• <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 ?

    面向大數(shù)據(jù)的淘寶賣家信用度的影響因素分析

    2016-12-27 03:22:24麥繼芳
    關(guān)鍵詞:信用度開(kāi)店賣家

    麥繼芳, 崔 霞

    (廣州大學(xué) 經(jīng)濟(jì)統(tǒng)計(jì)學(xué)院, 廣東 廣州 510006)

    面向大數(shù)據(jù)的淘寶賣家信用度的影響因素分析

    麥繼芳, 崔 霞

    (廣州大學(xué) 經(jīng)濟(jì)統(tǒng)計(jì)學(xué)院, 廣東 廣州 510006)

    消費(fèi)者在電商平臺(tái)上購(gòu)買商品時(shí),并不能獲得關(guān)于消費(fèi)品的所有信息,只能通過(guò)賣家信用、商品圖片和購(gòu)買評(píng)價(jià)等指標(biāo)來(lái)判定所選的網(wǎng)店以及商品是否可靠.其中,賣家信用對(duì)于消費(fèi)者的參考尤其重要.對(duì)賣家信用度建模能夠在一定程度上保護(hù)交易雙方的合法利益,提高交易的成功率.文章基于部分線性可加模型,結(jié)合社會(huì)資本數(shù)據(jù)(如新浪微博),對(duì)淘寶賣家信用度進(jìn)行建模分析:①對(duì)數(shù)據(jù)進(jìn)行相關(guān)分析、異常值剔除、多重共線性消除等預(yù)處理;②利用集群Lasso變量選擇方法,識(shí)別出對(duì)賣家信譽(yù)有顯著影響的因素;③對(duì)識(shí)別出來(lái)的因素與賣家信用做簡(jiǎn)單線性擬合,得出的結(jié)果與實(shí)際情況相違背,故又使用廣義可加模型實(shí)現(xiàn)對(duì)賣家信譽(yù)的預(yù)測(cè)分析.該信用度模型能夠很好地識(shí)別刷單賣家,幫助買家防范賣家的欺詐行為.

    部分線性可加模型; 大數(shù)據(jù); 半?yún)?shù)模型; Lasso;R語(yǔ)言

    電子商務(wù)的迅速發(fā)展給人們的生活帶來(lái)了極大的方便.通過(guò)網(wǎng)絡(luò)和現(xiàn)代物流,人們足不出戶就可以方便購(gòu)買來(lái)自全國(guó)各地的各種商品.淘寶網(wǎng)作為B2C電子商務(wù)的龍頭老大,憑借其產(chǎn)品的豐富和信譽(yù)評(píng)價(jià)機(jī)制的安全優(yōu)勢(shì),獲得了越來(lái)越多在線消費(fèi)者的信任.然而,由于賣家的逐利性,刷單和刷信譽(yù)的行為越來(lái)越多.對(duì)賣家信用度建模能夠在一定程度上保護(hù)交易雙方的合法利益,提高交易成功率.現(xiàn)行使用的信用度評(píng)價(jià)系統(tǒng)一般采用簡(jiǎn)單累加得出賣家的信用度值,過(guò)度依賴于好評(píng)率,缺少對(duì)影響交易其他因素的考慮,如退款率、寶貝數(shù)等.另外,目前使用的信用評(píng)價(jià)系統(tǒng)主要依賴淘寶平臺(tái)內(nèi)部數(shù)據(jù),卻未涉及大數(shù)據(jù)中的社會(huì)資本數(shù)據(jù).因此,建立有效、實(shí)用的網(wǎng)絡(luò)購(gòu)物網(wǎng)站信用評(píng)價(jià)模型,具有重要的理論意義和現(xiàn)實(shí)意義.

    電子商務(wù)信用的研究還是一個(gè)相對(duì)較新的領(lǐng)域,文獻(xiàn)[1-2]是國(guó)內(nèi)學(xué)者對(duì)淘寶網(wǎng)商家信用度評(píng)價(jià)模型的研究.在國(guó)外,中小企業(yè)的信用評(píng)價(jià)是對(duì)其品德、聲望、資格、資金實(shí)力、擔(dān)保以及經(jīng)營(yíng)條件等進(jìn)行分析,來(lái)測(cè)度違約可能性并且對(duì)違約風(fēng)險(xiǎn)進(jìn)行分類.這種信用評(píng)價(jià)技術(shù)目前主要是依賴于一些統(tǒng)計(jì)模型,如線性概率模型、分對(duì)數(shù)模型和線性判別式分析.國(guó)外目前常用的信用評(píng)價(jià)方法有:5C法等要素法[3]、財(cái)務(wù)比率綜合分析法、信用度量分析模型[4].

    本文基于部分線性可加模型[5],結(jié)合社會(huì)資本數(shù)據(jù)(如新浪微博),對(duì)淘寶賣家信用度進(jìn)行建模分析.在該模型中設(shè)計(jì)變量有28個(gè),包括好評(píng)率、差評(píng)率、退換貨速度、是否為微博達(dá)人等.本文探索了影響賣家信用的主要因素及其影響方式,即在模型主要部分中是以線性函數(shù)的方式還是非參數(shù)函數(shù)的方式呈現(xiàn).當(dāng)變量個(gè)數(shù)很多時(shí),可能會(huì)包括一些冗余的變量.變量選擇方法能夠去掉冗余變量,精簡(jiǎn)模型,從而提高模型預(yù)測(cè)的準(zhǔn)確性和模型的解釋性.

    1996年,TIBSHIRANI[6]提出了一種新型的變量選擇方法,即Least absolute shrinkage and selection operator(Lasso).Lasso方法是一種基于懲罰范式的變量選擇方法,與現(xiàn)有變量選擇方法比較, Lasso 不僅能夠準(zhǔn)確地選擇出重要變量, 同時(shí)還具備變量選擇的穩(wěn)定性.Lasso方法能夠同時(shí)進(jìn)行變量選擇和參數(shù)估計(jì),可適度壓縮參數(shù).文獻(xiàn)[7]探討了Lasso 方法用于高維度、強(qiáng)相關(guān)、小樣本的生存資料分析.近年來(lái),有些學(xué)者在Lasso算法的改進(jìn)上做了研究.2004年,EFRON等[8]提出了Least angle regression(Lar),該算法使得Lasso的計(jì)算更加簡(jiǎn)單,應(yīng)用更加廣泛.ZOU等[9]在2005年提出了Elastic Net,該方法能夠更好地處理變量數(shù)目p遠(yuǎn)遠(yuǎn)大于樣本容量n的情形,而且有較好的自變量分組效應(yīng).FAN等[10]于2001年提出了SCAD方法,該方法克服了Lasso有偏估計(jì)的缺點(diǎn),改善了其參數(shù)估計(jì)的一致性和變量選擇一致性. 2011年,何曉群等[11]提出了Adaptive Lasso 方法,該方法的自適應(yīng)性通過(guò)對(duì)不同系數(shù)采用不同程度的壓縮來(lái)實(shí)現(xiàn).

