• <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Word Embedding語義相似度的字母縮略術(shù)語消歧

    2014-02-27 06:33:19荀恩東
    中文信息學報 2014年5期
    關(guān)鍵詞:消歧多義特征詞

    于 東,荀恩東

    (1. 北京語言大學 漢語國際教育技術(shù)研發(fā)中心,北京 100083;2. 北京語言大學 信息科學學院,北京 100083)

    1 引言

    隨著科技進步,各領(lǐng)域?qū)I(yè)術(shù)語數(shù)量快速增長。中文文獻中,許多源于國外文獻的專業(yè)術(shù)語直接以字母縮略詞形式使用,例如, “IBM”、“NBA”等。字母縮略術(shù)語多義現(xiàn)象非常普遍。如“UPS”至少包含“UPS電源”和“UPS物流公司”兩種義項。在中國知網(wǎng)文獻數(shù)據(jù)庫中檢索二者,分別得到15 541條、8 192條結(jié)果,說明兩個義項在各自領(lǐng)域均為常用術(shù)語。類似現(xiàn)象還有“防抱死制動系統(tǒng)(ABS)”和“ABS樹脂”。多義縮略術(shù)語專業(yè)性強、更新快,隨著新術(shù)語不斷涌現(xiàn),字母縮略術(shù)語的歧義性不斷增加,不僅會增加閱讀者理解難度,也會對現(xiàn)有的信息檢索、機器翻譯等應用造成許多障礙,研究字母縮略術(shù)語的消歧具有實際應用價值。

    字母縮略術(shù)語的語料資源稀少,義項專業(yè)性強,因此本文選擇基于知識庫的無監(jiān)督方法實現(xiàn)消歧。在這方面,傳統(tǒng)語義消歧(WSD)方法常選取歧義詞上下文語境作為特征,用向量空間模型(VSM)表示文檔[1]。其實質(zhì)上是根據(jù)領(lǐng)域特征劃分歧義詞所在的文檔,缺乏對歧義詞語義信息的挖掘和利用。使用詞義網(wǎng)絡如WordNet、HowNet中的語義知識輔助詞義消歧能夠取得較好的效果[2-3]。然而對于縮略術(shù)語而言,詞義網(wǎng)絡更新慢、覆蓋度低,無法滿足使用要求。

    近幾年,基于神經(jīng)網(wǎng)絡的Word Embedding方法在詞語語義表示方面表現(xiàn)出很好的性能,受到廣泛關(guān)注[4-6]。Word Embedding的任務是將語料庫中的每個詞表示為一個低維實數(shù)向量,建立離散詞匯與實數(shù)域特征向量之間的映射,能夠使語義類似的詞語,其向量表示也較為接近,任意兩個詞語的語義相關(guān)程度可以由兩者向量的余弦相似度表示。利用該特點,本文在消歧過程中計算縮略術(shù)語多個義項Word Embedding,利用義項語義特征對基本VSM模型進行擴展,提出針對縮略術(shù)語的消歧方法。

    本文主要工作包括三個方面: (1)采用多步聚類思想,使用顯著相似性聚類,從原始數(shù)據(jù)中抽取可靠知識;(2)利用第一步聚類結(jié)果進行義項反標注,進而訓練每個義項的Word Embedding,挖掘每個義項的語義信息;(3)提出特征詞權(quán)重的語義線性加權(quán)方法,進行二步聚類,有效提高系統(tǒng)整體消歧性能。與已有工作相比,本研究能夠提取并充分利用高置信數(shù)據(jù),結(jié)合Word Embedding表示方法,無監(jiān)督地獲取歧義義項的語義表示,實現(xiàn)特征詞領(lǐng)域權(quán)重和語義權(quán)重的融合,最終實現(xiàn)語義消歧。

    2 相關(guān)研究

    2.1 統(tǒng)計詞義消歧

    語義消歧解決同一詞匯在不同語境下的義項識別和標注問題。1990年后,基于統(tǒng)計的多義詞語義消歧技術(shù)成為研究主流。Schütze[7]將語義消歧問題轉(zhuǎn)化為聚類問題,成為該領(lǐng)域的主流方法。魯松[8]使用向量空間模型計算相似度實現(xiàn)消歧;何徑舟[9]使用最大熵選擇特征計算聚類相似度,有效提升了中文詞義消歧性能。多義詞的詞義消歧任務一般針對通用詞匯,重點是區(qū)分詞語在不同語境下所代表的語義,即語言本身的歧義性,難度較大。本文所討論的問題則限于實體詞的消歧,不涉及語言本身的歧義性。

    2.2 中文實體詞消歧

    實體詞的語義消歧是語義消歧中的一個重要分支,可分為兩個子問題: (1)實體詞邊界劃分歧義消解;(2)多義實體詞概念消歧。前者主要解決語言本身歧義,后者則根據(jù)實體詞上下文語境,實現(xiàn)實體概念的區(qū)分。該領(lǐng)域有代表性的研究問題是人名消歧,Mann[10]將該問題看成基于人物屬性的無監(jiān)督聚類問題。在中文人名消歧方面,丁海波[11]使用多階段的消歧聚類策略,李廣一[12]、Z Peng[13]均采用多步聚類方法解決該問題。此外,J Liu[14]、楊欣欣[15]利用外部知識源進行知識擴展,也有效提高了消歧性能。目前,國際WePS評測和國內(nèi)評測CLP2010、CLP2012均設(shè)有人名消歧的任務。

    字母縮略詞語也屬于實體詞范疇,且具有較強的專業(yè)性,因此需要更廣泛的知識以覆蓋相關(guān)領(lǐng)域;混雜在中文中的字母縮略詞提供的詞匯特征很少,也與傳統(tǒng)問題有所區(qū)別。

    2.3 字母縮略詞語義消歧

    國外也已有學者關(guān)注字母縮略語帶來的歧義問題。如Liu[16],Stevenson[17]在醫(yī)學縮略詞消歧領(lǐng)域的工作,更多地考慮了上下文的詞匯特征,這是因為在英文文獻中,縮略字母往往來源于上下文詞串,而中文文檔中類似信息很少,因此更需要語義信息輔助消歧。

    3 語料庫構(gòu)建

    本文利用百科網(wǎng)站建立多義術(shù)語知識庫,利用通用搜索引擎自動獲取術(shù)語在各種語境中的使用數(shù)據(jù)作為測試集,經(jīng)后處理和部分人工校對后,建立具有一定規(guī)模的多義術(shù)語數(shù)據(jù)庫。該數(shù)據(jù)庫包括兩部分: (1)由字母縮略術(shù)語、中文譯文、以及多種釋義文本構(gòu)成的知識庫;(2)包含多義術(shù)語的測試文檔集,其中每個測試文檔僅指向一個多義術(shù)語。知識庫中的每行包含多義術(shù)語的一個釋義,提供義項標簽(id)、譯文(def)、以及義項釋義文檔。測試庫中每行對應一個測試文檔,通過“答案標簽(ans)”指示文檔對應的義項。如圖1所示。

