• <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 ?

    基于信任擴展和列表級排序?qū)W習(xí)的服務(wù)推薦方法

    2018-03-14 09:22:54方晨張恒巍張銘王晉東
    通信學(xué)報 2018年1期
    關(guān)鍵詞:列表排序準確性

    方晨,張恒巍,張銘,王晉東

    ?

    基于信任擴展和列表級排序?qū)W習(xí)的服務(wù)推薦方法

    方晨1,2,張恒巍1,2,張銘1,2,王晉東1,2

    (1. 信息工程大學(xué)三院,河南 鄭州 450001;2. 數(shù)字工程與先進計算國家重點實驗室,河南 鄭州 450001)

    針對傳統(tǒng)基于信任網(wǎng)絡(luò)的服務(wù)推薦算法中信任關(guān)系稀疏以及通過QoS預(yù)測值排序得到的服務(wù)推薦列表不一定最符合用戶偏好等問題,提出基于信任擴展和列表級排序?qū)W習(xí)的服務(wù)推薦方法(TELSR)。在分析服務(wù)排序位置信息的重要性后給出概率型用戶相似度計算方法,進一步提高相似度計算的準確性;利用信任擴展模型解決用戶信任關(guān)系稀疏性問題,并結(jié)合用戶相似度給出可信鄰居集合構(gòu)建方法;基于可信鄰居集合,利用列表級排序?qū)W習(xí)方法訓(xùn)練出最優(yōu)排序模型。仿真實驗表明,與已有算法相比,TELSR在具有較高推薦精度的同時,還可有效抵抗惡意用戶的攻擊。

    服務(wù)推薦;排序?qū)W習(xí);概率型用戶相似度;信任關(guān)系

    1 引言

    隨著互聯(lián)網(wǎng)的普及和云計算技術(shù)的迅猛發(fā)展,網(wǎng)絡(luò)上提供的Web服務(wù)呈指數(shù)級增長。用戶迫切地需要一種有效的服務(wù)推薦方法來解決其面臨的選擇困境。因此,服務(wù)推薦技術(shù)在服務(wù)計算領(lǐng)域獲得了廣泛的關(guān)注。Web服務(wù)的服務(wù)質(zhì)量(QoS, quality of service)包括服務(wù)失效率、響應(yīng)時間、成本、吞吐量等[1],是用戶進行服務(wù)選取時需要考慮的重要屬性之一。而由于Web服務(wù)廣泛地分布在網(wǎng)絡(luò)中,一些QoS屬性如響應(yīng)時間、吞吐量等經(jīng)常受到網(wǎng)絡(luò)環(huán)境動態(tài)變化的影響,具有很大的不確定性,這就造成了服務(wù)推薦可靠性差的問題。

    為解決此問題,研究者們考慮將協(xié)同過濾算法應(yīng)用到服務(wù)推薦過程中,通過預(yù)測QoS值并以此對服務(wù)進行排序來實現(xiàn)推薦[2]。為了提高QoS預(yù)測的準確性,研究者們對傳統(tǒng)協(xié)同過濾算法做出了一系列改進,包括引入用戶的信任網(wǎng)絡(luò)[3]、服務(wù)調(diào)用模式[4]、服務(wù)的上下文信息[5]等。主要存在的問題為1) 沒有有效利用服務(wù)的排序位置信息;2) 引入的信任網(wǎng)絡(luò)中用戶直接信任關(guān)系稀疏,難以提供足夠的輔助信息。

    近幾年來,有研究者考慮將排序?qū)W習(xí)技術(shù)引入推薦算法中來,通過直接優(yōu)化最終的排序列表來提高推薦系統(tǒng)的準確性[6]。作為一種強監(jiān)督性機器學(xué)習(xí)算法,排序?qū)W習(xí)能夠整合大量復(fù)雜特征并自動學(xué)習(xí)最優(yōu)參數(shù),降低了考慮單個因素進行排序的風(fēng)險,且能夠通過多種方法來規(guī)避過擬合問題,獲得了學(xué)術(shù)界越來越多的關(guān)注[7]。然而,目前很少有研究將傳統(tǒng)協(xié)同過濾算法與排序?qū)W習(xí)技術(shù)結(jié)合起來,并應(yīng)用到服務(wù)推薦領(lǐng)域。

    針對上述問題,本文提出基于信任擴展和列表級排序?qū)W習(xí)的服務(wù)推薦方法(TELSR, trust expansion and listwise learning-to-rank based service recommendation method)。該方法首先在分析服務(wù)排序位置信息重要性的基礎(chǔ)上,給出概率型用戶相似度計算方法(PUSC, probabilistic user similarity computation method),提高相似度計算準確性;然后,提出信任擴展模型充分挖掘用戶信任網(wǎng)絡(luò)信息,并結(jié)合用戶相似度構(gòu)建可信鄰居集合;最后,利用可信鄰居集合改進列表級排序?qū)W習(xí)算法,通過訓(xùn)練得到最符合用戶偏好的服務(wù)推薦列表。本文的主要貢獻有以下3點。

    1) 給出概率型用戶相似度計算方法,有效利用了服務(wù)的排序位置信息,提高了相似度計算準確性。

    2) 提出信任擴展模型,充分挖掘了用戶信任關(guān)系,構(gòu)建出可信鄰居集合,能夠抵抗惡意用戶的攻擊。

    3) 改進列表級排序?qū)W習(xí)算法,可輸出最符合用戶興趣偏好的服務(wù)推薦列表。

    2 相關(guān)工作

    協(xié)同過濾最早是由Goldberg等[8]在1992年提出的,后來被廣泛應(yīng)用于電子商務(wù)領(lǐng)域,并且取得了極大的成功。其核心思想是:在用戶群中尋找與目標用戶評分行為相似的鄰居用戶,然后基于這些鄰居用戶對服務(wù)的評分向目標用戶做出推薦[9]。目前,已有很多學(xué)者將協(xié)同過濾算法應(yīng)用到服務(wù)推薦過程中,并對其做出了一系列的改進。王海艷等[10]引入服務(wù)的推薦個性屬性特征來改進傳統(tǒng)的相似度計算式,并結(jié)合用戶之間的信任關(guān)系對服務(wù)的評分值進行預(yù)測,進而對用戶做出推薦。Liu等[11]利用服務(wù)的流行度特征改進相似度計算,并根據(jù)用戶和服務(wù)的地理位置來縮小相似用戶的尋找范圍,相比傳統(tǒng)推薦算法更加高效;Hu等[12]在尋找相似鄰居時融入了服務(wù)調(diào)用的時間信息,并通過線性加權(quán)的方式綜合了基于相似用戶和相似服務(wù)的QoS預(yù)測結(jié)果。文獻[10~12]均是通過改進相似度計算來提高算法準確性,屬于基于近鄰的協(xié)同過濾算法。此外,還有部分研究者利用數(shù)學(xué)模型來預(yù)測服務(wù)的QoS,并取得了較好的成果。Wei等[13]利用矩陣分解模型將高維的用戶—服務(wù)矩陣分解為低維的用戶矩陣和服務(wù)矩陣,并將位置屬性融入矩陣分解的正則項中,有效提高了QoS預(yù)測精度;胡堰等[14]借助隱含類別表示用戶指標偏好、用戶及服務(wù)情境三者之間的依賴關(guān)系,并建立隱語義概率模型用于預(yù)測用戶在特定服務(wù)情境下的個性化指標偏好,然后計算出每個候選服務(wù)的效用值進行推薦;Wang等[15]考慮到了QoS值在不同時間段的動態(tài)變化特性,對QoS預(yù)測值的殘差進行零均值拉普拉斯先驗分布假設(shè),將QoS預(yù)測問題轉(zhuǎn)化為Lasso回歸問題進行求解。文獻[13~15]有效利用了數(shù)學(xué)模型的精確性,屬于基于模型的協(xié)同過濾算法??梢?,上述工作的研究重點均集中在提高QoS值預(yù)測的準確性方面,而近年來有研究者發(fā)現(xiàn)QoS值預(yù)測的準確性并不能確保服務(wù)推薦的準確性,引言已給出相關(guān)示例。