    在對(duì)本文中的淘寶數(shù)據(jù)進(jìn)行分析時(shí),①剔除異常值、進(jìn)行相關(guān)性分析、多重共線性消除等預(yù)處理.②對(duì)數(shù)據(jù)使用多元線性回歸模型做擬合,由于變量個(gè)數(shù)過(guò)多,筆者使用了Lasso做變量選擇.遺憾的是,從擬合結(jié)果看線性模型擬合這組數(shù)據(jù)時(shí)有一些問(wèn)題,如賣家信用與關(guān)注人數(shù)呈負(fù)相關(guān),這與現(xiàn)實(shí)經(jīng)驗(yàn)不相符.③使用部分線性可加模型分析這組數(shù)據(jù),并且使用集群Lasso方法對(duì)影響賣家信用度的因素進(jìn)行選擇.從擬合結(jié)果看,該模型是充分的.

    1 部分線性可加模型

    部分線性可加模型是一類應(yīng)用廣泛的半?yún)?shù)模型[5].其形式:

    (1)

    其中,Yi為被解釋變量,模型中有p+1個(gè)解釋變量{X0i,X1i,…,Xpi},其中X0i=1;q個(gè)解釋變量{Z1i,…,Zqi}.βk是線性部分的未知參數(shù),fk(.)是未知的光滑函數(shù),εi為均值為零的隨機(jī)誤差.為了保證模型中未知參數(shù)的可識(shí)別性,假設(shè)E{fk(Zki)}=0.為了方便估計(jì)fk(·),不妨設(shè){Z1i,…,Zqi}的支撐是[0,1].

    其中,{tkj,j=1,…,pk}是第k個(gè)函數(shù)展開(kāi)時(shí)所用的節(jié)點(diǎn).

    (2)

    上述近似模型(2)的集群Lasso估計(jì)可以定義為如下極小化問(wèn)題的解:

    (3)

    Lasso方法通過(guò)選取不同的懲罰參數(shù)的值得到不同變量系數(shù)的組合,將其反應(yīng)到圖形中,即得到解路徑,從而看出變量進(jìn)入活動(dòng)變量的先后順序,并以此為依據(jù)對(duì)變量的重要性做出判斷. 模型(3)本質(zhì)上是一個(gè)最優(yōu)化問(wèn)題.在Lasso被提出的前幾年,因?yàn)槿鄙賹?duì)其高效求解的算法,所以一直沒(méi)有廣泛流行.直到Lars算法,使得Lasso的求解方便而快捷,從此Lasso相關(guān)的方法被廣泛的研究.文獻(xiàn)[8]指出,在一定條件下,Lar算法的解路徑與Lasso的解路徑一致,因而可以通過(guò)Lar算法來(lái)求解Lasso的解.求解算法大致上有2類,即坐標(biāo)下降方法(coordinate descent method)和近似梯度方法(proximal gradient method).對(duì)于模型(3)的求解直接利用組坐標(biāo)下降法即可,但是需要2層迭代的結(jié)構(gòu)才行,其中外層迭代為針對(duì)λ2懲罰部分的組坐標(biāo)下降算法,內(nèi)層迭代為針對(duì)λ1懲罰部分的坐標(biāo)下降算法.而另一種方法,近似梯度算法包括梯度方法、投影梯度法、ISTA算法和著名的稀疏優(yōu)化問(wèn)題求解軟件包SLEP(Sparse Learning with Efficient Projections)中的算法基本上都采用了近似梯度方法及其變形來(lái)求解.模型(3)中參數(shù)λ1,λ2的確定方法主要有交叉驗(yàn)證、廣義交叉驗(yàn)證和BIC準(zhǔn)則等.本文中采取交叉驗(yàn)證方法.

    2 實(shí)證分析

    本研究于2015年4月份在淘寶網(wǎng)頁(yè)上隨機(jī)收集了299個(gè)淘寶商家和對(duì)應(yīng)每個(gè)商家的新浪微博信息.樣本收集區(qū)域覆蓋了14 個(gè)省.設(shè)淘寶網(wǎng)賣家信用度為因變量Y,協(xié)變量包括: 主營(yíng)占比(X1)、買家信用(X2)、最近半年好評(píng)數(shù)(X3)、最近半年中評(píng)數(shù)(X4)、最近半年差評(píng)數(shù)(X5)、半年前好評(píng)數(shù)(X6)、半年前中評(píng)數(shù)(X7)、半年前差評(píng)數(shù)(X8)、寶貝與描述相符(X9)、賣家服務(wù)態(tài)度(X10)、賣家發(fā)貨速度(X11)、平均退款速度(X12)、近30 d退款率(X13)、近30 d糾紛率(X14)、近30 d處罰數(shù)(X15)、月銷量(X16)、寶貝數(shù)(X17)、開(kāi)店時(shí)長(zhǎng)(X18)、保證金額度(X19)、淘字號(hào)(X20)、認(rèn)證信息(個(gè)人或企業(yè))(X21)、微博會(huì)員(X22)、微博達(dá)人(X23)、關(guān)注人數(shù)(X24)、粉絲數(shù)(X25)、微博數(shù)(X26)、活躍天數(shù)(X27)和當(dāng)前等級(jí)(X28)等共計(jì)28個(gè).其中,X20~X23是定性變量(本文中設(shè)為0,1變量),其他變量為定量變量.

    首先刪除信用度過(guò)高,表現(xiàn)非常離群的賣家,剩下289個(gè)樣本.由于定量變量的單位不盡相同,需對(duì)這些變量對(duì)應(yīng)的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理.

    圖1是賣家信用(因變量)的密度函數(shù)的圖像,深色線是基于核密度函數(shù)估計(jì)得到的,灰色圖是基于直方圖得到的.從圖1可見(jiàn),賣家信用的分布是有嚴(yán)重左偏的表現(xiàn),因而筆者在分析數(shù)據(jù)時(shí),對(duì)因變量做了對(duì)數(shù)變換,即Y=log(賣家信用).

