• <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 ?

    基于多信息融合分析的客戶精準(zhǔn)畫像與推送算法設(shè)計

    2025-03-14 00:00:00齊光鵬
    現(xiàn)代電子技術(shù) 2025年6期

    摘" 要: 針對原始圖卷積神經(jīng)網(wǎng)絡(luò)推送模型存在的冷啟動和過平滑問題,文中基于堆疊重構(gòu)網(wǎng)絡(luò)和改進(jìn)自編碼器網(wǎng)絡(luò),提出一種針對用戶畫像的多信息推送模型。對于冷啟動問題,在圖卷積網(wǎng)絡(luò)的輸出部分,將用戶畫像中的評價信息嵌入到網(wǎng)絡(luò)中,之后通過注意力網(wǎng)絡(luò)層提取特征信息,并對模型進(jìn)行堆疊,以提升用戶交互數(shù)據(jù)的質(zhì)量。對于過平滑問題,增加網(wǎng)絡(luò)層數(shù)的同時,使用改進(jìn)的自編碼器和度預(yù)測模塊對動態(tài)圖網(wǎng)絡(luò)進(jìn)行局部訓(xùn)練,從而提升算法的個性化推薦能力。在實(shí)驗(yàn)測試中,相較基線最優(yōu)算法,所提算法的HR指標(biāo)分別提升22.7%、12.2%,NDCG指標(biāo)分別提升4.7%和6.5%。證明了該算法性能良好,能夠?yàn)橛脩籼峁┚_化的推送服務(wù)。

    關(guān)鍵詞: 圖卷積神經(jīng)網(wǎng)絡(luò); 堆疊重構(gòu)網(wǎng)絡(luò); 用戶精準(zhǔn)畫像; 自注意力模型; 度預(yù)測模塊; 推送算法

    中圖分類號: TN911.73?34; TP391" " " " " " " "文獻(xiàn)標(biāo)識碼: A" " " " " " " " " " " 文章編號: 1004?373X(2025)06?0175?05

    Design of accurate customer profiling and push algorithm based on

    multi?information fusion analysis

    QI Guangpeng1, 2

    (1. School of Physics and Electronic Engineering, Northeast Petroleum University, Daqing 163318, China;

    2. Inspur Yunzhou Industrial Internet Co., Ltd., Jinan 250000, China)

    Abstract: In allusion to the problems of cold start and oversmooth in the original graph convolutional neural network push model, a multi?information push model for user profiles is proposed based on stacked reconstruction network and improved autoencoder network. For the cold start problem, in the output part of the graph convolutional network, the evaluation information from the user profiles is embedded into the network, and then the feature information is extracted by means of the attention network layer, and the model is stacked to improve the quality of user interaction data. For the oversmooth problem, an improved autoencoder and degree prediction module are used to locally train the dynamic graph network while increasing the number of network layers, thereby enhancing the personalized recommendation ability of the algorithm. In experimental testing, in comparison with the baseline optimal algorithm, the HR index of the proposed algorithm was improved by 22.7% and 12.2%, respectively, and the NDCG index was improved by 4.7% and 6.5% respectively, proving that the algorithm has good performance and can provide users with precise push services.

    Keywords: graph convolutional neural network; stacked reconstruction network; accurate user profiling; self attention model; degree prediction module; push algorithm

    0" 引" 言

    隨著移動互聯(lián)網(wǎng)的飛速發(fā)展,用戶在互聯(lián)網(wǎng)中獲取信息的行為也發(fā)生了改變。伴隨著網(wǎng)絡(luò)數(shù)據(jù)量的激增,推薦系統(tǒng)的出現(xiàn)給用戶和企業(yè)都帶來了巨大的收益[1?3]。對用戶而言,推薦系統(tǒng)可以根據(jù)自身的畫像標(biāo)簽輔助用戶篩選出有價值的信息;對企業(yè)而言,推薦系統(tǒng)可以根據(jù)不同的用戶特征制定不同類型的營銷方案或推薦方案,有效吸引用戶,并為用戶帶來更佳的使用體驗(yàn)。當(dāng)前,推薦系統(tǒng)在社交、自媒體、購物等軟件平臺中應(yīng)用極為廣泛。

    推薦算法與人工智能算法的發(fā)展過程相輔相成。目前主流的推薦算法按照發(fā)展歷程可分為3類模型,分別是淺層網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)以及圖神經(jīng)網(wǎng)絡(luò)。淺層網(wǎng)絡(luò)模型主要利用標(biāo)簽匹配法,根據(jù)用戶屬性來匹配推薦內(nèi)容,但是這種方法無法獲取到用戶特征與目標(biāo)內(nèi)容的深層次關(guān)聯(lián)信息。因此,基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型應(yīng)運(yùn)而生。雖然這類模型可以提高算法的特征表達(dá)能力,但它也忽略了用戶的高階屬性信息。本文基于圖神經(jīng)網(wǎng)絡(luò)和用戶畫像,提出了一種多信息融合的推薦算法。

    1" 基于多信息融合分析的客戶精準(zhǔn)畫像與推送算法設(shè)計

    1.1" 圖卷積神經(jīng)網(wǎng)絡(luò)

    圖是一種典型的數(shù)據(jù)結(jié)構(gòu)。在推薦系統(tǒng)中,用戶和信息是一種典型的交互模型,這類模型需要使用圖結(jié)構(gòu)進(jìn)行表達(dá)[4]。由于用戶屬性和內(nèi)容信息是隨時間不停變化的,因此需要使用連續(xù)時間內(nèi)的動態(tài)圖結(jié)構(gòu)來表達(dá)交互關(guān)系。t時刻的連續(xù)時間動態(tài)圖結(jié)構(gòu)如圖1所示。

