• <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 ?

    基于信息融合的網(wǎng)頁(yè)文本聚類距離選擇方法

    2016-11-25 05:38:12張少宏李繼巧羅嘉怡謝冬青
    關(guān)鍵詞:度量類別文檔

    張少宏,李繼巧,羅嘉怡,謝冬青,王 婧

    (1.廣州大學(xué)計(jì)算機(jī)科學(xué)與教育軟件學(xué)院,廣東 廣州 510006;2.廣州圖書館,廣東 廣州 510623)

    基于信息融合的網(wǎng)頁(yè)文本聚類距離選擇方法

    張少宏1,李繼巧1,羅嘉怡1,謝冬青1,王 婧2

    (1.廣州大學(xué)計(jì)算機(jī)科學(xué)與教育軟件學(xué)院,廣東 廣州 510006;2.廣州圖書館,廣東 廣州 510623)

    在當(dāng)前信息化的年代里,文本數(shù)據(jù)在高速的增長(zhǎng),人們獲取有用的信息猶如大海撈針.文本聚類作為文本挖掘的基礎(chǔ)技術(shù),發(fā)揮了很重要的作用.由于缺乏預(yù)先定義的類和類標(biāo)號(hào)的訓(xùn)練實(shí)例,如何選擇合適的數(shù)據(jù)相似度是文本聚類的關(guān)鍵問(wèn)題.文章為此提出一種新的衡量文本相似度的方法Adaptive Metric Selection(AMS).文章通過(guò)抓取網(wǎng)頁(yè)內(nèi)容,為聚類提供數(shù)據(jù)來(lái)源,分詞和向量化是必要的轉(zhuǎn)化,利用特征提取的方法獲取特征項(xiàng),并用Isomap進(jìn)行降維,最后利用自適應(yīng)選擇方法AMS對(duì)數(shù)據(jù)進(jìn)行相似度衡量再進(jìn)行聚類分析.實(shí)驗(yàn)結(jié)果表明,AMS明顯優(yōu)于從多種相似度獨(dú)立進(jìn)行聚類的平均結(jié)果.

    數(shù)據(jù)挖掘;特征提??;聚類融合

    本文針對(duì)聚類知識(shí)提取和聚類評(píng)價(jià)的若干問(wèn)題進(jìn)行研究,討論如何在盡可能包含聚類先驗(yàn)知識(shí)的情況下抽象出聚類知識(shí),并從知識(shí)中尋找盡可能多的聚類結(jié)構(gòu)信息,用一種自適應(yīng)度量方法

    在無(wú)監(jiān)督學(xué)習(xí)中,由于缺乏已知類別的樣本數(shù)據(jù),數(shù)據(jù)的相似度衡量方法歷來(lái)備受重視并得到深入的研究.在監(jiān)督學(xué)習(xí)中,學(xué)習(xí)的目標(biāo)是學(xué)習(xí)者從輸入到輸出的映射關(guān)系,其中輸出的正確值已經(jīng)由指導(dǎo)者提供.然而,在無(wú)監(jiān)督學(xué)習(xí)中,卻沒(méi)有這樣的指導(dǎo)者.另一方面,在無(wú)監(jiān)督聚類應(yīng)用中基于集成的技術(shù)已經(jīng)吸引許多計(jì)算機(jī)領(lǐng)域的精英團(tuán)體的高度興趣[1-18].

    具體而言,無(wú)監(jiān)督集成框架,通常被稱為聚類融合或一致聚類[1,4],能根據(jù)多個(gè)不同的獨(dú)立聚類結(jié)果生成一個(gè)一致的結(jié)果.獨(dú)立聚類結(jié)果能通過(guò)不同的透視方法,例如,通過(guò)不同的數(shù)據(jù)樣本子集[3-4],不同的數(shù)據(jù)特征子集[2-3]或不同的聚類算法[1,19]得到.一旦獨(dú)立分區(qū)創(chuàng)建,可以用于互協(xié)矩陣的方法[1,3,5]或者以圖分割方法[1-2]推導(dǎo)出一致聚類結(jié)果.在第一類聚類融合的方法,重組矩陣是根據(jù)各個(gè)獨(dú)立的分區(qū),這些獨(dú)立分區(qū)的第(i,J)個(gè)矩陣標(biāo)志項(xiàng)中,第i個(gè)數(shù)據(jù)點(diǎn)和第J個(gè)數(shù)據(jù)點(diǎn)是否屬于分區(qū)內(nèi)的同一集合來(lái)生成的.然后,把所有的重組矩陣總結(jié)起來(lái)得出一個(gè)一致矩陣.這樣一來(lái)這個(gè)矩陣能充當(dāng)一個(gè)成對(duì)的相似矩陣,一個(gè)一致的結(jié)果能用恰當(dāng)?shù)木垲愃惴ɑ驁D像分割算法被提取.特別地,每一個(gè)一致矩陣的項(xiàng)都是所有重組矩陣的相應(yīng)的項(xiàng)的均值.這樣一個(gè)一致矩陣能被看對(duì)比其他相似度度量方法獨(dú)立進(jìn)行聚類的平均結(jié)果,進(jìn)而評(píng)價(jià)聚類的好壞.

    1 數(shù)據(jù)預(yù)處理

    1.1 網(wǎng)頁(yè)抓取

    筆者使用網(wǎng)絡(luò)爬蟲技術(shù)抓取5種類型的網(wǎng)頁(yè),分別是教育類(edu)、財(cái)經(jīng)類(finance)、健康類(health)、體育類(sports)和軍事類(war),每個(gè)類別300篇文章,存到.txt文件中.因?yàn)橛?jì)算機(jī)并不具備人腦的理解能力.在對(duì)文本進(jìn)行預(yù)處理時(shí),需要對(duì)文本內(nèi)容進(jìn)行分詞處理,去除停用詞,將其表示成計(jì)算機(jī)能夠理解和計(jì)算的模型.

    1.2 分詞處理

    與英文不同,在中文文本中,詞與詞之間沒(méi)有用空格來(lái)分隔,界限不明顯,導(dǎo)致計(jì)算機(jī)的處理存在較大難度.因此,需要將中文句子拆分為一個(gè)個(gè)單獨(dú)的詞.

    筆者使用ICTCLAS分詞系統(tǒng)(又名NLPIR漢語(yǔ)分詞系統(tǒng))對(duì)文本進(jìn)行處理.其基本思想是:對(duì)句子進(jìn)行原子切分,然后進(jìn)行較為粗糙的N-最短路徑切分,找到前N個(gè)較為符合要求的切分結(jié)果,生成二元分詞表,最后得到分詞結(jié)果[20].

    分詞前后的對(duì)照見(jiàn)圖1和圖2.

    圖1 分詞前的例子Fig.1 Example before the split

    1.3 去除停用詞

    停用詞是指詞頻過(guò)高且沒(méi)有實(shí)質(zhì)意義的詞,或詞頻很低且不能代表文本主題的詞[21].一般地,過(guò)濾停用詞可以構(gòu)造停用詞表,通過(guò)跟讀入的文本分詞進(jìn)行對(duì)比,若該詞在停用詞表出現(xiàn)就去除.而且,為了后續(xù)程序容易處理,詞與詞之間采用空行來(lái)分隔.