    圖1 多義縮略術(shù)語知識庫和測試庫格式

    針對消歧問題,多義術(shù)語數(shù)據(jù)庫要求選用常用術(shù)語詞條為對象;詞條的每個義項均有明確、清晰的釋義文本;詞條的每個義項均有一定規(guī)模的測試文本量。數(shù)據(jù)庫建設(shè)分兩步:

    首先建立術(shù)語知識庫。根據(jù)術(shù)語詞表獲取百度百科中對應的多義詞條頁面,以及對應的各個義項頁面內(nèi)容,采用文獻[18]中提出的描述式定義語言模式,自動抽取釋義語句,經(jīng)人工篩選后得到每個義項定義和釋義描述文本,構(gòu)成知識庫。

    然后根據(jù)知識庫構(gòu)建測試集。以術(shù)語義項為檢索詞,如“EPS 電子助力轉(zhuǎn)向”,利用搜索引擎返回與術(shù)語最相關(guān)的文檔,保留包含目標術(shù)語詞、不重復且長度在一定范圍內(nèi)的句子作為測試文檔。最后經(jīng)人工校對和標注,得到帶有義項標簽的測試文檔集。

    本文最終建立包含25個多義縮略術(shù)語的數(shù)據(jù)庫,共包含98個義項,2 384條測試數(shù)據(jù)。平均每個詞條有約4個義項,“測試/義項”數(shù)量比超過10,保證數(shù)據(jù)具有多樣性、豐富性。詳見表1。

    4 研究方法

    4.1 整體框架

    本文研究問題可描述為: 多義術(shù)語w有h個義項,每個義項一個標簽(id)標記,得到的義項集合記為:Cw={w#1,w#2,…,w#id,…,w#h}。在測試文檔d中出現(xiàn)w,則文檔d與w的任意義項間存在關(guān)系R(w#id|d),其中有且只有w#id*是其正確義項。消歧任務是通過分析計算關(guān)系R(w#id|d),尋找與d最接近的義項,即式(1)。

    w#id*

    本文采用無監(jiān)督方法,將多義縮略術(shù)語消歧看作兩步聚類問題。聚類過程使用對特征詞加權(quán)的向量空間模型,以釋義文檔和測試文檔兩者間的相似度作為聚類依據(jù),思路如下。

    無監(jiān)督聚類性能很大程度上取決于特征選取和聚類策略。實體消歧問題中,多步聚類能有效提高系統(tǒng)性能。為減少錯誤傳遞,第一步聚類的準確性尤其重要。本文使用顯著相似聚類策略,建立具有高置信度的初始義項類簇。此外,傳統(tǒng)的實體消歧方法一般通過抽取歧義詞的不同屬性或上下文關(guān)鍵詞作為特征進行聚類。而在科技文獻中,術(shù)語上下文詞匯能夠體現(xiàn)文檔領(lǐng)域,但與術(shù)語的語義并無直接解釋關(guān)系。針對該問題,本文利用第一步聚類得到類簇的義項標簽對歧義術(shù)語進行義項反標注,然后訓練Word Embedding模型得到各個義項的語義向量,在此基礎(chǔ)上實施第二步聚類。在第二步聚類計算特征詞權(quán)重時,將Word Embedding語義相似度與TFIDF權(quán)重進行線性加權(quán),作為新的特征權(quán)重,有效綜合了領(lǐng)域特征和義項的語義特征,提高消歧性能。系統(tǒng)結(jié)構(gòu)如圖2所示。

    圖2 術(shù)語消歧框架

    4.2 預處理和初始VSM模型

    向量空間模型中,文檔d可以被形式化為一個n維向量,其每一維表示詞典中的一個詞,值為該詞的特征權(quán)重si,文檔d可以被形式化為d={s1,s2,…,sn}??紤]到文檔中出現(xiàn)的詞匯所代表的信息差異,一般需要對文檔進行預處理。本文使用ICTCLAS*http://www.ictclas.org/對知識庫、測試文檔集進行分詞,然后去掉句子中的標點、符號和停用詞,其余詞作為特征詞。特征詞權(quán)重一般選用TFIDF權(quán)重,可以最大程度上區(qū)分不同領(lǐng)域文檔,在文本分類、信息檢索領(lǐng)域得到廣泛應用。在消歧問題中,特征詞權(quán)重應表示該詞對當前文檔歧義術(shù)語各個義項的區(qū)分度。在文檔中,與待消歧詞語義相關(guān)的詞語往往出現(xiàn)頻率較低,而出現(xiàn)頻率較高的實詞雖然有助于區(qū)分文檔,但對區(qū)分義項并無明顯作用。因此本文對TF值進行調(diào)整,降低TF在權(quán)重中的作用,保證低頻詞信息得到有效利用:

    (2)

    預處理后,得到初始的知識庫及測試數(shù)據(jù)的VSM模型。根據(jù)該模型,任意兩個文檔間相似度可以由兩者向量的余弦相似度計算,如式(3)所示。

    (3)

    4.3 顯著相似聚類

    第一步聚類利用初始VSM模型,計算義項文檔和測試文檔的相似度,將滿足顯著相似條件的測試文檔聚類到對應義項中,以抽取高置信度數(shù)據(jù)。顯然,兩者相似度越高則越有可能屬于同一個義項。文獻[12]設(shè)計最高相似度與次高相似度的差值閾值,作為選擇顯著相似文檔的準則。本文中,為進一步提高準確度,采用相似度比值閾值作為顯著相似條件。

    對于縮略術(shù)語w,在知識庫中包含h個義項Cw={cw1,cw2,…,cwh},在測試集中有m個文檔Dw={dw1,dw2,…,dwm}。聚類過程以Cw中每個義項為中心,計算dwi每個文檔與所有義項的相似度,并取最高值和次高值文檔,如式(4)所示。

    (4)

    如果有Cos(dwi,cwu)/Cos(dwi,cwv)≥th1,則dwi∈cwu,否則放棄聚類該文檔。顯然,閾值th1越高,聚類條件越嚴格,聚類準確度越高,但放棄聚類文檔也越多。閾值th1既要保證高準確率,又要保留一定樣本數(shù)量,以達到聚類目的。