    排序?qū)W習(xí)作為一種強監(jiān)督性機器學(xué)習(xí)算法,能夠直接針對最終的推薦列表進行優(yōu)化,這一特性可以避免根據(jù)QoS值排序來間接得到推薦列表帶來的缺陷。根據(jù)優(yōu)化目標的不同,排序?qū)W習(xí)主要分為3類:點級(pointwise)、對級(pairwise)、列表級(listwise)[7]。點級排序的處理對象是單獨的一個項目,通過預(yù)測評分實現(xiàn)推薦,其相當(dāng)于傳統(tǒng)的預(yù)測QoS值的服務(wù)推薦方法;對級排序是根據(jù)評分來定義項目對之間的偏序關(guān)系,最終通過整合所有項目對的偏序關(guān)系得到整個排序列表,而其時間復(fù)雜度高,且在整合推薦列表時會損失一定的準確性;列表級排序的處理對象是所有的項目,直接對整個排序列表進行優(yōu)化,在運行效率和推薦準確性方面具有更明顯的優(yōu)勢,因此,成為被研究最多的方法。

    Huang等[6]利用基于排列概率的相似度來尋找更準確的鄰居用戶,然后通過最小化目標用戶和鄰居用戶在未評分項目集合上的交叉熵損失函數(shù),來得到最優(yōu)的排序列表。Weimer等[16]提出了一種最大化邊界矩陣因式分解算法CoFiRank,通過直接優(yōu)化排序評價標準NDCG來進行推薦。Shi等[17]提出一種基于上下文感知的推薦方法,利用張量分解優(yōu)化MAP評測準則,是首個能夠挖掘用戶隱式反饋和上下文信息,并將列表級排序?qū)W習(xí)和協(xié)同過濾算法相結(jié)合的方法。但是列表級排序?qū)W習(xí)算法依然面臨著用戶惡意評分、數(shù)據(jù)稀疏性等傳統(tǒng)難題,且目前還缺乏將該算法改進并應(yīng)用到服務(wù)推薦領(lǐng)域的研究。

    3 基于信任擴展和列表級排序?qū)W習(xí)的服務(wù)推存方法

    本節(jié)給出基于信任擴展和列表級排序?qū)W習(xí)的服務(wù)推薦方法,該方法首先將用戶表示為已調(diào)用服務(wù)集合的概率分布,基于Kullback-Leibler(KL)距離進行概率型用戶相似度的計算,以此提高用戶相似度計算的準確性;然后,利用信任擴展模型充分挖掘用戶信任網(wǎng)絡(luò)中的信任關(guān)系,并結(jié)合用戶相似度構(gòu)建為目標用戶構(gòu)建可信鄰居集合,以此抵抗某些惡意用戶的攻擊;最后,利用可信鄰居集合改進列表級排序?qū)W習(xí)算法,訓(xùn)練出最優(yōu)的服務(wù)排序列表推薦給用戶。其中,概率型用戶相似度計算方法、可信鄰居集合構(gòu)建算法(TNSC, trusted neighbor set construction algorithm)以及列表級排序?qū)W習(xí)預(yù)測算法(PABL, prediction algorithm based on listwise learning-to-rank)為TELSR的核心,下面重點對它們進行介紹。

    3.1 概率型用戶相似度計算方法

    協(xié)同過濾算法的核心步驟是尋找相似用戶,可采用的方法主要有Pearson相關(guān)系數(shù)、余弦相似性、修正的余弦相似性等[10]。目前大多數(shù)服務(wù)推薦算法都是基于Pearson相關(guān)系數(shù)改進得來的,其基本定義如下。

    用戶調(diào)用服務(wù)示例如圖1所示,假設(shè)用戶A、B、C共同調(diào)用過的服務(wù)集合為I={a,b,c,d},這4個服務(wù)的QoS(如可用性,用百分制表示)分別為A=(0, 20%, 80%, 100%), B=(10%, 0, 80%, 100%), C=(0, 22%, 100%, 89%),采用Pearson相關(guān)系數(shù)計算得,即用戶B、用戶C和用戶A是同等相似的。從圖1可以看出,如果根據(jù)服務(wù)可用性大小對服務(wù)進行排序,用戶B對于服務(wù)a、b的排序與用戶A是相反的,而用戶C對于服務(wù)c、d的排序與用戶A是相反的。此時,若利用用戶B做推薦,則其向用戶A推薦的最好服務(wù)是d,正好符合用戶A的需求;若利用用戶C做推薦,則其向用戶A推薦的最好服務(wù)是c,違背用戶A的需求。相比之下,用戶B的推薦結(jié)果更加可信,所以理論上用戶B與用戶A的相似度應(yīng)該更大。原因在于,在實際推薦系統(tǒng)中,用戶主要關(guān)注排在推薦列表中前面質(zhì)量較優(yōu)的服務(wù),對于排在后面質(zhì)量較差(如可用性低于50%)的服務(wù)給予的關(guān)注較少。因此,服務(wù)的排序位置是除了QoS數(shù)據(jù)之外另一個能夠反映用戶興趣偏好的重要信息。

    基于此,本文充分挖掘服務(wù)的排序位置信息,借鑒Mollica等[18]提出的Plackett-Luce模型,將每個用戶表示為已調(diào)用服務(wù)集合排列的概率分布,然后進行用戶相似度的計算,從而找到更加準確的相似用戶。為方便下文討論,定義如下。

    定義7 概率型用戶相似度。用戶和之間的概率型相似度可定義為

    算法1 概率型用戶相似度計算

    begin

    6) end for

    end

    3.2 可信鄰居集合構(gòu)建算法

    利用PUSC可計算其他用戶與目標用戶的相似度,然后選取出相似度較大的用戶作為鄰居進行推薦。但是當(dāng)推薦系統(tǒng)中存在惡意用戶對服務(wù)QoS值進行虛假評價時,此時,若把這類用戶當(dāng)作鄰居,會極大影響推薦的精度。基于此,本文利用用戶間的信任關(guān)系建立可信鄰居集合來進行推薦,從而避免惡意用戶的攻擊。為了解決傳統(tǒng)基于信任的服務(wù)推薦算法中信任關(guān)系稀疏性問題,本文提出信任擴展模型,同時考慮直接信任關(guān)系和間接信任關(guān)系。

    由式(8)可知,用戶和之間的直接信任度與有效推薦行為次數(shù)成正比,因此,其可以甄別某些用戶反常的惡意評價行為。然而,在實際推薦系統(tǒng)中,用戶之間的相互交互記錄往往較少,導(dǎo)致直接信任關(guān)系稀疏性問題。為此,本文利用信任關(guān)系的傳遞特性來擴大用戶的信任范圍,并給出如下定義。