    圖1 賣家信用分布情況

    使用線性回歸模型對(duì)賣家信用與最近半年好評(píng)數(shù)、賣家信用與半年以前好評(píng)數(shù)分別進(jìn)行擬合,結(jié)果見(jiàn)圖2,表1和表2.圖2可見(jiàn),淘寶網(wǎng)計(jì)算信用度的規(guī)則幾乎完全依賴于賣家信用與最近半年好評(píng)數(shù)(X3)、半年以前好評(píng)數(shù)(X6).表1和表2可見(jiàn),2個(gè)模型的決定系數(shù)R2分別為0.728和0.987時(shí),調(diào)整后的R2分別為0.727和0.987,且F-統(tǒng)計(jì)量都很大,分別為751.900、22 070.000,2模型的P值都小于0.05,可見(jiàn),模型顯著.故只用好評(píng)數(shù)(最近半年好評(píng)數(shù)或者半年以前好評(píng)數(shù))就可以很好模擬賣家信用.因而,賣家可以通過(guò)作弊行為獲得更多的好評(píng)數(shù).如果加入好評(píng)數(shù)變量來(lái)建立關(guān)于賣家信用的模型,所得結(jié)果就不能顯示其他因素對(duì)賣家信用的影響.因而在分析數(shù)據(jù)時(shí),先刪除X3和X6,再構(gòu)建模型.

    圖2 最近半年好評(píng)數(shù)和半年以前好評(píng)數(shù)分別與賣家信用的散點(diǎn)圖

    Fig.2 Plots of sellers’s credit and the number of good evaluations

    表1 最近半年好評(píng)數(shù)和半年前好評(píng)數(shù)分別與賣家信用做線性回歸的結(jié)果

    Table 1 The linear regression result of the sellers’s credit and the number of good evaluations

    模型系數(shù)估計(jì)值標(biāo)準(zhǔn)誤t值P值1截距54340241802.2480.025*最近半年好評(píng)數(shù)4.5990.16827.420<2e-16**2截距824452211.5790.115半年以前好評(píng)數(shù)1.1680.008148.553<2e-16**

    顯著準(zhǔn)則: 0‘***’ 0.001 ‘**’0.01 ‘*’ 0.05‘.’ 0.1‘ ’1

    表2 模型的擬合優(yōu)度檢驗(yàn)表

    若變量之間存在較高的相關(guān)性,所得擬合結(jié)果的可信度會(huì)大大降低.因而,應(yīng)找出變量與變量之間相關(guān)性較高的變量,將它們劃分為一組,再?gòu)母鹘M中找出一個(gè)代表性變量(各組中對(duì)賣家信用影響最大的因素).我們計(jì)算了所有變量的相關(guān)系數(shù)矩陣,發(fā)現(xiàn)“賣家服務(wù)態(tài)度”、“賣家發(fā)貨速度”、“寶貝與描述相符”之間的兩兩相關(guān)系數(shù)超過(guò)了0.9,故剔除了變量“賣家服務(wù)態(tài)度”;另外,微博數(shù)據(jù)中的“活躍天數(shù)”和“當(dāng)前等級(jí)”的相關(guān)系數(shù)高達(dá)0.97,因而刪除了“當(dāng)前等級(jí)”.數(shù)據(jù)經(jīng)過(guò)上面的預(yù)處理,最后剩下24個(gè)的變量.其中包括4個(gè)定性變量和20個(gè)定量變量.

    首先使用線性模型對(duì)這組數(shù)據(jù)進(jìn)行分析,并且使用R軟件中的程序包Matrix,Grpreg和Ncvreg進(jìn)行變量選擇和擬合.最后輸出的結(jié)果就會(huì)得到Lasso方法的解路徑[6],見(jiàn)圖3.

    圖3 解路徑圖

    且各變量的系數(shù)估計(jì)見(jiàn)表3.

    表3 24個(gè)變量對(duì)應(yīng)的系數(shù)

    圖3和表3可見(jiàn),最近半年差評(píng)數(shù)、近30 d糾紛率、近30 d處罰數(shù)、月銷量、粉絲數(shù)、微博會(huì)員和微博數(shù)等7個(gè)變量的系數(shù)都為零,故只剩下17個(gè)變量,分別為主營(yíng)占比、買家信用、最近半年中評(píng)數(shù)、半年前中評(píng)數(shù)、半年前差評(píng)數(shù)、寶貝與描述相符、賣家發(fā)貨速度、平均退款速度、近30 d退款率、寶貝數(shù)、開(kāi)店時(shí)長(zhǎng)、保證金額度、淘字號(hào)、認(rèn)證信息、微博達(dá)人、關(guān)注人數(shù)和活躍天數(shù).

    利用統(tǒng)計(jì)軟件R語(yǔ)言將這些變量與Y進(jìn)行簡(jiǎn)單的線性擬合,所得回歸分析結(jié)果分析見(jiàn)表4.

    表4反映了置信水平在0.05以下的顯著變量有8個(gè),分別為:主營(yíng)占比、買家信用、最近半年中評(píng)數(shù)、平均退款速度、開(kāi)店時(shí)長(zhǎng)、淘字號(hào)、微博達(dá)人和活躍天數(shù);此時(shí)的殘差標(biāo)準(zhǔn)差為1.885,R2為0.749,調(diào)整的R2為0.734,F(xiàn)值較大,P值很小.然而以上結(jié)果反映了賣家信用與微博達(dá)人和關(guān)注人數(shù)呈負(fù)相關(guān),這與現(xiàn)實(shí)經(jīng)驗(yàn)不相符.

    為了改善線性模型的擬合結(jié)果,筆者采用如下部分線性可加模型:

    賣家信用=β0+β1*淘字號(hào)+β2*認(rèn)證信息+β3*微博會(huì)員+β4*微博達(dá)人+f1(主營(yíng)占比)+f2(買家信用)+f3(最近半年中評(píng)數(shù))+f4(最近半年差評(píng)數(shù))+f5(半年以前中評(píng)數(shù))+f6(半年以前差評(píng)數(shù))+f7(寶貝與描述相符)+f8(賣家發(fā)貨速度)+f9(平均退款速度)+f10(近30 d退款率)+f11(近30 d糾紛率)+f12(近30 d處罰數(shù))+f13(月銷量)+f14(寶貝數(shù))+f15(開(kāi)店時(shí)長(zhǎng))+f16(保證金額度)+f17(關(guān)注人數(shù))+f18(粉絲數(shù))+f19(微博數(shù))+f20(活躍天數(shù))+ε(其中E(ε|X)=0).

    筆者使用統(tǒng)計(jì)軟件R軟件中的“mgcv”包實(shí)現(xiàn)部分線性可加模型擬合,所得回歸分析結(jié)果見(jiàn)表5.

    表4 回歸分析結(jié)果

    自由度為271的殘差標(biāo)準(zhǔn)誤=1.885;多元R2=0.749;調(diào)整R2=0.734;自由度是17和271的F值=47.65;P值<2.2e-16.

    顯著準(zhǔn)則: 0‘**’ 0.001 ‘**’0.01 ‘*’ 0.05‘.’ 0.1‘ ’1.