    由于顯著相似聚類可以得到很高的準確度,因此聚類結(jié)果可視作對知識庫義項文檔集的擴充,并作為消歧算法的有標簽樣本。聚類過程中仍然會引入少量錯誤數(shù)據(jù),但通過Word Embedding學習各個義項的語義表示向量,可以有效降低錯誤聚類數(shù)據(jù)帶來的影響。

    4.4 Word Embedding模型訓練

    本文使用Mikolov[4-5]所提出的Word2Vec工具實現(xiàn)義項語義的Word Embedding訓練。Word2Vec是一個無隱含層的神經(jīng)網(wǎng)絡,直接訓練詞的N維實數(shù)向量與內(nèi)部節(jié)點向量的條件概率,并使用了一系列優(yōu)化方法以提高訓練效率。訓練結(jié)果中,任意兩個詞的語義相關(guān)程度可以通過計算兩個詞對應向量的余弦相似度得到。

    使用Word Embedding進行語義消歧,關(guān)鍵問題是如何表示同一術(shù)語的多個義項。多義術(shù)語每個義項的語義有很大區(qū)別,用一個向量很難統(tǒng)一描述??蓪⒍嗔x詞進行義項標注,構(gòu)建帶有義項標簽的訓練語料,用不同標簽區(qū)分多個義項,再訓練Word Embedding,從而得到不同義項的向量表示。根據(jù)該思路,本文利用4.3節(jié)第一步聚類結(jié)果,用每個聚類對應的義項標簽對歧義術(shù)語進行義項反標注,形成標注數(shù)據(jù),然后連同未標注數(shù)據(jù)一同訓練。

    與神經(jīng)網(wǎng)絡訓練類似,Word2Vec采用隨機初始權(quán)重,每次訓練只得到一個局部最優(yōu)解,多次訓練得到的結(jié)果存在差異。當數(shù)據(jù)規(guī)模較小時,這種差異尤其突出。針對該問題,可以從兩方面改進: (1)將語料適當重復若干次后訓練模型,相當于增加每個樣本訓練機會,從而降低多次訓練間的差異;(2)在同一參數(shù)下訓練多份向量,在使用過程中綜合多份向量結(jié)果。此外,數(shù)據(jù)的排列對神經(jīng)網(wǎng)絡權(quán)重訓練也會產(chǎn)生影響,本文將訓練數(shù)據(jù)按出現(xiàn)的歧義術(shù)語排序,再隨機調(diào)整少量數(shù)據(jù)的順序,使得同一個歧義術(shù)語對應的文檔相對集中,又有一定隨機性,以提高尋找到最優(yōu)解的可能性。模型訓練過程如圖3所示。

    圖3 Word Embedding訓練過程

    語料的重復次數(shù)對模型的影響可以通過實驗進行分析。消歧方法主要利用Word Embedding尋找各義項的相關(guān)詞,因此要求模型中與每個義項最接近的前k個詞具有較高的一致性,并視為一個集合,則兩個模型間的重疊情況可以由Jaccard相似系數(shù)評價,如式(5)所示。

    (5)

    其中V1和V2是同一參數(shù)下兩次訓練得到的模型,D為義項集合,p為未標注數(shù)據(jù)重復次數(shù),q為標注數(shù)據(jù)重復次數(shù)。測試中,令k=10,在不同的p、q條件下各訓練3次,求兩兩Jaccard相似系數(shù)并取均值,結(jié)果見圖4。

    圖4 語料重復次數(shù)與Jaccard相似度

    根據(jù)結(jié)果,在p=q=30之后,訓練結(jié)果的平均重合度達到80%以上,此后隨著語料重復數(shù)量增加,重合度緩慢增長,考慮訓練效率因素,在p=q=60時就能得到較好的性能。

    4.5 基于語義擴展的二步聚類

    本節(jié)利用 Word Embedding語義信息實現(xiàn)多義術(shù)語消歧,包括兩個方面內(nèi)容: (1)利用語義相似度,對第一步聚類結(jié)果進行特征詞擴展,彌補文檔中缺失的語義信息;(2)用特征詞與義項之間的相似度對特征詞的TFIDF權(quán)重加權(quán),提高與義項語義接近的詞條的權(quán)重。過程中,為降低Word Embedding差異導致的誤差,使用同一參數(shù)重復訓練三次,以三個模型結(jié)果的交集和平均相似度來計算。

    4.5.1 基于語義相似度的特征詞擴展

    針對第一步聚類類簇中的文檔,進行特征詞擴展。擴展得到的新特征詞不僅要與對應的術(shù)語義項相關(guān),也要與文檔本身的語境相關(guān)。記歧義詞w的義項標簽為w#id,對應聚類為cw#id∈Cw。cw#id中的文檔記為dw#id,其n個特征詞記為{s1,s2,…,sn}。擴展使用3個相同參數(shù)的Word Embedding模型,記為V1、V2、V3。擴展過程如下:

    (1) 分別計算詞si∈dw#id在三個向量中語義最接近的2r個詞,取三者交集,按平均相似度排序后,取前r個詞得到式(6)。

    VecSim_r(si|V1,V2,V3)={si1,si2,…,sir}

    (6)

    (2) 計算所有sij與w#id的相似度均值:Sim(sij,w#id|V1,V2,V3),去掉重復詞和已有詞后,按相似度排序取前N項,記為{x1,x2,…,xN},作為擴展得到的新特征詞。過程如圖5所示。

    圖5 特征詞擴展

    在擴展過程中,采用新詞的數(shù)量N非常關(guān)鍵。如果N取值太大,將會引入過多的噪聲特征,從而降低有效信息;N取值太小,又無法對原有特征進行有效擴展,合適的N值須通過實驗得到。擴展得到的新詞,能有效彌補當前語境中缺失的語義信息,提高當前文檔對歧義詞語義的描述能力。

    4.5.2 特征詞權(quán)重的語義線性加權(quán)

    從直觀上,如果特征詞與歧義詞的語義較為接近,則應該具有更高的權(quán)重。而TFIDF權(quán)重無法考慮這種詞與詞之間的關(guān)聯(lián),缺乏對語義信息的描述能力。同樣,由Word Embedding模型提供的語義向量,能夠表示詞匯兩兩間的語義關(guān)系,但無法在文檔級別計算語義相似程度。本文將兩者綜合,用特征詞與義項的語義相似度對TFIDF權(quán)重進行線性加權(quán)。在計算待消歧文檔d與義項w#id間相似度時,特征詞si∈d的權(quán)重由式(7)計算:

    Wtw#id(si)

    =tfidf(si)+Sim(w#id,si|V1,V2,V3)λ

    (7)

