• <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 ?

    InsunKBQA:一個基于知識庫的問答系統

    2017-11-08 12:11:51周博通孫承杰林磊劉秉權
    智能計算機與應用 2017年5期
    關鍵詞:注意力機制知識庫

    周博通 孫承杰 林磊 劉秉權

    摘要: 針對大規(guī)模知識庫問答的特點,構建了1個包含3個主要步驟的問答系統:問句中的命名實體識別、問句與屬性的映射和答案選擇。使用基于別名詞典的排序方法進行命名實體識別,使用結合注意力機制的雙向LSTM進行屬性映射,最后綜合前2步的結果從知識庫中選擇答案。該系統在NLPCC-ICCPOL 2016 KBQA任務提供的測試數據集上的平均F1值為0.809 7,接近已發(fā)表的最好水平。

    關鍵詞: 知識庫; 自動問答; 語義相似度; 注意力機制

    中圖分類號: TP391

    文獻標志碼: A

    文章編號: 2095-2163(2017)05-0150-05

    Abstract: To solve the specific problem in KBQA, the paper builds a question answering system based on large scale Chinese knowledge base. This system consists of three main steps: recognition of named entity in question, mapping from question to property in KB, and answering selection. In the research, use alias dictionary based ranking method to recognize named entity contained in question, and attention mechanism with bidirectional LSTM for questionproperty mapping. Finally, exploit results of first two steps to select the answer from knowledge base.The average F1 value of this system in NLPCCICCPOL 2016 KBQA task is 0.809 7, which is competitive with the best result.

    Keywords: knowledge base; question answering; semantic similarity; attention mechanism

    0引言

    基于知識庫的自動問答的核心在于對問句的語義理解。輸入的問句是自然語言形式,而知識庫中的信息卻是結構化存儲的,同時問句的表述與知識庫中存儲的信息的表述也存在較大的差異。如輸入的問句為“請問華仔的妻子是誰啊?”,而知識庫中相關的三元組為(“劉德華(香港著名歌手、演員)”,“配偶”,“朱麗倩”)。如何找到“華仔”與“劉德華”、“妻子”與“配偶”之前存在的聯系,是解決這類問題的關鍵。

    目前主流的研究方法可以分為2類:基于語義分析(Semantic Parsing-based, SP-based)的方法和基于信息檢索(Information Retrieve-based, IR-based)的方法[1]?;谡Z義分析的方法首先將自然語言形式的問句轉換為某種邏輯表達形式,如lambda表達式等,然后查詢知識庫,找到問題的答案。基于信息檢索的方法首先通過粗略的方式從知識庫中獲取一系列的候選答案,然后抽取候選答案、問句與候選答案間的關系等方面的特征,對候選答案進行排序,選擇排名靠前的作為最終的答案。

    本文將基于知識庫的自動問答分為2個步驟:命名實體識別和屬性映射。在命名實體識別步驟中,本文使用基于排序的方法,首先構造別名詞典以獲取候選命名實體,然后對其進行排序;在屬性映射步驟中,本文采用結合注意力機制的雙向LSTM模型計算屬性與問句的語義相關程度。

    本文剩余部分的內容組織如下:第1節(jié)介紹了基于知識庫的自動問答系統的國內外研究現狀,第2節(jié)研究提出了具體命名實體識別和屬性映射步驟采用的方法,第3節(jié)則探討設定了所采用的數據集和評價指標,進而闡述展示了實驗結果。

    1國內外研究現狀

    基于知識庫的自動問答系統在人工智能領域具有很長的發(fā)展歷史。早期的研究主要針對小規(guī)模的專用知識庫,使用的方法以語義分析為主。但這種方法往往需要人工標注“自然語言語句-邏輯表達形式”對,需要花費大量精力。后來研究人員利用問答對或其它形式的語料,基于弱監(jiān)督學習方法進行語義解析。如前所述,目前主流的研究方法主要分為基于語義分析的方法和基于信息檢索的方法兩大類?;谡Z義分析的方法側重于將自然語言形式的問句轉換為某種邏輯表達式,常見的有l(wèi)ambda表達式[2]和依存組合語義樹[3]等,然后從知識庫中獲取答案。

    基于信息檢索的方法側重于抽取相關特征對候選答案進行排序。Yao等人[4]使用依存分析技術,獲得問題的依存分析樹,然后找到問句中涉及的主題,從知識庫中找到對應的主題圖Topic Graph,根據問題的依存樹和主題圖抽取特征,將其送入邏輯回歸模型中進行排序。隨著神經網絡技術的不斷進步, Bordes等人[5-6]使用前饋神經網絡對候選答案的各方面信息設計生成編碼,將問句和候選分別轉換為維度相同的實數向量,最后以2個向量的點積作為候選答案的得分。Li等人[1]使用Multi-Column CNN分別對問句中隱含的答案類型、關系和上下文信息進行編碼,同時對候選答案的這3類信息也給出了設計編碼,最后對這3類信息的語義向量的點積經由加權處理得到最后的得分。Zhang等人[7]在文獻[1]的基礎上,使用注意力機制對于候選答案的不同內容訓練不同的問句表示。