    圖1中:un表示用戶的信息節(jié)點(diǎn);ij表示項(xiàng)目的信息節(jié)點(diǎn);tk表示邊時間戳。

    為求解動態(tài)圖目標(biāo),現(xiàn)有的技術(shù)方案通常采用圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network, GNN)來進(jìn)行實(shí)現(xiàn)。GNN主要是聚合中心信息節(jié)點(diǎn)的特征信息,并通過傳播層將全局和節(jié)點(diǎn)局部特征信息相結(jié)合,從而得到更加豐富的高階特征信息。為了提高計算效率,本文使用圖神經(jīng)網(wǎng)絡(luò)中的圖卷積網(wǎng)絡(luò)(Graph Convolutional Network, GCN)[5?7]來進(jìn)行具體的求解與計算。

    首先基于傳統(tǒng)的卷積網(wǎng)絡(luò),GCN從文本和圖像中獲取特征信息并將其引申到圖數(shù)據(jù)中;然后GCN再通過學(xué)習(xí)數(shù)據(jù)特征得到映射關(guān)系,并利用該映射關(guān)系學(xué)習(xí)下一個節(jié)點(diǎn)。GCN結(jié)構(gòu)圖如圖2所示。

    GCN由輸入層、隱藏層和輸出層組成。輸入層由圖節(jié)點(diǎn)特征和鄰居矩陣構(gòu)成,對于某個動態(tài)圖而言,假定其特征維度為k,輸入節(jié)點(diǎn)構(gòu)成的輸入矩陣為X,圖的相鄰矩陣為A。在隱藏層中,動態(tài)圖各節(jié)點(diǎn)的數(shù)據(jù)傳輸方式為:

    式中:[A]為矩陣A和單位矩陣的和;[D]為矩陣A的度矩陣;H為每層輸出的特征向量;l為網(wǎng)絡(luò)層數(shù);W為權(quán)值矩陣。

    當(dāng)隱藏層運(yùn)算完畢后,由輸出層輸出目標(biāo)節(jié)點(diǎn)的特征向量。但在實(shí)際應(yīng)用中,GCN仍存在以下問題。

    1) 冷啟動問題。在推薦系統(tǒng)的初始化階段,或者是在動態(tài)圖網(wǎng)絡(luò)有新用戶加入時,由于歷史交互行為過少,會導(dǎo)致系統(tǒng)無法進(jìn)行準(zhǔn)確推薦。

    2) 過平滑問題。隨著圖神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)的增加,節(jié)點(diǎn)的特征信息會逐步趨于相似,這會導(dǎo)致推薦結(jié)果個性化特征較弱。

    基于上述考慮,本文對GCN進(jìn)行了改進(jìn)。

    1.2" 基于堆疊重構(gòu)網(wǎng)絡(luò)的冷啟動問題改善算法

    在推薦模型中,用戶對目標(biāo)的主動評分可以看作是用戶對目標(biāo)的主觀喜惡判斷,這對用戶下次的選擇行為有著較為明顯的指導(dǎo)性。為了改善冷啟動現(xiàn)象[8],本文將用戶的評價信息嵌入到GCN中,之后再通過自注意力(Self?Attention)網(wǎng)絡(luò)來提取特征信息,組成嵌入?自注意力模型(EAT)。EAT模型結(jié)構(gòu)圖如圖3所示。

    在圖3中,用戶需要將交互序列數(shù)據(jù)轉(zhuǎn)換為嵌入層,其交互關(guān)系如圖1所示。嵌入層將un、ij以及時間序列T進(jìn)行嵌入,長度統(tǒng)一設(shè)定為m,則嵌入層公式如下:

    嵌入層數(shù)據(jù)需要經(jīng)過時間上下文模塊完成計算并輸出,本文主要使用門控循環(huán)單元(Gated Recurrent Unit, GRU)[9?10]模型來完成訓(xùn)練過程。時間上下文模塊結(jié)構(gòu)圖如圖4所示。

    完成計算后,輸出時間評分信息CT和上下文評估信息CR。使用自注意力網(wǎng)絡(luò)對特征信息權(quán)重進(jìn)行判斷,輸出結(jié)果為:

    此外,還采用殘差網(wǎng)絡(luò)(Residual Network, ResNet)來獲取深層次特征,并對其進(jìn)行歸一化,同時利用GELU損失函數(shù)來減少過擬合現(xiàn)象,以提升模型對非線性數(shù)據(jù)的訓(xùn)練能力。輸出結(jié)果如下:

    為了進(jìn)一步增強(qiáng)模型的訓(xùn)練準(zhǔn)確性,對自注意力層進(jìn)行重復(fù)堆疊,最終可得到輸出結(jié)果,如下:

    1.3" 基于改進(jìn)自編碼器的過平滑問題改善算法

    增加網(wǎng)絡(luò)的層數(shù)是解決過平滑問題的主要手段,然而這也意味著算法對計算性能需求的提升。此次使用改進(jìn)的自編碼器(Auto Encoder, AE)模塊對過平滑問題進(jìn)行處理,模型的整體框架如圖5所示。

    在圖5的模型結(jié)構(gòu)中,為了降低堆疊網(wǎng)絡(luò)的復(fù)雜性,使用自編碼器作為特征編碼器,其結(jié)構(gòu)如圖6所示。

