• <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 ?

    基于詞語關(guān)聯(lián)的散文閱讀理解問題答案獲取方法

    2018-05-04 07:26:32王素格譚紅葉王元龍
    中文信息學(xué)報 2018年3期
    關(guān)鍵詞:關(guān)聯(lián)散文語義

    喬 霈,王素格,2,陳 鑫,譚紅葉,陳 千,王元龍

    (1. 山西大學(xué) 計算機與信息技術(shù)學(xué)院,山西 太原 030006;2. 山西大學(xué) 計算智能與中文信息處理教育部重點實驗室,山西 太原 030006)

    0 引言

    隨著國內(nèi)外越來越多的機構(gòu)投入到問答系統(tǒng)的研究中,使得自動問答技術(shù)取得了很大的進展。問答系統(tǒng),即利用自然語言處理技術(shù)理解用戶所提出的問題,再返回給用戶正確的答案[1]。閱讀理解屬于問答任務(wù)中的一個重要分支,又與傳統(tǒng)的問答存在區(qū)別,它是通過機器理解一篇文章,再根據(jù)文中信息對所提的問題做出回答,主要側(cè)重于問題與閱讀材料的語義相關(guān)性。面向高考散文閱讀理解問答題,按照問題的提問方式我們將其歸納為特點(特色)類、感受類、認識(態(tài)度)類、原因類、列舉類、其他類共六類。為了解答這些問題,首先需要理解題干的相關(guān)信息,然后從閱讀材料中獲取與題干中信息相關(guān)的詞語或短語,最后將閱讀材料中與詞語或短語相關(guān)的句子作為答案句。表1所示為閱讀理解中問答題的問題、答案示例。

    表1 閱讀理解中問答題的問題、參考答案示例

    表1中問題的關(guān)鍵詞為“特色”,描述對象為魯迅的故鄉(xiāng)環(huán)境,理解“特色”一詞的抽象語義,需要從閱讀材料中尋找魯迅的故鄉(xiāng)環(huán)境與“特色”相關(guān)聯(lián)的詞語,構(gòu)成答案句。

    針對散文閱讀理解類問題中的詞語較為抽象,在語義上難以與閱讀材料中的信息聯(lián)系,需要將問題中具有抽象含義的詞語擴展為與其關(guān)聯(lián)的具體詞語,再進一步與閱讀材料中的句子進行聯(lián)系。

    本文利用LDA方法將問題庫中的問題詞語與閱讀材料涉及的內(nèi)容進行主題聚類,然后按照詞性、詞頻特征篩選出每個主題下相關(guān)的詞語作為問題詞語的主題關(guān)聯(lián)詞,再利用Word2Vec訓(xùn)練散文語料,將得到的主題關(guān)聯(lián)詞語進一步擴展為語義關(guān)聯(lián)詞語。通過獲取語義關(guān)聯(lián)詞語,使問題關(guān)鍵詞語與閱讀材料中句子之間建立聯(lián)系,從而豐富問題關(guān)鍵詞語,提高問題答案句的抽取性能。