    1.4 計(jì)算TF-IDF

    傳統(tǒng)的數(shù)據(jù)均以結(jié)構(gòu)化的形式而被處理,因此,在滿足復(fù)雜性能夠接受的情況下,需要合理的標(biāo)示文本.

    TF-IDF是在1988年由SALTON提出的實(shí)現(xiàn)單詞權(quán)重最為有效的方法.其中,TF稱為詞頻;IDF是逆文檔頻率,其大小與一個(gè)詞的常見(jiàn)程度成反比:如果一個(gè)詞越常見(jiàn),則權(quán)重越?。?2].將這2個(gè)值相乘,就得到了一個(gè)詞的TF-IDF值.

    (1)計(jì)算詞頻(TF)

    (2)計(jì)算逆文檔頻率(IDF)

    逆文檔頻率(IDF)=

    (3)計(jì)算TF-IDF

    IF-IDF=詞頻(IF)×逆文檔頻率(IDF).

    1.5 特征選擇方法

    對(duì)特征集中的所有特征計(jì)算評(píng)分值,得到一個(gè)評(píng)估分值(又稱權(quán)值),對(duì)其從大到小排序,提取預(yù)定數(shù)目的最優(yōu)特征作為提取結(jié)果的特征子集,稱為特征提取[23].在文本聚類中幾種常見(jiàn)的文本監(jiān)督特征算法包括MI、IG、CHI和WLLR.

    假設(shè)整個(gè)文檔集中有N篇文檔,其中M篇是教育類的,以下有4個(gè)觀察值可以使用,即類別和文檔數(shù)的4種組合(見(jiàn)表1).

    表1 類別和文檔的組合Table 1 The combination of categories and document

    1.5.1 互信息法MI(Mutual Information)

    互信息法用于衡量特征詞與文檔類別直接的信息量.它是根據(jù)特征詞條t與類別C之間的相關(guān)程度來(lái)度量特征詞條與類別的相關(guān)度的,在某個(gè)特定的類別中出現(xiàn)的頻率高,而在其他的類別中出現(xiàn)的頻率較低的詞條與該類別的互信息值較大[24].

    計(jì)算公式:

    它不僅能夠反映2個(gè)變量之間的線性相關(guān)性,而且能夠反映變量之間的非線性相關(guān)性[24].

    1.5.2 信息增益法IG(Information Gain)

    在信息增益中,衡量標(biāo)準(zhǔn)是看特征能夠?yàn)榉诸愊到y(tǒng)帶來(lái)多少信息,帶來(lái)的信息越多,特征就越重要[25].假如有一個(gè)特征t,整個(gè)系統(tǒng)中某些文本有t和整個(gè)系統(tǒng)中沒(méi)有t時(shí)的信息量是不同的,而前后的相差部分就是特征t的信息量,即信息增益.

    它表示的是包含所有特征時(shí)系統(tǒng)的信息量,也叫熵.計(jì)算公式:

    其中,N1表示正類文檔數(shù),數(shù)值等于A+C,N2表示負(fù)類文檔數(shù),數(shù)值等于B+D.N1+N2表示總文檔數(shù)N.

    系統(tǒng)中不包含t的信息量,叫做條件熵.

    歸納起來(lái),每個(gè)詞的信息增益計(jì)算為

    信息增益的缺點(diǎn)在于,它只考慮到特征對(duì)系統(tǒng)的貢獻(xiàn),而沒(méi)有關(guān)注到具體的類別[26].雖然能夠獲得整個(gè)文檔集中的特征詞,但是不能區(qū)分不同類別間的特征詞的權(quán)重.

    1.5.3 卡方檢驗(yàn)CHI(Chi-square)

    卡方檢驗(yàn)的主要思想:根據(jù)實(shí)際值與理論值的偏差來(lái)確定理論是否正確[27].偏離程度決定卡方值的大小,卡方值越大,越不符合,偏差越小,卡方值就越小,越趨于符合,若量值完全相等時(shí),卡方值就為0,表明理論值完全符合.計(jì)算公式:

    而不足在于“低頻詞缺陷”,即不管在文檔中出現(xiàn)的次數(shù),而單純考慮是否出現(xiàn).

    1.5.4 加權(quán)對(duì)數(shù)概率比WLLR(Weighted Log Likelihood Ration)WLLR特征選擇方法的定義如下:

    其中,p(t|C)表示文檔中出現(xiàn)特征詞t時(shí)屬于類C的概率,p(t|Cˉ)表示特征詞t不屬于C類的概率.

    計(jì)算公式:

    總之,這些特征選擇方法各有優(yōu)缺.一般而言,CHI、IG的性能明顯優(yōu)于MI;而CHI、IG 2者之間的性能大體相當(dāng),都能夠過(guò)濾掉80%以上的特征項(xiàng).

    2 基于一致近似性的聚類自適應(yīng)評(píng)價(jià)指標(biāo)選擇

    2.1 傳統(tǒng)的聚類分析方法

    聚類就是給出一堆原始數(shù)據(jù),根據(jù)數(shù)據(jù)對(duì)象之間的相似度將數(shù)據(jù)分成相應(yīng)的類或簇,類或簇是數(shù)據(jù)對(duì)象的集合.同一個(gè)類或簇中的對(duì)象應(yīng)該具有很高的相似度,而不同簇中的對(duì)象則高度相異[28].

    傳統(tǒng)的聚類方法主要分成5大類:劃分方法、層次方法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法[29].

    劃分方法中,最著名和最常用的劃分方法是k均值(又叫k-means算法),k中心點(diǎn)和它們的變種[30].

    層次聚類方法將數(shù)據(jù)對(duì)象組成一棵聚類樹(shù),將這棵樹(shù)進(jìn)行層次的分解.根據(jù)層次分解是以自底向上(合并)還是自頂向下(分裂)方式,層次聚類方法可以進(jìn)一步分為凝聚的和分裂的.一般分為2種類型:凝聚層次聚類和分裂層次聚類[30].

    基于密度的聚類方法以數(shù)據(jù)集在空間分布上的稠密程度為依據(jù)進(jìn)行聚類,無(wú)需預(yù)先設(shè)定簇的數(shù)量,因此,特別適合于對(duì)未知內(nèi)容的數(shù)據(jù)集進(jìn)行聚類.密度聚類方法可以發(fā)現(xiàn)任意形狀的簇,克服了那些基于對(duì)象之間距離的聚類算法只能發(fā)現(xiàn)球狀簇的缺點(diǎn),并且可以過(guò)濾孤立點(diǎn)數(shù)據(jù)或離群點(diǎn)這些“噪聲”[30].

    2.2 文本相似度衡量

    與分類不同的是,聚類是根據(jù)一定的相似性定義來(lái)劃分?jǐn)?shù)據(jù)的,因此,需要考慮到聚類時(shí)所采用的相似性度量.

    本文表示文本的形式是基于向量空間模型的,即一個(gè)向量代表一個(gè)文檔,特征詞的權(quán)重作為向量的元素.將文檔表示成向量空間模型的形式,有利于對(duì)文本進(jìn)行相似度的衡量.

    首先,本文的對(duì)象是一篇篇.txt文檔,也就是比較1 500*1 500個(gè)對(duì)象的相似度.相似度的衡量通常有2種度量方式:距離度量和相似度度量.

    假設(shè)要比較數(shù)據(jù)點(diǎn)集x和y的差異,它們都包含了D個(gè)維的特征,即

    距離度量用于衡量個(gè)體在空間上存在的距離,越遠(yuǎn)說(shuō)明個(gè)體間的差異越大.常用方法是歐幾里得距離和曼哈頓距離.