    自編碼器可通過調(diào)整輸入層、隱藏層、輸出層的神經(jīng)元數(shù)量對數(shù)據(jù)進(jìn)行降維操作[11?13],但這樣做的同時也可能會忽略節(jié)點(diǎn)的特征信息。因此,本文使用度預(yù)測模塊來增強(qiáng)節(jié)點(diǎn)結(jié)構(gòu)信息的學(xué)習(xí)能力。度預(yù)測模塊結(jié)構(gòu)如圖7所示。

    在圖7中,設(shè)[H(L)e]參數(shù)是自編碼器節(jié)點(diǎn),該參數(shù)是前饋網(wǎng)絡(luò)的輸入值。前饋網(wǎng)絡(luò)會將預(yù)測結(jié)果輸出,d是圖相鄰矩陣A的節(jié)點(diǎn)度,可由式(8)計算得到。

    1.4" 算法模型的總體設(shè)計

    本文算法模型如圖8所示。整個系統(tǒng)由用戶畫像提取、數(shù)據(jù)預(yù)處理和特征提取三大核心模塊構(gòu)成模塊化協(xié)同工作機(jī)制。各模塊的具體技術(shù)實(shí)現(xiàn)如下。

    1) 用戶畫像提取模塊基于多源異構(gòu)數(shù)據(jù)融合技術(shù)構(gòu)建了多維用戶表征體系。該模塊采用基于規(guī)則引擎的實(shí)時采集系統(tǒng),通過API網(wǎng)關(guān)整合用戶行為日志、社交關(guān)系圖譜和UGC內(nèi)容,運(yùn)用自然語言處理技術(shù)對原始數(shù)據(jù)進(jìn)行語義解析。用戶畫像提取模塊分為屬性畫像、興趣畫像以及情感畫像共3個類別[14?15]。其中,屬性畫像涵蓋人口統(tǒng)計學(xué)特征、設(shè)備指紋等靜態(tài)維度,采用基于知識圖譜的實(shí)體鏈接技術(shù)進(jìn)行結(jié)構(gòu)化存儲;興趣畫像結(jié)合知識圖譜構(gòu)建動態(tài)偏好向量;情感畫像對用戶輸入文本進(jìn)行細(xì)粒度情感分析,捕捉隱式情感傾向。3類畫像通過特征交叉網(wǎng)絡(luò)進(jìn)行聯(lián)合建模,最終形成稠密表征向量。

    2) 數(shù)據(jù)預(yù)處理模塊針對動態(tài)圖網(wǎng)絡(luò)特性提出雙重優(yōu)化策略。首先,構(gòu)建時空感知的圖結(jié)構(gòu)處理器,用來提取動態(tài)圖網(wǎng)絡(luò)中的鄰居網(wǎng)絡(luò);其次,引入自編碼網(wǎng)絡(luò),通過對抗訓(xùn)練策略解決梯度消失問題,進(jìn)而改善算法的不平滑性能。

    3) 特征提取模塊對GCN進(jìn)行堆疊,同時將網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)進(jìn)行嵌入化,并使用自注意力網(wǎng)絡(luò)輸出最終結(jié)果,提升模型的特征提取能力。

    2" 實(shí)驗(yàn)分析

    2.1" 實(shí)驗(yàn)環(huán)境配置與數(shù)據(jù)集

    為進(jìn)一步評估所提模型的性能,實(shí)驗(yàn)樣本數(shù)據(jù)選擇了公開數(shù)據(jù)集Amazon?Book和Movielens?1M。其中:Amazon?Book數(shù)據(jù)集是亞馬遜購物網(wǎng)站產(chǎn)品推薦數(shù)據(jù)集;Movielens?1M數(shù)據(jù)集是一個電影推薦數(shù)據(jù)集。數(shù)據(jù)集相關(guān)信息如表1所示。

    在評估指標(biāo)方面,使用推薦系統(tǒng)最為常見的HR@K和NDCG@K作為性能評價指標(biāo)。其中:HR@K表征推薦準(zhǔn)確性;NDCG@K表征排序相關(guān)性得分;K表示推薦項(xiàng)的數(shù)量。算法運(yùn)行環(huán)境如表2所示。

    2.2" 算法測試

    為驗(yàn)證算法性能,本文在相同環(huán)境下對不同模型進(jìn)行實(shí)驗(yàn)測試,實(shí)驗(yàn)基于兩個數(shù)據(jù)集展開,分別進(jìn)行10次實(shí)驗(yàn)后取平均值。對比算法選擇了基于貝葉斯的傳統(tǒng)推薦算法(BPR)、融合淺層網(wǎng)絡(luò)和矩陣分解的推薦算法(NCF)、融合隱向量和矩陣分解的推薦算法(CBMF)、融合圖神經(jīng)網(wǎng)絡(luò)的推薦算法(GCMC)以及GCN。實(shí)驗(yàn)對比結(jié)果如表3和表4所示。

    從測試結(jié)果可以看出,本文所提算法的性能良好,在對比算法中最優(yōu)。相較于兩組實(shí)驗(yàn)中的基線最優(yōu)算法CBMF,在數(shù)據(jù)集Amazon?Book中,本文所提算法的HR指標(biāo)分別提升了22.7%、12.2%,NDCG指標(biāo)分別提升了4.7%和6.5%。通過對比實(shí)驗(yàn)可以發(fā)現(xiàn),BPR算法在所有對比算法中的性能最差,這說明傳統(tǒng)算法使用的抽樣方法在應(yīng)對多維、海量數(shù)據(jù)時性能較差;同時也可以看出,NCF、CBMF兩種算法的整體性能較優(yōu),表明矩陣分解以及神經(jīng)網(wǎng)絡(luò)模型在稠密數(shù)據(jù)集中的表現(xiàn)良好,可以有效表征用戶興趣。