    在中文領域,2016年的NLPCC-ICCPOL KBQA任務提供了一個大規(guī)模的知識庫,在此基礎上,展開了相關的研究工作。Wang等人[8]使用卷積神經網絡和GRU模型進行問句的語義表示。Xie等人 [9]使用CNN網絡研發(fā)命名實體識別,并使用BiLSTM和CNN具體實現屬性映射。Yang等人[10]通過提取多種特征,使用GBDT模型探索推進命名實體識別研究,使用NBSVM和CNN支持設計屬性映射。Lai等人[11]通過簡單的詞向量余弦相似度運算,結合細粒度的分詞進行屬性映射,同時結合多種人工構造的規(guī)則和特征,在該任務上取得了最好的效果。endprint

    2基于LSTM模型和注意力機制的問答系統

    本文將基于知識庫的自動問答拆分為2個主要步驟:命名實體識別步驟和屬性映射步驟。其中,實體識別步驟的目的是找到問句中詢問的實體名稱,而屬性映射步驟的目的在于找到問句中詢問的相關屬性。該系統的大體框圖如圖1所示。

    如圖1所示,輸入的問句為“石頭記是誰寫的?”,首先通過實體識別步驟找出其中提及實體的部分“石頭記”,進而找到知識庫中所有正式名或別名為“石頭記”的所有實體作為候選實體。如“紅樓夢(小說)”和“紅樓夢(電視?。?;屬性映射將候選實體的所有相關屬性作為候選相關屬性,在本例中即為“作者”、“創(chuàng)作年代”和“導演”,然后計算每個候選屬性與問句剩余部分,即“__是誰寫的?”的語義相關度,選擇得分最高的屬性“作者”;最后通過查詢知識庫,得到三元組(“紅樓夢(小說)”,“作者”,“曹雪芹”),最終得到問題的答案“曹雪芹”。

    2.1知識庫簡介及預處理

    本文所采用的知識庫由NLPCC-ICCPOL 2016 KBQA任務有效提供。該知識庫是中文領域第一個大規(guī)模的通用知識庫,包含6 502 738個實體、587 875個屬性以及43 063 796個三元組。知識庫文件中每行存儲一個事實(fact),即三元組(實體、屬性、屬性值)。因此,該知識庫本質上是一個三元組的集合。該知識庫中的內容如表1所示。

    同時,該知識庫中存在同一實體的三元組分布在知識庫文件中不同位置的情況。為了提高知識庫查詢的效率,本文將關于同一實體的所有三元組集中起來,并為知識庫建立索引文件。索引文件每行的格式為:實體名、起始位置、內容長度,表示每個實體的所有內容在知識庫文件中的起始位置和內容的總長度(均以字節(jié)為單位)。在知識庫中查找某一實體時,首先從索引文件中獲得該實體的起始位置和內容長度,直接從知識庫文件中找到該實體的所有信息,而不用從頭至尾遍歷知識庫,極大地提高了知識庫的查詢效率。

    2.2命名實體識別

    實體識別步驟的目的在于找出問題中詢問的命名實體。該部分的大體框架如圖2所示。首先根據別名詞典查找問句中存在的所有命名實體作為候選。圖2的候選集合中每個候選的淺色部分表示候選實體名及其在問句中的位置。此后通過模型為每個候選命名實體計算一個得分NER_SCORE,選取得分最高者作為正確命名實體。

    2.2.1別名詞典構建

    本文首先構建一個別名詞典,用于命名實體識別步驟的候選獲取,同時也可以查找某個命名實體能夠指代的所有實體。本文使用模版來匹配NLPCC知識庫中具有別名意義的屬性,抽取相關別名信息。如果一個屬性能夠匹配下列模版之一,則將其對應的屬性值作為對應的實體的別名。具體情況如下所示:

    1)以“名”結尾:別名、中文名、英文名、原名等。(第X名、排名等除外)。

    2)以“稱”結尾:別稱、全稱、簡稱、舊稱等。(XX職稱等除外)。

    3)以“名稱”結尾:中文名稱、其它名稱等。(專輯名稱、粉絲名稱等除外)。

    除此之外,如果實體名中存在括號,如“紅樓夢(中國古典長篇小說)”,則將括號之外的部分作為該實體的別名,即“紅樓夢”作為實體“紅樓夢(中國古典長篇小說)”的別名。如果實體名中包含書名號,如“《計算機基礎》”,則將書名號內的部分作為該實體的別名,即“計算機基礎”作為實體“《計算機基礎》”的別名。根據上述方法,最終得到一個包含了7 304 663個別名的別名詞典。

    2.2.2候選命名實體排序

    通過對大量問答樣例的觀察,本文抽取2個相關特征進行候選命名實體的排序,分別為候選命名實體的長度L(以字為單位)和逆文檔頻率(Inverse Document Frequency,IDF)。通過對2個特征的加權得到候選命名實體的得分。如下所示:

    NER_SCORE=α*L+(1-α)*IDF[JY](1)

