• <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
    91成人精品电影| 欧美日韩成人在线一区二区| 狂野欧美激情性xxxx| 黄片播放在线免费| 亚洲熟女毛片儿| 青春草视频在线免费观看| 九草在线视频观看| av福利片在线| 国产精品一区二区免费欧美 | 欧美性长视频在线观看| 精品亚洲成国产av| 国产精品av久久久久免费| 亚洲熟女精品中文字幕| 色视频在线一区二区三区| 午夜激情av网站| tube8黄色片| 色94色欧美一区二区| 欧美成狂野欧美在线观看| 欧美另类一区| 亚洲精品第二区| 久久国产精品男人的天堂亚洲| 国产在线免费精品| 日本一区二区免费在线视频| 人人妻人人添人人爽欧美一区卜| 日韩免费高清中文字幕av| 美国免费a级毛片| 久久天躁狠狠躁夜夜2o2o | 国产精品免费大片| 亚洲情色 制服丝袜| 国产精品免费视频内射| 欧美老熟妇乱子伦牲交| 久久久亚洲精品成人影院| 91麻豆av在线| 亚洲欧美一区二区三区久久| 国产野战对白在线观看| 大陆偷拍与自拍| 久久精品久久久久久噜噜老黄| 国产成人av激情在线播放| 亚洲欧美日韩另类电影网站| 亚洲第一青青草原| 别揉我奶头~嗯~啊~动态视频 | 黄网站色视频无遮挡免费观看| 一区二区日韩欧美中文字幕| 十八禁人妻一区二区| svipshipincom国产片| 在现免费观看毛片| 人妻 亚洲 视频| 久久中文字幕一级| 在线av久久热| 中文乱码字字幕精品一区二区三区| 国产爽快片一区二区三区| 久久久久精品人妻al黑| 2018国产大陆天天弄谢| 亚洲av电影在线观看一区二区三区| 美国免费a级毛片| 自线自在国产av| 亚洲伊人色综图| 欧美中文综合在线视频| 日本a在线网址| 日韩一区二区三区影片| 如日韩欧美国产精品一区二区三区| 日韩av在线免费看完整版不卡| 国产黄频视频在线观看| 肉色欧美久久久久久久蜜桃| 蜜桃在线观看..| 久久亚洲国产成人精品v| 男女床上黄色一级片免费看| 老汉色av国产亚洲站长工具| 亚洲精品美女久久久久99蜜臀 | 黄色片一级片一级黄色片| 首页视频小说图片口味搜索 | 999久久久国产精品视频| 人人妻,人人澡人人爽秒播 | 免费在线观看黄色视频的| 日韩伦理黄色片| av在线播放精品| 国产精品久久久久久精品古装| 熟女av电影| 在线观看免费日韩欧美大片| 亚洲,一卡二卡三卡| 亚洲国产欧美日韩在线播放| 久久av网站| 18在线观看网站| 国产片内射在线| 又紧又爽又黄一区二区| 久久亚洲国产成人精品v| 久久九九热精品免费| 高清av免费在线| 国产精品久久久久久精品电影小说| avwww免费| 母亲3免费完整高清在线观看| 亚洲精品国产一区二区精华液| 男人爽女人下面视频在线观看| 一区福利在线观看| 男人操女人黄网站| 国产av国产精品国产| 悠悠久久av| 大香蕉久久网| 桃花免费在线播放| 欧美性长视频在线观看| 亚洲欧美色中文字幕在线| 欧美xxⅹ黑人| 在线观看国产h片| 久久精品久久久久久久性| 捣出白浆h1v1| 国产精品亚洲av一区麻豆| 美国免费a级毛片| 巨乳人妻的诱惑在线观看| 国产免费现黄频在线看| 大码成人一级视频| 久久精品久久久久久久性| 亚洲国产日韩一区二区| 日韩制服骚丝袜av| 曰老女人黄片| 欧美日本中文国产一区发布| 中文字幕色久视频| 麻豆乱淫一区二区| 视频区欧美日本亚洲| 亚洲av成人精品一二三区| 午夜日韩欧美国产| h视频一区二区三区| 免费高清在线观看视频在线观看| 