    除了性能測試外,模型訓(xùn)練收斂速度也是評估機(jī)器學(xué)習(xí)系統(tǒng)效率的重要指標(biāo)。收斂速度直接影響開發(fā)迭代成本和資源消耗,尤其在處理大規(guī)模數(shù)據(jù)或復(fù)雜模型時更為關(guān)鍵。因此,本文還進(jìn)行了收斂速度的對比算法實(shí)驗(yàn)測試,具體結(jié)果如圖9所示。

    根據(jù)圖9數(shù)據(jù)顯示:本文算法在訓(xùn)練過程中展現(xiàn)出了顯著的準(zhǔn)確率優(yōu)勢,從初始的55%穩(wěn)步提升至最終的93%,全程無波動且收斂速度最快,80次迭代后的訓(xùn)練準(zhǔn)確率即可達(dá)90%,明顯優(yōu)于其他對比算法;而NCF雖以92%的準(zhǔn)確率接近本文算法,但后期增速放緩;GCMC在80次迭代后準(zhǔn)確率從82%回落至78%,疑似出現(xiàn)了過擬合的現(xiàn)象。通過對比觀察實(shí)驗(yàn)結(jié)果表明,本文所提算法在保證穩(wěn)定性的同時也實(shí)現(xiàn)了效率與精度的雙重提升。

    綜合來看,本文所提算法可以根據(jù)用戶畫像推送更加精準(zhǔn)的信息,表明了對算法改進(jìn)的有效性,且算法推薦性能更高。

    3" 結(jié)" 語

    本文提出一種由用戶畫像提取、數(shù)據(jù)預(yù)處理和特征提取模塊組成的信息推送算法,用于解決原始圖卷積神經(jīng)網(wǎng)絡(luò)模型中的冷啟動問題和過平滑問題。用戶畫像提取模塊采集用戶畫像并對其進(jìn)行分類,通過數(shù)據(jù)預(yù)處理模塊和特征提取模塊改善了算法的平滑性能,提升了模型的特征提取能力。經(jīng)過實(shí)驗(yàn)測試表明,所提算法的性能指標(biāo)良好,優(yōu)于多種現(xiàn)有主流算法,證明了本文進(jìn)行的算法改進(jìn)是有效、可行的。

    參考文獻(xiàn)

    [1] 孫紅,鹿梅珂.融合用戶行為序列預(yù)測的混合推薦算法[J].電子科技,2023,36(4):84?89.

    [2] 劉張榕.信息智能推薦系統(tǒng)目標(biāo)特征數(shù)據(jù)挖掘方法[J].信息技術(shù),2022(3):162?165.

    [3] 王大勇,李麗,孫時光.基于深度學(xué)習(xí)的推薦系統(tǒng)發(fā)展與領(lǐng)域應(yīng)用研究進(jìn)展[J].遼寧大學(xué)學(xué)報(自然科學(xué)版),2023,50(4):318?324.

    [4] 富坤,郝玉涵,孫明磊,等.基于優(yōu)化圖結(jié)構(gòu)自編碼器的網(wǎng)絡(luò)表示學(xué)習(xí)[J].計算機(jī)應(yīng)用,2023,43(10):3054?3061.

    [5] 李波,許云峰.一種基于圖卷積網(wǎng)絡(luò)的文本情感分類方法[J].長江信息通信,2024,37(2):4?6.

    [6] 沈鑫科,李勇,陳建偉,等.融合協(xié)同知識圖譜和圖卷積網(wǎng)絡(luò)的推薦算法[J].計算機(jī)技術(shù)與發(fā)展,2024,34(1):150?157.

    [7] 韓虎,范雅婷,徐學(xué)鋒.面向方面情感分析的多通道增強(qiáng)圖卷積網(wǎng)絡(luò)[J].電子與信息學(xué)報,2024,46(3):1022?1032.

    [8] 李璐,張志軍,范鈺敏,等.面向冷啟動用戶的元學(xué)習(xí)與圖轉(zhuǎn)移學(xué)習(xí)序列推薦[J].山東大學(xué)學(xué)報(工學(xué)版),2024,54(2):69?79.

    [9] 杜琰,孫弋.融合GRU和注意力機(jī)制的圖卷積關(guān)系抽取[J].計算機(jī)與數(shù)字工程,2023,51(11):2568?2572.

    [10] 黃振峰,王浩洋.一種基于GRU的增量學(xué)習(xí)算法[J].廣西大學(xué)學(xué)報(自然科學(xué)版),2023,48(3):683?691.

    [11] 白雪擎,王宏志,程超.基于自編碼器的網(wǎng)絡(luò)零日攻擊檢測[J].長春工業(yè)大學(xué)學(xué)報,2023,44(6):529?538.

    [12] 張孚容,顧磊.基于圖偏差網(wǎng)絡(luò)的外部自編碼器時間序列異常檢測[J].計算機(jī)系統(tǒng)應(yīng)用,2024,33(3):24?33.

    [13] 張梓軒,齊子森,許華,等.基于自編碼器的陣列時變幅相誤差校正算法[J].西北工業(yè)大學(xué)學(xué)報,2023,41(6):1134?1145.