    表5可見(jiàn),置信水平在水平0.05下時(shí),顯著的變量總共10個(gè),其中線性部分有4個(gè),分別是淘字號(hào)、 近30 d退款率、月銷量和活躍天數(shù);非參數(shù)部分有6個(gè),分別為主營(yíng)占比、最近半年中評(píng)數(shù)、賣家發(fā)貨速度、平均退款速度、寶貝數(shù)和開(kāi)店時(shí)長(zhǎng).上面結(jié)果顯示調(diào)整R2=0.877,調(diào)整R2=0.895,說(shuō)明模型有良好的解釋能力.另外,部分線性可加模型得到的結(jié)果與簡(jiǎn)單線性模型相比更符合現(xiàn)實(shí)情況.比如說(shuō),對(duì)商家信用度有影響的因素——開(kāi)店時(shí)長(zhǎng).開(kāi)店的時(shí)間長(zhǎng)短能反映出商家的信譽(yù)好壞,反過(guò)來(lái),只有商家信譽(yù)好,得到顧客的信賴,店家才能長(zhǎng)期地經(jīng)營(yíng)下去.因此,建議購(gòu)買者在網(wǎng)上購(gòu)買商品時(shí),可以通過(guò)參考開(kāi)店時(shí)間這個(gè)指標(biāo)來(lái)判斷哪家商品質(zhì)量更加可靠,這樣更容易在網(wǎng)上淘到滿意的商品.當(dāng)然,除了開(kāi)店時(shí)長(zhǎng),還可以參考月銷量、寶貝數(shù)、店家新浪微博、活躍天數(shù)和店家是否有淘字號(hào)等指標(biāo)來(lái)判斷哪個(gè)商家最可靠,而不像以往那樣僅僅參考好評(píng)數(shù)而被商家欺騙.

    表5 部分線性可加模型回歸分析結(jié)果

    Table 5 The partically linear additive model regression analysis

    參數(shù)系數(shù)估計(jì)值標(biāo)準(zhǔn)誤t值P值截距8.8780.15656.897<2e-16**淘字號(hào)0.8080.2373.4110.001**認(rèn)證信息-0.1230.227-0.5420.588微博會(huì)員-0.1780.217-0.8180.414微博達(dá)人-0.4500.286-1.5710.117買家信用0.0870.0900.9670.334最近半年差評(píng)數(shù)0.0600.4930.1220.903半年前中評(píng)數(shù)0.4970.3131.5900.113半年前差評(píng)數(shù)0.1790.3600.4970.619寶貝與描述相符-0.0930.186-0.5000.618近30d退款率-0.1940.084-2.3040.022*近30d糾紛率0.0580.0840.6900.491近30d處罰數(shù)-0.1340.081-1.6560.099月銷量-0.5350.268-1.9910.048*保證金額度-0.1200.097-1.2370.217關(guān)注人數(shù)-0.1190.088-1.3590.175微博數(shù)0.0170.1000.1660.868活躍天數(shù)0.6990.1335.2523.26e-07**顯著的光滑項(xiàng)估計(jì)值自由度參考自由度F值P值主營(yíng)占比5.34482.0640.00479**最近半年中評(píng)數(shù)7.172811.4326.87e-16**賣家發(fā)貨速度4.44686.6095.68e-11**平均退款速度3.53288.5147.03e-15**寶貝數(shù)1.20180.5830.02542*開(kāi)店時(shí)長(zhǎng)3.677810.236<2e-16**

    調(diào)整R2=0.877;離差解釋能力=89.5%;廣義交叉驗(yàn)證值=1.926;尺度參數(shù)=1.637;n=289.

    顯著準(zhǔn)則: 0‘**’ 0.001 ‘**’0.01 ‘*’ 0.05‘.’ 0.1‘ ’1.

    模型可以精簡(jiǎn)為

    賣家信用=8.878 41+0.807 87*淘字號(hào)-0.194 05*近30 d退款率-0.534 52*月銷量+0.699 13*活躍天數(shù)+f1(主營(yíng)占比)+f2(最近半年中評(píng)數(shù))+f3(賣家發(fā)貨速度)+f4(平均退款速度) +f5(寶貝數(shù))+f6(開(kāi)店時(shí)長(zhǎng)) +ε.

    以下為非參數(shù)部分相應(yīng)函數(shù)的擬合及其置信帶的圖(圖4).

    圖4可見(jiàn),非參數(shù)部分中“主營(yíng)占比” 呈現(xiàn)上下波動(dòng)的形式; “最近半年中評(píng)數(shù)”先呈現(xiàn)上下波動(dòng),后呈現(xiàn)上升的趨勢(shì);“賣家發(fā)貨速度”是先上升后下降,再上升,最后呈現(xiàn)下降的趨勢(shì);“寶貝數(shù)”對(duì)賣家信用的影響是上升的趨勢(shì);而“平均退款速度”和“開(kāi)店時(shí)長(zhǎng)”是先上升后下降的趨勢(shì).

    圖4 非參數(shù)部分相應(yīng)函數(shù)的擬合及其置信帶

    圖5是擬合后的殘差結(jié)果.

    圖5 擬合值

    部分線性可加模型殘差圖的點(diǎn)的分布比較均勻,沒(méi)有明顯的趨勢(shì),與線性模型相比,擬合效果有明顯的提高.

    3 結(jié) 論

    基于淘寶網(wǎng)信息和淘寶商家的新浪微博信息,本文使用部分線性可加模型,深入探討了對(duì)淘寶賣家信用度的影響因素,發(fā)現(xiàn)對(duì)淘寶信用度有顯著影響的因素有10個(gè).其中,與賣家信用呈線性關(guān)系的變量是淘字號(hào)、 近30 d退款率、月銷量和活躍天數(shù);呈非線性的變量是主營(yíng)占比、最近半年中評(píng)數(shù)、賣家發(fā)貨速度、平均退款速度、寶貝數(shù)和開(kāi)店時(shí)長(zhǎng).由此,可以知道影響淘寶買家信用的因素:主營(yíng)占比、最近半年中評(píng)數(shù)、賣家發(fā)貨速度、平均退款速度、寶貝數(shù)、開(kāi)店時(shí)長(zhǎng)、淘字號(hào)、 近30 d退款率、月銷量和活躍天數(shù).因此,建議顧客在網(wǎng)上購(gòu)物時(shí)可以通過(guò)參考商家的這些指標(biāo),去判斷哪個(gè)商家更加可靠.例如,如果顧客要買的商品在該家淘寶店的主營(yíng)占比較大,該商家開(kāi)店時(shí)間較長(zhǎng),且有淘字號(hào)的標(biāo)志、寶貝數(shù)較多和保證金額較高等特征,那么可以認(rèn)為該商家信用度較好,可以考慮在該商店購(gòu)買該商品.