    當si與義項w#id具有較高語義相似度時,該詞特征權(quán)重將隨之提高。由于語義相似度在[0,1]間,且普遍偏低,故在式(7)中添加指數(shù)參數(shù)λ,且0≤λ≤1,提高語義加權(quán)幅度。本文中取λ=0.2。對于第一步聚類而言,可以直接用對應的義項Cw#id計算其中各個文檔的語義加權(quán)。而對于待定的測試文檔,則需要在第二步聚類過程中,根據(jù)不同的目標義項計算不同的權(quán)重,以得到最優(yōu)聚類結(jié)果。

    4.5.3 第二步聚類

    V(dw,w#id)={Wtw#id(s1),…,Wtw#id(sn)}

    (8)

    (9)

    (10)

    至此,完成整個聚類過程。

    5 實驗結(jié)果及分析

    本文所述消歧聚類方法屬于無監(jiān)督聚類,僅在參數(shù)設(shè)計時用到少量答案數(shù)據(jù),包括顯著相似閾值th1和特征詞擴展數(shù)量N;參數(shù)設(shè)計采用準確率P%作為評價指標。整個消歧系統(tǒng)性能的測試, 以每個歧義術(shù)語義項采用聚類準確率P%、召回率R%、F值為評價指標。在整個測試集上,用所有義項的性能指標均值進行評價。

    5.1 顯著相似性聚類實驗

    圖6給出了在不同閾值條件下,聚類文檔占總測試文檔的比例與聚類正確率之間的關(guān)系。其中橫軸為閾值,當th1>2.0后,聚類結(jié)果的正確率達到96%,此時約有一半數(shù)據(jù)被聚類。此后,隨著th1提高,聚類正確率沒有顯著變化,而聚類比例則線性下降。因此,可以根據(jù)聚類數(shù)據(jù)比例來制定閾值。按照第一步聚類30%左右的數(shù)據(jù)為準,本文設(shè)定th1=3.4。

    5.2 特征詞擴展實驗

    對聚類中的文檔進行特征詞擴展時,擴展詞數(shù)N對最后系統(tǒng)性能有較大影響。以參數(shù)p=q=60訓練3個Word Embedding,特征向量維度均為100維。以“CVT”“BOM”“PPA”為例,測試不同的N值對第二步聚類準確率的影響。在進行第二次聚類的時候,沒有使用語義加權(quán)。當區(qū)間時,隨著N增大,正確率逐漸提高,說明特征詞擴展有助于挖掘歧義詞語義信息。但當N值較大時(N>20),正確率顯著下降,這是由于擴展詞過度泛化,引入大量噪聲導致。因此,在一定范圍內(nèi)擴展特征詞,對提高系統(tǒng)性能有明顯效果。本文后續(xù)實驗中,選取N=10進行擴展。實驗結(jié)果如圖7所示。

    圖7 特征詞擴展有效性實驗

    5.3 消歧實驗

    在前兩步實驗基礎(chǔ)上,對整個測試集進行消歧實驗。實驗中所用到的參數(shù)見表2。

    表2 實驗參數(shù)設(shè)定

    實驗設(shè)計兩個Baseline對比消歧系統(tǒng)。Baseline I選擇基本的TFIDF權(quán)重加權(quán)的VSM模型,對全部測試數(shù)據(jù)進行一次聚類,與文獻[8]的方法區(qū)別在于,其使用歧義詞上下文一定窗口內(nèi)的詞作為特征詞,而本文中使用文檔中除停用詞外所有詞作為特征詞。Baseline II系統(tǒng)采用與文獻[12]類似的兩步聚類方法進行。其中,第一步采用顯著相似聚類,第二步則利用第一步聚類得到的類簇,不進行特征詞和語義加權(quán)。Baseline系統(tǒng)消歧性能見表3。

    實驗結(jié)果中,利用顯著相似聚類得到的結(jié)果具有很高的性能。第二步聚類結(jié)果的F值與待定數(shù)據(jù)相比有7%左右的提升,表明第二步聚類能顯著改善系統(tǒng)性能??傮w性能中,準確率與Baseline I相比提升3.47%,但召回率和F值均有超過10%的提升,該結(jié)論與之前相關(guān)工作得到的結(jié)論較為一致。

    本文在Baseline II的基礎(chǔ)上,通過擴展特征詞和特征詞語義線性加權(quán)兩種方法,提升消歧性能,實驗結(jié)果見表4。使用“第二步聚類+擴展特征詞”方法,各性能指標較Baseline II均有4%左右的提升,總體正確率超過90%,表明根據(jù)Word Embedding模型擴展得到的新的特征詞能有效補充原有文檔中語義缺失,從而對消歧產(chǎn)生顯著影響。

    表3 Baseline消歧實驗結(jié)果

    表4 改進后消歧實驗結(jié)果

    在“第二步聚類+擴展特征詞+語義線性加權(quán)”實驗結(jié)果中,系統(tǒng)消歧性能進一步提高約2%。此時,計算特征詞在不同義項中的語義相關(guān)度,并進行詞權(quán)重疊加,能使聚類更具有傾向性,但也會導致過擬合。采用線性加權(quán),而非指數(shù)加權(quán),可以使權(quán)重變化較為平緩,以避免參數(shù)過擬合現(xiàn)象。

    表5 歧義術(shù)語單獨消歧結(jié)果

    續(xù)表

    表5給出所有歧義術(shù)語在Baseline Ⅱ和改進方法上的性能比較。表中“+、++、=、-”分別表明性能有提升、有顯著提升、性能可比、性能下降。測試的25個術(shù)語中,6個術(shù)語的消歧性能有超過10%的提升,表明Word Embedding語義表示方法能夠很好地應用于消歧問題;9條術(shù)語的性能有所提升,7條術(shù)語的性能基本持平,說明方法對于大多數(shù)術(shù)語消歧而言具有一定效果;由于經(jīng)驗參數(shù)無法適應所有文檔,有3個術(shù)語的性能沒有明顯提升。

    術(shù)語“CAD”和“SAP”在Baseline Ⅱ和改進方法上的消歧性能均較低。經(jīng)分析,前者有兩個義項分別是“計算機輔助設(shè)計”和“計算機輔助診斷”,對應文檔集合存在許多重疊的特征詞,難以區(qū)分。后者義項集中有“SAP軟件公司”和“SAP管理軟件”兩個定義,分別是公司名和該公司生產(chǎn)的同名軟件,因而也具有很高的混淆度。以上義項的區(qū)分還需要更深層次的語義關(guān)系才能實現(xiàn)。

    6 結(jié)語

    本文利用Word Embedding提高縮略術(shù)語消歧性能,提出無監(jiān)督地獲取每個義項語義表示的方法,在消歧過程中,利用語義信息對特征詞進行擴展和語義線性加權(quán),得到精度較高的消歧結(jié)果。實驗發(fā)現(xiàn),消歧過程中,語義擴展規(guī)模不能過大,否則將導致性能降低。這說明每個義項所涵蓋的概念范疇往往十分有限,少數(shù)詞就能描述義項的核心概念。因此,Word Embedding的核心作用是挖掘文檔中缺失的語義信息。該結(jié)論對文本數(shù)據(jù)挖掘和信息檢索領(lǐng)域的許多應用有一定參考價值。

    [1] 王瑞琴,孔繁勝. 無監(jiān)督詞義消歧研究[J]. 軟件學報, 2009,20(8): 2138-2152.