    [14] 房志明,吳鑫卓,林原,等.基于用戶畫像的高校采購評審專家推薦算法[J].實(shí)驗(yàn)技術(shù)與管理,2024,41(4):228?237.

    [15] 賀前程,曹炳堯.面向用戶畫像的輕量化數(shù)據(jù)中臺研究[J].工業(yè)控制計算機(jī),2023,36(11):137?139.

    作者簡介:齊光鵬(1981—),男,陜西寶雞人,碩士研究生,教授級高級工程師,研究方向?yàn)殡娮有畔⒐こ獭?/p>

    收稿日期:2024?10?14" " " " " "修回日期:2024?11?28

    基金項(xiàng)目:中華人民共和國科學(xué)技術(shù)部項(xiàng)目(2023YFF0905500)

    国产精品一区二区三区四区免费观看| 女人十人毛片免费观看3o分钟| 日韩av免费高清视频| 亚洲伊人久久精品综合| 色吧在线观看| 精品久久国产蜜桃| 精品一区在线观看国产| 91久久精品国产一区二区三区| 国产综合精华液| 国产精品熟女久久久久浪| 成年av动漫网址| 国产精品99久久久久久久久| 日韩av不卡免费在线播放| 日韩三级伦理在线观看| 婷婷色综合www| 老熟女久久久| 亚洲成色77777| 美女主播在线视频| 黄色怎么调成土黄色| 99热全是精品| 在线精品无人区一区二区三 | 日韩成人伦理影院| 亚洲激情五月婷婷啪啪| 国产高清国产精品国产三级 | 久久99蜜桃精品久久| 97在线视频观看| 一本一本综合久久| 久久婷婷青草| 午夜日本视频在线| 一级毛片久久久久久久久女| 亚洲精品第二区| 一个人免费看片子| av在线蜜桃| 免费不卡的大黄色大毛片视频在线观看| 欧美zozozo另类| 免费看日本二区| 成人一区二区视频在线观看| 久久久久久九九精品二区国产| 国产欧美另类精品又又久久亚洲欧美| 国产 精品1| 联通29元200g的流量卡| 午夜福利高清视频| 免费久久久久久久精品成人欧美视频 | 水蜜桃什么品种好| 国产精品人妻久久久久久| 国产成人精品久久久久久| 一本色道久久久久久精品综合| 美女内射精品一级片tv| videos熟女内射| 国产成人freesex在线| 国产午夜精品久久久久久一区二区三区| 狂野欧美激情性xxxx在线观看| 国产精品一区www在线观看| 国产 一区 欧美 日韩| 99精国产麻豆久久婷婷| 在线观看三级黄色| 水蜜桃什么品种好| 亚洲久久久国产精品| 亚洲精品亚洲一区二区| 99九九线精品视频在线观看视频| 热re99久久精品国产66热6| 熟女av电影| 汤姆久久久久久久影院中文字幕| 国产高清国产精品国产三级 | 亚洲伊人久久精品综合| 亚洲欧美清纯卡通| 成人美女网站在线观看视频| 欧美精品一区二区大全| 久久ye,这里只有精品| 免费黄色在线免费观看| 久久久a久久爽久久v久久| 国产有黄有色有爽视频| 日韩av免费高清视频| 精品人妻熟女av久视频| 亚洲欧美成人精品一区二区| 欧美日韩精品成人综合77777| 黄色怎么调成土黄色| 久久精品夜色国产| 欧美高清成人免费视频www| 亚洲精品乱码久久久久久按摩| 亚洲国产欧美人成| 99热这里只有是精品在线观看| 中文资源天堂在线| 最新中文字幕久久久久| 最近手机中文字幕大全| 国产高清三级在线| 午夜福利网站1000一区二区三区| 国产国拍精品亚洲av在线观看| 国产淫片久久久久久久久| 免费人成在线观看视频色| 久久热精品热| 少妇裸体淫交视频免费看高清| 国产无遮挡羞羞视频在线观看| 久久久久久久久久成人| 欧美bdsm另类| 五月天丁香电影| 成年女人在线观看亚洲视频| 亚洲精品乱码久久久久久按摩| 99九九线精品视频在线观看视频| 久久久久久人妻| 看十八女毛片水多多多| 中国三级夫妇交换| 男人爽女人下面视频在线观看| 精品一品国产午夜福利视频| 欧美精品一区二区免费开放| 18禁在线无遮挡免费观看视频| 国产精品久久久久久精品古装| 国产成人freesex在线| 亚洲欧美成人综合另类久久久| 18禁在线无遮挡免费观看视频| 免费黄频网站在线观看国产| 肉色欧美久久久久久久蜜桃| 狂野欧美激情性xxxx在线观看| 免费看日本二区| 三级经典国产精品| 亚洲一级一片aⅴ在线观看| 国产亚洲精品久久久com| 成人综合一区亚洲| 国产精品偷伦视频观看了| 久久97久久精品| 亚洲精品乱码久久久v下载方式| 国产有黄有色有爽视频| 成人漫画全彩无遮挡| 国产精品久久久久久久久免| av.