    1 相關(guān)工作

    自從1999年TREC(text retrieval conference)會議[2]開設(shè)QA Track以來,自動問答及閱讀理解的研究就備受關(guān)注。早期問答系統(tǒng)的研究主要有以下三個方面: (1)基于統(tǒng)計方法是從文本集中抽取答案返回給用戶。例如,IBM開發(fā)的基于統(tǒng)計的問答系統(tǒng)主要應(yīng)用統(tǒng)計翻譯、詞匯模式等抽取方法。(2)基于知識庫的方法是從知識庫中抽取問題的答案。例如,芝加哥大學(xué)開發(fā)的FAQFinder[3],用于解決一些地理、歷史、文化等方面的簡單問題。(3)基于語義的方法是通過計算詞語間的語義相似度獲得答案句。例如,臺灣Sheng-YuanYang開發(fā)的FAQ-master[4]。目前閱讀理解方面的研究大多針對簡單文本和簡單問題,例如,微軟建立的一套面向兒童的開放域閱讀理解數(shù)據(jù)集MCTest[5],Smith等[6]針對此數(shù)據(jù)集提出了在文本上設(shè)置滑動窗口來與問題答案對中的詞匯匹配打分的方法,引用一種基于RTE的方法將問題與答案按照啟發(fā)式規(guī)則進行拼接,然后計算上述拼接結(jié)果與原文信息之間的相關(guān)性。Facebook的bAbI項目仿真生成了20個任務(wù)用于測試文本理解和推理[7],Sukhbaatar等[8]提出端到端的記憶網(wǎng)絡(luò)模型,用于解答上述20個任務(wù)中的短文本問題。由于問題和文本是自動生成,相應(yīng)的數(shù)據(jù)簡單,使得結(jié)果準確率高,但是該實驗側(cè)重信息推理,未考慮文本的語義信息,因此,難以應(yīng)用到中文閱讀理解任務(wù)中。王智強等[9]提出一種基于篇章框架語義分析的答案抽取方法,并將其應(yīng)用于解答中文閱讀理解問題。該方法主要依賴框架結(jié)構(gòu),而散文本身用詞廣泛,隱含語義豐富,且問題中的詞語較抽象,框架關(guān)系中目前還未覆蓋散文領(lǐng)域的抽象詞語,因此,還難以利用框架關(guān)系建立問題中詞語與文章之間的關(guān)系。

    對于機器閱讀理解問題,現(xiàn)有研究者的主要工作集中于問題分析、答案抽取及生成[10]。然而,由于問題中的關(guān)鍵詞與答案句中的詞語在表達方式上存在差異,導(dǎo)致問題中詞語未能與文章中的詞語相聯(lián)系,這將影響答案句抽取的準確性,因此,在散文問答題中有必要進行詞語關(guān)聯(lián)方法研究。

    詞語關(guān)聯(lián),即尋找詞語的潛在語義,解決詞語的一詞多義、多詞同義現(xiàn)象,用于提高檢索的準確率。目前,問答系統(tǒng)中采用的詞語關(guān)聯(lián)方法主要包括基于統(tǒng)計的方法和基于語義詞典或特定擴展詞表的方法。

    基于統(tǒng)計的詞語關(guān)聯(lián)方法通常利用詞語之間的共現(xiàn)概率或互信息等統(tǒng)計信息來選取關(guān)聯(lián)詞,該方法并沒有深入分析原查詢詞與候選關(guān)聯(lián)詞間的語義關(guān)系。例如,Jones[11]提出詞的聚類算法,根據(jù)詞與詞之間在語料庫中的共現(xiàn)程度實現(xiàn)詞聚類,并將查詢詞所在簇中的其他詞作為關(guān)聯(lián)詞語。丁立愷[12]提出詞關(guān)聯(lián)度的概念,通過對文本語料庫中詞語出現(xiàn)的頻率,以及任意兩個詞語共同出現(xiàn)的頻率進行統(tǒng)計,獲得各個詞語之間的關(guān)聯(lián)度。

    基于語義詞典的方法,需要借助詞典中的詞建立與查詢詞之間的語義關(guān)聯(lián)。張華平等[13]通過使用WordNet的語義體系對詞語進行語義關(guān)聯(lián)性的擴展。Rothe等[14]結(jié)合深度學(xué)習(xí)方法以WordNet作為語義資源提出自動擴展的方法,構(gòu)造了一個使用詞嵌入擴展同義詞集和語義嵌入的系統(tǒng)。史俊冰等[15]建立了同義詞詞典,并在此基礎(chǔ)上實現(xiàn)了詞語擴展。萬靜等[16]通過構(gòu)建領(lǐng)域知識詞典的方法擴展用戶輸入的關(guān)鍵詞。以上基于詞典的擴展方法依賴于完備的語義體系,而目前并沒有散文領(lǐng)域的相關(guān)體系。另外,基于語義詞典的方法不依賴語料集,難以聯(lián)系閱讀理解的文本內(nèi)容的特性。陳建超等人[17]通過建立包含上下文信息的同義詞集解決文本中的一詞多義和多詞同義問題。他將詞語的上下文信息視為特征詞,根據(jù)特征詞之間存在的關(guān)聯(lián)性特點建立了一個評分機制,提取分數(shù)最高的特征詞集對應(yīng)的詞匯作為一個同義詞集,該方法比直接提取近義詞或提取上下文相關(guān)詞的準確率有所提高,但是考慮閱讀材料中大多采用含蓄、隱式的詞語來表達作者的情感,因此,難以直接將該方法應(yīng)用于閱讀理解當中。