    [2] Banerjee S, Pedersen T. An adapted Lesk algorithm for word sense disambiguation using WordNet [C]//Proceedings of the 3rd International Conference on Intelligent Text Processing and Computational Linguistics, Mexico City, 2002: 17-23.

    [3] 張剛,劉挺,盧志茂等. 隱馬爾可夫模型和HowNet在漢語詞義標注中的應用[J]. 計算機應用研究, 2004,10(增刊): 67-69.

    [4] Collobert R, Weston J. A unified architecture for na-tural language processing: Deep neural networks with multi-task learning [C]//Proceedings of the 25th International Conference on Machine Learning, Helsinki, 2008: 160-167.

    [5] Mikolov T, Chen K, Corrado G, et al. Efficient Estimation of Word Representations in Vector Space[C]//Proceedings of Workshop at ICLR, 2013.

    [6] Mikolov T, Sutskever I, Chen K, et al. Distributed Representations of Words and Phrases and their Composi-tionality[C]//Proceedings of NIPS, 2013.

    [7] Schütze H. Automatic word sense discrimination [J]. Computational Linguistics, 1998, 24(1): 97-123.

    [8] 魯松,白碩,黃雄. 基于向量空間模型中義項詞語的無導詞義消歧[J]. 軟件學報, 2002,13(6): 1082-1089.

    [9] 何徑舟, 王厚峰. 基于特征選擇和最大熵模型的漢語詞義消歧[J]. 軟件學報, 2010,21(6): 1287-1295.

    [10] Mann G, Yarosky D. Unsupervised Personal Name Disambiguation [C]//Proceedings of CoNLL-2003, Edmonton, 2003: 33-40.

    [11] 丁海波, 肖桐, 朱靖波. 基于多階段的中文人名消歧聚類技術(shù)的研究[C]//第六屆全國信息檢索學術(shù)會議, 牡丹江, 2010: 316-324.

    [12] 李廣一, 王厚峰. 基于多步聚類的漢語命名實體識別和歧義消解[J]. 中文信息學報, 2013, 27(5): 29-34.

    [13] Z Peng, L Sun, X Han. SIR-NERD: A Chinese Named Entity Recognition and Disambiguation System using a Two-Stage Method[C]//Proceedings of the 2nd CIPS-SIGHAN Joint Conference on Chinese Language Processing, Tianjin, 2012: 115-120.

    [14] J Liu, R Xu, Q Lu, et al. Explore Chinese Encyclopedic Knowledge to Disambiguate Person Names[C]//Proceedings of the 2nd CIPS-SIGHAN Joint Conference on Chinese Language Processing, Tianjin, 2012.

    [15] 楊欣欣, 李培峰, 朱巧明. 基于查詢擴展的人名消歧[J]. 計算機應用, 2012, 32(9): 2488-2490.

    [16] H Liu, Y Lussier, C Friedman. Disambiguating ambi-guous biomedical terms in biomedical narrative text: An unsupervised method [J]. Journal of Biomedical Informatics, 2001, 34: 249-261.

    [17] Stevenson M, Yikun G, Abdulaziz A A, et al. Dis-ambiguation of Biomedical Abbreviations[C]//Proceedings of the Workshop on BioNLP, Boulder, 2009: 71-79.

    [18] 張榕, 宋柔. 基于互聯(lián)網(wǎng)的漢語術(shù)語定義提取研究[C]//全國第八屆計算語言學聯(lián)合學術(shù)會議, 南京, 2005.