    2.3屬性映射

    經過命名實體識別步驟,對于輸入的問句“裝備戰(zhàn)傷理論與技術是哪個出版社出版的?”,可以得到其詢問的命名實體“裝備戰(zhàn)傷理論與技術”。依據別名詞典,可以找到知識庫中以該命名實體為正式名或別名的所有候選實體,本例中只有一個實體:一本名為“裝備戰(zhàn)傷理論與技術”的書籍。知識庫中關于該實體的三元組共5個,其屬性分別為“別名”、“中文名”、“出版社”、“平裝”和“開本”。屬性映射步驟的目的在于找出這5個候選屬性中與問句語義最為相近的屬性,該屬性即為問句詢問的內容。

    本文使用長短時記憶網絡(Long Short Term Memory,LSTM)對問句和屬性進行編碼,得到對應的語義向量,計算這2個向量的余弦相似度來表示問句與屬性的語義度。

    在對數據進行觀察和簡單實驗后,研究發(fā)現屬性映射階段的重點在于找到屬性中的單詞與問句中的單詞的對應關系。如問句“請問西游記是什么時候寫的?”與知識庫中的屬性“創(chuàng)作年代”就存在這種對應關系:“創(chuàng)作”和“寫”、“年代”和“時候”,而這種對應關系可以通過這種注意力機制更好地發(fā)現。因此,本文根據文獻[12]中應用于卷積神經網絡的注意力機制的啟發(fā),融合注意力機制與卷積神經網絡進行屬性映射。

    2.3.1基于雙向LSTM的語義編碼

    使用雙向LSTM對輸入的問句和屬性獨立進行編碼,得到對應的語義向量,如圖3所示。

    由圖3可知,輸入語句首先經過詞嵌入層,將單詞映射為固定維度的詞向量。然后送入雙向LSTM中,將雙向LSTM每一時刻的輸出取平均,將得到的結果送入一個全連接層,最終得到輸入語句對應的語義編碼。

    2.3.2基于單詞語義相似度的注意力機制

    本節(jié)對研究應用的注意力機制進行具體介紹。該注意力機制首先需要計算一個注意力矩陣,如圖4所示。endprint

    2.3.3額外詞匯特征

    為了進一步提高屬性映射的結果,本文抽取2個額外的詞匯特征,然后與雙向LSTM的輸出一起送入邏輯斯蒂回歸模型中,得到屬性映射步驟的最后得分PROP_SCORE。人工選擇的特征根據屬性與問句的重疊長度(以字為單位)計算,即屬性與問句中共有的字的個數除以屬性的長度得到特征OVP,除以問句的長度得到特征OVQ。

    2.4答案選擇

    [2.4.1命名實體重排序

    在選擇答案前,首先使用屬性映射步驟的得分對命名實體識別的結果進行重排序。假如在實體識別步驟,正確的命名實體沒有排在第一位,在屬性映射步驟,其候選屬性的最高得分仍然會高于錯誤的命名實體。考慮問題“李軍醫(yī)生是什么學校畢業(yè)的”,在命名實體識別步驟,正確的命名實體“李軍”的得分2.81要低于“軍醫(yī)”的得分3.23。但“李軍”對應的屬性識別步驟的最優(yōu)相關屬性為“畢業(yè)院?!保梅譃?.97,該分數要遠高于“軍醫(yī)”對應的最優(yōu)屬性識別“出版社”的得分0.30。由表4可以看出,在測試集上該模型的準確率可以達到94.56%,而正確候選得分排在前3位(Top3)的樣例已經達到99.13%。

    本文使用中文維基百科作為語料,使用Google word2vec工具訓練詞向量,詞向量維度為300。屬性映射步驟的BiLSTM的隱含層為200維。在進行模型訓練時,由于數據集中正例遠少于負例,因此本文將正例進行重復,達到與負例相同的程度,最終正負例比例為1∶1。表5給出了指定幾種模型的訓練和測試結果。

    [官方評測最終結果采用的評價指標為平均F1值。由于每個樣例的標準答案和候選答案均為集合的形式,因此每個樣例都可以得到一個F1值,最后取所有樣例F1值的平均。

    選用在屬性識別上取得最好結果的模型。經過在NLPCC問答數據集上進行實驗,發(fā)現當對命名實體識別重排序的權重α取0.3時,可以取得最好的問答結果。在NLPCC提供的數據集上進行實驗,得到實驗結果如表6所示。

    從表7和表8中可以看出,使用屬性映射步驟的結果對候選命名實體進行重排序后,命名實體識別的準確率有了很大的提升,問答的準確率也隨之提升。

    與參與NLPCC-ICCPOL 2016 KBQA評測任務的所有結果相比,前2名的結果分別為0.824 4與0.815 9。但這兩者都使用了其它較復雜的特征和人工規(guī)則。本文在僅使用神經網絡模型和少量簡單文本特征的情況下,取得了與其接近的效果,證明了本文提出的模型在該任務上的有效性。

    4結束語

    實體識別和屬性映射是構建基于大規(guī)模知識庫問答系統的2個難點,本文提出了相應的方法解決這2個挑戰(zhàn)。在展開實體識別研究時,首先采用別名詞典獲取候選,然后抽取相關特征進行排序。在探討屬性映射時,考慮到屬性與問句中的詞對應關系,使用結合注意力機制的雙向LSTM模型,再結合簡單文本特征獲取正確的屬性。在得到屬性映射的結果后,利用其對命名實體識別的結果進行重排序,然后實現答案選擇。本文構建的問答系統在NLPCC-ICCPOL 2016 KBQA任務的數據集上取得了接近目前已發(fā)表最好成績的效果。

    參考文獻:

    LI Dong, WEI Furu, ZHOU Ming, et al. Question answering over freebase with multicolumn convolutional neural networks[C]//Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing. Beijing, China:ACL, 2015:260-269.