    此外,活躍天數(shù)這個(gè)變量對(duì)賣家信用有正的影響,近30 d退款率有負(fù)的影響.由此可見(jiàn),如果該淘寶商家的新浪微博的上線活躍次數(shù)較多,說(shuō)明賣家服務(wù)更加周到,也更加靠譜.如果該店鋪退款率較少,可以推測(cè)商品質(zhì)量較好,得到顧客的認(rèn)可,因此,該賣家的信用度也會(huì)相對(duì)較高.

    本文所研究的方法和思路雖然比較科學(xué),但也有需要改進(jìn)的空間.例如,需要擴(kuò)大對(duì)淘寶商家信用度有影響的因素范圍和綜合考慮買家的評(píng)論內(nèi)容等.另外,因?yàn)橘I家評(píng)論雖然對(duì)賣家信用有一定的影響,但難保沒(méi)有作假的可能,所以也應(yīng)對(duì)這個(gè)因素做一些處理.

    為更深入地挖掘淘寶賣家信用的影響因素,只是收集一次數(shù)據(jù)是不夠的.在未來(lái)的研究中,計(jì)劃按月份跟蹤收集相關(guān)淘寶賣家的數(shù)據(jù),使用縱向數(shù)據(jù)模型分析該組數(shù)據(jù).隨著數(shù)據(jù)的豐富,所得研究結(jié)果會(huì)更可靠.

    [1] 吳培紅.淘寶網(wǎng)賣家信譽(yù)影響因素研究[D].天津: 河北工業(yè)大學(xué),2011.

    WU P H. The research of taobao sellers’ reputation affecting factors[D]. Tianjin: Hebei University of Technology, 2011.

    [2] 劉博.淘寶網(wǎng)商的信用評(píng)價(jià)模型研究[D].北京:對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué),2009.

    LIU B. The research of taobao credit evaluation model[D]. Beijing: Foreign Economic and Trade University,2009.

    [3] 孔松泉.基于銀行微觀信貸風(fēng)險(xiǎn)管理的理論與方法研究[D].南京:東南大學(xué),2002.

    KONG S Q. Study on the theory and method of the micro credit risk management of banks[D]. Nanjing: Southeast University, 2002.

    [4] 陳珺.基于灰色多層次評(píng)價(jià)方法的中小企業(yè)信用評(píng)級(jí)研究[D].南昌:南昌大學(xué),2010.

    CHEN J. On the multi-level gray evaluation method of the small and medium-sized enterprise credit rating research[D]. Nanchang: Nanchang University, 2010.

    [5] CUI X, WEN S Q, PENG H, et al. Component selection in the additive regression model[J]. Scandin J Stat, 2013, 40(3): 491-510.

    [6] TIBSHIRAN R. Regression shrinkage and selection via the lasso[J]. J Royal Stat Soc Ser B,1996,58(1): 267-288.

    [7] 閆麗娜,覃婷,王彤. LASSO 方法在 Cox 回歸模型中的應(yīng)用[J]. 中國(guó)衛(wèi)生統(tǒng)計(jì),2012, 29(1):58-64.

    YAN L N, QIN T, WANG T. The application of Lasso method in the Cox regression model[J]. China Health Stat, 2012,29(1).

    [8] EFRON B, HASTIE T, JOHNSTONE I, et al. Least angle regression[J].J Math Stat, 2004, 32(2):407-499.

    [9] ZOU H, TREVOR H. Regularization and variable selection via the elastic net[J].J Royal Stat Soc, 2005,67(2):301-320.

    [10]FAN J, LI R. Variable selection via nonconcave penalized likelihood and its oracle properties[J]. J Am Statist Ass, 2001, 96(456): 1348-1360.

    [11]何曉群,劉文卿.應(yīng)用回歸分析[M].3版. 北京:中國(guó)人民大學(xué)出版社,2011.

    HE X Q, LIU W Q. The application of regression analysis[M]. 3rd ed. Beijing: Chinese University Press, 2011.

    [12]MAMMEN E, VAN D G S. Penalized quasi-likelihood estimation in partial linear models[J]. Ann Statist, 1997,25(3): 1014-1035.

    【責(zé)任編輯: 陳 鋼】

    Taobao sellers credit evaluation based on mass data

    MAIJi-fang,CUIXia

    (School of Economic & Statistics, Guangzhou University, Guangzhou 510006, China)

    In this paper, we model the credit of Taobao seller based on the partially linear additive model and social communication data (such as Sina weibo). To control the impact of “good evaluation”, we do not use it in our model. First, we delete the noisy data and the related variables which result in multicollinearity. A natural choice is to use linear model to fit the data, however, we find that linear model is not adequate. Then we apply the partially linear additive model to analyze the data, and it indicates that this model performs better than traditional linear model.

    partially linear additive model; mass data; semiparametric model; Lasso; R language

    2016-05-03;