在线天堂| 大片电影免费在线观看免费| 国产无遮挡羞羞视频在线观看| 女性生殖器流出的白浆| 一本—道久久a久久精品蜜桃钙片| 老司机影院成人| a级一级毛片免费在线观看| 2022亚洲国产成人精品| 99久久综合免费| 免费黄频网站在线观看国产| 中文字幕av成人在线电影| 狂野欧美激情性xxxx在线观看| 蜜桃亚洲精品一区二区三区| 一个人看的www免费观看视频| 国产一区亚洲一区在线观看| 免费黄色在线免费观看| 夫妻性生交免费视频一级片| 欧美另类一区| 亚洲不卡免费看| 天堂中文最新版在线下载| 精品久久久久久久久av| 熟妇人妻不卡中文字幕| 中文天堂在线官网| 国产av国产精品国产| 久久久a久久爽久久v久久| 久久久亚洲精品成人影院| 久久人人爽av亚洲精品天堂 | 少妇的逼好多水| 少妇 在线观看| 亚洲在久久综合| 日韩一区二区视频免费看| freevideosex欧美| 欧美日韩视频高清一区二区三区二| 狠狠精品人妻久久久久久综合| 欧美区成人在线视频| 少妇的逼好多水| 成人二区视频| 大陆偷拍与自拍| 2018国产大陆天天弄谢| 青春草国产在线视频| 亚洲欧美日韩东京热| 我的女老师完整版在线观看| 国产老妇伦熟女老妇高清| 美女中出高潮动态图| 一区二区三区精品91| 亚洲,一卡二卡三卡| 国产日韩欧美亚洲二区| 男人舔奶头视频| 久久97久久精品| 精品久久久噜噜| 插逼视频在线观看| 一级a做视频免费观看| 欧美丝袜亚洲另类| 你懂的网址亚洲精品在线观看| 精品久久国产蜜桃| 精品亚洲乱码少妇综合久久| 1000部很黄的大片| 在线观看免费高清a一片| 成人美女网站在线观看视频| 最新中文字幕久久久久| 在线免费十八禁| 亚洲国产日韩一区二区| 精品久久国产蜜桃| 涩涩av久久男人的天堂| 日本色播在线视频| 国产 精品1| 国产成人精品福利久久| 搡老乐熟女国产| 国产爽快片一区二区三区| 男女免费视频国产| 久久韩国三级中文字幕| 一级爰片在线观看| 日韩伦理黄色片| 亚洲av免费高清在线观看| 欧美高清成人免费视频www| 亚洲怡红院男人天堂| 久久久久精品性色| av天堂中文字幕网| 久久人人爽av亚洲精品天堂 | 久久ye,这里只有精品| 久久久久久久久久久丰满| 22中文网久久字幕| 丰满少妇做爰视频| 午夜视频国产福利| 一本—道久久a久久精品蜜桃钙片| 三级国产精品片| 亚洲av二区三区四区| 91久久精品国产一区二区三区| 久久精品国产a三级三级三级| 亚洲精品视频女| 国产成人a∨麻豆精品| 久久婷婷青草| 中国三级夫妇交换| 蜜桃久久精品国产亚洲av| 日韩一本色道免费dvd| 亚洲成人手机| 欧美+日韩+精品| 一本—道久久a久久精品蜜桃钙片| 美女高潮的动态| 国产探花极品一区二区| 一区二区三区精品91| 午夜免费观看性视频| 欧美人与善性xxx| 国产永久视频网站| 亚洲精品乱久久久久久| 高清不卡的av网站| 简卡轻食公司| 国产成人a区在线观看| 国产成人一区二区在线| 亚洲激情五月婷婷啪啪| 亚洲国产欧美人成| 国产中年淑女户外野战色| 80岁老熟妇乱子伦牲交| 中文字幕av成人在线电影| a级毛片免费高清观看在线播放| a 毛片基地| 亚洲av中文字字幕乱码综合| 蜜臀久久99精品久久宅男| 一级毛片久久久久久久久女| 亚洲国产成人一精品久久久| av天堂中文字幕网| 色吧在线观看| 男人爽女人下面视频在线观看| 欧美变态另类bdsm刘玥| 亚洲av中文av极速乱| 九九爱精品视频在线观看| 国产白丝娇喘喷水9色精品| 高清日韩中文字幕在线| 亚洲精品国产av成人精品| 秋霞伦理黄片| 成人黄色视频免费在线看| 久久人人爽人人爽人人片va| 黑丝袜美女国产一区| 久久久久精品久久久久真实原创| 国产高清有码在线观看视频| 国产在线一区二区三区精| 国产伦理片在线播放av一区| 美女主播在线视频| 毛片女人毛片| 丝袜喷水一区| 久久久久久久久久成人| 少妇人妻一区二区三区视频| 国产成人a∨麻豆精品| 在线观看一区二区三区激情| 91午夜精品亚洲一区二区三区| 日本av手机在线免费观看| 亚洲精品乱码久久久v下载方式| 人妻夜夜爽99麻豆av| 亚洲内射少妇av| 狂野欧美白嫩少妇大欣赏| 亚洲丝袜综合中文字幕| 天天躁夜夜躁狠狠久久av| 久久ye,这里只有精品| 国产欧美日韩一区二区三区在线 | 欧美高清成人免费视频www| 全区人妻精品视频| 少妇人妻 视频| 天天躁日日操中文字幕| 蜜桃久久精品国产亚洲av| 成年美女黄网站色视频大全免费 | 伊人久久精品亚洲午夜| 黄片wwwwww| 国产精品av视频在线免费观看| 亚洲熟女精品中文字幕| 18禁裸乳无遮挡免费网站照片| 亚洲av在线观看美女高潮| 亚洲欧洲国产日韩| 久久青草综合色| 久久精品国产a三级三级三级| 老司机影院毛片| 国产精品一及| 国产精品熟女久久久久浪| 熟女av电影| 欧美精品一区二区免费开放| 丰满乱子伦码专区| 大片免费播放器 马上看| 日本爱情动作片www.