    間接信任傳遞關(guān)系如圖2所示。由圖2可知,用戶和均與用戶和之間存在直接信任關(guān)系,根據(jù)信任關(guān)系的傳遞性,可以通過用戶和建立起用戶和之間的間接信任關(guān)系。

    圖2 間接信任傳遞關(guān)系

    定義11 間接信任度。若用戶的直接信任集合為,利用中所有與用戶有直接信任關(guān)系的用戶來進行信任傳遞,則用戶和之間的間接信任度為

    定義12 綜合信任度。通過綜合直接信任度和間接信任度,得到用戶之間的綜合信任度為

    定義13 可信相似度。綜合考慮用戶和之間的概率相似度和綜合信任度,得到用戶和的可信相似度為

    基于可信相似度的定義,本文提出可信鄰居構(gòu)建算法,如算法2所示。

    算法2 可信鄰居構(gòu)建

    輸入 目標用戶,其他用戶集合,參數(shù)

    輸出 目標用戶的可信鄰居集合N

    begin

    7) end for

    8)N←按照可信相似度由大到小對用戶進行排序,選取前個用戶作為目標用戶的可信鄰居集合

    end

    3.3 列表級排序?qū)W習(xí)預(yù)測算法

    為了利用可信鄰居集合來提高服務(wù)推薦的準確性,本文首先利用矩陣分解模型來預(yù)測服務(wù)的QoS值,然后利用列表級排序?qū)W習(xí)算法訓(xùn)練出最優(yōu)的服務(wù)排序模型。為了方便描述,定義參數(shù)如下。

    1) 參數(shù)定義

    :用戶服務(wù)評分矩陣,其中,m為用戶的個數(shù),n為服務(wù)的個數(shù)。

    :維的服務(wù)隱含特征矩陣。

    :隱含特征數(shù)。

    :矩陣V的第k列向量,代表服務(wù)的隱含特征向量。

    2) 矩陣分解模型

    矩陣分解模型是在協(xié)同過濾推薦算法中應(yīng)用最為廣泛的模型之一。其主要思想是將用戶服務(wù)評分矩陣近似分解為低維的用戶隱含特征矩陣和服務(wù)隱含特征矩陣,計算式為

    算法通過最小化預(yù)測評分矩陣和原評分矩陣的誤差來實現(xiàn)QoS值的精確預(yù)測[21]。在現(xiàn)實生活中,人們對于一個服務(wù)的評價往往會受到所信任好友的影響。因此,為了提高服務(wù)推薦的準確性,本文在預(yù)測QoS值時加入可信鄰居用戶的影響,將式(13)改進為

    3) 列表級排序?qū)W習(xí)模型

    列表級排序?qū)W習(xí)直接針對最終的排序列表進行優(yōu)化,可以避免僅僅根據(jù)QoS值排序帶來的不準確性。其核心思想是:將預(yù)測排序列表和正確排序列表之間的交叉熵作為損失函數(shù),通過訓(xùn)練過程最小化其交叉熵,從而使最終得到的預(yù)測排序模型最接近正確排序模型[7]。本文基于top-1概率,將交叉熵損失函數(shù)定義如下。

    定義14 top-1概率。服務(wù)在用戶的推薦列表中排在第一位置的概率,定義為

    基于交叉熵損失函數(shù)的定義,給出列表級排序?qū)W習(xí)預(yù)測算法,具體如算法3所示。

    算法3 列表級排序?qū)W習(xí)預(yù)測

    輸出 每一個用戶的最佳服務(wù)推薦列表

    begin

    1) 根據(jù)訓(xùn)練數(shù)據(jù)集,利用式(15)計算得到正確排序列表的概率分布

    2) 利用式(14)算出初始所有服務(wù)的QoS預(yù)測值

    3) 利用式(15)算出初始預(yù)測排序列表的概率分布

    4) 利用式(16)計算初始交叉熵損失函數(shù)

    6) 更新用戶隱含特征矩陣和服務(wù)隱含特征矩陣

    7) 記錄上次交叉熵損失函數(shù)

    8) 利用式(14)算出新的所有服務(wù)的QoS預(yù)測值

    9) 利用式(15)算出新的預(yù)測排序列表的概率分布

    13) end for

    15) 將所有服務(wù)按照top-1概率由大到小進行排序,得到最佳服務(wù)排序列表,推薦給用戶

    16) end for

    end

    3.4 TELSR描述

    經(jīng)過上述分析,TELSR的具體過程如下。

    1) 運用PUSC計算每一個用戶與其他用戶的概率型相似度。

    2) 運用TNSC為每一個用戶建立可信鄰居集合。

    3) 根據(jù)訓(xùn)練數(shù)據(jù)集得到用戶服務(wù)評分矩陣,初始化用戶隱含特征矩陣和服務(wù)隱含特征矩陣。

    4) 運用PABL得到每一個用戶的最佳服務(wù)推薦列表。

    TELSR首先通過Plackett-Luce模型將用戶表示為已調(diào)用服務(wù)集合的概率分布,并利用PUSC計算用戶的概率型相似度,其優(yōu)點在于利用了服務(wù)的排序位置信息,使相似度計算更加準確;為了消除推薦系統(tǒng)中惡意用戶隨意打分的影響,利用TNSC為用戶建立可信鄰居集合,其優(yōu)點在于充分挖掘用戶間的直接信任關(guān)系和間接信任關(guān)系,緩解了用戶信任網(wǎng)絡(luò)稀疏性問題;最終利用可信鄰居集合改進QoS預(yù)測值的準確性,并利用列表級排序?qū)W習(xí)的強大數(shù)據(jù)處理能力,訓(xùn)練出最優(yōu)的排序模型,為用戶提供最符合其偏好的服務(wù)推薦列表。

    3.5 算法時間復(fù)雜度

    4 實驗結(jié)果與分析

    4.1 實驗設(shè)置

    本實驗使用由Zheng等[22]收集并公共發(fā)布的WS-DREAM數(shù)據(jù)集,它是由分布在全球20多個國家的150個電腦節(jié)點收集的QoS信息,構(gòu)成了約150萬條QoS調(diào)用記錄,其內(nèi)容主要包括Web服務(wù)的往返響應(yīng)時間RTT、數(shù)據(jù)塊大小、響應(yīng)結(jié)果等屬性,表1展示了該數(shù)據(jù)集的部分服務(wù)實例信息。

    本文選用往返響應(yīng)時間RTT作為評價QoS的標準,當(dāng)用戶調(diào)用某服務(wù)超過100次時,計算出RTT的均值,最終得到一個150×100的用戶服務(wù)矩陣。為了研究算法的推薦準確性,本文從原始的用戶服務(wù)矩陣中隨機地剔除部分QoS值,形成了5個不同的稀疏矩陣,其密度分別為0.04、0.08、0.12、0.16、0.20。之所以選擇小密度矩陣,是因為在海量的Web服務(wù)環(huán)境中,用戶只調(diào)用過很少的服務(wù),因此,其真實的用戶服務(wù)矩陣就是很稀疏的。