    (1)歐幾里得距離.它衡量的是多維空間中各個(gè)點(diǎn)之間的絕對(duì)距離[31],公式為

    (2)曼哈頓距離.是將多個(gè)維度上的距離進(jìn)行求和后的結(jié)果[31].

    相似度度量,不同于距離度量,它的值越小代表個(gè)體間差異越大,越不相似[32].常用的是向量空間余弦相似度和相關(guān)距離.

    (3)向量空間余弦相似度.它利用向量空間中2個(gè)向量夾角的余弦值作為衡量2個(gè)個(gè)體間的差異大小,相比于距離度量,它更加注重2個(gè)向量在方向上的差異,而不是在距離或長(zhǎng)度上[33].

    (4)相關(guān)距離.相關(guān)系數(shù)ρxy是衡量x與y相關(guān)程度的一種方法.相關(guān)系數(shù)的絕對(duì)值越大,表明x與y相關(guān)度越高.相關(guān)距離的定義則為

    2.3 自適應(yīng)選擇方法文本相似度衡量

    筆者利用了一種新的相似度衡量方法,叫做Adaptive Metric Selection(AMS),來(lái)比較文本的相似度.它是基于劃分方法k均值算法的基礎(chǔ)上的,采用了一致密切關(guān)系來(lái)衡量聚類算法的自適應(yīng)指標(biāo)選擇問(wèn)題.

    k均值算法的基本步驟:給出n個(gè)數(shù)據(jù)對(duì)象,從中任意選取k個(gè)對(duì)象,每個(gè)對(duì)象都作為一個(gè)簇的初始聚類中心.對(duì)剩余的n-k個(gè)對(duì)象,分配到離它最近(最相似)的簇中.然后重新計(jì)算每個(gè)(有變化)簇的均值(中心對(duì)象),更新聚類中心.這個(gè)過(guò)程不斷重復(fù),直到準(zhǔn)則函數(shù)收斂或者到達(dá)某個(gè)終止條件[34].

    以下給出k均值過(guò)程的概述:

    算法:k均值

    輸入:①k:簇的數(shù)目;②D:包含n個(gè)對(duì)象的數(shù)據(jù)集

    輸出:k個(gè)簇的集合方法:①?gòu)腄中任意選擇k個(gè)對(duì)象作為初始

    簇中心;

    ②repeat根據(jù)簇中對(duì)象的均值,將每個(gè)對(duì)象(再)指派到最相似的簇;

    更新簇均值,計(jì)算每個(gè)簇中對(duì)象的均值;

    ③until簇中心不再發(fā)生變化對(duì)于各種不同的數(shù)據(jù)集都使用統(tǒng)一的度量指標(biāo)是不太合理的.因此在本文中使用一種稱為自適應(yīng)指標(biāo)的聚類融合方法AMS.

    給出一個(gè)擁有N個(gè)數(shù)據(jù)點(diǎn){x1,x2,…,xN}的數(shù)據(jù)集X,把數(shù)據(jù)集X分成K個(gè)互不相交的簇{A1,A2,…,Ak},一個(gè)N×N的Co-association Matrix(M),即互協(xié)矩陣,它的構(gòu)造公式如下所示:

    利用多個(gè)已經(jīng)被計(jì)算出來(lái)的N×N的互協(xié)矩陣M,求出它們的均值,構(gòu)造出相應(yīng)的Consensus Matrix(M),即一致矩陣.

    圖3 一致矩陣的構(gòu)造流程圖Fig.3 The flow chart of the structure of the consistent matrix

    利用降維后的數(shù)據(jù),經(jīng)過(guò)k均值算法得到5個(gè)簇,使得1 500篇文章都被分到5個(gè)類別中的任意一個(gè).利用這些聚類類別,通過(guò)轉(zhuǎn)化把向量矢量轉(zhuǎn)變?yōu)榫仃嚨男问剑玫交f(xié)矩陣Mv,最后求出互協(xié)矩陣的均值融合成一個(gè)一致矩陣這個(gè)Μ在整個(gè)實(shí)驗(yàn)中起到一個(gè)參考矩陣的作用.

    先算出4個(gè)待用參數(shù)a,b,c,d.

    然后利用4個(gè)參數(shù)計(jì)算出SS.

    自適應(yīng)度量選擇AMS權(quán)值是由以下所有實(shí)驗(yàn)各指標(biāo)中的一致矩陣和互協(xié)矩陣Mv之間計(jì)算出一致性的.如下所示:

    根據(jù)自適應(yīng)度量選擇權(quán)值從高到低排序出一個(gè)指標(biāo)列表.用公式(3)選出AMS的最好結(jié)果并保存下來(lái).

    式中表示A(t*)是SS函數(shù)中,會(huì)產(chǎn)生最大輸出的那個(gè)參數(shù)t.比如有一個(gè)函數(shù)f(t),t可能的取值范圍是{0,1,2},f(t=0)=29,f(t=1)=31,f(t=3)=2.那么y=argmax f(t)=1,也就是t等于1時(shí),f(t)有最大的值.

    3 AMS算法的實(shí)驗(yàn)開(kāi)展

    3.1 AMS實(shí)驗(yàn)前期準(zhǔn)備工作

    實(shí)驗(yàn)環(huán)境在MyEclipse10,Matlab7.0環(huán)境下進(jìn)行,實(shí)驗(yàn)語(yǔ)料位抓取1 500篇網(wǎng)頁(yè)正文文本.

    (1)數(shù)據(jù)集:5個(gè)特征方法分別經(jīng)過(guò)Isomap降維算法降維后,分別得到1 500*20的矩陣.

    (3)k均值的評(píng)價(jià)指標(biāo):4種相似度衡量方法,即①歐幾里得距離;②曼哈頓(或城市塊)距離;③向量空間余弦相似度;④相關(guān)距離.

    (4)評(píng)估方法:在聚類中,常用作為聚類效果評(píng)估的2種指標(biāo):①調(diào)整后的芮氏指標(biāo)Adjusted Rand Index(ARI);②標(biāo)準(zhǔn)化互信息Normalized Mutual Information(NMI).

    3.2 實(shí)驗(yàn)結(jié)果及分析

    3.2.1 文本樣本數(shù)據(jù)在5種不同文本特征衡量方法下的相似度

    對(duì)5種文本特征選擇方法畫出對(duì)應(yīng)的1 500 *1 500的相似矩陣(見(jiàn)圖4),以觀察它們的聚類性能.第i行第J列的交叉點(diǎn)表示第i個(gè)網(wǎng)頁(yè)和第J個(gè)網(wǎng)頁(yè)的相似程度,而每個(gè)方格代表一個(gè)類別.比如第1行第4個(gè)方格表示第1類(教育類)和第4類(體育類)的相似度.

    圖4 文本樣本數(shù)據(jù)在5種不同文本特征衡量方法下的相似度矩陣Fig.4 The similarity matrix of text sample data in 5 different text features

    通常,相同的類別之間應(yīng)該盡可能相似(灰度越深),而不同類別之間則越不相似越好(灰度越淡).反映在上面幾幅圖中就是,相同類別對(duì)應(yīng)的是大矩陣中向下對(duì)角線的5個(gè)小矩陣;不同的類別對(duì)應(yīng)的是非向下對(duì)角線的其它20個(gè)小矩陣.理想情況是,相同類別下的小矩陣越黑越好,表示類別間文本越相似.然而事實(shí)并沒(méi)有達(dá)到預(yù)期的結(jié)果.圖4中,WLLR中的第4類明顯和所有5個(gè)類的相似度很低(包括自身).這表明,單一的特征選擇方法還是存在較大的缺陷.