在线观看| 久久99热6这里只有精品| 一个人看的www免费观看视频| 一本—道久久a久久精品蜜桃钙片| 最近的中文字幕免费完整| 欧美激情极品国产一区二区三区 | 国产精品一区二区在线不卡| 久热久热在线精品观看| 你懂的网址亚洲精品在线观看| 日韩强制内射视频| 丝瓜视频免费看黄片| 我的老师免费观看完整版| 国精品久久久久久国模美| 国产 一区 欧美 日韩| 日韩一本色道免费dvd| 天天躁日日操中文字幕| 少妇的逼水好多| 亚洲怡红院男人天堂| 一级黄片播放器| 午夜免费男女啪啪视频观看| 精品一区二区免费观看| 国产精品久久久久久精品电影小说 | 免费高清在线观看视频在线观看| 国产黄片视频在线免费观看| 久久精品久久久久久久性| 欧美xxxx黑人xx丫x性爽| 晚上一个人看的免费电影| 欧美日本视频| 91午夜精品亚洲一区二区三区| 欧美一区二区亚洲| a 毛片基地| 九草在线视频观看| 久久人人爽人人爽人人片va| 晚上一个人看的免费电影| 在线看a的网站| 亚洲精品国产色婷婷电影| 国产精品一二三区在线看| 黄色配什么色好看| 国产国拍精品亚洲av在线观看| 性色av一级| 国产男女超爽视频在线观看| 各种免费的搞黄视频| 国产成人aa在线观看| 久久久久久久久久久免费av| 亚洲欧洲日产国产| 亚洲av不卡在线观看| 1000部很黄的大片| 久久精品久久精品一区二区三区| 夜夜爽夜夜爽视频| 九九久久精品国产亚洲av麻豆| 久久久久久久大尺度免费视频| 国产黄频视频在线观看| 美女视频免费永久观看网站| 久久精品久久久久久噜噜老黄| 国产欧美日韩一区二区三区在线 | av福利片在线观看| 亚洲精品国产av成人精品| 久久女婷五月综合色啪小说| 亚洲va在线va天堂va国产| .国产精品久久| 99久久综合免费| 少妇高潮的动态图| 亚洲国产最新在线播放| 熟女电影av网| 国产在视频线精品| 亚洲欧美精品自产自拍| 色婷婷久久久亚洲欧美| 日韩人妻高清精品专区| 97精品久久久久久久久久精品| 国产高潮美女av| 五月天丁香电影| 纵有疾风起免费观看全集完整版| 国产淫片久久久久久久久| 国产女主播在线喷水免费视频网站| 中文乱码字字幕精品一区二区三区| 国产免费一级a男人的天堂| 亚洲四区av| 永久网站在线| 国产成人aa在线观看| 男女边摸边吃奶| 亚洲人与动物交配视频| 亚洲av中文av极速乱| 丰满少妇做爰视频| 亚洲图色成人| 黄色视频在线播放观看不卡| 精品一品国产午夜福利视频| 观看av在线不卡| 深爱激情五月婷婷| 亚洲精品国产av蜜桃| 人妻夜夜爽99麻豆av| 日本av手机在线免费观看| 成人美女网站在线观看视频| av播播在线观看一区| 一区二区三区乱码不卡18| 亚洲欧美成人精品一区二区| av又黄又爽大尺度在线免费看| 狠狠精品人妻久久久久久综合| 国产极品天堂在线| 99久久精品国产国产毛片| 大香蕉久久网| 日韩强制内射视频| 99热这里只有精品一区| 大话2 男鬼变身卡| 青春草亚洲视频在线观看| 老熟女久久久| 国产极品天堂在线| 最近手机中文字幕大全| 日韩,欧美,国产一区二区三区| 成人国产麻豆网| 久久99热6这里只有精品| 亚洲欧美一区二区三区黑人 | 亚洲第一区二区三区不卡| 久久 成人 亚洲| 国产精品国产av在线观看| av免费在线看不卡| 狠狠精品人妻久久久久久综合| 蜜臀久久99精品久久宅男| 亚洲精品日本国产第一区| 久久国产精品大桥未久av | 国产av国产精品国产| 精品少妇黑人巨大在线播放| 国产成人免费无遮挡视频| av天堂中文字幕网| 超碰av人人做人人爽久久| 欧美3d第一页| 亚洲欧洲国产日韩| 免费黄频网站在线观看国产| 欧美精品国产亚洲| 免费看不卡的av| 午夜免费鲁丝| 亚洲成人av在线免费| 春色校园在线视频观看| 男女边摸边吃奶| 妹子高潮喷水视频| 亚洲欧美成人综合另类久久久| 涩涩av久久男人的天堂| 一级a做视频免费观看| 久久亚洲国产成人精品v| av国产精品久久久久影院| 亚洲经典国产精华液单| 2021少妇久久久久久久久久久| 国产免费一级a男人的天堂| 另类亚洲欧美激情| 校园人妻丝袜中文字幕| 最近中文字幕2019免费版| 毛片女人毛片| 久久久午夜欧美精品| 国产精品蜜桃在线观看| 亚洲精品乱久久久久久| 国产精品人妻久久久久久| 啦啦啦中文免费视频观看日本| 