    本文使用5重交叉驗證作為實驗方法,將稀疏矩陣隨機分為5份,每次選擇其中的4份即矩陣的80%作為訓(xùn)練集,選擇余下的1份即矩陣的20%作為測試集。每次實驗重復(fù)5次,取平均值得到最終的評估結(jié)果。由于本文認為用戶更在意最終獲得的服務(wù)推薦列表中服務(wù)排序的準確性,因此,采用NDCG(normalized discounted cumulative gain)作為衡量算法推薦性能的標準。NDCG值越大,表示算法的推薦性能越好[7]。

    4.2 參數(shù)對算法性能的影響

    表1 部分數(shù)據(jù)集信息

    圖3 參數(shù)對于推薦性能的影響

    圖4 參數(shù)對于推薦性能的影響

    圖5 隱含特征數(shù)d對于推薦性能的影響

    4.3 算法運行時間的比較

    表2 k取值的影響

    由表2可以看出,隨著的取值不斷增大,算法的推薦性能提高非常小,但是算法的運行時間卻大幅增加。當(dāng)=3時,算法的推薦性能@10比=1時提高了2.9%,但是運行時間增加了341%。而=1時,算法就可以在較短的運行時間內(nèi)實現(xiàn)較好的推薦性能。因此,本文實驗中均設(shè)置=1。

    為了衡量算法的運行時間性能,將TELSR與以下4種經(jīng)典的推薦算法做比較。

    1) CF-DNC[23]

    該算法首先利用“興趣相似用戶集選取算法”動態(tài)選取目標用戶的相似鄰居,然后提出“用戶信任計算模型”,篩選出目標用戶的可信鄰居用戶集,最后提出了一種新的協(xié)同過濾算法,綜合利用可信鄰居的評分信息,對服務(wù)的評分值進行預(yù)測。

    2) TACF[12]

    該算法有效融合了服務(wù)調(diào)用時間信息,提出“時間感知的相似度算法”,尋找更加準確的相似用戶和相似服務(wù),然后設(shè)計“個性化隨機游走算法”來克服數(shù)據(jù)的稀疏性,最后利用混合協(xié)同過濾算法預(yù)測服務(wù)的QoS值。

    3) listPMF[24]

    該算法改進了概率矩陣分解模型,根據(jù)用戶評分得到用戶的偏好序列,并通過最大化預(yù)測的偏好序列和已知的偏好序列的后驗概率來實現(xiàn)項目的推薦,屬于基于列表級排序的協(xié)同過濾算法。

    4) listCF[6]

    該算法通過計算用戶共同打分項目集合的Jansen-Shannon散度,來度量用戶的相似度,并通過最小化目標用戶和鄰居用戶的加權(quán)交叉熵損失函數(shù)來做預(yù)測,屬于基于列表級排序的協(xié)同過濾算法。

    圖6 不同算法運行時間的比較

    由圖6可以看出,隨著矩陣密度的增加,本文提出的TELSR的運行時間比listPMF短,但是比CF-DNC、TACF和listCF稍長,具體原因如下。

    1) listPMF基于用戶和項目的隱含特征矩陣來預(yù)測用戶的偏好序列。當(dāng)矩陣密度增加時,需要預(yù)測的用戶偏好序列數(shù)量增多,且隨著隱含特征矩陣的不斷更新,算法計算量成倍增長,導(dǎo)致listPMF的運行時間大幅度增加,甚至超過了TELSR。

    2) CF-DNC和TACF均是在傳統(tǒng)的Pearson相關(guān)系數(shù)的基礎(chǔ)上改進的相似度計算方法,可以直接利用數(shù)據(jù)集中的QoS值。而TELSR采用PUSC,首先需要根據(jù)已有的QoS數(shù)據(jù)計算出用戶調(diào)用服務(wù)的概率分布,才能進行下一步的相似度計算。

    3)listCF選取出鄰居用戶之后,直接利用列表級排序算法進行QoS值預(yù)測。而TELSR還增加了用戶信任度的計算,并結(jié)合用戶相似度提出了可信鄰居構(gòu)建算法TNSC。

    由于TELSR屬于混合型算法,內(nèi)容同時涉及用戶相似度、信任度和QoS預(yù)測,因此,其計算量更大,但根據(jù)第3.5節(jié)和圖6可知,隨著矩陣密度的增加,其運行時間仍保持了線性增長的趨勢,說明TELSR算法是可以應(yīng)用在大型Web服務(wù)數(shù)據(jù)集上的。

    4.4 推薦準確性的比較

    2) 在5種算法中,listCF和TELSR表現(xiàn)最為優(yōu)異,它們均屬于listwise CF,但是TELSR在listCF的相似度的基礎(chǔ)上加入了信任度的計算,因此其推薦性能相對于listCF有所提升,且提升幅度隨著矩陣密度的增加而增加。因為隨著矩陣中已知QoS值的服務(wù)的增多,TELSR能夠在用戶之間發(fā)現(xiàn)更多的有效推薦行為,從而使其信任度計算更加準確,進一步提升了算法的推薦性能。

    表3 推薦準確性比較

    4.5 抵抗惡意用戶能力的比較

    圖7 抵抗惡意用戶能力比較

    由圖7可知,隨著惡意用戶比例的增加,TACF和listCF的推薦性能下降很快,因為它們沒有建立任何防御機制,一旦系統(tǒng)中的相似用戶演變?yōu)閻阂庥脩?,算法的準確性會受到很大的影響;而CF-DNC考慮到了用戶的信任關(guān)系,具備一定的抗攻擊能力,但是其在計算相似度時沒有考慮服務(wù)的排序位置信息,所以導(dǎo)致推薦精度不夠高;TELSR利用概率分布模型計算用戶相似度,并結(jié)合用戶的信任關(guān)系進行服務(wù)推薦,在具備較高推薦精度的同時,還能夠較好地抵抗惡意用戶的攻擊。

    5 結(jié)束語

    本文針對傳統(tǒng)服務(wù)推薦算法中僅依據(jù)QoS預(yù)測值排序帶來的不準確性以及用戶信任關(guān)系稀疏性問題,提出基于信任擴展和列表級排序?qū)W習(xí)的服務(wù)推薦方法。該方法首先在分析服務(wù)排序位置信息重要性的基礎(chǔ)上,給出概率型用戶相似度計算方法,提高了用戶相似度計算的準確性;然后,利用信任擴展模型充分挖掘用戶之間的信任關(guān)系,并給出可信鄰居構(gòu)建算法,以抵抗某些惡意用戶的攻擊;最后,利用可信鄰居集合改進矩陣分解模型,并給出列表級排序?qū)W習(xí)預(yù)測算法,為用戶訓(xùn)練出最優(yōu)的服務(wù)排序模型。實驗證明,TELSR具有較高的推薦精度,并且可以應(yīng)用到大型的Web服務(wù)數(shù)據(jù)集上。下一步工作將優(yōu)化用戶信任模型,并考慮QoS值的時間效應(yīng),進一步增強推薦模型在動態(tài)環(huán)境中的適用性。

    [1] 李玲, 劉敏, 成國慶. 一種基于FAHP的多維QoS的局部最優(yōu)服務(wù)選擇模型[J]. 計算機學(xué)報, 2015, 38(10): 1997-2010.

    LI L, LIU M, CHENG G Q. A local optimal model of service selection of multi-QoS based on FAHP[J]. Chinese Journal of Computers, 2015, 38(10): 1997-2010.