    3.2.2 文本樣本數(shù)據(jù)在5種不同文本特征衡量方法下的相似度

    筆者使用2個(gè)評(píng)價(jià)指標(biāo)NMI和ARI比較自適應(yīng)選擇度量方法AMS和單獨(dú)使用4種不同相似度衡量方法(歐幾里得距離、曼哈頓距離、向量空間余弦相似度和相關(guān)距離)進(jìn)行聚類后的性能,如圖5所示.圖5中的2個(gè)子圖中,縱坐標(biāo)分別表示對(duì)應(yīng)的2種不同聚類性能衡量標(biāo)準(zhǔn)NMI和ARI.從圖5可見(jiàn),使用AMS選擇自適應(yīng)的文本相似度衡量后的聚類效果明顯優(yōu)于單獨(dú)使用4種不同的相似度衡量方法.筆者也使用實(shí)驗(yàn)驗(yàn)證參數(shù)選擇對(duì)AMS算法的影響.AMS只依賴一個(gè)參數(shù),即聚類個(gè)數(shù)T.驗(yàn)證T在不同選擇情況下AMS的性能:T=40,80,120,160,200.在圖6中比較使用AMS選擇自適應(yīng)的文本相似度衡量方法和單獨(dú)使用4種不同相似度衡量方法的平均結(jié)果的性能.圖6中的2個(gè)子圖中,橫坐標(biāo)表示選擇不同的聚類個(gè)數(shù)T=40,80,120,160,200,縱坐標(biāo)分別表示對(duì)應(yīng)的2種不同聚類性能衡量標(biāo)準(zhǔn)NMI和ARI.從圖6可見(jiàn),AMS選擇的自適應(yīng)文本相似度衡量方法在不同T的情況下都優(yōu)于比較對(duì)象.

    圖5 AMS和4種相似度衡量方法的平均值在文本相似度衡量方面的差異Fig.5 Performance comparison between AMS and the average of four individual similarity measures

    圖6 在不同聚類個(gè)數(shù)T下基于AMS選擇的相似度和單獨(dú)選擇相似度衡量方法的平均值的聚類性能比較Fig.6 Performance comparison between AMS and the average of four individual similarity measures with different numbers of clustering solutions t

    結(jié)合圖5和圖6發(fā)現(xiàn),不論是整體結(jié)果分析,還是細(xì)分T,自適應(yīng)選擇度量方法AMS的聚類效果都超過(guò)了4種相似度衡量方法的平均值.這也從側(cè)面反映了使用不同的評(píng)估方法對(duì)判定結(jié)果的重要性.

    筆者提出的方法是把多個(gè)聚類解決方案作為參考信息并且使用SS方法來(lái)進(jìn)行評(píng)估以達(dá)成一致性.得益于從一個(gè)聚類融合的一致密切關(guān)系,自適應(yīng)選擇方法AMS獲得顯著的改進(jìn),明顯高于4種相似度衡量方法的平均水平.而且,AMS只需要依賴一個(gè)參數(shù)——聚類融合解決方案數(shù)T.這也大大簡(jiǎn)化實(shí)驗(yàn)的工作量.另外,通過(guò)圖6可以觀察到,對(duì)于不同的聚類融合解決方案數(shù)T,本文提出的方法均明顯高于4種相似度衡量方法的平均水平,這說(shuō)明本文的方法有較好的魯棒性,并不依賴于具體參數(shù).

    4 結(jié) 論

    對(duì)網(wǎng)頁(yè)文本聚類問(wèn)題,本文提出基于信息融合的自適應(yīng)指標(biāo)選擇方法Adaptive Metric Selection(AMS),并對(duì)比了4種距離/相似度方法和AMS在衡量文本相似度方面的差異.在衡量文本相似度中,自適應(yīng)指標(biāo)選擇AMS相對(duì)于4種距離/相似度度量有著比較好的聚類效果.

    [1] STREHL A,GHOSH J.Cluster ensembles-a knowledge reuse framework for combining multiple partitions[J].J Mach Learn Res,2002,3:583-617.

    [2] FERN X Z,BRODLEY C E.Solving cluster ensemble problems by bipartite graph partitioning[C]∥Proceed 21 Intern Conf Mach Learn,2004:69.

    [3] FERN X,LIN W.Cluster ensemble selection[C]∥Proc SIAM Int Conf Data Min(SDM),2008:787-797.

    [4] MONTI S,TAMAYO P,MESIROV J,et al.Consensus clustering:a resampling-based method for class discovery and visualization of gene expression microarray data[J].Mach Learn,2003,52(1):91-118.

    [5] FRED A,JAIN A K.Combining multiple clusterings using evidence accumulation[J].IEEE Trans Pattern Anal Mach Intell,2005,27(6):835-850.

    [6] KUNCHEVA L I,VETROV D.Evaluation of stability of k-means cluster ensembles with respect to random initialization[J].IEEE Trans Pattern Anal Mach Intell,2006,28(11):1798-1808.

    [7] AYAD H,KAMEL M S.Cumulative voting consensus method for partitions with variable number of clusters[J].IEEE Trans Pattern Anal Mach Intell,2008,30(1):160-173.

    [8] AZIMI J,F(xiàn)ERN X.Adaptive cluster ensemble selection[C]//Proceed 21st Intern Jont Confer Artif Intell,2009:992-997.

    [9] WU O,HU W,MAYBANK S J,et al.Efficient clustering aggregation based on data fragments[J].IEEE Trans Syst,Man,Cybern B,Cybern,2012,42(3):913-926.

    [10]IAM-ON N,BOONGOEN T,GARRETT S.Lce:A link-based cluster ensemble method for improved gene expression data analysis[J].Bioin-Format,2010,26(12):1513-1519.

    [11]IAM-ON N,BOONGOEN T,GARRETT S,et al.A link-based approach to the cluster ensemble problem[J].IEEE Trans Pattern Anal Mach Intell,2011,33(12):2396-2409.

    [12]WANG T.Ca-tree:A hierarchical structure for efficient and scalable coassociation-based cluster ensembles[J].IEEE Trans Syst Man Cybern B Cybern,2011,41(3):686-698.

    [13]ZHANG S,WONG H S.Arimp:A generalized adjusted rand index for cluster ensembles[C]∥Istanbul,Turkey 20th Internat Conf Pattern Recog(ICPR 2010),2010:778-781.

    [14]ZHANG S,WONG H S,SHEN Y.Generalized adjusted rand indices for cluster ensembles[J].Pattern Recog,2012,45(6):2214-2226.

    [15]ZHANG S,WONG H,SHEN Y,et al.A new unsupervised feature ranking method for gene expression data based on consensus affinity[J].IEEE/ACM Trans Comput Biol Bioinf,2012,9(4):1257-1263.

    [16]ZHANG S,WONG H S,SHEN W J,et al.Aors:Affinity-based outlier ranking score[C]∥Neural Netw(IJCNN),2014 Intern Joint Conf IEEE,2014:1020-1027.