    上述研究主要側(cè)重將詞語擴展為與其表層語義相近的詞,從而忽略了詞語在特定語境和不同主題下的潛在語義信息。

    LDA(latent dirichlet allocation)是Blei等[18]2003年提出的一種被廣泛使用的主題模型,能夠從海量語料庫中獲取核心語義或特征并對主題進行建模,它是一個離散數(shù)據(jù)集生成概率模型的過程[19],其工作原理是將語料庫中的每一個文檔與一組潛在主題的概率分布進行對應(yīng),而每一個潛在主題同時與文檔中詞語的概率分布相對應(yīng)。該模型基于三點假設(shè)[20]: (1)詞袋模型,LDA認定每篇文檔是由一組詞匯構(gòu)成,且詞匯之間無先后順序關(guān)系,詞語集合W={w1,w2,…,wn};(2)訓(xùn)練集中的文檔順序也是隨意的,無指定順序,因此,每篇文檔可以表示成一個詞頻向量關(guān)系集合di=,其中tij表示單詞j在文檔i中出現(xiàn)的次數(shù);(3)它是一種基于參數(shù)的貝葉斯模型,在訓(xùn)練模型前需要先設(shè)定主題數(shù)量K。因此,LDA被廣泛地應(yīng)用于文本的特征選擇、主題分類、文本聚類等[21]。本文利用LDA將大量未知的文本自動劃分為適當?shù)念惔?,使同一類別中的文本盡可能含有相似的主題,而不同類別的文本間主題差異較大,以此方法從無序的文本信息中發(fā)現(xiàn)文本的分布特點。

    2 面向問題解答的詞語關(guān)聯(lián)方法

    考慮到問題與答案集、問題與閱讀材料中詞語間具有主題相關(guān)性和語義相關(guān)性,我們利用LDA主題聚類方法,確定各類別問題詞語的主題,再利用詞語重要度選擇各類別相應(yīng)主題下重要度高的詞語作為該問題類別的主題關(guān)聯(lián)詞語。在此基礎(chǔ)上,利用Word2Vec對主題關(guān)聯(lián)詞語與材料中詞語進行向量表示,用于度量詞語間的語義相關(guān)性。最后利用上述兩種方法,擴展問題的抽象詞語,建立問題與散文材料中的詞語聯(lián)系。

    2.1 基于LDA的問題主題詞語擴展

    為了獲取主題相關(guān)的詞語,以散文閱讀理解為背景,從所有的閱讀材料—問題—答案集中整理出抽取類問答題(抽取類,即答案句是從文中摘取的句子),以這些問題-答案集為數(shù)據(jù),通過LDA聚類方法將數(shù)據(jù)集下的詞語聚集在不同的主題之下,使各類別問題詞語對應(yīng)各自的主題。例如,文本“作者故鄉(xiāng)植物的生命具有哪些特點?”其示意圖如圖1所示。

    圖1 LDA聚類主題—詞匯分布舉例

    通過LDA主題聚類,可以計算各數(shù)據(jù)(一條數(shù)據(jù)指的是一個問題—答案對)在每個主題下的概率,計算方法如式(1)、式(2)所示。

    其中,Wi表示第i條數(shù)據(jù)的詞集,TWj表示主題j中的詞集,N(Wi,TWj)為第i條數(shù)據(jù)與主題j中共同出現(xiàn)的詞語,R(i,k)表示第i條數(shù)據(jù)對應(yīng)的主題為k。