    [2] ZETTLEMOYER L S, COLLINS M. Learning to map sentences to logical form: Structured classification with probabilistic categorial grammars[C]// Proceeding UAI'05 Proceedings of the TwentyFirst Conference on Uncertainty in Artificial Intelligence. Edinburgh, Scotland:ACM, 2005:658-666.

    [3] BERANT J, CHOU A, FROSTIG R, et al. Semantic parsing on freebase from questionanswer pairs[C]// EMNLP. Seattle, Washington, USA:ACL, 2013: 6.

    [4] YAO X, DURME B V. Information extraction over structured data: Question answering with freebase[C]// Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics. Baltimore: ACL, 2014: 956-966.

    [5] BORDES A, CHOPRA S, WESTON J. Question answering with subgraph embeddings[J]. arXiv preprint arXiv:1406.3676, 2014.endprint

    [6] BORDES A, WESTON J, USUNIER N. Open question answering with weakly supervised embedding models[C]//ECML PKDD 2014 Proceedings of the European Conference on Machine Learning and Knowledge Discovery in Databases. Nancy, France:ACM, 2014: 165-180.

    [7] ZHANG Y, LIU K, HE S, et al. Question answering over knowledge base with neural attention combining global knowledge information[J]. arXiv preprint arXiv:1606.00979, 2016.

    [8] WANG Linjie, ZHANG Yu, LIU Ting. A deep learning approach for question answering over knowledge base[M]// LIN C Y, XUE N, ZHAO D, et al. Natural Language Understanding and Intelligent Applications. ICCPOL 2016, NLPCC 2016. Lecture Notes in Computer Science, Cham:Springer, 2016: 885-892.

    [9] XIE Zhiwen, ZENG Zhao, ZHOU Guangyou, et al. Knowledge base question answering based on deep learning models[C]// LIN C Y, XUE N, ZHAO D, et al. Natural Language Understanding and Intelligent Applications. ICCPOL 2016, NLPCC 2016. Lecture Notes in Computer Science. Cham:Springer, 2016: 300-311.

    [10]YANG Fengyu, GAN Liang, LI Aiping, et al. Combining deep learning with information retrieval for question answering[C]//LIN C Y, XUE N, ZHAO D, et al. Natural Language Understanding and Intelligent Applications. ICCPOL 2016, NLPCC 2016. Lecture Notes in Computer Science. Cham:Springer, 2016: 917-925.

    [11]LAI Yuxuan, LIN Yang, CHEN Jiahao, et al. Open domain question answering system based on knowledge base[C]// LIn C Y, XUE N, ZHAO D, et al. Natural Language Understanding and Intelligent Applications. ICCPOL 2016, NLPCC 2016. Lecture Notes in Computer Science. Cham: Springer,2016: 722-733.

    [12]YIN W, SCHTZE H, XIANG B, et al. Abcnn: Attentionbased convolutional neural network for modeling sentence pairs[J]. arXiv preprint arXiv:1512.05193, 2015.endprint