    [2] MA Y, WANG S G, YANG F C, et al. Predicting QoS values via multi-dimensional QoS data for Web service recommendations[C]//IEEE Conference on Web Services. 2015: 249-256.

    [3] LIU Z, MA J, JIANG Z, et al. IRLT: integrating reputation and local trust for trustworthy service recommendation in service-oriented social networks[J]. Plos One, 2016, 11(3):e0151438.

    [4] 張莉, 張斌, 黃利萍, 等. 基于服務(wù)調(diào)用特征模式的個性化Web服務(wù)QoS預(yù)測方法[J]. 計算機研究與發(fā)展, 2013, 50(5):1066-1075.

    ZHANG L, ZHANG B, HUANG L P, et al. A personalized Web service quality prediction approach based on invoked feature model[J]. Journal of Computer Research and Development, 2013, 50(5): 1066-1075.

    [5] QI L, DOU W, ZHOU Y, et al. A context-aware service evaluation approach over big data for cloud applications[J]. IEEE Transactions on Cloud Computing, 2015, PP (99): 1.

    [6] HUANG S S, WANG S Q, LIU T Y, et al. Listwise collaborative filtering[C]//The 38th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR). 2015: 343-352.

    [7] 黃震華, 張佳雯, 田春岐. 基于排序?qū)W習(xí)的推薦算法研究綜述[J]. 軟件學(xué)報, 2016, 27(3): 691-713.

    HUANG Z H, ZHANG J W, TIAN C Q. Survey on learning-to-rank based recommendation algorithms[J]. Journal of Software, 2016, 27(3): 691-713.

    [8] GOLDBERG D. Using collaborative filtering to weave an information tapestry[J]. Communications of the ACM, 1992, 35(12): 61-70.

    [9] PARK C, KIM D, OH J, et al. TRecSo: enhancing top-recommendation with social information[C]//International Conference Companion on World Wide Web, International World Wide Web Conferences Steering Committee. 2016: 89-90.

    [10] 王海艷, 楊文彬, 王隨昌. 基于可信聯(lián)盟的服務(wù)推薦方法[J]. 計算機學(xué)報, 2014, 37(2): 301-311.

    WANG H Y, YANG W B, WANG S C. A service recommendation method based on trustworthy community[J]. Chinese Journal of Computers, 2014, 37(2): 301-311.

    [11] LIU J, TANG M, ZHENG Z, et al. Location-aware and personalized collaborative filtering for Web service recommendation[J]. IEEE Transactions on Services Computing, 2015, 9 (5): 686-699.

    [12] HU Y, PENG Q, HU X. A time-aware and data sparsity tolerant approach for Web service recommendation[C]//IEEE International Conference on Web Services. 2014: 33-40.

    [13] WEI L, YIN J, DENG S, et al. Collaborative Web service QoS prediction with location-based regularization[C]//IEEE International Conference on Web Services. 2012: 464-471.

    [14] 胡堰, 彭啟民, 胡曉惠. 一種基于隱語義概率模型的個性化Web服務(wù)推薦方法[J]. 計算機研究與發(fā)展, 2014, 51(8): 1781-1793.

    HU Y, PENG Q M, HU X H. A personalized Web service recommendation method based on latent semantic probabilistic model[J]. Journal of Computer Research and Development, 2014, 51(8): 1781-1793.

    [15] WANG X Y, ZHU J K, ZHENG Z B, et al. A spatial-temporal QoS prediction approach for time-aware Web service recommendation[J]. ACM Transactions on the Web, 2016, 10(1): 1-25.

    [16] WEIMER M, KARATZOGLOU A, LE Q V, et al. Cofirank maximum margin matrix factorization for collaborative ranking[C]//The 21th Int’l Conference on Neural Information Processing Systems. 2007: 1-8.

    [17] SHI Y, KARATZOGLOU A, BALTRUNAS L, et al. TFMAP: optimizing MAP for top-context-aware recommendation[C]//ACM Special Interest Group on Information Retrieval. 2012: 155-164.

    [18] MOLLICA C, TARDELLA L. Bayesian mixture of Plackett-Luce models for partially ranked data[J]. Statistics, 2015, 2(4): 208-222.

    [19] CAO Z, QIN T, LIU T Y, et al. Learning to rank: from pairwise approach to listwise approach[C]//The 2007 ACM conference on Machine learning. 2007: 129-136.

    [20] FANG W, ZHANG C, SHI Z, et al. BTRES: beta-based trust and reputation evaluation system for wireless sensor networks[J]. Journal of Network & Computer Applications, 2015(59): 88-94.

    [21] 郭弘毅, 劉功申, 蘇波, 等. 融合社區(qū)結(jié)構(gòu)和興趣聚類的協(xié)同過濾推薦算法[J]. 計算機研究與發(fā)展, 2016, 53(8): 1664-1672.

    GUO H Y, LIU G S, SU B, et al. Collaborative filtering recommendation algorithm combining community structure and interest clusters[J]. Journal of Computer Research and Development, 2016, 53(8): 1664-1672.

    [22] ZHENG Z B, ZHANG Y L, LYU M R. Distributed QoS evaluation for real-world Web services[C]//The 8th International Conference on Web Services. 2010: 83-90.

    [23] 賈冬艷, 張付志. 基于雙重鄰居選取策略的協(xié)同過濾推薦算法[J]. 計算機研究與發(fā)展, 2013, 50(5): 1076-1084.

    JIA D Y, ZHANG F Z. A collaborative filtering recommendation algorithm based on double neighbor choosing strategy[J]. Journal of Computer Research and Development, 2013, 50(5): 1076-1084.

    [24] LIU J, WU C, XIONG Y, et al. List-wise probabilistic matrix factorization for recommendation[J]. Information Sciences, 2014(278): 434-447.

    Trust expansion and listwise learning-to-rank based service recommendation method

    FANG Chen1,2, ZHANG Hengwei1,2, ZHANG Ming1,2, WANG Jindong1,2

    1. The Third College, Information Engineering University, Zhengzhou 450001, China 2. State Key Laboratory of Mathematical Engineering and Advanced Computing, Zhengzhou 450001, China

    In view of the problem of trust relationship in traditional trust-based service recommendation algorithm, and the inaccuracy of service recommendation list obtained by sorting the predicted QoS, a trust expansion and listwise learning-to-rank based service recommendation method (TELSR) was proposed. The probabilistic user similarity computation method was proposed after analyzing the importance of service sorting information, in order to further improve the accuracy of similarity computation. The trust expansion model was presented to solve the sparseness of trust relationship, and then the trusted neighbor set construction algorithm was proposed by combining with the user similarity. Based on the trusted neighbor set, the listwise learning-to-rank algorithm was proposed to train an optimal ranking model. Simulation experiments show that TELSR not only has high recommendation accuracy, but also can resist attacks from malicious users.

    service recommendation, learning-to-rank, probabilistic user similarity, trust relationship