    猜你喜歡
    消歧多義特征詞
    基于關(guān)聯(lián)圖和文本相似度的實體消歧技術(shù)研究*
    基于半監(jiān)督集成學習的詞義消歧
    基于改進TFIDF算法的郵件分類技術(shù)
    藏文歷史文獻識別過程中藏文自由虛詞的自動識別及消歧算法的研究
    產(chǎn)品評論文本中特征詞提取及其關(guān)聯(lián)模型構(gòu)建與應用
    維吾爾語動詞“t∫iqmap”多義范疇的語義延伸機制
    語言與翻譯(2015年2期)2015-07-18 11:09:55
    面向文本分類的特征詞選取方法研究與改進
    一個所謂多義句式的本來面目
    多車道自由流技術(shù)在多義路徑識別領(lǐng)域的應用
    基于《知網(wǎng)》的中文信息結(jié)構(gòu)消歧研究
    国产免费又黄又爽又色| 欧美性感艳星| 亚洲伊人久久精品综合| 国产国语露脸激情在线看| 搡女人真爽免费视频火全软件| 又粗又硬又长又爽又黄的视频| √禁漫天堂资源中文www| 自拍欧美九色日韩亚洲蝌蚪91| 2018国产大陆天天弄谢| 91在线精品国自产拍蜜月| 大香蕉97超碰在线| 国产精品99久久99久久久不卡 | tube8黄色片| 9热在线视频观看99| 国产精品一区www在线观看| 亚洲欧美中文字幕日韩二区| 国产精品嫩草影院av在线观看| a级毛片黄视频| 美女国产高潮福利片在线看| a级毛片黄视频| 最近的中文字幕免费完整| 一级黄片播放器| 欧美丝袜亚洲另类| 美女视频免费永久观看网站| 熟妇人妻不卡中文字幕| 精品亚洲成国产av| 成年女人在线观看亚洲视频| 国产高清不卡午夜福利| 免费不卡的大黄色大毛片视频在线观看| 久久精品国产综合久久久 | 女人精品久久久久毛片| 久久国内精品自在自线图片| 日本91视频免费播放| 免费av不卡在线播放| 欧美bdsm另类| 大片免费播放器 马上看| 久久久久久久大尺度免费视频| 亚洲欧美成人精品一区二区| 国产精品成人在线| 亚洲国产精品一区三区| 女的被弄到高潮叫床怎么办| 国产欧美日韩一区二区三区在线| 精品视频人人做人人爽| 最新的欧美精品一区二区| 欧美国产精品一级二级三级| 国产69精品久久久久777片| 国产又色又爽无遮挡免| 91午夜精品亚洲一区二区三区| 一级a做视频免费观看| a级毛片黄视频| 精品国产一区二区三区四区第35| 亚洲一区二区三区欧美精品| 精品少妇久久久久久888优播| 国产成人欧美| 亚洲人成77777在线视频| 又大又黄又爽视频免费| 亚洲欧美清纯卡通| h视频一区二区三区| 满18在线观看网站| 男女边吃奶边做爰视频| 免费黄色在线免费观看| 97超碰精品成人国产| 18在线观看网站| 搡老乐熟女国产| 亚洲欧美日韩另类电影网站| 热99久久久久精品小说推荐| 亚洲美女黄色视频免费看| 国产成人av激情在线播放| 国产亚洲一区二区精品| 色94色欧美一区二区| 亚洲伊人久久精品综合| 性色avwww在线观看| 丁香六月天网| 欧美精品一区二区大全| 九色成人免费人妻av| 国产片特级美女逼逼视频| 免费人成在线观看视频色| 国产永久视频网站| 观看美女的网站| 晚上一个人看的免费电影| 不卡视频在线观看欧美| 亚洲综合色惰| 国产老妇伦熟女老妇高清| 精品视频人人做人人爽| 国产一区二区三区av在线| 丰满迷人的少妇在线观看| 热re99久久精品国产66热6| 捣出白浆h1v1| 日韩av不卡免费在线播放| 国产一区二区在线观看av| 日韩欧美精品免费久久| 在线观看免费视频网站a站| 精品人妻偷拍中文字幕| 黄色怎么调成土黄色| 晚上一个人看的免费电影| 看十八女毛片水多多多| 免费不卡的大黄色大毛片视频在线观看| 五月天丁香电影| h视频一区二区三区| 丝袜人妻中文字幕| av在线播放精品| 久久人人97超碰香蕉20202| 免费高清在线观看日韩| 夫妻午夜视频| 久久久久久久大尺度免费视频| 亚洲成色77777| 我的女老师完整版在线观看| 欧美精品亚洲一区二区| 精品酒店卫生间| av片东京热男人的天堂| av不卡在线播放| 免费人成在线观看视频色| 丝袜人妻中文字幕| 久久国产亚洲av麻豆专区| 熟妇人妻不卡中文字幕| 99视频精品全部免费 在线| 七月丁香在线播放| 99热全是精品| 亚洲av电影在线进入| www.色视频.com| 久久 成人 亚洲| 欧美成人午夜免费资源| 国产永久视频网站| 午夜福利视频精品| 美女中出高潮动态图| 亚洲激情五月婷婷啪啪| 国产成人a∨麻豆精品| 在线观看人妻少妇| 国产精品国产三级专区第一集| 久久青草综合色| 亚洲国产精品国产精品| freevideosex欧美| 黄色毛片三级朝国网站| 国产色婷婷99| 五月伊人婷婷丁香| 中文乱码字字幕精品一区二区三区| 久久久欧美国产精品| 制服诱惑二区| 五月天丁香电影| 宅男免费午夜| av免费在线看不卡| 丰满饥渴人妻一区二区三| 国产一区二区激情短视频 | 欧美国产精品va在线观看不卡| 在线观看免费视频网站a站| 在线观看免费日韩欧美大片| 一区二区三区乱码不卡18| 久久精品aⅴ一区二区三区四区 | 97在线视频观看| 国产亚洲一区二区精品| 日本黄大片高清| 丰满迷人的少妇在线观看| 丝瓜视频免费看黄片| 制服丝袜香蕉在线| 亚洲色图综合在线观看| 日韩精品免费视频一区二区三区 | 水蜜桃什么品种好| 国产免费现黄频在线看| 91久久精品国产一区二区三区| 香蕉精品网在线| 久久久久久久久久久免费av| 精品午夜福利在线看| 亚洲精品成人av观看孕妇| 在线天堂中文资源库| 一级毛片 在线播放| 熟女人妻精品中文字幕| 亚洲人成77777在线视频| 免费久久久久久久精品成人欧美视频 | 久久精品熟女亚洲av麻豆精品| 日本与韩国留学比较| 亚洲成人手机| 日韩在线高清观看一区二区三区| 亚洲成国产人片在线观看| 亚洲精品成人av观看孕妇| 成人免费观看视频高清| 成人影院久久| 久久精品国产亚洲av天美| 亚洲精品aⅴ在线观看| 天堂8中文在线网| 伊人久久国产一区二区| 制服诱惑二区| 九色亚洲精品在线播放| 黑丝袜美女国产一区| 69精品国产乱码久久久| 国产精品99久久99久久久不卡 | 免费在线观看完整版高清| 精品一区二区免费观看| 国产亚洲一区二区精品| 亚洲国产精品一区二区三区在线| av国产精品久久久久影院| 老女人水多毛片| 成人毛片a级毛片在线播放| 亚洲国产精品一区三区| 成人综合一区亚洲| 精品一区二区免费观看| 亚洲精品456在线播放app| 亚洲第一区二区三区不卡| 久久综合国产亚洲精品| 久久狼人影院| 人人妻人人澡人人看| 久久久久精品性色| 大香蕉久久网| 国产日韩一区二区三区精品不卡| 极品少妇高潮喷水抽搐| 波多野结衣一区麻豆| 一区二区三区乱码不卡18| 国产伦理片在线播放av一区| 久久人人爽人人爽人人片va| 国产在线一区二区三区精| 久久久久久久久久久久大奶| 男男h啪啪无遮挡| 久久婷婷青草| 极品人妻少妇av视频| 男人爽女人下面视频在线观看| 欧美老熟妇乱子伦牲交| 十分钟在线观看高清视频www| 丰满饥渴人妻一区二区三| 中文字幕另类日韩欧美亚洲嫩草| 成人影院久久| 亚洲国产毛片av蜜桃av| 欧美bdsm另类| 一二三四在线观看免费中文在 | 黄色怎么调成土黄色| 夜夜爽夜夜爽视频| 亚洲av成人精品一二三区| 亚洲欧美中文字幕日韩二区| 欧美日韩综合久久久久久| 爱豆传媒免费全集在线观看| 国产成人欧美| 亚洲精品aⅴ在线观看| 卡戴珊不雅视频在线播放| 午夜福利乱码中文字幕| www.色视频.com| 99热这里只有是精品在线观看| 欧美日韩一区二区视频在线观看视频在线| 91精品伊人久久大香线蕉| 少妇精品久久久久久久| 制服诱惑二区| a级毛色黄片| 你懂的网址亚洲精品在线观看| 色视频在线一区二区三区| 美女中出高潮动态图| 日韩不卡一区二区三区视频在线| 美女视频免费永久观看网站| 免费高清在线观看视频在线观看| 热99国产精品久久久久久7| 久久久久国产网址| 青春草亚洲视频在线观看| 亚洲国产毛片av蜜桃av| 美女国产视频在线观看| 亚洲美女搞黄在线观看| 日本午夜av视频| 日韩 亚洲 欧美在线| 成人亚洲欧美一区二区av| 久久午夜综合久久蜜桃| 两个人免费观看高清视频| 极品人妻少妇av视频| 久久精品久久久久久久性| 寂寞人妻少妇视频99o| 日日爽夜夜爽网站| 不卡视频在线观看欧美| 国产精品女同一区二区软件| 80岁老熟妇乱子伦牲交| 大片电影免费在线观看免费| 亚洲精品一区蜜桃| 最新中文字幕久久久久| 欧美 日韩 精品 国产| 欧美精品人与动牲交sv欧美| 99久国产av精品国产电影| 国产精品.久久久| 中文字幕最新亚洲高清| 欧美97在线视频| 极品人妻少妇av视频| 国产成人欧美| 亚洲色图 男人天堂 中文字幕 | 午夜福利在线观看免费完整高清在| 国产av国产精品国产| av视频免费观看在线观看| 最近最新中文字幕免费大全7| 欧美日韩亚洲高清精品| av播播在线观看一区| 欧美日韩av久久| 国产精品久久久久久久电影| 亚洲婷婷狠狠爱综合网| 久久精品人人爽人人爽视色| 91精品国产国语对白视频| 国产成人午夜福利电影在线观看| 中文精品一卡2卡3卡4更新| 久久精品国产亚洲av天美| 国产精品无大码| 最近2019中文字幕mv第一页| 边亲边吃奶的免费视频| 美女国产高潮福利片在线看| 亚洲一码二码三码区别大吗| 国产亚洲精品久久久com| 大香蕉久久网| 久久 成人 亚洲| 亚洲,欧美精品.| 有码 亚洲区| 免费黄频网站在线观看国产| 亚洲综合色惰| 久久精品国产亚洲av天美| 中文欧美无线码| 国产 精品1| 亚洲欧美一区二区三区黑人 | 999精品在线视频| 亚洲精品乱码久久久久久按摩| 最近手机中文字幕大全| 成人亚洲欧美一区二区av| 精品少妇久久久久久888优播| kizo精华| 久久午夜综合久久蜜桃| av视频免费观看在线观看| 少妇人妻久久综合中文| 国产深夜福利视频在线观看| 26uuu在线亚洲综合色| 婷婷色av中文字幕| 免费观看a级毛片全部| 人妻系列 视频| 亚洲国产精品一区二区三区在线| 国产精品嫩草影院av在线观看| 久久国产精品大桥未久av| av国产精品久久久久影院| 久久婷婷青草| 国产精品免费大片| 免费人成在线观看视频色| 日韩三级伦理在线观看| av在线老鸭窝| 国产精品国产三级国产av玫瑰| 久久精品国产亚洲av天美| 成人黄色视频免费在线看| 99热6这里只有精品| 精品人妻偷拍中文字幕| 欧美xxxx性猛交bbbb| 人成视频在线观看免费观看| 国产精品嫩草影院av在线观看| 国产精品久久久久久久电影| 春色校园在线视频观看| 日本免费在线观看一区| 99久久精品国产国产毛片| 国产高清不卡午夜福利| av电影中文网址| 国产av精品麻豆| 黄色毛片三级朝国网站| 人人妻人人澡人人爽人人夜夜| 久久人人爽av亚洲精品天堂| 国产色爽女视频免费观看| 国产精品一国产av| 女人被躁到高潮嗷嗷叫费观| 日韩一本色道免费dvd| 亚洲精品久久午夜乱码| 久久久久国产网址| 毛片一级片免费看久久久久| 久久女婷五月综合色啪小说| 18禁在线无遮挡免费观看视频| 五月开心婷婷网| 久久久久精品性色| 91午夜精品亚洲一区二区三区| 日韩 亚洲 欧美在线| 一级片免费观看大全| 成年人午夜在线观看视频| 亚洲欧美一区二区三区黑人 | 男女无遮挡免费网站观看| 自拍欧美九色日韩亚洲蝌蚪91| 国产精品久久久av美女十八| 高清av免费在线| 日韩精品免费视频一区二区三区 | 老女人水多毛片| 十分钟在线观看高清视频www| 乱码一卡2卡4卡精品| 日本vs欧美在线观看视频| 久久精品国产亚洲av天美| 国产麻豆69| 久热久热在线精品观看| 国产精品 国内视频| 夜夜骑夜夜射夜夜干| 岛国毛片在线播放| 亚洲精品,欧美精品| 一级毛片黄色毛片免费观看视频| 一级片'在线观看视频| 黄色毛片三级朝国网站| 乱人伦中国视频| 婷婷色综合大香蕉| 欧美3d第一页| 欧美97在线视频| 狂野欧美激情性bbbbbb| 国产成人精品福利久久| 日本猛色少妇xxxxx猛交久久| 天天躁夜夜躁狠狠躁躁| 成人毛片a级毛片在线播放| 久久人人爽av亚洲精品天堂| 国产在线一区二区三区精| 蜜臀久久99精品久久宅男| av电影中文网址| 亚洲精品美女久久av网站| 国产亚洲午夜精品一区二区久久| 欧美成人午夜免费资源| 