    猜你喜歡
    注意力機制知識庫
    漢語近義詞辨析知識庫構建研究
    基于序列到序列模型的文本到信息框生成的研究
    基于TRIZ與知識庫的創(chuàng)新模型構建及在注塑機設計中的應用
    面向短文本的網絡輿情話題
    基于自注意力與動態(tài)路由的文本建模方法
    軟件導刊(2019年1期)2019-06-07 15:08:13
    基于深度學習的問題回答技術研究
    美國高校機構知識庫開放獲取政策調查
    圖書館建設(2018年8期)2018-08-31 02:20:56
    基于LSTM?Attention神經網絡的文本特征提取方法
    基于注意力機制的雙向LSTM模型在中文商品評論情感分類中的研究
    軟件工程(2017年11期)2018-01-05 08:06:09
    高速公路信息系統維護知識庫的建立和應用
    三级毛片av免费| 激情视频va一区二区三区| 欧美亚洲日本最大视频资源| 他把我摸到了高潮在线观看| 男女免费视频国产| 黑人巨大精品欧美一区二区mp4| 日本黄色视频三级网站网址 | 亚洲熟妇熟女久久| 亚洲av熟女| 国产极品粉嫩免费观看在线| 久久热在线av| 精品国产超薄肉色丝袜足j| 亚洲国产看品久久| 美女高潮到喷水免费观看| 最新的欧美精品一区二区| 中出人妻视频一区二区| 91在线观看av| 久久精品国产a三级三级三级| 99热只有精品国产| 在线观看免费日韩欧美大片| 国产aⅴ精品一区二区三区波| 女人爽到高潮嗷嗷叫在线视频| 黄色 视频免费看| 国产av一区二区精品久久| 男女之事视频高清在线观看| 首页视频小说图片口味搜索| 精品卡一卡二卡四卡免费| 国产99白浆流出| 日韩欧美一区二区三区在线观看 | 精品第一国产精品| 又黄又爽又免费观看的视频| 村上凉子中文字幕在线| 一个人免费在线观看的高清视频| 一级作爱视频免费观看| 国精品久久久久久国模美| 亚洲中文字幕日韩| 国产蜜桃级精品一区二区三区 | a级毛片黄视频| 12—13女人毛片做爰片一| 亚洲精品一二三| cao死你这个sao货| 777米奇影视久久| 亚洲专区字幕在线| 亚洲欧美色中文字幕在线| tube8黄色片| 久久久水蜜桃国产精品网| a在线观看视频网站| √禁漫天堂资源中文www| 国产精品乱码一区二三区的特点 | 999久久久精品免费观看国产| 亚洲国产看品久久| 久久久久久久久久久久大奶| 丰满人妻熟妇乱又伦精品不卡| 成年版毛片免费区| 精品视频人人做人人爽| 69av精品久久久久久| 亚洲成国产人片在线观看| 亚洲午夜理论影院| 欧美av亚洲av综合av国产av| 亚洲性夜色夜夜综合| av福利片在线| 精品久久久精品久久久| 天天影视国产精品| 男女免费视频国产| 久久ye,这里只有精品| 午夜激情av网站| 巨乳人妻的诱惑在线观看| 国产有黄有色有爽视频| e午夜精品久久久久久久| 色播在线永久视频| 欧美av亚洲av综合av国产av| а√天堂www在线а√下载 | 欧美日本中文国产一区发布| 国产成人av教育| 国产激情欧美一区二区| 精品电影一区二区在线| 岛国毛片在线播放| 精品一区二区三区四区五区乱码| 日韩免费高清中文字幕av| 日本五十路高清| 亚洲av日韩精品久久久久久密| 久久久国产成人免费| 黄色a级毛片大全视频| 激情视频va一区二区三区| 日韩欧美三级三区| 黄片大片在线免费观看| 久久午夜综合久久蜜桃| 成人av一区二区三区在线看| 大陆偷拍与自拍| 老司机午夜十八禁免费视频| 女人爽到高潮嗷嗷叫在线视频| av天堂在线播放| 国产三级黄色录像| 免费在线观看黄色视频的| 人人澡人人妻人| 不卡一级毛片| 成在线人永久免费视频| 久久草成人影院| 两性午夜刺激爽爽歪歪视频在线观看 | 在线观看免费视频日本深夜| 18禁国产床啪视频网站| 成年人黄色毛片网站| 午夜免费鲁丝| 午夜免费成人在线视频| 99国产精品一区二区蜜桃av | 99国产精品免费福利视频| 久久久国产成人免费| 国产1区2区3区精品| 18禁观看日本| 国产精品一区二区在线观看99| 精品一区二区三区四区五区乱码| 欧美激情久久久久久爽电影 | av中文乱码字幕在线| 成在线人永久免费视频| 欧美成人免费av一区二区三区 | 女人久久www免费人成看片| 精品国产一区二区久久| 亚洲自偷自拍图片 自拍| 在线观看一区二区三区激情| 夜夜爽天天搞| 看免费av毛片| 午夜影院日韩av| 99国产精品一区二区蜜桃av | 日韩熟女老妇一区二区性免费视频| 一进一出抽搐动态| 免费在线观看视频国产中文字幕亚洲| 日本欧美视频一区| 日韩有码中文字幕| 香蕉久久夜色| 另类亚洲欧美激情| 久久九九热精品免费| 亚洲精品久久午夜乱码| 