    TP393

    A

    10.11959/j.issn.1000-436x.2018007

    方晨(1993-),男,安徽宿松人,信息工程大學(xué)碩士生,主要研究方向為服務(wù)推薦、數(shù)據(jù)挖掘等。

    張恒巍(1978-),男,河南洛陽人,博士,信息工程大學(xué)副教授,主要研究方向為網(wǎng)絡(luò)安全與攻防對抗、信息安全風(fēng)險評估。

    張銘(1993-),男,河南安陽人,信息工程大學(xué)碩士生,主要研究方向為云資源調(diào)度。

    王晉東(1966-),男,山西洪洞人,信息工程大學(xué)教授,主要研究方向為網(wǎng)絡(luò)與信息安全、云資源管理。

    2017-04-05;

    2017-12-26

    張恒巍,13083710760@163.com

    國家自然科學(xué)基金資助項目(No.61303074, No.61309013);河南省科技攻關(guān)計劃基金資助項目(No.12210231003)

    : The National Natural Science Foundation of China (No.61303074, No.61309013), Henan Science and Technology Research Project (No.12210231003)

    猜你喜歡
    列表排序準確性
    巧用列表來推理
    排序不等式
    淺談如何提高建筑安裝工程預(yù)算的準確性
    學(xué)習(xí)運用列表法
    擴列吧
    恐怖排序
    節(jié)日排序
    刻舟求劍
    兒童繪本(2018年5期)2018-04-12 16:45:32
    美劇翻譯中的“神翻譯”:準確性和趣味性的平衡
    論股票價格準確性的社會效益
    亚洲欧美色中文字幕在线| 欧美+日韩+精品| 免费观看性生交大片5| 国产成人精品无人区| 国产爽快片一区二区三区| 国国产精品蜜臀av免费| videosex国产| 少妇熟女欧美另类| 国产色婷婷99| 桃花免费在线播放| 国产免费又黄又爽又色| xxx大片免费视频| av专区在线播放| 日韩成人av中文字幕在线观看| 成年人免费黄色播放视频| 亚洲av免费高清在线观看| 国产成人91sexporn| 男女啪啪激烈高潮av片| 国产av一区二区精品久久| 成人二区视频| 春色校园在线视频观看| 亚洲色图综合在线观看| 最新的欧美精品一区二区| 黄色一级大片看看| 国产精品麻豆人妻色哟哟久久| 中文字幕精品免费在线观看视频 | 人人妻人人澡人人看| 欧美老熟妇乱子伦牲交| 美女视频免费永久观看网站| 亚洲精品av麻豆狂野| 久久精品久久久久久噜噜老黄| 国产免费现黄频在线看| 乱码一卡2卡4卡精品| 少妇熟女欧美另类| 建设人人有责人人尽责人人享有的| 一边摸一边做爽爽视频免费| 亚洲成人手机| 欧美bdsm另类| 美女主播在线视频| 国产有黄有色有爽视频| 国产精品一区二区三区四区免费观看| 免费少妇av软件| 国产69精品久久久久777片| 夜夜骑夜夜射夜夜干| 久久久精品94久久精品| 黄片无遮挡物在线观看| 精品酒店卫生间| 日本91视频免费播放| av黄色大香蕉| 婷婷成人精品国产| 99九九线精品视频在线观看视频| 亚洲三级黄色毛片| 午夜福利视频精品| 91国产中文字幕| 免费大片黄手机在线观看| 免费黄网站久久成人精品| 免费黄色在线免费观看| 亚洲精品久久午夜乱码| 18禁在线播放成人免费| 男女国产视频网站| 97在线视频观看| 日本av免费视频播放| 男女啪啪激烈高潮av片| 最近中文字幕2019免费版| 日韩欧美一区视频在线观看| 少妇精品久久久久久久| 亚洲国产色片| 成人漫画全彩无遮挡| av免费在线看不卡| 日韩伦理黄色片| 视频在线观看一区二区三区| 日韩人妻高清精品专区| 精品国产露脸久久av麻豆| 久久久精品免费免费高清| 日本黄色片子视频| 久久ye,这里只有精品| 国产成人免费观看mmmm| 成人黄色视频免费在线看| 欧美精品一区二区大全| 免费观看在线日韩| 亚洲人成77777在线视频| 青春草视频在线免费观看| 亚洲国产成人一精品久久久| 少妇熟女欧美另类| 亚洲精品国产色婷婷电影| 亚洲美女黄色视频免费看| 亚洲图色成人| 丝袜脚勾引网站| 日韩免费高清中文字幕av| 久久久久久伊人网av| 国产一区二区在线观看日韩| 精品熟女少妇av免费看| 少妇的逼水好多| 人妻一区二区av| 亚洲人成网站在线观看播放| 中文字幕人妻熟人妻熟丝袜美| 超碰97精品在线观看| 亚洲精品国产av成人精品| 久久青草综合色| 老司机亚洲免费影院| 777米奇影视久久| 草草在线视频免费看| 欧美精品一区二区免费开放| 中文天堂在线官网| 亚洲人成77777在线视频| 精品少妇黑人巨大在线播放| 欧美精品高潮呻吟av久久| 久久久精品区二区三区| 黄色视频在线播放观看不卡| 插阴视频在线观看视频| 色哟哟·www| 久久久久视频综合| 亚洲伊人久久精品综合| 中文欧美无线码| 一级,二级,三级黄色视频| 99国产综合亚洲精品| 91精品三级在线观看| 亚洲人成网站在线观看播放| 成人综合一区亚洲| 乱码一卡2卡4卡精品| 自线自在国产av| 国产精品久久久久久久久免| 日韩一区二区三区影片| 国产老妇伦熟女老妇高清| 插阴视频在线观看视频| 国产精品久久久久久av不卡| 观看美女的网站| 男女国产视频网站| 夫妻午夜视频| 九色成人免费人妻av| 色吧在线观看| 久久久久久久久大av| 久久精品久久久久久噜噜老黄| 日本av免费视频播放| 欧美人与性动交α欧美精品济南到 | 精品卡一卡二卡四卡免费| 成年人午夜在线观看视频| 99热6这里只有精品| 99久国产av精品国产电影| 一区二区三区免费毛片| 久久 成人 亚洲| 观看美女的网站| 亚洲情色 制服丝袜| 夫妻午夜视频| 一本—道久久a久久精品蜜桃钙片| 各种免费的搞黄视频| 精品国产一区二区久久| 亚洲色图 男人天堂 中文字幕 | 老熟女久久久| 亚洲美女搞黄在线观看| 18禁观看日本| 中文字幕亚洲精品专区| 亚洲av综合色区一区| 国产精品国产三级国产专区5o| 亚洲欧美一区二区三区国产| 国产黄色视频一区二区在线观看| 亚洲人与动物交配视频| 一区二区三区免费毛片| 王馨瑶露胸无遮挡在线观看| 国产免费一区二区三区四区乱码| 