    [17]TOPCHY A P,JAIN A K,PUNCH W F.Clustering ensembles:Models of consensus and weak partitions[J].IEEE Trans Pattern Anal Mach Intell,2005,27(12):1866-1881.

    [18]YU Z,WONG H,WANG H.Graph-based consensus clustering for class discovery from gene expression data[J].Bioinformatics,2007,23(21):2888.

    [19]GIONIS A,MANNILA H,TSAPARAS P.Clustering aggregation[J].ACM Trans Knowl Disc Data(TKDD),2007,1(1):4.

    [20]劉群,張華平,俞鴻魁,等.基于層疊隱馬模型的漢語(yǔ)詞法分析[J].計(jì)算機(jī)研究與發(fā)展,2004(8):1421-1429.LIU Q,ZHANG H P,YU H K,et al.Based on layered hidden Markov model of Chinese lexical analysis[J].Comput Res Devel,2004(8):1421-1429.

    [21]劉七.基于Web文本內(nèi)容的信息過(guò)濾系統(tǒng)的研究與設(shè)計(jì)[D].南京:南京理工大學(xué),2004.LIU Q.Research and design of information filtering system based on Web text content[D].Nanjing:Nanjing University of Science and Technology,2004.

    [22]盧志翔,蒙麗莉.文本分類中特征項(xiàng)權(quán)重算法的改進(jìn)[J].柳州師專學(xué)報(bào),2011(4):128-131.LU Z X,MENG L L.The improvement of feature weight algorithm in text classification[J].J Liuzhou Teach Coll,2011(4):128-131.

    [23]楊帆,孫強(qiáng).從Web網(wǎng)頁(yè)上獲取一價(jià)事件常識(shí)的方法[J].科學(xué)技術(shù)與工程,2010(25):6300-6304.YANG F,SUN Q.A method for obtaining knowledge from the Web Webpage event[J].Sci Tech Eng,2010(25):6300-6304.

    [24]鄧彩鳳.中文文本分類中互信息特征選擇方法研究[D].重慶:西南大學(xué),2011.DENG C F.Research on feature selection method in Chinese Text Categorization[D].Chongqing:Southwestern University,2011.

    [25]彭湘華.基于相關(guān)性的癌癥特征選擇及分類算法研究[D].長(zhǎng)沙:湖南大學(xué),2012.PENG X H.Research on correlation based feature selection and classification algorithm for cancer[D].Changsha:Hunan University,2012.

    [26]田偉.XML文檔分類方法的研究及其應(yīng)用[D].沈陽(yáng):大連理工大學(xué),2009.TIAN W.Research and application of XML document classification method[D].Shenyang:Dalian University of Technology,2009.

    [27]王垚堯.基于機(jī)器學(xué)習(xí)的經(jīng)濟(jì)行業(yè)分類方法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2011.WANG Y Y.Research based on classification method of economic sectors based on machine learning[D].Harbin:Harbin Institute of Technology,2011.

    [28]韓家煒.數(shù)據(jù)挖掘概念與技術(shù)[M].北京:機(jī)械工業(yè)出版社,2001.HAN J W.Concept and technology of data mining[M].Beijing:Machinery Industry Press,2001.

    [29]毛國(guó)君.數(shù)據(jù)挖掘原理與算法[M].北京:清華大學(xué)出版社,2005.MAO G J.Principle and algorithm of data mining[M].Beijing:Tsinghua University Press,2005.

    [30]TENENBAUM J B,DE SILVA V,LANGFORD J C.A global geometric framework for nonlinear dimensionality reduction[J].Science,2000,290(5500):2319-2323.

    [31]馬永軍,方廷健.基于支持向量機(jī)和距離度量的紋理分類[J].中國(guó)圖像圖形學(xué)報(bào),2002,7(11):1151-1155.MA Y J,F(xiàn)ANG T J.Texture classification based on support vector machine and distance measurement[J].Chin J Imag Graph,2002,7(11):1151-1155.

    [32]劉寶生,閆莉萍,周東華.幾種經(jīng)典相似性度量的比較研究[J].計(jì)算機(jī)應(yīng)用技術(shù),2006(11):1-3.LIU B S,YAN L P,ZHOU D H.Comparison of several classical similarity measures[J].Comput Appl Tech,2006(11):1-3.

    [33]MONTI S,TAMAYO P,MESIROV J,et al.Consensus clustering:A resampling-based method for class discovery and visualization of gene expression microarray data[J].Mach Learn,2003,52(1):91-118.

    [34]FERN X,LIN W.Cluster ensemble selection[C]∥Proc SIAM Int Conf Data Min(SDM),2008:787-797.

    M etric selection for web text clustering based on information ensembles

    ZHANG Shao-hong1,LI Ji-qiao1,LUO Jia-yi1,XIE Dong-qing1,WANG Jing2
    (1.School of Computer Science and Educational Software,Guangzhou University,Guangzhou 510006,China;2.Guangzhou Library,Guangzhou 510623,China)

    In the current information age,text data grows at a high speed,and it is very hard for people to get useful information from huge data,which is like looking for a needle in a haystack.As the basic method in text mining,text clustering plays a very important role.Without predefined training set,it is one of the most important questions in text mining to select the suitable metric for different text data.Thus,in this thesis,we propose one novel Adaptive Metric Selection(AMS)method.The pipeline of our working includes:①crawling the webpage content to prepare the data source for clustering;②transforming the content to separate words and then to a vector form;③Extracting features;④Reducing dimension using Isomap;and⑤Using an adaptive selection method AMS to evaluate data similarity.K means is used as the basic clustering algorithm,and we use two popular clustering quality measures to evaluate the final results:①Adjusted Rand Index(ARI),and②Normalized Mutual Information(NMI).Simulation results show the effectiveness of our proposed methods compared to the averaged results of different metrics.

    data mining;feature extraction;clustering ensembles

    TP 181

    A

    1671-4229(2016)01-0080-10做是一個(gè)相似矩陣,并且,這樣一個(gè)最終的聚類結(jié)果能用任意能直接在距離矩陣或相似矩陣上運(yùn)算的聚類算法獲得.基于包含Single Link(SL),Average Link(AL)or Complete Link(CL)的凝聚層次聚類算法的聚類融合方法就是有代表性熱門方法.第二類聚類融合方法生成一種基于樣本、集合、分區(qū)之間的關(guān)聯(lián)的代表性圖像,其中這種關(guān)聯(lián)是源于獨(dú)立聚類結(jié)果.在這一類方法中,典型的結(jié)果包括Cluster-based Similarity Partitioning Algorithm(CSPA)[19],Meta-CLustering Algorithm(MCLA)[19]和Hybrid Bipartite Graph Formulation algorithm(HBGF)[19].聚類融合方法生成更多較獨(dú)立聚類結(jié)果更穩(wěn)定且精確的結(jié)果.一般需要處理2種相似度衡量:①樣本數(shù)據(jù)之間的相似度衡量方法,通常稱為相似度或者距離.樣本相似度或距離的選擇,會(huì)直接影響無(wú)監(jiān)督學(xué)習(xí)算法的學(xué)習(xí)結(jié)果.②無(wú)監(jiān)督學(xué)習(xí)得到的樣本類別和樣本類別參考值之間的相似度,通常成為聚類質(zhì)量的衡量方法.聚類質(zhì)量衡量方法的選擇,是正確衡量聚類結(jié)果的基礎(chǔ).