国产成人系列免费观看| 桃红色精品国产亚洲av| 精品卡一卡二卡四卡免费| 欧美精品高潮呻吟av久久| 最近最新中文字幕大全免费视频| 丰满人妻熟妇乱又伦精品不卡| 精品国产亚洲在线| 国产午夜精品久久久久久| 国产精品秋霞免费鲁丝片| 亚洲欧美一区二区三区久久| 80岁老熟妇乱子伦牲交| 久久久精品国产亚洲av高清涩受| 看片在线看免费视频| 久久精品国产a三级三级三级| 国产伦人伦偷精品视频| 国产精品 欧美亚洲| 中文亚洲av片在线观看爽 | 91九色精品人成在线观看| 亚洲欧美色中文字幕在线| 国产有黄有色有爽视频| 国产亚洲欧美精品永久| 成人永久免费在线观看视频| 一区福利在线观看| 桃红色精品国产亚洲av| 中文字幕精品免费在线观看视频| 精品乱码久久久久久99久播| 国产成人免费观看mmmm| 久久香蕉精品热| 老汉色av国产亚洲站长工具| av网站在线播放免费| 麻豆乱淫一区二区| 大陆偷拍与自拍| 免费久久久久久久精品成人欧美视频| 女人被躁到高潮嗷嗷叫费观| 99国产精品一区二区蜜桃av | 国产免费现黄频在线看| 久久香蕉激情| 无限看片的www在线观看| 亚洲片人在线观看| 视频区图区小说| 欧美乱色亚洲激情| 久久天堂一区二区三区四区| 国产国语露脸激情在线看| 香蕉久久夜色| 久久久久精品人妻al黑| 自拍欧美九色日韩亚洲蝌蚪91| 麻豆成人av在线观看| 国产一区二区激情短视频| 久久久久久亚洲精品国产蜜桃av| 午夜两性在线视频| 久久精品人人爽人人爽视色| 免费av中文字幕在线| 999久久久精品免费观看国产| 亚洲av日韩精品久久久久久密| 欧美黄色淫秽网站| 亚洲精品国产区一区二| 亚洲国产精品一区二区三区在线| 精品国内亚洲2022精品成人 | 超色免费av| av国产精品久久久久影院| 在线视频色国产色| 在线观看午夜福利视频| 亚洲av成人一区二区三| 欧美午夜高清在线| 黄色片一级片一级黄色片| 成年人午夜在线观看视频| 99国产精品免费福利视频| 十分钟在线观看高清视频www| 欧美激情久久久久久爽电影 | 在线观看一区二区三区激情| 亚洲人成电影免费在线| 两性午夜刺激爽爽歪歪视频在线观看 | 久久中文看片网| 久久久精品国产亚洲av高清涩受| 变态另类成人亚洲欧美熟女 | 热99久久久久精品小说推荐| e午夜精品久久久久久久| 久久国产精品影院| 国产有黄有色有爽视频| xxxhd国产人妻xxx| 国产亚洲精品第一综合不卡| 色精品久久人妻99蜜桃| 亚洲av片天天在线观看| 亚洲熟妇中文字幕五十中出 | 午夜福利影视在线免费观看| 国产精品香港三级国产av潘金莲| 国产成人精品久久二区二区91| e午夜精品久久久久久久| 男男h啪啪无遮挡| 成人av一区二区三区在线看| 亚洲精品美女久久av网站| 十八禁人妻一区二区| 熟女少妇亚洲综合色aaa.| 一本大道久久a久久精品| 韩国精品一区二区三区| 黄频高清免费视频| 亚洲国产中文字幕在线视频| 日韩中文字幕欧美一区二区| 99在线人妻在线中文字幕 | 日韩中文字幕欧美一区二区| 国产一卡二卡三卡精品| a级毛片在线看网站| 成人三级做爰电影| 亚洲欧美日韩另类电影网站| 精品免费久久久久久久清纯 | 51午夜福利影视在线观看| 久久久久久久久免费视频了| 一区二区日韩欧美中文字幕| 狂野欧美激情性xxxx| 妹子高潮喷水视频| 一级片免费观看大全| 亚洲国产欧美网| 他把我摸到了高潮在线观看| 99久久综合精品五月天人人| 日韩欧美国产一区二区入口| 波多野结衣一区麻豆| 热99国产精品久久久久久7| 中文字幕人妻丝袜一区二区| 多毛熟女@视频| 成人国产一区最新在线观看| 久久精品91无色码中文字幕| av不卡在线播放| 日本黄色日本黄色录像| 制服人妻中文乱码| 国产淫语在线视频| 亚洲免费av在线视频| 日本黄色视频三级网站网址 | 精品国产超薄肉色丝袜足j| а√天堂www在线а√下载 | 亚洲人成电影观看| 亚洲午夜精品一区,二区,三区| 人人妻人人澡人人爽人人夜夜| 亚洲精品国产色婷婷电影| tube8黄色片| 操出白浆在线播放| 精品少妇一区二区三区视频日本电影| 亚洲国产精品一区二区三区在线| 国产成人欧美在线观看 | 一进一出抽搐动态| 每晚都被弄得嗷嗷叫到高潮| 这个男人来自地球电影免费观看| 精品福利观看| 亚洲av第一区精品v没综合| 成人精品一区二区免费| 亚洲精品粉嫩美女一区| 国产在线精品亚洲第一网站| 少妇被粗大的猛进出69影院| 大码成人一级视频| 涩涩av久久男人的天堂| 免费在线观看亚洲国产| 三上悠亚av全集在线观看| 最新的欧美精品一区二区| 在线十欧美十亚洲十日本专区| 国产三级黄色录像| 日日夜夜操网爽| 精品国产美女av久久久久小说| 最新在线观看一区二区三区| 