我的亚洲天堂| 欧美精品高潮呻吟av久久| av网站免费在线观看视频| 久久久久精品国产欧美久久久 | 亚洲图色成人| 国产精品久久久久久人妻精品电影 | 精品人妻熟女毛片av久久网站| 又大又黄又爽视频免费| 五月天丁香电影| 热99久久久久精品小说推荐| bbb黄色大片| 中文字幕精品免费在线观看视频| 精品视频人人做人人爽| 制服诱惑二区| 五月天丁香电影| 久久天堂一区二区三区四区| 日本av免费视频播放| 久久午夜综合久久蜜桃| 国产精品久久久久成人av| 免费久久久久久久精品成人欧美视频| 男人添女人高潮全过程视频| 久久毛片免费看一区二区三区| 日韩视频在线欧美| 国产爽快片一区二区三区| 亚洲国产看品久久| 九草在线视频观看| 亚洲一码二码三码区别大吗| 少妇人妻 视频| 亚洲国产av影院在线观看| 亚洲欧洲日产国产| 日日爽夜夜爽网站| 99久久综合免费| 欧美精品亚洲一区二区| 国产高清视频在线播放一区 | 国产亚洲一区二区精品| 欧美日韩亚洲高清精品| 日本五十路高清| videosex国产| 菩萨蛮人人尽说江南好唐韦庄| 在现免费观看毛片| 大香蕉久久网| 男女国产视频网站| 男人舔女人的私密视频| 精品亚洲成a人片在线观看| 男女床上黄色一级片免费看| 又粗又硬又长又爽又黄的视频| 国产日韩欧美视频二区| 99精国产麻豆久久婷婷| 国产精品人妻久久久影院| 777米奇影视久久| a级毛片黄视频| 久热这里只有精品99| 国产xxxxx性猛交| 免费黄频网站在线观看国产| 尾随美女入室| 国产成人免费观看mmmm| 亚洲av综合色区一区| 国产成人精品在线电影| 操美女的视频在线观看| 我要看黄色一级片免费的| 国产一区有黄有色的免费视频| 成人18禁高潮啪啪吃奶动态图| 最近中文字幕2019免费版| 看免费成人av毛片| 亚洲人成77777在线视频| 一区在线观看完整版| 黑人猛操日本美女一级片| 国产精品熟女久久久久浪| 少妇粗大呻吟视频| 国产伦理片在线播放av一区| 一级片'在线观看视频| 亚洲人成电影免费在线| 久久久久久久久免费视频了| 亚洲精品第二区| 少妇被粗大的猛进出69影院| 国产成人精品久久二区二区91| 操美女的视频在线观看| 丝袜美足系列| 超碰97精品在线观看| 亚洲精品久久成人aⅴ小说| 日本a在线网址| 少妇的丰满在线观看| 一级毛片我不卡| 亚洲 国产 在线| 久久久欧美国产精品| 久久精品国产亚洲av涩爱| 亚洲欧美精品自产自拍| 国产熟女午夜一区二区三区| 亚洲国产中文字幕在线视频| 亚洲,一卡二卡三卡| 欧美日韩av久久| 中文字幕制服av| 亚洲成av片中文字幕在线观看| 久久99一区二区三区| 人人妻人人澡人人看| √禁漫天堂资源中文www| 精品福利观看| 久久狼人影院| 国产一区二区在线观看av| 亚洲专区国产一区二区| 国产有黄有色有爽视频| 一级毛片女人18水好多 | 免费不卡黄色视频| 蜜桃国产av成人99| 美女大奶头黄色视频| 日日夜夜操网爽| 亚洲欧美色中文字幕在线| 男人操女人黄网站| 亚洲精品第二区| 国产av精品麻豆| 久久影院123| 精品人妻一区二区三区麻豆| 免费观看a级毛片全部| 五月天丁香电影| 欧美激情极品国产一区二区三区| 欧美精品av麻豆av| 极品少妇高潮喷水抽搐| 欧美精品一区二区免费开放| 亚洲欧美精品综合一区二区三区| 天堂中文最新版在线下载| 我的亚洲天堂| 免费看不卡的av| 99久久精品国产亚洲精品| 亚洲精品第二区| 丝袜美腿诱惑在线| 中文字幕av电影在线播放| 成人午夜精彩视频在线观看| 