    【責(zé)任編輯:陳 鋼】

    2015-12-21;

    2015-12-30

    張少宏(1969-),男,副教授,博士.E-mail:zimzsh@qq.com

    猜你喜歡
    度量類別文檔
    有趣的度量
    模糊度量空間的強(qiáng)嵌入
    有人一聲不吭向你扔了個(gè)文檔
    迷向表示分為6個(gè)不可約直和的旗流形上不變愛(ài)因斯坦度量
    基于RI碼計(jì)算的Word復(fù)制文檔鑒別
    地質(zhì)異常的奇異性度量與隱伏源致礦異常識(shí)別
    服務(wù)類別
    Persistence of the reproductive toxicity of chlorpiryphos-ethyl in male Wistar rat
    論類別股東會(huì)
    商事法論集(2014年1期)2014-06-27 01:20:42
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    一本久久精品| 一级av片app| 久久人妻av系列| 色5月婷婷丁香| av在线蜜桃| 亚洲怡红院男人天堂| 色吧在线观看| 欧美激情在线99| 少妇熟女欧美另类| 小蜜桃在线观看免费完整版高清| 亚洲经典国产精华液单| 国产伦精品一区二区三区视频9| 青春草亚洲视频在线观看| 中文乱码字字幕精品一区二区三区 | 一个人免费在线观看电影| 国产麻豆成人av免费视频| 午夜久久久久精精品| 色5月婷婷丁香| 日日啪夜夜撸| 国产精品日韩av在线免费观看| 色播亚洲综合网| 色视频www国产| 看片在线看免费视频| 欧美日韩一区二区视频在线观看视频在线 | 国产在线一区二区三区精 | 少妇的逼好多水| 久久久久九九精品影院| 老女人水多毛片| 国产毛片a区久久久久| 在线a可以看的网站| 久久精品久久精品一区二区三区| 床上黄色一级片| 99久久中文字幕三级久久日本| 国产精品久久久久久精品电影| 免费av毛片视频| 你懂的网址亚洲精品在线观看 | 有码 亚洲区| 男插女下体视频免费在线播放| 99久国产av精品| 色5月婷婷丁香| av在线观看视频网站免费| 一级毛片电影观看 | 看免费成人av毛片| 26uuu在线亚洲综合色| 日本爱情动作片www.在线观看| 免费黄色在线免费观看| 尾随美女入室| 亚洲国产精品sss在线观看| 国产视频首页在线观看| 啦啦啦啦在线视频资源| 精品酒店卫生间| 哪个播放器可以免费观看大片| 最近视频中文字幕2019在线8| 成人av在线播放网站| 国产探花在线观看一区二区| 国产伦一二天堂av在线观看| 日韩人妻高清精品专区| 免费大片18禁| 高清毛片免费看| 伦理电影大哥的女人| 亚洲欧美精品专区久久| 综合色丁香网| 尤物成人国产欧美一区二区三区| 日本免费在线观看一区| 97在线视频观看| 欧美xxxx性猛交bbbb| 国产伦精品一区二区三区四那| 亚洲第一区二区三区不卡| 国产精品,欧美在线| 欧美成人a在线观看| 久久精品国产亚洲av天美| 伦理电影大哥的女人| 婷婷六月久久综合丁香| 能在线免费看毛片的网站| av黄色大香蕉| 日韩人妻高清精品专区| 国产高清国产精品国产三级 | 国产一区二区三区av在线| 我要搜黄色片| 蜜桃亚洲精品一区二区三区| 岛国毛片在线播放| 亚州av有码| 在现免费观看毛片| 免费av观看视频| 自拍偷自拍亚洲精品老妇| 美女xxoo啪啪120秒动态图| 欧美丝袜亚洲另类| 亚洲,欧美,日韩| 国产 一区精品| 亚洲欧美日韩卡通动漫| 乱码一卡2卡4卡精品| 亚洲中文字幕日韩| 国产一区二区亚洲精品在线观看| 人妻系列 视频| 91精品一卡2卡3卡4卡| 国产一区二区三区av在线| 亚洲av熟女| 国产v大片淫在线免费观看| 久久久久久久久久成人| 91av网一区二区| 国产免费视频播放在线视频 | 国产白丝娇喘喷水9色精品| 久久婷婷人人爽人人干人人爱| 日韩av在线大香蕉| 观看免费一级毛片| 91久久精品电影网| 91久久精品国产一区二区三区| 51国产日韩欧美| 在线播放无遮挡| 91aial.com中文字幕在线观看| av在线天堂中文字幕| 国产精品国产三级国产专区5o | 成人无遮挡网站| 久久久a久久爽久久v久久| 1000部很黄的大片| 一夜夜www| 亚洲精品乱码久久久v下载方式| 色综合色国产| 天堂√8在线中文| 麻豆成人午夜福利视频| 免费一级毛片在线播放高清视频| 久久99蜜桃精品久久| 免费观看人在逋| 欧美成人免费av一区二区三区| 久久鲁丝午夜福利片| 免费av毛片视频| 日本一二三区视频观看| 亚洲精华国产精华液的使用体验| 国产一区二区在线观看日韩| 午夜福利视频1000在线观看| 久久这里有精品视频免费| 亚洲精品久久久久久婷婷小说 | 联通29元200g的流量卡| 亚洲国产精品sss在线观看| 女人十人毛片免费观看3o分钟| 内地一区二区视频在线| 日本免费一区二区三区高清不卡| 校园人妻丝袜中文字幕| 黄色欧美视频在线观看| 婷婷色麻豆天堂久久 | 欧美+日韩+精品| 26uuu在线亚洲综合色| 最近手机中文字幕大全| 国产伦在线观看视频一区| 亚洲成人中文字幕在线播放| 亚洲国产色片| 亚洲最大成人中文| 国产精品国产三级国产av玫瑰| 毛片女人毛片| 内射极品少妇av片p| 亚洲怡红院男人天堂| 1024手机看黄色片| 熟妇人妻久久中文字幕3abv| 色综合亚洲欧美另类图片| 国产在视频线精品| 欧美激情国产日韩精品一区| 99久久中文字幕三级久久日本| 精品欧美国产一区二区三| 国产精品女同一区二区软件| 99在线视频只有这里精品首页| 91久久精品国产一区二区成人| 亚洲av电影在线观看一区二区三区 | 少妇的逼水好多| 国产熟女欧美一区二区| 成年女人永久免费观看视频| 国产乱来视频区| 两性午夜刺激爽爽歪歪视频在线观看| 国产不卡一卡二| 成人午夜高清在线视频| 日韩欧美国产在线观看| 久久久久久九九精品二区国产| 久久婷婷人人爽人人干人人爱| 好男人视频免费观看在线| 真实男女啪啪啪动态图| 亚洲精品aⅴ在线观看| 亚洲18禁久久av| 国产精品美女特级片免费视频播放器| 赤兔流量卡办理| 哪个播放器可以免费观看大片| 两个人视频免费观看高清| 欧美成人免费av一区二区三区| 国产精品一区二区三区四区免费观看| 久久久久久久久久黄片| 少妇熟女欧美另类| 人体艺术视频欧美日本| 欧美一区二区亚洲| 又黄又爽又刺激的免费视频.