    2016-05-16

    麥繼芳(1991-),女,碩士研究生.E-mail:1542178467@qq.com

    1671- 4229(2016)05-0035-07

    O 212

    A

    猜你喜歡
    信用度開(kāi)店賣家
    賣家秀與買家秀
    分 析
    意林(2023年7期)2023-06-13 13:00:55
    賣家秀與買家秀
    家庭百事通(2021年5期)2021-05-30 10:48:04
    買家秀和賣家秀
    童話世界(2020年17期)2020-07-25 02:18:46
    不會(huì)吃蟹腿的買手 不是好賣家
    蜘蛛開(kāi)店
    基于AHP和k-means算法的電力用戶信用度評(píng)價(jià)
    小兔開(kāi)店
    基于聲譽(yù)的C2C電子商務(wù)信用評(píng)價(jià)模型研究
    在家“開(kāi)店”記
    .国产精品久久| 欧美+日韩+精品| 久久人人爽人人爽人人片va| 日韩视频在线欧美| 日日干狠狠操夜夜爽| 精品熟女少妇av免费看| 色综合色国产| 天堂网av新在线| 欧美成人一区二区免费高清观看| 久久精品夜夜夜夜夜久久蜜豆| 国内少妇人妻偷人精品xxx网站| 欧美不卡视频在线免费观看| 麻豆一二三区av精品| 国产一级毛片在线| 淫秽高清视频在线观看| 国产免费一级a男人的天堂| 成人欧美大片| 老司机福利观看| 性插视频无遮挡在线免费观看| 99久久中文字幕三级久久日本| 卡戴珊不雅视频在线播放| 亚洲av电影不卡..在线观看| 国产成人aa在线观看| 岛国在线免费视频观看| 99在线人妻在线中文字幕| 亚洲欧美成人综合另类久久久 | 久久精品国产亚洲av涩爱| 久久精品国产99精品国产亚洲性色| 99国产精品一区二区蜜桃av| ponron亚洲| 网址你懂的国产日韩在线| 欧美高清成人免费视频www| 国产一级毛片在线| 丝袜美腿在线中文| 精品人妻视频免费看| 国产精品99久久久久久久久| 干丝袜人妻中文字幕| 毛片女人毛片| 一本久久精品| 国产黄片视频在线免费观看| 黑人高潮一二区| 精品久久久噜噜| 99久国产av精品国产电影| 亚洲色图av天堂| 欧美成人午夜免费资源| 18禁在线无遮挡免费观看视频| 2021天堂中文幕一二区在线观| 成人欧美大片| 亚洲国产精品成人久久小说| 最近手机中文字幕大全| 少妇裸体淫交视频免费看高清| 日韩欧美三级三区| av线在线观看网站| 日韩成人av中文字幕在线观看| 国产av在哪里看| 美女脱内裤让男人舔精品视频| 国产精品电影一区二区三区| 极品教师在线视频| 99久久无色码亚洲精品果冻| 国产一区二区亚洲精品在线观看| 少妇人妻一区二区三区视频| 日本黄色视频三级网站网址| 尾随美女入室| 床上黄色一级片| 国产高潮美女av| 国产精品一区二区在线观看99 | 超碰av人人做人人爽久久| 亚洲av日韩在线播放| 久久久精品大字幕| 欧美丝袜亚洲另类| 亚洲va在线va天堂va国产| 午夜福利在线观看吧| 国产精品久久久久久av不卡| 综合色丁香网| 一级毛片电影观看 | 在线天堂最新版资源| 国产91av在线免费观看| 麻豆乱淫一区二区| 韩国高清视频一区二区三区| 欧美成人一区二区免费高清观看| 一级毛片久久久久久久久女| 中国国产av一级| 国产黄a三级三级三级人| 久久精品综合一区二区三区| 国产亚洲91精品色在线| 国产成人精品婷婷| 亚洲国产欧洲综合997久久,| 国产成人福利小说| 黄片wwwwww| 女人久久www免费人成看片 | 日韩av在线免费看完整版不卡| 亚洲无线观看免费| 国产v大片淫在线免费观看| 女人十人毛片免费观看3o分钟| 亚洲av熟女| 国产视频内射| 黄色日韩在线| 看十八女毛片水多多多| 亚洲av二区三区四区| 国内精品一区二区在线观看| 亚洲最大成人中文| 精品久久久久久久人妻蜜臀av| 精品久久久久久久久久久久久| 亚洲美女搞黄在线观看| 最近手机中文字幕大全| 国产精品国产三级国产av玫瑰| 国产午夜精品论理片| 成人美女网站在线观看视频| 99久久成人亚洲精品观看| 国产v大片淫在线免费观看| 婷婷色av中文字幕| 精品久久久噜噜| 成人av在线播放网站| 天天躁日日操中文字幕| 天美传媒精品一区二区| 国产一区二区在线av高清观看| 久久人人爽人人爽人人片va| 综合色av麻豆| 六月丁香七月| 亚洲四区av| 免费在线观看成人毛片| 亚洲四区av| 1024手机看黄色片| 国产精品久久久久久精品电影小说 | 麻豆精品久久久久久蜜桃| 免费在线观看成人毛片| 亚洲av电影不卡..在线观看| 久久久a久久爽久久v久久| 亚洲在线自拍视频| 免费人成在线观看视频色| 亚洲人成网站在线观看播放| 国产成人精品婷婷| 亚洲人与动物交配视频| 在线观看美女被高潮喷水网站| 免费不卡的大黄色大毛片视频在线观看 | 婷婷色av中文字幕| 久久久久性生活片| 国产亚洲av片在线观看秒播厂 | 亚洲精品亚洲一区二区| 身体一侧抽搐| 国产精品综合久久久久久久免费| 久久久午夜欧美精品| 91av网一区二区| 精品人妻视频免费看| 日韩av在线免费看完整版不卡| 女人久久www免费人成看片 | 五月伊人婷婷丁香| 日本免费一区二区三区高清不卡| 成人毛片a级毛片在线播放| 日本黄大片高清| 日本-黄色视频高清免费观看| 精品国产露脸久久av麻豆 | 亚洲在线观看片| 亚洲成人久久爱视频| 国产黄色视频一区二区在线观看 | 国产免费一级a男人的天堂| 日韩一本色道免费dvd| 婷婷色综合大香蕉| 亚洲成人精品中文字幕电影| 日本一本二区三区精品| 六月丁香七月| 成人特级av手机在线观看| 国产高潮美女av| 成人高潮视频无遮挡免费网站| av线在线观看网站| 在线免费观看不下载黄p国产| 中文精品一卡2卡3卡4更新| 99热精品在线国产| 建设人人有责人人尽责人人享有的 | 国产又黄又爽又无遮挡在线| 日本一二三区视频观看| 97人妻精品一区二区三区麻豆| 色综合色国产| 国产色婷婷99| 中国美白少妇内射xxxbb| 成人亚洲欧美一区二区av| 国产乱人视频| 日韩精品有码人妻一区| 麻豆国产97在线/欧美| 中文精品一卡2卡3卡4更新| 99在线人妻在线中文字幕| 久久人人爽人人爽人人片va| 