在线av久久热| 99久久人妻综合| 丝袜人妻中文字幕| 免费在线观看视频国产中文字幕亚洲 | 少妇被粗大的猛进出69影院| 国产精品人妻久久久影院| 纯流量卡能插随身wifi吗| 日韩人妻精品一区2区三区| av国产久精品久网站免费入址| 国产淫语在线视频| 又大又爽又粗| 青春草亚洲视频在线观看| 亚洲 欧美一区二区三区| 国产精品一区二区精品视频观看| 伊人久久大香线蕉亚洲五| 尾随美女入室| 成年人黄色毛片网站| 久久久久久久精品精品| 老司机靠b影院| 日本黄色日本黄色录像| 中文字幕人妻熟女乱码| 中文字幕av电影在线播放| 丝瓜视频免费看黄片| 国产欧美亚洲国产| 精品熟女少妇八av免费久了| 少妇猛男粗大的猛烈进出视频| 国产高清视频在线播放一区 | 亚洲黑人精品在线| 亚洲精品久久午夜乱码| 免费看不卡的av| av又黄又爽大尺度在线免费看| 久久人人97超碰香蕉20202| 18在线观看网站| 热99国产精品久久久久久7| 国产精品.久久久| 黑人欧美特级aaaaaa片| 赤兔流量卡办理| 成年女人毛片免费观看观看9 | 国产精品偷伦视频观看了| 亚洲国产中文字幕在线视频| 侵犯人妻中文字幕一二三四区| 国产精品久久久av美女十八| 蜜桃国产av成人99| 人人妻人人爽人人添夜夜欢视频| 麻豆av在线久日| av天堂久久9| 欧美 日韩 精品 国产| 久久国产精品大桥未久av| 免费观看人在逋| 精品少妇黑人巨大在线播放| 久久人妻熟女aⅴ| 久久久久视频综合| 亚洲欧美中文字幕日韩二区| 一个人免费看片子| 欧美激情高清一区二区三区| 国产一区亚洲一区在线观看| 午夜激情av网站| 在线观看免费视频网站a站| 日韩av在线免费看完整版不卡| 制服人妻中文乱码| 久久久精品区二区三区| 久久久国产精品麻豆| 精品久久蜜臀av无| 精品亚洲成a人片在线观看| 99热国产这里只有精品6| 精品国产超薄肉色丝袜足j| 久久久久久久久久久久大奶| 色婷婷久久久亚洲欧美| 国产伦人伦偷精品视频| 中文字幕精品免费在线观看视频| 中文字幕另类日韩欧美亚洲嫩草| 天天躁日日躁夜夜躁夜夜| 岛国毛片在线播放| 亚洲色图综合在线观看| 精品少妇黑人巨大在线播放| 精品少妇久久久久久888优播| 欧美变态另类bdsm刘玥| 免费av中文字幕在线| 一个人免费看片子| 狂野欧美激情性xxxx| 午夜免费成人在线视频| 亚洲国产av新网站| 精品亚洲乱码少妇综合久久| 日本vs欧美在线观看视频| 少妇粗大呻吟视频| 精品熟女少妇八av免费久了| 妹子高潮喷水视频| 国产色视频综合| 亚洲欧美激情在线| 亚洲精品久久久久久婷婷小说| 老司机在亚洲福利影院| 欧美xxⅹ黑人| 成年人午夜在线观看视频| 国产伦人伦偷精品视频| 欧美性长视频在线观看| 大型av网站在线播放| 国产在视频线精品| 香蕉丝袜av| 色播在线永久视频| 欧美日韩亚洲综合一区二区三区_| 少妇猛男粗大的猛烈进出视频| 日本黄色日本黄色录像| 久久 成人 亚洲| 黄色一级大片看看| 高清不卡的av网站| 女人久久www免费人成看片| 精品少妇久久久久久888优播| 黄片小视频在线播放| 在线观看国产h片| 蜜桃在线观看..