂8中文在线网| 美女国产高潮福利片在线看| 久久久国产欧美日韩av| 免费女性裸体啪啪无遮挡网站| 少妇人妻 视频| 久久韩国三级中文字幕| 国产欧美日韩一区二区三区在线| 亚洲,欧美,日韩| 超色免费av| 亚洲av电影在线观看一区二区三区| 人妻少妇偷人精品九色| videos熟女内射| 色94色欧美一区二区| 日本午夜av视频| 观看美女的网站| 少妇熟女欧美另类| 少妇被粗大的猛进出69影院 | 国产一区二区在线观看日韩| 制服人妻中文乱码| 老司机亚洲免费影院| 在线观看人妻少妇| 制服丝袜香蕉在线| 女人精品久久久久毛片| 久久 成人 亚洲| 久久久久久久大尺度免费视频| 亚洲性久久影院| 国产极品天堂在线| 97在线视频观看| 国产精品一二三区在线看| 80岁老熟妇乱子伦牲交| 精品人妻偷拍中文字幕| 亚洲欧洲精品一区二区精品久久久 | 伊人亚洲综合成人网| 亚洲欧洲日产国产| 免费播放大片免费观看视频在线观看| 欧美性感艳星| 国产一级毛片在线| 看免费成人av毛片| 国产精品国产三级专区第一集| 亚洲欧美成人综合另类久久久| 久久精品久久精品一区二区三区| 春色校园在线视频观看| 黄色 视频免费看| 亚洲精品美女久久av网站| 国产熟女午夜一区二区三区| 最近中文字幕高清免费大全6| 亚洲美女搞黄在线观看| 成人亚洲欧美一区二区av| 日本wwww免费看| 国产免费一区二区三区四区乱码| 伊人久久国产一区二区| 国产av精品麻豆| 99久久中文字幕三级久久日本| 欧美日韩国产mv在线观看视频| 97在线人人人人妻| 精品国产露脸久久av麻豆| 五月玫瑰六月丁香| 久久国内精品自在自线图片| 精品国产一区二区三区四区第35| 久久久久久久久久久久大奶| 夫妻午夜视频| 婷婷色av中文字幕| a级片在线免费高清观看视频| av播播在线观看一区| 亚洲 欧美一区二区三区| 久久久久久人妻| 亚洲在久久综合| 街头女战士在线观看网站| 久久人人爽人人爽人人片va| 久久久久精品性色| 久久婷婷青草| 日韩一本色道免费dvd| 成人18禁高潮啪啪吃奶动态图| 天堂俺去俺来也www色官网| 精品酒店卫生间| 色吧在线观看| 曰老女人黄片| 精品一品国产午夜福利视频| 永久免费av网站大全| 日韩电影二区| 我要看黄色一级片免费的| 在线观看国产h片| av国产久精品久网站免费入址| 一级黄片播放器| 免费人成在线观看视频色| 久久女婷五月综合色啪小说| freevideosex欧美| 只有这里有精品99| 国产亚洲最大av| 精品国产乱码久久久久久小说| 久久久久久伊人网av| 中文字幕av电影在线播放| 国产深夜福利视频在线观看| 99视频精品全部免费 在线| 国产一区二区在线观看av| av不卡在线播放| 国产色婷婷99| 免费女性裸体啪啪无遮挡网站| 亚洲精品久久久久久婷婷小说| 最新中文字幕久久久久| 亚洲精品国产色婷婷电影| 五月天丁香电影| 久久精品国产亚洲av天美| 黄片无遮挡物在线观看| 狠狠精品人妻久久久久久综合| 亚洲欧洲国产日韩| 丁香六月天网| 国产国拍精品亚洲av在线观看| 人妻 亚洲 视频| 久久影院123| 久久精品国产亚洲av涩爱| 亚洲欧美日韩卡通动漫| 女性生殖器流出的白浆| 又黄又粗又硬又大视频| 国产精品 国内视频| 人妻系列 视频| 欧美日韩视频精品一区| 久久人人97超碰香蕉20202| www.色视频.com| av在线老鸭窝| 国产精品欧美亚洲77777| 熟女av电影| 91在线精品国自产拍蜜月| 精品一品国产午夜福利视频| 日韩av不卡免费在线播放| xxx大片免费视频| 母亲3免费完整高清在线观看 | 日韩一本色道免费dvd| 26uuu在线亚洲综合色| 成人国语在线视频| 大片电影免费在线观看免费| 国产综合精华液| 蜜桃国产av成人99| 国产欧美亚洲国产| 七月丁香在线播放| av卡一久久| 黄色配什么色好看| 午夜福利影视在线免费观看| 一级片免费观看大全| 天堂俺去俺来也www色官网| 最黄视频免费看| 伊人久久国产一区二区| 亚洲内射少妇av| 国产又色又爽无遮挡免| 免费观看性生交大片5| 国产男女超爽视频在线观看| 亚洲国产精品成人久久小说| 街头女战士在线观看网站| 欧美 日韩 精品 国产| 美女国产视频在线观看| 