    針對上文引言中提到的閱讀理解中六類問題所關(guān)聯(lián)的詞語,可以確定各數(shù)據(jù)所屬的類別,利用各類別數(shù)據(jù)在不同主題下的比例可以獲取類別為tyn對應(yīng)的最優(yōu)主題k(tyn),如式(3)所示。

    (3)

    其中,n(tyn)是tyn類的數(shù)據(jù)總數(shù),m(k,tyn)表示tyn類中的主題為k的數(shù)據(jù)個數(shù)。

    根據(jù)式(3),可將各類問題與主題對應(yīng),然而通過對大量數(shù)據(jù)考察,發(fā)現(xiàn)各主題下的部分詞語集與該類問題中詞語關(guān)聯(lián)性不強,例如,各類問題的描述性詞語一般多為名詞和形容詞,而動詞“分析”“具有”“選擇”等為不具有特定意義的詞語。因此,需要進一步對六類問題中的詞語進行篩選。各類問題的形容詞和名詞部分描述如表2所示。

    表2 各類問題的部分描述性詞語

    為了準確地獲得與解題相關(guān)的關(guān)聯(lián)詞語,分別統(tǒng)計六類問題中的詞語對應(yīng)的主題下的名詞和形容詞出現(xiàn)的次數(shù)。按照高頻詞數(shù)均值法確定主題中抽取詞語的數(shù)量tn,計算方法如式(4)所示。

    (4)

    其中,m表示問題類別總數(shù),ftyn表示tyn類問題對應(yīng)的主題中頻次高于l的詞語集。

    由于每類詞語中名詞和形容詞的重要度不同,進一步設(shè)置參數(shù)α和1-α分別代表名詞和形容詞在每類問題詞中所占的比重,以此獲得每個類別中名詞和形容詞保留的個數(shù),計算方法如式(5)所示。

    (5)

    其中,N′(tyn,wn.)為tyn類下名詞的數(shù)量,N′(tyn,wadj.)為tyn類下形容詞的數(shù)量。

    2.2 基于Word2Vec的問題語義詞語擴展

    由于高考閱讀材料的有限性,僅僅利用2.1節(jié)中方法獲得每類詞語的主題關(guān)聯(lián)詞語不能滿足問題解答的要求,需要進一步獲取與散文領(lǐng)域中詞語語義相關(guān)聯(lián)的詞語。Word2Vec是2013年由Google公司開發(fā)的將詞表示為向量形式的工具[22],這些向量中含有潛在豐富的語義信息。本文將散文閱讀材料與主題相關(guān)的詞語通過Word2Vec訓(xùn)練,使它們轉(zhuǎn)化為特定維度的向量表示,然后再計算詞語間相關(guān)性,該方法記為TWE。

    假設(shè)PC為散文材料庫,T為主題詞語集合。

    詞語相似度計算過程: 利用Word2Vec,將詞語p∈PC和主題關(guān)聯(lián)詞語q∈T分別表示成向量w(p),w(q),PC中所有詞語的向量集合記為PC′。通過計算w(p)與w(q)之間的余弦夾角,可獲得w(p)與w(q)的相似度矩陣{cos(w(p),w(q)}|T||PC|。

    詞語關(guān)聯(lián)度排序函數(shù): 為了獲取PC中與q語義相似度高的詞語,我們定義w(p)與w(q)余弦值的排序函數(shù)Rank,具體如式(6)所示。

    (6)

    這里Top-h(w(q))為余弦值排序在前h個對應(yīng)的詞語序列。

    3 散文問答題答案抽取方法

    根據(jù)高考語文相關(guān)專家分析,通常閱讀理解問答題的得分是按照給出的答案要點進行評判。因此,針對散文問答題的答案抽取任務(wù),需要計算詞語間的相關(guān)性。通常采用詞語的詞形匹配和語義相似計算,而詞形匹配一般使用詞語匹配的句子相似度計算方法[23],語義相似計算采用HowNet的句子相似度計算[24]方法。