| 亚洲欧洲精品一区二区精品久久久| 日韩精品免费视频一区二区三区| 一级毛片电影观看| 国产又色又爽无遮挡免| 在线观看国产h片| 宅男免费午夜| 青青草视频在线视频观看| 欧美老熟妇乱子伦牲交| 黄色怎么调成土黄色| 久久久久精品人妻al黑| 99国产精品99久久久久| 人体艺术视频欧美日本| 2021少妇久久久久久久久久久| 性色av乱码一区二区三区2| 亚洲欧美清纯卡通| 51午夜福利影视在线观看| 亚洲欧美清纯卡通| 欧美在线一区亚洲| 国产黄色视频一区二区在线观看| 视频在线观看一区二区三区| 韩国高清视频一区二区三区| 亚洲一卡2卡3卡4卡5卡精品中文| 韩国精品一区二区三区| 十分钟在线观看高清视频www| 无遮挡黄片免费观看| 狂野欧美激情性xxxx| 久久国产精品男人的天堂亚洲| 亚洲综合色网址| 免费少妇av软件| 又粗又硬又长又爽又黄的视频| 亚洲国产看品久久| 成人影院久久| 一本一本久久a久久精品综合妖精| 丰满迷人的少妇在线观看| 欧美黄色片欧美黄色片| 脱女人内裤的视频| 免费高清在线观看日韩| 欧美国产精品va在线观看不卡| 51午夜福利影视在线观看| 男人爽女人下面视频在线观看| 精品福利永久在线观看| 侵犯人妻中文字幕一二三四区| 久久99精品国语久久久| 国产日韩欧美视频二区| 亚洲色图 男人天堂 中文字幕| 国产精品久久久久久精品古装| 中文字幕人妻熟女乱码| av在线app专区| 十分钟在线观看高清视频www| 欧美av亚洲av综合av国产av| 男女边吃奶边做爰视频| 久久av网站| 久久精品久久精品一区二区三区| 欧美日本中文国产一区发布| 午夜91福利影院| 国产伦人伦偷精品视频| 97精品久久久久久久久久精品| 国产精品偷伦视频观看了| 悠悠久久av| 国产精品秋霞免费鲁丝片| 丁香六月天网| 日韩av免费高清视频| 两个人免费观看高清视频| 男女国产视频网站| 男女床上黄色一级片免费看| 99久久综合免费| 一级毛片黄色毛片免费观看视频| 成年人午夜在线观看视频| 日韩av在线免费看完整版不卡| 久久精品久久久久久久性| av福利片在线| 自线自在国产av| 国产欧美日韩综合在线一区二区| 亚洲成人免费电影在线观看 | 欧美成人午夜精品| 亚洲国产精品999| 午夜激情久久久久久久| 亚洲伊人色综图| 成人黄色视频免费在线看| 国产精品久久久久成人av| 国产av一区二区精品久久| 日本午夜av视频| 2021少妇久久久久久久久久久| 波野结衣二区三区在线| 看免费av毛片| 亚洲第一青青草原| 多毛熟女@视频| 丝袜喷水一区| 视频区图区小说| 欧美成人精品欧美一级黄| 在线观看免费日韩欧美大片| 一二三四在线观看免费中文在| 香蕉丝袜av| 中文字幕av电影在线播放| 男女床上黄色一级片免费看| av一本久久久久| 亚洲精品一区蜜桃| 免费高清在线观看视频在线观看| 亚洲精品日本国产第一区| 国产不卡av网站在线观看| 国产男人的电影天堂91| 亚洲成人免费av在线播放| 国产国语露脸激情在线看| 亚洲精品国产av蜜桃| 成人国产av品久久久| 色94色欧美一区二区| 亚洲成人手机| 99国产精品免费福利视频| 自拍欧美九色日韩亚洲蝌蚪91| 99热全是精品| 亚洲av综合色区一区| 国产伦理片在线播放av一区| 爱豆传媒免费全集在线观看| 美女视频免费永久观看网站| 一级,二级,三级黄色视频| 啦啦啦视频在线资源免费观看| 亚洲第一青青草原| 少妇人妻久久综合中文| 婷婷成人精品国产| 狠狠婷婷综合久久久久久88av| 国产免费视频播放在线视频| 午夜影院在线不卡| 国产成人av教育| 女性被躁到高潮视频| 性色av乱码一区二区三区2| 国产免费一区二区三区四区乱码| 久久精品熟女亚洲av麻豆精品| 各种免费的搞黄视频| 妹子高潮喷水视频| 欧美亚洲 丝袜 人妻 在线| 一区二区三区乱码不卡18| 人人妻人人澡人人爽人人夜夜| 亚洲国产精品一区三区| 国产av精品麻豆| 