中国国产av一级| 亚洲综合精品二区| 国产精品综合久久久久久久免费| 2022亚洲国产成人精品| 在线观看一区二区三区| 亚洲国产欧洲综合997久久,| 久久精品综合一区二区三区| 一个人观看的视频www高清免费观看| 国产 一区精品| 26uuu在线亚洲综合色| 在线免费观看的www视频| 婷婷色麻豆天堂久久 | 黄片wwwwww| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 国产探花极品一区二区| av福利片在线观看| 午夜福利在线观看免费完整高清在| 亚洲精品aⅴ在线观看| 哪个播放器可以免费观看大片| 精品国产三级普通话版| 亚洲自偷自拍三级| 最近视频中文字幕2019在线8| 99九九线精品视频在线观看视频| 少妇人妻一区二区三区视频| 国产熟女欧美一区二区| av在线老鸭窝| 狂野欧美白嫩少妇大欣赏| 男人的好看免费观看在线视频| 欧美日本亚洲视频在线播放| 国产亚洲一区二区精品| 国产中年淑女户外野战色| 国模一区二区三区四区视频| 久久久久久久久久黄片| 国产精品国产三级专区第一集| 亚洲性久久影院| 亚洲经典国产精华液单| 欧美日韩一区二区视频在线观看视频在线 | 国产日韩欧美在线精品| 日韩国内少妇激情av| 国产免费福利视频在线观看| 亚洲精品自拍成人| 免费看日本二区| 看非洲黑人一级黄片| 久久久久久久久久黄片| 久久99热这里只频精品6学生 | 亚洲久久久久久中文字幕| 乱码一卡2卡4卡精品| 中文字幕制服av| 老司机福利观看| 青春草视频在线免费观看| 在线播放无遮挡| 国产高清不卡午夜福利| 蜜臀久久99精品久久宅男| 国产精品,欧美在线| 日本爱情动作片www.在线观看| 国内精品宾馆在线| 久久精品国产鲁丝片午夜精品| 亚洲婷婷狠狠爱综合网| 国产精品国产三级国产专区5o | 国产成人freesex在线| 大香蕉久久网| .国产精品久久| 老司机影院毛片| 97人妻精品一区二区三区麻豆| 1000部很黄的大片| 亚洲精品亚洲一区二区| 精品久久久久久电影网 | 精品久久久久久成人av| av在线亚洲专区| 纵有疾风起免费观看全集完整版 | 91狼人影院| 中文天堂在线官网| 日韩 亚洲 欧美在线| 国产成人91sexporn| a级毛片免费高清观看在线播放| 嫩草影院入口| 久久久久九九精品影院| 日韩亚洲欧美综合| 又爽又黄无遮挡网站| 真实男女啪啪啪动态图| 国产精品人妻久久久久久| 在线观看av片永久免费下载| 日本与韩国留学比较| 免费av毛片视频| 日韩成人av中文字幕在线观看| 国产老妇伦熟女老妇高清| 亚洲精品456在线播放app| 青春草视频在线免费观看| 人体艺术视频欧美日本| 国产亚洲91精品色在线| 91久久精品国产一区二区成人| av免费在线看不卡| 一级毛片电影观看 | 国产乱来视频区| 国产伦精品一区二区三区四那| 日本-黄色视频高清免费观看| 国产成人91sexporn| 国产一区二区在线观看日韩| 男女下面进入的视频免费午夜| a级毛片免费高清观看在线播放| 国产精品嫩草影院av在线观看| 亚洲欧美精品综合久久99| 国产亚洲精品av在线| 午夜福利高清视频| 久久久久久久久大av| 日日干狠狠操夜夜爽| 国产精品一二三区在线看| 青春草视频在线免费观看| 熟女电影av网| 国产精品一区二区性色av| 黄片无遮挡物在线观看| 一级毛片电影观看 | 久久草成人影院| 超碰97精品在线观看| 日日摸夜夜添夜夜添av毛片| 亚洲av免费在线观看| 91久久精品国产一区二区成人| 亚洲国产精品久久男人天堂| 亚洲三级黄色毛片| 精品熟女少妇av免费看| 久久久亚洲精品成人影院| 精品午夜福利在线看| a级毛片免费高清观看在线播放| 精品人妻熟女av久视频| 亚洲精品一区蜜桃| 三级男女做爰猛烈吃奶摸视频| 少妇丰满av| 毛片一级片免费看久久久久| 国产黄色小视频在线观看| 非洲黑人性xxxx精品又粗又长| 免费人成在线观看视频色| 你懂的网址亚洲精品在线观看 | 三级毛片av免费| 亚洲人成网站在线观看播放| 亚洲欧洲国产日韩| 久久久久久伊人网av| 青青草视频在线视频观看| 精品人妻熟女av久视频| 亚洲人成网站高清观看| 国产黄片美女视频| 美女大奶头视频| 中国国产av一级| 国产精品美女特级片免费视频播放器| 国产又黄又爽又无遮挡在线| 成年版毛片免费区| 国产 一区精品| 国产精品精品国产色婷婷| 免费观看性生交大片5| 少妇人妻精品综合一区二区| a级一级毛片免费在线观看| 寂寞人妻少妇视频99o| 黑人高潮一二区| 在现免费观看毛片| 国产 一区 欧美 日韩| 国产探花极品一区二区| 看非洲黑人一级黄片| 两个人视频免费观看高清| 久热久热在线精品观看| 不卡视频在线观看欧美| 最新中文字幕久久久久| 一个人观看的视频www高清免费观看| 亚洲美女搞黄在线观看| 插逼视频在线观看| 国产私拍福利视频在线观看| 最近中文字幕高清免费大全6| 久久综合国产亚洲精品| av女优亚洲男人天堂| 99热这里只有是精品50| 欧美日韩一区二区视频在线观看视频在线 | 久久久久国产网址| 热99在线观看视频| 一个人观看的视频www高清免费观看| 别揉我奶头 嗯啊视频| 黄色日韩在线| 久久亚洲精品不卡| 亚洲婷婷狠狠爱综合网| 亚洲在线观看片| 欧美一级a爱片免费观看看| 一级爰片在线观看| 日本黄色视频三级网站网址| 亚洲精品日韩av片在线观看| 青青草视频在线视频观看| 禁无遮挡网站| videos熟女内射| 国产成人freesex在线| 国产伦精品一区二区三区视频9| 欧美成人a在线观看| 亚洲国产成人一精品久久久| 三级经典国产精品| 久久久成人免费电影| 久久国内精品自在自线图片| 亚洲在线观看片| 亚洲精品自拍成人| 国产精品嫩草影院av在线观看| 国产av一区在线观看免费| 日韩欧美 国产精品| 免费大片18禁| 亚洲国产精品国产精品| 我的老师免费观看完整版| 欧美性感艳星| 亚洲av不卡在线观看| 国产精品一区二区在线观看99 | 欧美精品一区二区大全| 日韩一区二区视频免费看| 亚洲精品aⅴ在线观看| 国产亚洲午夜精品一区二区久久 | 久久久久久久久久久免费av| 99在线视频只有这里精品首页| a级一级毛片免费在线观看| ponron亚洲| 久久久国产成人精品二区| 日本一本二区三区精品| 