亚洲国产最新在线播放| 丝袜美足系列| 18禁在线无遮挡免费观看视频| 精品少妇内射三级| 精品卡一卡二卡四卡免费| av卡一久久| 精品国产国语对白av| 大片免费播放器 马上看| 午夜福利视频精品| 亚洲高清免费不卡视频| 黄色毛片三级朝国网站| 啦啦啦中文免费视频观看日本| 免费大片18禁| av国产精品久久久久影院| av在线播放精品| 高清不卡的av网站| 一区二区三区免费毛片| 能在线免费看毛片的网站| 欧美日韩国产mv在线观看视频| 能在线免费看毛片的网站| 精品久久久精品久久久| 另类精品久久| 91精品伊人久久大香线蕉| videossex国产| 国产片特级美女逼逼视频| 国产片特级美女逼逼视频| 黄色毛片三级朝国网站| 综合色丁香网| 亚洲国产精品专区欧美| 欧美另类一区| 啦啦啦中文免费视频观看日本| 亚洲成人手机| 在线 av 中文字幕| 全区人妻精品视频| 你懂的网址亚洲精品在线观看| 边亲边吃奶的免费视频| a级毛片在线看网站| 国产精品无大码| 大香蕉久久成人网| 视频区图区小说| 女人精品久久久久毛片| 精品久久蜜臀av无| 在线观看国产h片| 亚洲,一卡二卡三卡| 免费观看的影片在线观看| 中文乱码字字幕精品一区二区三区| 国产精品久久久久久精品古装| 久久久久久人妻| 国产精品麻豆人妻色哟哟久久| 久久这里有精品视频免费| a级片在线免费高清观看视频| 国产一区二区三区综合在线观看 | 狂野欧美白嫩少妇大欣赏| 国产亚洲一区二区精品| 黑人巨大精品欧美一区二区蜜桃 | 在线观看www视频免费| 久久久久久人妻| 欧美97在线视频| 两个人免费观看高清视频| 欧美激情 高清一区二区三区| 少妇高潮的动态图| 日本-黄色视频高清免费观看| 伊人亚洲综合成人网| 看非洲黑人一级黄片| 国产精品欧美亚洲77777| 国产成人免费无遮挡视频| 久久韩国三级中文字幕| 久久久久网色| 特大巨黑吊av在线直播| 久久精品国产亚洲av涩爱| 亚洲精品久久久久久婷婷小说| 伦理电影免费视频| 免费观看无遮挡的男女| 亚洲欧美中文字幕日韩二区| 国产69精品久久久久777片| av线在线观看网站| 国产毛片在线视频| 最新的欧美精品一区二区| 国产精品偷伦视频观看了| 国产极品粉嫩免费观看在线 | 成人影院久久| 啦啦啦视频在线资源免费观看| 午夜福利影视在线免费观看| 亚洲欧美中文字幕日韩二区| 丝袜在线中文字幕| 天天影视国产精品| 不卡视频在线观看欧美| 午夜福利在线观看免费完整高清在| 国产午夜精品久久久久久一区二区三区| 91国产中文字幕| 亚洲精品色激情综合| xxxhd国产人妻xxx| 国产精品嫩草影院av在线观看| 麻豆精品久久久久久蜜桃| 亚洲国产毛片av蜜桃av| 亚洲成色77777| 午夜av观看不卡| 色哟哟·www| 日韩免费高清中文字幕av| 亚洲国产欧美日韩在线播放| 秋霞伦理黄片| 大陆偷拍与自拍| 26uuu在线亚洲综合色| 国产一区亚洲一区在线观看| 久久 成人 亚洲| 99热这里只有是精品在线观看| 成人综合一区亚洲| 国产av码专区亚洲av| 国产精品无大码| 国产成人精品婷婷| 亚洲情色 制服丝袜| 日本欧美国产在线视频| 亚洲国产欧美日韩在线播放| 亚洲丝袜综合中文字幕| 亚洲成色77777| 久久99蜜桃精品久久| 成人国语在线视频| 综合色丁香网| 日本黄色片子视频| 青春草视频在线免费观看| 国产成人精品无人区| 中文精品一卡2卡3卡4更新| 狂野欧美激情性xxxx在线观看| 18禁在线无遮挡免费观看视频| 欧美xxxx性猛交bbbb| 亚洲美女搞黄在线观看| av视频免费观看在线观看| 成人亚洲精品一区在线观看| 少妇人妻久久综合中文| 黄色怎么调成土黄色| 51国产日韩欧美| 久久久久久久亚洲中文字幕| 精品人妻一区二区三区麻豆| 欧美激情 高清一区二区三区| av.在线天堂| 在线观看免费日韩欧美大片 | 综合色丁香网| 久久久精品94久久精品| 午夜福利影视在线免费观看| 国产日韩欧美亚洲二区| 尾随美女入室| 男女免费视频国产| 国产一区二区在线观看日韩| 黑人猛操日本美女一级片| 一二三四中文在线观看免费高清| 插阴视频在线观看视频| 国产淫语在线视频| 亚洲av中文av极速乱| 中国三级夫妇交换| 午夜免费鲁丝| 五月天丁香电影| 免费黄网站久久成人精品| 少妇的逼水好多| 精品国产露脸久久av麻豆| 大香蕉久久成人网| 五月玫瑰六月丁香| 91精品国产国语对白视频| 99热6这里只有精品| av在线老鸭窝| 欧美激情极品国产一区二区三区 | av有码第一页| 汤姆久久久久久久影院中文字幕| 菩萨蛮人人尽说江南好唐韦庄| 亚洲av电影在线观看一区二区三区| 人妻人人澡人人爽人人| 香蕉精品网在线| 在线观看免费视频网站a站| 黑丝袜美女国产一区| 国产 一区精品| 一级毛片电影观看| 国产在视频线精品| 晚上一个人看的免费电影| 国产午夜精品一二区理论片| 天堂中文最新版在线下载| 如日韩欧美国产精品一区二区三区 | 日本黄大片高清| 69精品国产乱码久久久| 亚洲av电影在线观看一区二区三区| 国产精品嫩草影院av在线观看| 九九爱精品视频在线观看| 久久av网站| 人成视频在线观看免费观看| 草草在线视频免费看| 亚洲精品久久午夜乱码| 天堂俺去俺来也www色官网| 青春草视频在线免费观看| 最近中文字幕2019免费版| 国产一区二区在线观看日韩| 欧美国产精品一级二级三级| 老司机亚洲免费影院| 国产成人午夜福利电影在线观看| 伊人亚洲综合成人网| 久久久精品94久久精品| 国产精品熟女久久久久浪| 精品人妻一区二区三区麻豆| 人人妻人人澡人人爽人人夜夜| 日日撸夜夜添| 黄色视频在线播放观看不卡| 不卡视频在线观看欧美| 女人精品久久久久毛片| 男人爽女人下面视频在线观看| 熟女av电影| 日韩精品有码人妻一区| 日韩欧美精品免费久久| 国产色爽女视频免费观看| 久久人妻熟女aⅴ| 国产精品欧美亚洲77777| 下体分泌物呈黄色| 中文字幕亚洲精品专区| 精品酒店卫生间| 最黄视频免费看| 久久韩国三级中文字幕| 国产乱人偷精品视频| 亚洲成人av在线免费| 十分钟在线观看高清视频www| 热99国产精品久久久久久7| 日韩电影二区| 亚洲av国产av综合av卡| 国产精品女同一区二区软件| 久久久久久久国产电影| 大陆偷拍与自拍| 少妇的逼好多水| 亚洲欧美中文字幕日韩二区| 久久婷婷青草| 久久99精品国语久久久| 久久午夜综合久久蜜桃| 欧美日韩亚洲高清精品| 99视频精品全部免费 在线| 国产亚洲欧美精品永久| 