    (1) 詞語的詞形匹配計算方法sim1

    問題句q與閱讀材料中句子s的相似度算法如式(7)所示。

    (7)

    (2) 詞語的語義相似計算方法sim2

    對于問句q與閱讀材料中句子s的相似度計算,如式(8)所示。

    (8)

    (3) 詞語的詞形匹配與語義相似混合計算方法sim

    對于詞語的詞形匹配,僅利用詞語的表層信息,而詞語的語義相似計算方法考慮詞語的深層語義信息,因此,本文將兩者有機結(jié)合。利用式(7)和式(8),獲得問句q與閱讀材料中句子s的詞語的詞形匹配與語義相似混合計算方法sim=sim1(q,s)+sim2(q,s),選擇問句q與閱讀材料中句子相似度高的N個句子作為答案句。

    4 實驗結(jié)果與分析

    4.1 實驗數(shù)據(jù)及評價指標

    本文的實驗數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。

    訓(xùn)練數(shù)據(jù): 主題聚類所用的數(shù)據(jù)集是從人工整理的各省高考題(不包含北京卷)共1 647篇文章,包含6 117個問題—答案集中的約600個抽取類試題的問題—答案集;內(nèi)容關(guān)聯(lián)詞語擴展所用的數(shù)據(jù)集是從網(wǎng)絡(luò)爬取的近七萬篇文學(xué)作品的閱讀理解,規(guī)模大約320 MB。

    測試數(shù)據(jù): 選擇北京市近12年的高考題和網(wǎng)上收集的1 000套高考模擬題作為方法驗證,其中抽取類問答題有400個。

    評價指標: (1)本文采用信息熵來度量聚類結(jié)果對各類問題的影響;(2)根據(jù)題目所給的參考答案人工從材料中尋找對應(yīng)的句子,并記為答案句集合A,T為使用本文方法得到的答案句子集合,按如下公式計算準確率(P)、召回率(R)和F值。其中,

    (9)

    4.2 參數(shù)設(shè)置

    4.2.1 主題個數(shù)的選擇

    利用2.1節(jié)中介紹的方法進行聚類,實驗分別選擇主題數(shù)k=5,7,10,用于比較聚類結(jié)果中六類問題詞語在不同主題下的分布比例,實驗結(jié)果如表3~表5所示。

    根據(jù)表3~表5,獲得六類問題在不同主題下聚類結(jié)果。首先,計算各類問題在各主題中的信息熵,然后加和取平均作為該主題數(shù)聚類下的整體信息熵值,最終得到主題數(shù)k=5,7,10時信息熵值分別為H(k=5)=2.14、H(k=7)=2.35,H(k=10)=2.94。熵值越小,說明聚簇結(jié)果越好。因此,選擇主題數(shù)k=5最佳。下面的實驗主題數(shù)均為k=5。

    表3 各類問題在主題數(shù)k=5的聚類結(jié)果的分布比例/%

    表4 各類問題在主題數(shù)k=7的聚類結(jié)果的分布比例/%

    表5 各類問題在主題數(shù)k=10的聚類結(jié)果的分布比例/%

    續(xù)表

    4.2.2 詞語篩選

    考慮詞語的覆蓋度,本實驗設(shè)置主題下高頻詞閾值l=6, 4, 2三組實驗,利用2.1節(jié)中式(4)獲得主題關(guān)聯(lián)詞語數(shù)tn=13,24,60,而實驗中主題關(guān)聯(lián)詞語的數(shù)量tn=24時答題效果最好,因此,本實驗將高頻詞的閾值設(shè)置為l=4。

    當tn確定后,利用2.1節(jié)中式(5)確定每類問題中名詞和形容詞的比例,本實驗取α= 0,0.1,0.2,…,0.9,1,共11組實驗,針對每類問題的答題準確率,選擇各類別主題下名詞和形容詞的最優(yōu)個數(shù),結(jié)果如圖2所示。