一个人看的www免费观看视频| 亚洲av成人精品一二三区| 国产免费视频播放在线视频 | 韩国高清视频一区二区三区| 99久久九九国产精品国产免费| 亚洲av男天堂| 少妇人妻精品综合一区二区| 人妻制服诱惑在线中文字幕| 97超视频在线观看视频| 99热这里只有是精品在线观看| 久久久久国产网址| 日韩制服骚丝袜av| 国产片特级美女逼逼视频| av在线亚洲专区| 免费电影在线观看免费观看| 久久精品国产99精品国产亚洲性色| 最近中文字幕2019免费版| 日韩一区二区视频免费看| 色噜噜av男人的天堂激情| 99久久精品国产国产毛片| 天堂av国产一区二区熟女人妻| 我的女老师完整版在线观看| 老司机影院成人| 人人妻人人看人人澡| 哪个播放器可以免费观看大片| 色播亚洲综合网| 亚洲人成网站高清观看| 中文字幕av成人在线电影| 女人十人毛片免费观看3o分钟| 欧美高清性xxxxhd video| 国产午夜福利久久久久久| 天堂√8在线中文| 亚洲成人久久爱视频| 亚洲国产日韩欧美精品在线观看| 亚洲欧美日韩无卡精品| 国产高清有码在线观看视频| 高清在线视频一区二区三区 | 永久网站在线| 狂野欧美激情性xxxx在线观看| 亚洲一区高清亚洲精品| 老司机福利观看| 一级黄色大片毛片| 九九热线精品视视频播放| 色视频www国产| 岛国毛片在线播放| 色吧在线观看| 最近的中文字幕免费完整| 国产成人精品久久久久久| 国产欧美另类精品又又久久亚洲欧美| 午夜激情欧美在线| 免费无遮挡裸体视频| 爱豆传媒免费全集在线观看| 乱系列少妇在线播放| 亚洲无线观看免费| 一个人观看的视频www高清免费观看| 18禁动态无遮挡网站| 最近中文字幕2019免费版| 国产国拍精品亚洲av在线观看| 麻豆精品久久久久久蜜桃| 99视频精品全部免费 在线| a级毛片免费高清观看在线播放| 如何舔出高潮| 色网站视频免费| 国国产精品蜜臀av免费| 日本黄色片子视频| 色网站视频免费| 简卡轻食公司| 国产一区有黄有色的免费视频 | 亚洲国产精品国产精品| 婷婷色麻豆天堂久久 | 国产伦在线观看视频一区| 国产精品久久久久久精品电影| 久久精品夜色国产| 大香蕉久久网| 亚洲av免费在线观看| 午夜福利成人在线免费观看| av.在线天堂| 免费大片18禁| 全区人妻精品视频| 国产精品一区二区三区四区久久| 国产精品伦人一区二区| 中文天堂在线官网| 日韩av在线大香蕉| 国产伦精品一区二区三区四那| 久久精品久久久久久噜噜老黄 | 国产熟女欧美一区二区| 最近视频中文字幕2019在线8| av在线老鸭窝| 国产一区二区三区av在线| 毛片女人毛片| 欧美日本视频| av又黄又爽大尺度在线免费看 | 亚洲欧美日韩卡通动漫| 国产欧美日韩精品一区二区| 69人妻影院| 在现免费观看毛片| 日本一本二区三区精品| 日本五十路高清| 免费观看性生交大片5| 国产v大片淫在线免费观看| 大话2 男鬼变身卡| 好男人视频免费观看在线| 亚洲欧美成人精品一区二区| av免费在线看不卡| 女人被狂操c到高潮| 日本-黄色视频高清免费观看| 观看美女的网站| 国产精品一及| 五月玫瑰六月丁香| 女人被狂操c到高潮| 成年女人看的毛片在线观看| 日本爱情动作片www.在线观看| 99热这里只有是精品50| 婷婷六月久久综合丁香| 免费在线观看成人毛片| 国产午夜福利久久久久久| 性插视频无遮挡在线免费观看| 欧美+日韩+精品| 日本猛色少妇xxxxx猛交久久| 久久精品国产鲁丝片午夜精品| 自拍偷自拍亚洲精品老妇| 亚洲欧美日韩高清专用| 一级黄色大片毛片| 亚洲av熟女| 熟妇人妻久久中文字幕3abv| 国产高清视频在线观看网站| 亚洲精品一区蜜桃| 男人舔女人下体高潮全视频| 韩国高清视频一区二区三区| 身体一侧抽搐| av国产久精品久网站免费入址| 国产毛片a区久久久久| 非洲黑人性xxxx精品又粗又长| 日韩成人伦理影院| 国产亚洲午夜精品一区二区久久 | 国产伦精品一区二区三区视频9| 啦啦啦啦在线视频资源| 男女啪啪激烈高潮av片| 国产淫片久久久久久久久| 日本免费在线观看一区| 观看美女的网站| a级一级毛片免费在线观看| 日韩欧美三级三区| 亚洲国产精品久久男人天堂| 哪个播放器可以免费观看大片| 国产色爽女视频免费观看| 午夜福利在线在线| 中文乱码字字幕精品一区二区三区 | 午夜福利视频1000在线观看| 亚洲成色77777| av在线播放精品| 国产伦在线观看视频一区| 色综合站精品国产| 久久人妻av系列| 少妇丰满av| 蜜桃亚洲精品一区二区三区| 蜜臀久久99精品久久宅男| 国产人妻一区二区三区在| 欧美三级亚洲精品| 嫩草影院入口| 日韩国内少妇激情av| 在线观看美女被高潮喷水网站| 欧美97在线视频| 日韩欧美三级三区| av黄色大香蕉| 国产色婷婷99| 免费av观看视频| 成年女人永久免费观看视频| 亚洲在线自拍视频| 久久国产乱子免费精品| 亚洲一区高清亚洲精品| 国产爱豆传媒在线观看| 亚洲综合精品二区| 亚洲经典国产精华液单| 欧美zozozo另类| 久久久久久久久久成人| 国产精品爽爽va在线观看网站| 秋霞伦理黄片| 成年女人永久免费观看视频| 日韩视频在线欧美| 久久人人爽人人爽人人片va| 亚洲在线自拍视频| 亚洲av免费在线观看| 大又大粗又爽又黄少妇毛片口| 69av精品久久久久久| 亚洲成av人片在线播放无| 久久精品综合一区二区三区| 欧美97在线视频| 久久精品影院6| 亚洲三级黄色毛片| 又粗又硬又长又爽又黄的视频| 国产成人精品一,二区| 免费不卡的大黄色大毛片视频在线观看 | 免费av毛片视频| 内地一区二区视频在线| 91aial.com中文字幕在线观看| 干丝袜人妻中文字幕| 2021天堂中文幕一二区在线观| 久久人人爽人人片av| 91久久精品电影网| 亚洲欧美日韩高清专用| 一区二区三区高清视频在线| 久久久色成人| 国内精品美女久久久久久| 亚洲欧美日韩高清专用| 边亲边吃奶的免费视频| 亚洲成人久久爱视频| 国产三级中文精品| 久久99热6这里只有精品| 亚洲欧美精品专区久久| 国产视频内射| 日韩欧美精品v在线| 99久国产av精品| 少妇被粗大猛烈的视频| 成人亚洲精品av一区二区| 热99在线观看视频| 99在线人妻在线中文字幕| 插阴视频在线观看视频| 夜夜看夜夜爽夜夜摸| 好男人在线观看高清免费视频| 在线天堂最新版资源|