看十八女毛片水多多多| 亚洲精品日本国产第一区| 中文天堂在线官网| 一级av片app| 成人国产麻豆网| 亚洲av成人精品一区久久| 日本vs欧美在线观看视频 | 男女边摸边吃奶| 天堂8中文在线网| 成人一区二区视频在线观看| 爱豆传媒免费全集在线观看| 在线观看人妻少妇| 精品国产三级普通话版| 麻豆精品久久久久久蜜桃| 欧美日韩一区二区视频在线观看视频在线| 国产高潮美女av| 在线观看美女被高潮喷水网站| 80岁老熟妇乱子伦牲交| 久久人人爽人人爽人人片va| 免费黄频网站在线观看国产| 亚洲av成人精品一二三区| 国产欧美日韩一区二区三区在线 | 中文字幕免费在线视频6| 精品一品国产午夜福利视频| 日本色播在线视频| 久久99热6这里只有精品| 91午夜精品亚洲一区二区三区| 熟女人妻精品中文字幕| 交换朋友夫妻互换小说| 18禁在线无遮挡免费观看视频| 日日摸夜夜添夜夜添av毛片| 久久影院123| 国产探花极品一区二区| 高清不卡的av网站| 亚洲欧美日韩东京热| 超碰av人人做人人爽久久| 欧美老熟妇乱子伦牲交| 有码 亚洲区| 秋霞伦理黄片| 高清日韩中文字幕在线| av在线app专区| 亚洲美女视频黄频| 九九爱精品视频在线观看| 男女下面进入的视频免费午夜| 香蕉精品网在线| 亚洲精品日韩av片在线观看| 建设人人有责人人尽责人人享有的 | 成人亚洲精品一区在线观看 | 国产高清三级在线| 日韩大片免费观看网站| 久久久a久久爽久久v久久| 日韩制服骚丝袜av| 晚上一个人看的免费电影| 婷婷色综合大香蕉| 欧美3d第一页| 国产精品无大码| 香蕉精品网在线| 身体一侧抽搐| 精品一区二区三区视频在线| 制服丝袜香蕉在线| 国产黄色视频一区二区在线观看| 久久热精品热| 老司机影院成人| 熟女电影av网| 免费观看的影片在线观看| 夜夜看夜夜爽夜夜摸| 久久久久网色| 午夜福利网站1000一区二区三区| 在线免费十八禁| 亚洲激情五月婷婷啪啪| 99热全是精品| 久久久午夜欧美精品| 干丝袜人妻中文字幕| 亚洲欧美日韩无卡精品| 国产欧美日韩一区二区三区在线 | 女性生殖器流出的白浆| 免费观看无遮挡的男女| 国产高清不卡午夜福利| 精品久久久精品久久久| 99视频精品全部免费 在线| 中文字幕精品免费在线观看视频 | 精品国产乱码久久久久久小说| 久久久久性生活片| 永久网站在线| 亚洲成人手机| 老司机影院毛片| a级毛片免费高清观看在线播放| 秋霞伦理黄片| 黑人猛操日本美女一级片| 国产色婷婷99| 亚洲国产欧美人成| 亚洲国产日韩一区二区| 国精品久久久久久国模美| 女人久久www免费人成看片| 美女内射精品一级片tv| 永久网站在线| 一级黄片播放器| 日本午夜av视频| 国产日韩欧美亚洲二区| 爱豆传媒免费全集在线观看| 亚洲av在线观看美女高潮| 日韩av免费高清视频| 秋霞伦理黄片| 综合色丁香网| 成人亚洲欧美一区二区av| 美女福利国产在线 | 亚洲欧美成人综合另类久久久| 中文字幕免费在线视频6| av免费在线看不卡| 亚洲丝袜综合中文字幕| 久久综合国产亚洲精品| 尾随美女入室| 六月丁香七月| 九九在线视频观看精品| 在线 av 中文字幕| 一区二区三区精品91| 国产69精品久久久久777片| 搡女人真爽免费视频火全软件| 观看免费一级毛片| 成人国产av品久久久| 国产有黄有色有爽视频| 国产成人91sexporn| 丝瓜视频免费看黄片| 国产精品成人在线| 极品教师在线视频| www.色视频.com| 国产色婷婷99| 精品久久久久久久久av| 欧美一级a爱片免费观看看| 久久久成人免费电影| 嘟嘟电影网在线观看| 精品国产三级普通话版| 国产一区有黄有色的免费视频| 日韩中文字幕视频在线看片 | 成人国产麻豆网| 嘟嘟电影网在线观看| 日本vs欧美在线观看视频 | 久久久色成人| 在线观看av片永久免费下载| 美女高潮的动态| 久久99热这里只有精品18| 国产69精品久久久久777片| 成年女人在线观看亚洲视频| 97超视频在线观看视频| 80岁老熟妇乱子伦牲交| 天堂8中文在线网| 久久久久久久久久久免费av| 在线 av 中文字幕| av播播在线观看一区| 日日啪夜夜爽| 91久久精品国产一区二区三区| 欧美激情极品国产一区二区三区 | 一级黄片播放器| 日韩精品有码人妻一区| tube8黄色片| 亚洲国产欧美人成| 日本黄色日本黄色录像| 欧美成人一区二区免费高清观看| 日本免费在线观看一区| 国产精品99久久99久久久不卡 | 制服丝袜香蕉在线| 久久韩国三级中文字幕| 欧美最新免费一区二区三区| 国产精品99久久99久久久不卡 |