人妻系列 视频| 日韩熟女老妇一区二区性免费视频| 一级毛片 在线播放| 最近2019中文字幕mv第一页| 国产毛片在线视频| 九九久久精品国产亚洲av麻豆| 亚洲精品国产av成人精品| 久久久久久久亚洲中文字幕| 国产在线视频一区二区| 最近最新中文字幕免费大全7| 午夜激情av网站| 亚洲性久久影院| av免费在线看不卡| 欧美日韩av久久| 欧美激情 高清一区二区三区| 成人毛片a级毛片在线播放| 国产国拍精品亚洲av在线观看| 亚洲欧美日韩另类电影网站| 考比视频在线观看| 亚洲一区二区三区欧美精品| 欧美性感艳星| 涩涩av久久男人的天堂| 22中文网久久字幕| 久久人人爽av亚洲精品天堂| 91精品国产九色| 久久精品人人爽人人爽视色| 少妇人妻 视频| 久久影院123| 亚洲少妇的诱惑av| 国产探花极品一区二区| 街头女战士在线观看网站| 国产高清有码在线观看视频| av在线老鸭窝| 日韩av在线免费看完整版不卡| 搡女人真爽免费视频火全软件| 好男人视频免费观看在线| 久热久热在线精品观看| 精品亚洲成国产av| 国产女主播在线喷水免费视频网站| 91久久精品国产一区二区三区| 中文字幕制服av| 人成视频在线观看免费观看| 天天躁夜夜躁狠狠久久av| 欧美精品人与动牲交sv欧美| 中文字幕最新亚洲高清| 亚洲精品中文字幕在线视频| 久久久久久久久久久免费av| 亚洲美女黄色视频免费看| 亚洲色图综合在线观看| 18禁观看日本| 国产高清不卡午夜福利| 亚洲情色 制服丝袜| 国产高清三级在线| 日产精品乱码卡一卡2卡三| 国产成人免费无遮挡视频| 夜夜爽夜夜爽视频| 国产午夜精品久久久久久一区二区三区| 丝袜美足系列| 99久久精品一区二区三区| 亚洲欧美成人综合另类久久久| 九色亚洲精品在线播放| av.在线天堂| 亚洲国产精品一区三区| 亚洲少妇的诱惑av| 亚洲av中文av极速乱| 卡戴珊不雅视频在线播放| 久久久精品免费免费高清| 啦啦啦在线观看免费高清www| 高清毛片免费看| 汤姆久久久久久久影院中文字幕| 丰满乱子伦码专区| 高清在线视频一区二区三区| 只有这里有精品99| 大香蕉97超碰在线| 欧美激情极品国产一区二区三区 | 精品国产乱码久久久久久小说| 亚洲国产色片| 国产白丝娇喘喷水9色精品| 男女国产视频网站| 国产亚洲精品第一综合不卡 | 国产精品久久久久成人av| 简卡轻食公司| 欧美97在线视频| 天天躁夜夜躁狠狠久久av| 精品卡一卡二卡四卡免费| 91精品一卡2卡3卡4卡| 中国三级夫妇交换| 热re99久久精品国产66热6| 高清午夜精品一区二区三区| 青春草亚洲视频在线观看| 亚洲欧美色中文字幕在线| 男女边摸边吃奶| 高清不卡的av网站| 中文字幕制服av| 永久网站在线| a级毛片免费高清观看在线播放| 妹子高潮喷水视频| 美女脱内裤让男人舔精品视频| av天堂久久9| av在线老鸭窝| 欧美日韩视频精品一区| 一本久久精品| 精品人妻熟女毛片av久久网站| 七月丁香在线播放| 99热全是精品| 精品国产一区二区三区久久久樱花| av天堂久久9| 久久久国产欧美日韩av| 久久99精品国语久久久| 人妻人人澡人人爽人人| 97超碰精品成人国产| 亚洲综合色惰| 纯流量卡能插随身wifi吗| 制服丝袜香蕉在线| 91在线精品国自产拍蜜月| tube8黄色片| 91aial.com中文字幕在线观看| 一本大道久久a久久精品| 欧美激情 高清一区二区三区| 99热网站在线观看| 亚洲人与动物交配视频| 黑人猛操日本美女一级片| 麻豆乱淫一区二区| 天堂中文最新版在线下载| 啦啦啦视频在线资源免费观看| 热99久久久久精品小说推荐| 在线观看三级黄色| 97在线人人人人妻| 22中文网久久字幕| 精品少妇内射三级| 久久亚洲国产成人精品v| 日韩大片免费观看网站| 丝袜在线中文字幕| 人成视频在线观看免费观看| 欧美 亚洲 国产 日韩一| 久久国产精品大桥未久av| 激情五月婷婷亚洲| av在线app专区| 久久精品久久久久久噜噜老黄| 亚洲精品日本国产第一区| 少妇 在线观看| 中文字幕人妻丝袜制服| 老司机影院成人| 美女大奶头黄色视频| 久久人人爽人人片av| 国产黄色免费在线视频| 韩国av在线不卡| 欧美精品一区二区免费开放| 国产精品久久久久久久久免| 日韩中字成人| 三上悠亚av全集在线观看| av免费观看日本| 久久精品国产a三级三级三级| 少妇人妻久久综合中文| 高清在线视频一区二区三区| 日韩中文字幕视频在线看片| 亚洲三级黄色毛片| 各种免费的搞黄视频| 亚洲第一av免费看| 精品久久久久久久久亚洲| 久久久久久人妻| 26uuu在线亚洲综合色| 99热这里只有精品一区| 日韩伦理黄色片| 国产深夜福利视频在线观看| 搡女人真爽免费视频火全软件| 久久久久久人妻| 少妇人妻 视频| 狠狠精品人妻久久久久久综合| 中文欧美无线码| 三级国产精品片| 成年美女黄网站色视频大全免费 | 国产成人91sexporn| 亚洲av在线观看美女高潮| 成人国产麻豆网| 亚洲美女搞黄在线观看| 日本vs欧美在线观看视频| 丝瓜视频免费看黄片| 亚洲精品乱久久久久久| 国产一区有黄有色的免费视频| 日韩大片免费观看网站| 91成人精品电影| 国产一区亚洲一区在线观看| 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| 国产乱人偷精品视频| 草草在线视频免费看| 国产精品久久久久久精品古装| 中文欧美无线码| 国产69精品久久久久777片| 国产黄频视频在线观看| 国产亚洲一区二区精品| 亚洲天堂av无毛| 久久久久久人妻| 国产成人免费观看mmmm| 欧美精品高潮呻吟av久久| 97超视频在线观看视频| 免费人成在线观看视频色| 夫妻午夜视频| 久久这里有精品视频免费| 中文字幕最新亚洲高清| 少妇的逼水好多| 亚洲怡红院男人天堂| 亚洲国产成人一精品久久久| 69精品国产乱码久久久| 成人二区视频| 欧美bdsm另类| 99久久人妻综合| 十分钟在线观看高清视频www| 男女边吃奶边做爰视频| 嘟嘟电影网在线观看| 99热国产这里只有精品6| 亚洲精品乱码久久久v下载方式| 国产一区二区在线观看日韩| 熟妇人妻不卡中文字幕| 亚洲欧洲国产日韩| 丝袜喷水一区| 男女高潮啪啪啪动态图| 亚洲精品美女久久av网站| 国产综合精华液| 国产欧美亚洲国产| 亚洲精品av麻豆狂野| 国产白丝娇喘喷水9色精品| 国产日韩一区二区三区精品不卡 | 国产色婷婷99| 大片电影免费在线观看免费|