一级,二级,三级黄色视频| 最近手机中文字幕大全| 久久久久国产网址| 久久ye,这里只有精品| 欧美精品高潮呻吟av久久| 欧美日韩精品成人综合77777| 国产黄色视频一区二区在线观看| 人体艺术视频欧美日本| 日韩成人av中文字幕在线观看| 国产日韩欧美亚洲二区| 国产免费福利视频在线观看| 精品第一国产精品| 国产色婷婷99| 亚洲综合色惰| 欧美成人精品欧美一级黄| 久久久久国产网址| 少妇人妻久久综合中文| 国产精品一二三区在线看| 久久久欧美国产精品| 五月玫瑰六月丁香| 午夜视频国产福利| 人人妻人人添人人爽欧美一区卜| 成人免费观看视频高清| av不卡在线播放| 美女大奶头黄色视频| 国产乱来视频区| 国产精品无大码| 18禁观看日本| 黑人高潮一二区| h视频一区二区三区| 搡老乐熟女国产| 国产探花极品一区二区| 午夜福利视频精品| 免费看光身美女| 亚洲情色 制服丝袜| 乱人伦中国视频| 美女视频免费永久观看网站| 2022亚洲国产成人精品| 国产精品一区www在线观看| 五月开心婷婷网| 免费观看性生交大片5| 日韩在线高清观看一区二区三区| 国产国拍精品亚洲av在线观看| 免费黄网站久久成人精品| 国产精品偷伦视频观看了| 91久久精品国产一区二区三区| 亚洲三级黄色毛片| 久久人人爽人人爽人人片va| 日韩电影二区| 夫妻午夜视频| 午夜免费男女啪啪视频观看| 夫妻午夜视频| 免费看不卡的av| 亚洲欧洲精品一区二区精品久久久 | 欧美变态另类bdsm刘玥| 一本色道久久久久久精品综合| 亚洲国产欧美日韩在线播放| 国产永久视频网站| 国产精品嫩草影院av在线观看| 夫妻性生交免费视频一级片| 校园人妻丝袜中文字幕| 久久久欧美国产精品| 一边亲一边摸免费视频| 一个人免费看片子| 精品一区二区免费观看| 欧美 日韩 精品 国产| 亚洲精品,欧美精品| 51国产日韩欧美| 亚洲一码二码三码区别大吗| 美国免费a级毛片| 亚洲经典国产精华液单| 亚洲色图综合在线观看| 人人妻人人爽人人添夜夜欢视频| 国产亚洲最大av| h视频一区二区三区| 久久久国产一区二区| 熟女av电影| 国产成人a∨麻豆精品| 寂寞人妻少妇视频99o| 国产精品国产三级国产专区5o| 日本午夜av视频| 久久久国产欧美日韩av| 国产视频首页在线观看| 色94色欧美一区二区| 国产片特级美女逼逼视频| av播播在线观看一区| 久久精品国产a三级三级三级| 久久久国产一区二区| 亚洲,欧美,日韩| 丝袜美足系列| 久久免费观看电影| 成年av动漫网址| 国产成人精品婷婷| 精品人妻熟女毛片av久久网站| 性色avwww在线观看| 日韩av在线免费看完整版不卡| 国产精品蜜桃在线观看| 一本—道久久a久久精品蜜桃钙片| 80岁老熟妇乱子伦牲交| 91精品国产国语对白视频| 亚洲国产精品一区二区三区在线| 免费看av在线观看网站| 一本色道久久久久久精品综合| kizo精华| 精品卡一卡二卡四卡免费| 亚洲精品aⅴ在线观看| 韩国av在线不卡| 免费看av在线观看网站| 国产一级毛片在线| 久久99精品国语久久久| 狂野欧美激情性bbbbbb| 母亲3免费完整高清在线观看 | 亚洲成国产人片在线观看| 91成人精品电影| 日韩三级伦理在线观看| 午夜影院在线不卡| 亚洲精品色激情综合| 男人添女人高潮全过程视频| 777米奇影视久久| 免费人成在线观看视频色| 午夜久久久在线观看| 亚洲丝袜综合中文字幕| 日本猛色少妇xxxxx猛交久久| 日韩一区二区视频免费看| 精品久久国产蜜桃| 两个人免费观看高清视频| 男女国产视频网站| 国产成人一区二区在线| xxxhd国产人妻xxx| 国产成人精品福利久久| 亚洲婷婷狠狠爱综合网| 精品国产露脸久久av麻豆| 国产精品熟女久久久久浪| 制服诱惑二区| 免费少妇av软件| 看免费av毛片| 亚洲国产精品一区二区三区在线| 亚洲精品456在线播放app| 精品午夜福利在线看| 精品人妻熟女毛片av久久网站| 国产精品熟女久久久久浪| 亚洲天堂av无毛| 午夜影院在线不卡| 亚洲 欧美一区二区三区| 天天操日日干夜夜撸| 美女视频免费永久观看网站| 国产亚洲欧美精品永久| 国产一区二区激情短视频 | 国产午夜精品一二区理论片| 亚洲精品av麻豆狂野| 人成视频在线观看免费观看| 内地一区二区视频在线| 亚洲精品国产色婷婷电影| 亚洲人成77777在线视频| 日韩一区二区三区影片| 一本色道久久久久久精品综合| 亚洲成av片中文字幕在线观看 | 久久精品久久久久久久性| 久久久久久伊人网av| 国产伦理片在线播放av一区| 2021少妇久久久久久久久久久| 亚洲美女黄色视频免费看| 久久国产精品男人的天堂亚洲 | 久久人妻熟女aⅴ| 美女视频免费永久观看网站| 国产国拍精品亚洲av在线观看| 日韩熟女老妇一区二区性免费视频| 下体分泌物呈黄色| 精品久久久久久电影网| 国产伦理片在线播放av一区| 在现免费观看毛片| 日韩精品有码人妻一区| 欧美变态另类bdsm刘玥| 一本久久精品| 亚洲熟女精品中文字幕| 午夜福利乱码中文字幕| 丰满少妇做爰视频| 欧美精品一区二区免费开放| 天天影视国产精品| 午夜福利视频精品| 欧美日韩成人在线一区二区| 一个人免费看片子| 高清不卡的av网站| 亚洲av国产av综合av卡| 欧美精品高潮呻吟av久久| 日日爽夜夜爽网站| 18在线观看网站| 一级爰片在线观看| 91精品国产国语对白视频| 亚洲精品久久久久久婷婷小说| 欧美精品高潮呻吟av久久| 黄色毛片三级朝国网站| 国产极品天堂在线| 精品亚洲成a人片在线观看| xxxhd国产人妻xxx| 91午夜精品亚洲一区二区三区| 精品亚洲成国产av| 日日爽夜夜爽网站| 2022亚洲国产成人精品| 国产xxxxx性猛交| 美女福利国产在线| av播播在线观看一区| 日韩电影二区| 丰满少妇做爰视频| 69精品国产乱码久久久| 久久久欧美国产精品| av不卡在线播放| 亚洲av成人精品一二三区| 亚洲性久久影院| 黄色视频在线播放观看不卡| 99久久中文字幕三级久久日本| 久久久久国产网址| 人妻系列 视频| 2018国产大陆天天弄谢| 99精国产麻豆久久婷婷| 久久久久久久大尺度免费视频| 久久午夜综合久久蜜桃| 午夜福利网站1000一区二区三区|