| av在线蜜桃| 久久久精品欧美日韩精品| 免费看av在线观看网站| 亚洲第一区二区三区不卡| 97在线视频观看| 建设人人有责人人尽责人人享有的 | 亚洲精品自拍成人| 一区二区三区免费毛片| 国产精品不卡视频一区二区| 七月丁香在线播放| 欧美3d第一页| 亚洲av日韩在线播放| 我要看日韩黄色一级片| 国产 一区 欧美 日韩| 国产爱豆传媒在线观看| 国产一区亚洲一区在线观看| 在线观看一区二区三区| 久久精品夜色国产| 啦啦啦啦在线视频资源| 中文字幕精品亚洲无线码一区| 午夜精品在线福利| 久久人人爽人人爽人人片va| 久久精品久久久久久噜噜老黄 | 99久久精品热视频| 91精品伊人久久大香线蕉| 国产成人精品一,二区| 蜜臀久久99精品久久宅男| 免费搜索国产男女视频| 久久人妻av系列| 神马国产精品三级电影在线观看| 观看美女的网站| 中文在线观看免费www的网站| 大话2 男鬼变身卡| 亚洲aⅴ乱码一区二区在线播放| 久久精品国产亚洲av天美| 国产精品一区二区性色av| 免费大片18禁| 国产精品麻豆人妻色哟哟久久 | 国产黄a三级三级三级人| 麻豆乱淫一区二区| 亚洲第一区二区三区不卡| 超碰av人人做人人爽久久| 超碰97精品在线观看| 国产精品伦人一区二区| 青青草视频在线视频观看| 国产极品精品免费视频能看的| 国产黄色视频一区二区在线观看 | 69av精品久久久久久| 激情 狠狠 欧美| 国产亚洲最大av| av国产久精品久网站免费入址| 国产免费又黄又爽又色| 精品国产三级普通话版| 国产人妻一区二区三区在| 成人高潮视频无遮挡免费网站| 爱豆传媒免费全集在线观看| 99久国产av精品| 国内精品美女久久久久久| 成人漫画全彩无遮挡| 尤物成人国产欧美一区二区三区| 蜜臀久久99精品久久宅男| 最近手机中文字幕大全| 国产白丝娇喘喷水9色精品| 国产黄a三级三级三级人| 国产一级毛片在线| 亚洲激情五月婷婷啪啪| 大香蕉97超碰在线| 看十八女毛片水多多多| 深爱激情五月婷婷| 日本一本二区三区精品| eeuss影院久久| 亚洲国产精品成人久久小说| 成人亚洲欧美一区二区av| 中国国产av一级| 国产又黄又爽又无遮挡在线| 深夜a级毛片| 久久久色成人| 三级男女做爰猛烈吃奶摸视频| 变态另类丝袜制服| 精品久久久久久久久久久久久| 中文天堂在线官网| 天天躁日日操中文字幕| 特级一级黄色大片| 听说在线观看完整版免费高清| 别揉我奶头 嗯啊视频| 亚洲精品,欧美精品| 日本一二三区视频观看| 久久久久久久久久久免费av| 亚洲av一区综合| 黄色欧美视频在线观看| 国产成人91sexporn| 韩国高清视频一区二区三区| 日本免费一区二区三区高清不卡| 久久午夜福利片| 亚洲,欧美,日韩| 99在线人妻在线中文字幕| 午夜福利成人在线免费观看| 男人舔奶头视频| 一级毛片我不卡| 亚洲在久久综合| 国产亚洲午夜精品一区二区久久 | 人妻系列 视频| 国产午夜福利久久久久久| 在线观看美女被高潮喷水网站| 国语对白做爰xxxⅹ性视频网站| 精品久久久久久久人妻蜜臀av| 久久久成人免费电影| 日本黄色片子视频| 久久欧美精品欧美久久欧美| 亚洲精品国产av成人精品| 国产免费男女视频| 五月玫瑰六月丁香| 老师上课跳d突然被开到最大视频| 蜜臀久久99精品久久宅男| 中文乱码字字幕精品一区二区三区 | 久久久久久久久久久免费av| 岛国在线免费视频观看| 国产成人freesex在线| 成年女人永久免费观看视频| 国产精品电影一区二区三区| 精品久久久久久电影网 | 亚洲欧洲国产日韩| 亚洲av不卡在线观看| 午夜福利在线在线| 国产精品久久久久久精品电影小说 | 淫秽高清视频在线观看| 青春草视频在线免费观看| 亚洲国产精品专区欧美| 高清在线视频一区二区三区 | 国产精品美女特级片免费视频播放器| 亚洲第一区二区三区不卡| 好男人视频免费观看在线| 久久久久国产网址| 免费观看人在逋| 欧美变态另类bdsm刘玥| 国产一区二区亚洲精品在线观看| 久久久a久久爽久久v久久| 亚洲av成人精品一二三区| 久热久热在线精品观看| 亚洲国产精品sss在线观看| 亚洲成人久久爱视频| 全区人妻精品视频| 18禁裸乳无遮挡免费网站照片| 熟妇人妻久久中文字幕3abv| 听说在线观看完整版免费高清| 免费观看精品视频网站| 99久久中文字幕三级久久日本| 国产单亲对白刺激| 日本午夜av视频| 99热这里只有是精品在线观看| 国产免费福利视频在线观看| 毛片女人毛片| 精品熟女少妇av免费看| 美女cb高潮喷水在线观看| h日本视频在线播放| 日本爱情动作片www.在线观看| 看片在线看免费视频| 99久久中文字幕三级久久日本| 老司机福利观看| 免费观看a级毛片全部| 欧美丝袜亚洲另类| 亚洲激情五月婷婷啪啪| 少妇熟女欧美另类| 国产av在哪里看| 能在线免费观看的黄片| 国产三级中文精品| 国产视频内射| 久久欧美精品欧美久久欧美| 三级毛片av免费| 日韩一本色道免费dvd| 国产免费视频播放在线视频 | 神马国产精品三级电影在线观看| or卡值多少钱| 国产精品伦人一区二区| 人体艺术视频欧美日本| 嫩草影院新地址| 国产激情偷乱视频一区二区| 国产一区二区在线观看日韩| 亚洲国产精品成人综合色| 亚洲va在线va天堂va国产| 特大巨黑吊av在线直播| .