97精品久久久久久久久久精品| 久久久久久久久久久久大奶| 中文字幕亚洲精品专区| 大片电影免费在线观看免费| 久久亚洲精品不卡| 国产1区2区3区精品| 欧美日韩综合久久久久久| 我要看黄色一级片免费的| 嫁个100分男人电影在线观看 | 成在线人永久免费视频| 久久国产精品影院| 欧美亚洲 丝袜 人妻 在线| 久久人人97超碰香蕉20202| 99热国产这里只有精品6| 国产xxxxx性猛交| 国产成人av激情在线播放| 成年人免费黄色播放视频| 日本欧美国产在线视频| 如日韩欧美国产精品一区二区三区| 悠悠久久av| xxx大片免费视频| 亚洲,欧美精品.| 看免费av毛片| 99国产精品一区二区蜜桃av | 精品久久久久久电影网| 免费黄频网站在线观看国产| 日本猛色少妇xxxxx猛交久久| 看免费成人av毛片| 国产精品久久久久久精品电影小说| 一级,二级,三级黄色视频| 自线自在国产av| 午夜久久久在线观看| 1024香蕉在线观看| 天天躁日日躁夜夜躁夜夜| 又大又爽又粗| 每晚都被弄得嗷嗷叫到高潮| 2018国产大陆天天弄谢| 美女高潮到喷水免费观看| 久热爱精品视频在线9| 免费高清在线观看日韩| 中文精品一卡2卡3卡4更新| 男男h啪啪无遮挡| 91麻豆精品激情在线观看国产 | 1024香蕉在线观看| 国产亚洲午夜精品一区二区久久| 午夜免费男女啪啪视频观看| 久久久精品94久久精品| 一个人免费看片子| 91麻豆av在线| 丝袜喷水一区| 99热网站在线观看| 三上悠亚av全集在线观看| 视频区图区小说| 女人被躁到高潮嗷嗷叫费观| 国产精品秋霞免费鲁丝片| 老熟女久久久| 一本色道久久久久久精品综合| 午夜福利一区二区在线看| 国产成人啪精品午夜网站| 尾随美女入室| 久久综合国产亚洲精品| 岛国毛片在线播放| 日韩大片免费观看网站| 精品国产一区二区三区四区第35| 免费av中文字幕在线| 国产主播在线观看一区二区 | 丝袜喷水一区| 久久久精品94久久精品| 成人午夜精彩视频在线观看| 丰满迷人的少妇在线观看| 国产91精品成人一区二区三区 | 巨乳人妻的诱惑在线观看| 国产精品欧美亚洲77777| 国产欧美日韩一区二区三 | 国产av精品麻豆| a级毛片黄视频| 亚洲欧美一区二区三区黑人| a 毛片基地| av网站免费在线观看视频| 999精品在线视频| 黄色片一级片一级黄色片| 久久久久久久大尺度免费视频| 99热国产这里只有精品6| 悠悠久久av| √禁漫天堂资源中文www| 成人亚洲欧美一区二区av| 亚洲国产精品成人久久小说| 日本av免费视频播放| av线在线观看网站| 91麻豆av在线| 午夜福利免费观看在线| 亚洲欧美精品综合一区二区三区| e午夜精品久久久久久久| 国产av一区二区精品久久| 人妻人人澡人人爽人人| 欧美人与性动交α欧美精品济南到| av在线app专区| 久久久久精品国产欧美久久久 | 亚洲专区国产一区二区| 女性生殖器流出的白浆| 欧美精品av麻豆av| 精品人妻熟女毛片av久久网站| 一级片'在线观看视频| 国产精品国产av在线观看| 首页视频小说图片口味搜索 | 国产黄频视频在线观看| 国产日韩欧美视频二区| 别揉我奶头~嗯~啊~动态视频 | 国产精品免费视频内射| 制服诱惑二区| 女性被躁到高潮视频| 中国美女看黄片| 中文字幕亚洲精品专区| 如日韩欧美国产精品一区二区三区| 五月天丁香电影| 男女下面插进去视频免费观看| 一区二区三区激情视频| 亚洲精品久久久久久婷婷小说| 亚洲 国产 在线| 久久久久视频综合| 午夜影院在线不卡| 欧美少妇被猛烈插入视频|