亚洲 国产 在线| 青草久久国产| 日韩中文字幕欧美一区二区| 国产成人影院久久av| 热re99久久国产66热| 人人妻人人爽人人添夜夜欢视频| av一本久久久久| 欧美av亚洲av综合av国产av| 欧美黄色淫秽网站| 91成人精品电影| 99香蕉大伊视频| 午夜两性在线视频| 欧美亚洲 丝袜 人妻 在线| 无限看片的www在线观看| 大香蕉久久网| 免费观看精品视频网站| 亚洲av美国av| 中文字幕最新亚洲高清| 国产av一区二区精品久久| 欧美一级毛片孕妇| tube8黄色片| 精品久久久久久电影网| 自线自在国产av| 中文欧美无线码| 欧美日韩精品网址| 亚洲国产欧美一区二区综合| 久久久久国产精品人妻aⅴ院 | 国产视频一区二区在线看| 大型av网站在线播放| 亚洲欧美一区二区三区久久| 国产精品自产拍在线观看55亚洲 | 男女之事视频高清在线观看| 无限看片的www在线观看| 露出奶头的视频| 人妻丰满熟妇av一区二区三区 | 亚洲第一欧美日韩一区二区三区| 亚洲国产精品sss在线观看 | 制服人妻中文乱码| 欧美激情 高清一区二区三区| 国产精品久久电影中文字幕 | 亚洲人成伊人成综合网2020| 久久久久久久国产电影| 99精品久久久久人妻精品| 精品国产亚洲在线| tocl精华| 超碰97精品在线观看| 中国美女看黄片| 精品福利观看| 麻豆av在线久日| 97人妻天天添夜夜摸| 99国产精品一区二区蜜桃av | 在线观看免费日韩欧美大片| 久久久久久免费高清国产稀缺| 国产成人影院久久av| 黄色成人免费大全| 国产精品 国内视频| 美女国产高潮福利片在线看| 最近最新中文字幕大全免费视频| 曰老女人黄片| 麻豆av在线久日| 777久久人妻少妇嫩草av网站| 亚洲av熟女| 国产精品乱码一区二三区的特点 | av有码第一页| 91精品国产国语对白视频| 久久久久精品人妻al黑| 丁香六月欧美| 成人免费观看视频高清| 成人精品一区二区免费| 色94色欧美一区二区| 国产99久久九九免费精品| 十八禁网站免费在线| 淫妇啪啪啪对白视频| 国产欧美日韩一区二区三| 丰满人妻熟妇乱又伦精品不卡| 精品人妻在线不人妻| 欧洲精品卡2卡3卡4卡5卡区| 一区二区日韩欧美中文字幕| 亚洲欧洲精品一区二区精品久久久| 少妇被粗大的猛进出69影院| 国产日韩一区二区三区精品不卡| 欧美黄色片欧美黄色片| 欧美最黄视频在线播放免费 | 免费女性裸体啪啪无遮挡网站| 国产在视频线精品| 亚洲av熟女| 一边摸一边抽搐一进一出视频| 大型av网站在线播放| 亚洲午夜精品一区,二区,三区| 国产成人精品无人区| 国产精品乱码一区二三区的特点 | 国产精品一区二区在线观看99| 在线国产一区二区在线| 久久国产精品大桥未久av| 亚洲成人手机| 狠狠婷婷综合久久久久久88av| 咕卡用的链子| 久久99一区二区三区| 老司机亚洲免费影院| 国产伦人伦偷精品视频| 成年版毛片免费区| 日韩大码丰满熟妇| 久久久久久免费高清国产稀缺| 如日韩欧美国产精品一区二区三区| 久久久精品区二区三区| 一区在线观看完整版| 女人被躁到高潮嗷嗷叫费观| 久久这里只有精品19| 国产日韩欧美亚洲二区| 成年女人毛片免费观看观看9 | 日韩一卡2卡3卡4卡2021年| 亚洲专区中文字幕在线| 精品久久久久久电影网| 天天影视国产精品| 高清在线国产一区| 亚洲熟妇中文字幕五十中出 | 伊人久久大香线蕉亚洲五| 黄色片一级片一级黄色片| 国产在线一区二区三区精| 久久久精品国产亚洲av高清涩受| 亚洲国产毛片av蜜桃av| 校园春色视频在线观看| 欧美激情 高清一区二区三区| 50天的宝宝边吃奶边哭怎么回事| 国产精品.久久久| 99久久99久久久精品蜜桃| 欧美激情高清一区二区三区| 欧美日韩瑟瑟在线播放| 最近最新免费中文字幕在线| 久久久久久免费高清国产稀缺| 亚洲一卡2卡3卡4卡5卡精品中文| 久久人人97超碰香蕉20202| 精品国产一区二区久久| 免费少妇av软件| 欧美另类亚洲清纯唯美| 亚洲,欧美精品.| 50天的宝宝边吃奶边哭怎么回事| 午夜福利免费观看在线| 免费日韩欧美在线观看| 18在线观看网站| 999精品在线视频| 无人区码免费观看不卡| 精品亚洲成国产av| 亚洲avbb在线观看| 人人妻人人爽人人添夜夜欢视频| 久久这里只有精品19| 精品人妻1区二区| 精品久久蜜臀av无| 80岁老熟妇乱子伦牲交| 一级毛片女人18水好多| 精品国产一区二区三区久久久樱花| 国产精品久久久久成人av| 大型av网站在线播放| 黑人巨大精品欧美一区二区mp4| 香蕉国产在线看| 91字幕亚洲| 亚洲成a人片在线一区二区| 国产精品久久久av美女十八| 中文字幕最新亚洲高清| 丰满饥渴人妻一区二区三| 一级作爱视频免费观看| 午夜福利视频在线观看免费| 美女扒开内裤让男人捅视频| 亚洲,欧美精品.