国产精品久久| 国产成人免费观看mmmm| 在线免费十八禁| 内射极品少妇av片p| 草草在线视频免费看| 禁无遮挡网站| 久久精品熟女亚洲av麻豆精品 | 日韩,欧美,国产一区二区三区 | 国产精品永久免费网站| 亚洲国产高清在线一区二区三| 有码 亚洲区| 18禁动态无遮挡网站| 成年女人看的毛片在线观看| 国产精品精品国产色婷婷| 国产精品伦人一区二区| 最近最新中文字幕大全电影3| 久久久国产成人精品二区| 亚洲国产日韩欧美精品在线观看| 亚洲国产精品sss在线观看| 欧美一区二区亚洲| 国产精品麻豆人妻色哟哟久久 | 亚洲国产欧美人成| 看黄色毛片网站| 久久久久久久午夜电影| av专区在线播放| 国产一区二区在线av高清观看| 国产日韩欧美在线精品| 国产精品日韩av在线免费观看| 国产色婷婷99| 亚洲国产欧美人成| 国产伦一二天堂av在线观看| 欧美性感艳星| 少妇熟女aⅴ在线视频| 久久99热这里只频精品6学生 | 国产精品三级大全| 看黄色毛片网站| 九九热线精品视视频播放| 看黄色毛片网站| 成人特级av手机在线观看| 亚洲人成网站在线观看播放| 青春草亚洲视频在线观看| 亚洲,欧美,日韩| 一区二区三区四区激情视频| 国产黄片美女视频| 好男人视频免费观看在线| 国产精品久久久久久久电影| 亚洲欧美日韩高清专用| 日韩av不卡免费在线播放| 51国产日韩欧美| 日本免费一区二区三区高清不卡| 午夜激情福利司机影院| 久久99蜜桃精品久久| 晚上一个人看的免费电影| 又粗又爽又猛毛片免费看| 日本一二三区视频观看| 寂寞人妻少妇视频99o| 日本欧美国产在线视频| 国产精品1区2区在线观看.| 亚洲欧洲日产国产| 国产伦理片在线播放av一区| 日日摸夜夜添夜夜爱| 色网站视频免费| 男人和女人高潮做爰伦理| 日韩欧美 国产精品| 精品一区二区三区视频在线| 亚洲精品,欧美精品| 欧美成人免费av一区二区三区| 在线免费十八禁| 日韩av不卡免费在线播放| 久久精品久久久久久久性| 久久精品国产自在天天线| 亚洲美女搞黄在线观看| 黑人高潮一二区| 免费人成在线观看视频色| 变态另类丝袜制服| 国产在视频线在精品| 国产91av在线免费观看| 成人亚洲欧美一区二区av| 久久6这里有精品| kizo精华| 丰满乱子伦码专区| 国产淫语在线视频| 久久久久久伊人网av| 99热这里只有精品一区| 波多野结衣高清无吗| 亚洲内射少妇av| 欧美成人免费av一区二区三区| 亚洲经典国产精华液单| av在线天堂中文字幕| 高清在线视频一区二区三区 | 久久久久久久久久黄片| 欧美成人免费av一区二区三区| 日韩人妻高清精品专区| 禁无遮挡网站| 人人妻人人澡人人爽人人夜夜 | 日本wwww免费看| 欧美成人精品欧美一级黄| 2022亚洲国产成人精品| 99在线视频只有这里精品首页| 三级男女做爰猛烈吃奶摸视频| 超碰av人人做人人爽久久| 亚洲精华国产精华液的使用体验| 亚洲欧洲国产日韩| 国产亚洲91精品色在线| 嫩草影院入口| 亚洲经典国产精华液单| 日韩高清综合在线| 大香蕉久久网| 国产黄色小视频在线观看| 久久这里有精品视频免费| 一边亲一边摸免费视频| 丝袜喷水一区| 26uuu在线亚洲综合色| 午夜福利成人在线免费观看| 久久国产乱子免费精品| 午夜福利成人在线免费观看| 日韩中字成人| 国产精品久久电影中文字幕| 91av网一区二区| 欧美丝袜亚洲另类| 波多野结衣高清无吗| 三级毛片av免费| 人人妻人人澡欧美一区二区| 国产美女午夜福利| 国产女主播在线喷水免费视频网站 | 亚洲精品亚洲一区二区| 国产老妇伦熟女老妇高清| 免费av不卡在线播放| 超碰av人人做人人爽久久| 国产精品人妻久久久久久| 99在线人妻在线中文字幕| 国产又黄又爽又无遮挡在线| 久久久久精品久久久久真实原创| 欧美3d第一页| 国产精品无大码| 亚洲精品456在线播放app| 久久国产乱子免费精品| 91精品国产九色| 亚洲自拍偷在线| 精品无人区乱码1区二区| 国产爱豆传媒在线观看| 国产精品久久久久久精品电影小说 | 国产老妇女一区| 一边摸一边抽搐一进一小说| 中文天堂在线官网| 欧美极品一区二区三区四区| 亚洲熟妇中文字幕五十中出| 亚洲无线观看免费| 最后的刺客免费高清国语| 日韩一本色道免费dvd| 欧美成人免费av一区二区三区| 国产成人免费观看mmmm| 欧美日本视频| 卡戴珊不雅视频在线播放| 日本黄色视频三级网站网址| 51国产日韩欧美| 热99在线观看视频| 午夜视频国产福利| 久久午夜福利片| 欧美又色又爽又黄视频| 中文字幕制服av| 国产男人的电影天堂91| 熟妇人妻久久中文字幕3abv| 亚洲综合精品二区| 国产精品国产三级专区第一集| 18禁动态无遮挡网站| 99在线人妻在线中文字幕| 久久久久久久久久成人| 大香蕉97超碰在线| av免费观看日本| 大又大粗又爽又黄少妇毛片口| 嫩草影院精品99| 国产精品国产高清国产av| 亚洲四区av| 黄片无遮挡物在线观看| 亚洲在线观看片| 少妇裸体淫交视频免费看高清| 最近中文字幕2019免费版| 免费黄色在线免费观看| 久久婷婷人人爽人人干人人爱| 成人一区二区视频在线观看| 久久精品久久精品一区二区三区| 国产极品精品免费视频能看的| 韩国高清视频一区二区三区| 亚洲av免费在线观看| 一个人看视频在线观看www免费| 亚洲综合精品二区| 亚洲成人精品中文字幕电影| 国产又黄又爽又无遮挡在线| 丰满乱子伦码专区| 欧美日韩综合久久久久久| 建设人人有责人人尽责人人享有的 | 性插视频无遮挡在线免费观看| 我的老师免费观看完整版| 极品教师在线视频| 国产一区二区亚洲精品在线观看| 精品酒店卫生间| 熟女人妻精品中文字幕| www.色视频.com| 国产午夜精品论理片| 日本一二三区视频观看| 婷婷色综合大香蕉| 麻豆一二三区av精品| 卡戴珊不雅视频在线播放| 亚洲精品日韩在线中文字幕| 国产又黄又爽又无遮挡在线| 欧美性感艳星| 1000部很黄的大片| 久久久久久久国产电影| or卡值多少钱| 精品国产露脸久久av麻豆 | 欧美高清性xxxxhd video| 97在线视频观看| 精品国产露脸久久av麻豆 | 高清毛片免费看| 最近视频中文字幕2019在线8| 网址你懂的国产日韩在线| 日韩一区二区三区影片| 国产精品国产三级国产av玫瑰| 国产午夜精品论理片| 久久久国产成人免费| 精品久久久久久电影网 | 久久6这里有精品| 国产三级中文精品| 99热这里只有是精品50| 狠狠狠狠99中文字幕| 亚洲激情五月婷婷啪啪| 男女那种视频在线观看| 精品免费久久久久久久清纯| 国产极品精品免费视频能看的| 国产一级毛片在线| 一级毛片电影观看 | 免费看美女性在线毛片视频| 久久精品91蜜桃| 干丝袜人妻中文字幕| 又粗又硬又长又爽又黄的视频| 国产成人freesex在线| 三级毛片av免费| 亚洲精品色激情综合| 人妻制服诱惑在线中文字幕| 亚洲成人久久爱视频| 精品久久久久久电影网 | 毛片一级片免费看久久久久| 久久欧美精品欧美久久欧美| 国产大屁股一区二区在线视频| 欧美性猛交╳xxx乱大交人| 天堂中文最新版在线下载 |