午夜免费观看性视频| 青青草视频在线视频观看| 成人免费观看视频高清| 国产精品久久久久成人av| 中国美白少妇内射xxxbb| 亚洲国产欧美在线一区| 亚洲人成网站在线观看播放| 亚洲精品久久午夜乱码| 国产有黄有色有爽视频| 人妻少妇偷人精品九色| 免费观看a级毛片全部| 男人舔女人的私密视频| 国产男人的电影天堂91| 免费在线观看完整版高清| 午夜福利视频精品| 永久免费av网站大全| 激情视频va一区二区三区| 亚洲欧洲国产日韩| 久久狼人影院| 校园人妻丝袜中文字幕| 国产精品久久久久久久电影| 一二三四在线观看免费中文在 | 午夜福利影视在线免费观看| 欧美精品人与动牲交sv欧美| 国产成人欧美| 各种免费的搞黄视频| 久久毛片免费看一区二区三区| 91在线精品国自产拍蜜月| 插逼视频在线观看| 欧美成人午夜精品| 亚洲国产av新网站| 人妻 亚洲 视频| 久久精品久久精品一区二区三区| 狠狠婷婷综合久久久久久88av| 男人爽女人下面视频在线观看| 街头女战士在线观看网站| 久久精品国产鲁丝片午夜精品| 有码 亚洲区| 十八禁网站网址无遮挡| 99久久精品国产国产毛片| 午夜日本视频在线| 老熟女久久久| 黑人猛操日本美女一级片| www.av在线官网国产| 欧美国产精品va在线观看不卡| 亚洲精品,欧美精品| 伊人久久国产一区二区| 欧美另类一区| 少妇高潮的动态图| 久久久久精品性色| 少妇被粗大猛烈的视频| 久久国产精品男人的天堂亚洲 | 色网站视频免费| 亚洲国产色片| 久久精品国产自在天天线| 午夜影院在线不卡| 黄色怎么调成土黄色| 中文字幕另类日韩欧美亚洲嫩草| 99热这里只有是精品在线观看| 菩萨蛮人人尽说江南好唐韦庄| 日韩一区二区视频免费看| 一区二区三区四区激情视频| 国产免费一级a男人的天堂| 亚洲精品456在线播放app| 爱豆传媒免费全集在线观看| 宅男免费午夜| 日韩欧美精品免费久久| 亚洲精品日韩在线中文字幕| 国产乱人偷精品视频| √禁漫天堂资源中文www| 五月开心婷婷网| 国产精品久久久久久精品电影小说| 哪个播放器可以免费观看大片| 免费少妇av软件| 黄色怎么调成土黄色| 制服丝袜香蕉在线| 亚洲国产欧美日韩在线播放| 自拍欧美九色日韩亚洲蝌蚪91| 十八禁网站网址无遮挡| 国产老妇伦熟女老妇高清| 婷婷色综合大香蕉| 久久婷婷青草| 国产成人a∨麻豆精品| 精品人妻偷拍中文字幕| 久久精品国产亚洲av天美| 欧美另类一区| 国产高清不卡午夜福利| 亚洲精品成人av观看孕妇| 久久久久久伊人网av| 日韩成人伦理影院| 精品久久久精品久久久| 国产精品成人在线| 亚洲第一av免费看| av在线播放精品| 成人毛片a级毛片在线播放| 成年av动漫网址| 色哟哟·www| 人人妻人人澡人人爽人人夜夜| 少妇人妻精品综合一区二区| www.色视频.com| 国产伦理片在线播放av一区| 欧美 亚洲 国产 日韩一| 亚洲熟女精品中文字幕| 精品视频人人做人人爽| 91精品国产国语对白视频| 久久久亚洲精品成人影院| 自线自在国产av| 欧美精品av麻豆av| 国产有黄有色有爽视频| 超碰97精品在线观看| 又粗又硬又长又爽又黄的视频| 精品酒店卫生间| 亚洲欧美日韩另类电影网站| 十分钟在线观看高清视频www| 欧美+日韩+精品| 久久久久网色| 精品国产一区二区久久| 欧美老熟妇乱子伦牲交| 99久国产av精品国产电影| 亚洲色图 男人天堂 中文字幕 | 2022亚洲国产成人精品| 老女人水多毛片| 国产成人av激情在线播放| 亚洲精品aⅴ在线观看| av线在线观看网站| 亚洲情色 制服丝袜| 满18在线观看网站| 成年av动漫网址| www.熟女人妻精品国产 | 侵犯人妻中文字幕一二三四区| 桃花免费在线播放| 亚洲,欧美,日韩| 久久久久精品性色| 菩萨蛮人人尽说江南好唐韦庄| 国产毛片在线视频| a级毛片黄视频| 菩萨蛮人人尽说江南好唐韦庄| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 久久午夜福利片| 91aial.com中文字幕在线观看| 国产淫语在线视频| 成人无遮挡网站| 免费观看a级毛片全部| 久久久精品免费免费高清| 美国免费a级毛片| 美女主播在线视频| 国产精品人妻久久久久久|