| 黄色毛片三级朝国网站| 精品国产乱码久久久久久男人| 成年版毛片免费区| 亚洲熟女精品中文字幕| 亚洲美女黄片视频| 国产精品欧美亚洲77777| 久久中文看片网| 国产成人免费无遮挡视频| 99精国产麻豆久久婷婷| 亚洲精品一卡2卡三卡4卡5卡| 中文欧美无线码| 亚洲av成人不卡在线观看播放网| 久久久久国产一级毛片高清牌| 另类亚洲欧美激情| 看片在线看免费视频| 久久人妻熟女aⅴ| 97人妻天天添夜夜摸| 如日韩欧美国产精品一区二区三区| 国产深夜福利视频在线观看| 免费久久久久久久精品成人欧美视频| 99国产精品免费福利视频| 91在线观看av| 中亚洲国语对白在线视频| 老司机靠b影院| 亚洲成a人片在线一区二区| 午夜福利乱码中文字幕| 久久久久精品国产欧美久久久| 亚洲成av片中文字幕在线观看| 亚洲av成人一区二区三| 电影成人av| 飞空精品影院首页| 久久久久国产一级毛片高清牌| 亚洲精品一二三| 男男h啪啪无遮挡| 99国产精品一区二区蜜桃av | 最新在线观看一区二区三区| 他把我摸到了高潮在线观看| 在线观看免费高清a一片| 18禁美女被吸乳视频| 亚洲欧美激情在线| 无人区码免费观看不卡| 精品一品国产午夜福利视频| 脱女人内裤的视频| 亚洲七黄色美女视频| 激情视频va一区二区三区| 老司机午夜十八禁免费视频| 午夜福利一区二区在线看| 精品国产乱子伦一区二区三区| 叶爱在线成人免费视频播放| 亚洲专区国产一区二区| 国产成人av教育| 国产不卡一卡二| xxx96com| 国产有黄有色有爽视频| 亚洲欧美激情在线| e午夜精品久久久久久久| 日韩欧美一区二区三区在线观看 | 亚洲男人天堂网一区| 中文字幕高清在线视频| 欧美在线一区亚洲| 国产成人欧美| 色综合欧美亚洲国产小说| 日韩欧美三级三区| 一本综合久久免费| 这个男人来自地球电影免费观看| 亚洲伊人色综图| www.熟女人妻精品国产| 亚洲人成77777在线视频| 国产精品1区2区在线观看. | 亚洲精品国产区一区二| 中文字幕色久视频| www.999成人在线观看| 国产免费男女视频| 国产精品偷伦视频观看了| 国产精品影院久久| 欧美国产精品一级二级三级| 国产免费现黄频在线看| 亚洲专区国产一区二区| 极品人妻少妇av视频| 少妇被粗大的猛进出69影院| 亚洲av成人一区二区三| 又大又爽又粗| 国产亚洲精品第一综合不卡| 精品第一国产精品| 国产伦人伦偷精品视频| 欧美亚洲日本最大视频资源| 人妻久久中文字幕网| 中文字幕人妻丝袜一区二区| 国产精品乱码一区二三区的特点 | 1024视频免费在线观看| 好男人电影高清在线观看| 欧美国产精品一级二级三级| 露出奶头的视频| 精品少妇一区二区三区视频日本电影| 免费不卡黄色视频| av视频免费观看在线观看| 国产1区2区3区精品| a级毛片在线看网站| 黑人巨大精品欧美一区二区蜜桃| 正在播放国产对白刺激| 国产有黄有色有爽视频| 国产精品久久久久久精品古装| 国产精品亚洲av一区麻豆| 欧美黑人欧美精品刺激| 老司机深夜福利视频在线观看| 欧美日韩视频精品一区| 一级a爱片免费观看的视频| 久久青草综合色| 久久99一区二区三区| 午夜精品国产一区二区电影| 国产精品免费大片| 五月开心婷婷网| 少妇 在线观看| 夜夜夜夜夜久久久久| 深夜精品福利| 久久久久国产精品人妻aⅴ院 | 国产又色又爽无遮挡免费看| 亚洲色图综合在线观看| cao死你这个sao货| 亚洲av成人不卡在线观看播放网| 国产aⅴ精品一区二区三区波| 91av网站免费观看| 每晚都被弄得嗷嗷叫到高潮| 日韩欧美在线二视频 | 国产精品免费视频内射| 国产麻豆69| 国产不卡av网站在线观看| 在线观看舔阴道视频| 欧美日韩成人在线一区二区| 国产在线观看jvid| 看免费av毛片| 一级,二级,三级黄色视频| 免费看a级黄色片| 黄色怎么调成土黄色| av网站免费在线观看视频| 成人国产一区最新在线观看| 制服人妻中文乱码| 亚洲国产精品一区二区三区在线| 91字幕亚洲| 国产日韩一区二区三区精品不卡| а√天堂www在线а√下载 | 亚洲国产中文字幕在线视频| 黑丝袜美女国产一区| 超碰97精品在线观看| www.精华液| 亚洲九九香蕉| 一进一出抽搐gif免费好疼 | 黑人巨大精品欧美一区二区mp4| 国产97色在线日韩免费| 在线天堂中文资源库| 九色亚洲精品在线播放| 成人国语在线视频| 国产av精品麻豆| 搡老熟女国产l中国老女人| 久久九九热精品免费| 一区福利在线观看| 女人爽到高潮嗷嗷叫在线视频| 一区在线观看完整版| 少妇被粗大的猛进出69影院| 国产免费男女视频| 国产国语露脸激情在线看| 日韩欧美三级三区|