    圖2 詞語重要度參數(shù)α選擇實驗結(jié)果

    從圖2可以看出ty1、ty2、ty3的問題在α=0.3時效果最好,ty4、ty5和ty6在α=0.7時效果最好。

    4.2.3 語義關(guān)聯(lián)詞語Top-h(w(q))中h的選擇

    散文語料中詞向量的訓(xùn)練選取了Word2Vec的Skip-gram模型[25],參數(shù)設(shè)定為默認值,即文本窗口為5,向量維度為300維。訓(xùn)練后得到80 000多個詞向量。

    利用2.2節(jié)中介紹的方法擴展詞語,詞匯的數(shù)量h分別取5,10,15,20,25,30,方法驗證時答案句的個數(shù)取N=4,6,8,通過測試,得到最好結(jié)果為N=6。因此,抽取答案句子數(shù)N=6計算準確率,結(jié)果如圖3所示。

    圖3 擴展詞匯數(shù)量h的選取

    由圖3可知,當最終確定擴展詞匯數(shù)量h=5時,實驗結(jié)果較好。

    4.3 答案句抽取實驗結(jié)果與分析

    為了驗證本文擴展詞語對答案句抽取的有效性,設(shè)置了三個Baseline方法進行對比。

    (1) 直接抽取答案句(DE): 即問題中的關(guān)鍵詞不進行詞語擴展。

    (2) 基于Word2Vec的詞語關(guān)聯(lián)抽取答案(WE): 將問題詞集W(q)直接利用Word2Vec余弦相似度得到擴展詞集WV(q),不進行主題聚類。

    (3) 基于同義詞詞林的詞語關(guān)聯(lián)抽取答案句(SE): 將問題詞集W(q)利用同義詞詞林擴展詞集SW(q)。

    利用DE、WE、SE以及本文方法TWE獲取關(guān)聯(lián)詞語,再分別使用第三節(jié)的三種答案抽取方法獲得前六個答案句子數(shù),得到不同詞語關(guān)聯(lián)方法和不同的答案抽取方法間的比較結(jié)果,如表6所示。

    表6 不同詞語關(guān)聯(lián)與不同的答案句抽取方法的F值結(jié)果比較/%

    由表6中結(jié)果可知:

    ① 詞語的詞形匹配方法sim1抽取答案句的F值比詞語語義相似方法sim2抽取答案句的F值低,主要原因是由于散文問答題的特殊性,它更強調(diào)抽象詞語的語義。

    ② 詞語的詞形匹配與語義相似混合計算方法sim,得到的結(jié)果比單獨的方法sim1(sim2)抽取答案句的F值高,主要原因是同時考慮了詞語的詞形和語義。因此,本文答案句抽取方法選擇sim方法。在此基礎(chǔ)上,不同詞語關(guān)聯(lián)方法在抽取前六句答案句時的準確率、召回率和F值如表7所示。

    表7 不同詞語關(guān)聯(lián)方法抽取答案句的結(jié)果比較

    由表7中實驗結(jié)果可知:

    (1) 本文方法TWE比Baseline方法在答案句抽取的三項指標結(jié)果均好。方法DE沒有對問題中的關(guān)鍵詞擴展,使問題與閱讀材料中相關(guān)句子難以聯(lián)系。方法WE和方法SE雖然對解題起到一定作用,但是問題中抽象詞語擴展為其抽象的近義詞,未從根本上解決抽象詞與具體詞之間的語義鴻溝,導(dǎo)致準確率不及方法TWE。

    (2) 與方法DE、WE、SE相比,本文方法TWE從主題角度擴展抽象詞的關(guān)聯(lián)詞語,使得答題準確率和召回率有了顯著提升,說明詞語關(guān)聯(lián)方法對散文抽取類問題的解答確實起到了作用。

    (3) 為了驗證方法TWE的顯著性,從統(tǒng)計學(xué)角度分析,采用配對樣本的t檢驗方法衡量數(shù)據(jù)的統(tǒng)計意義,當p小于0.05時,說明兩組數(shù)據(jù)的平均值在小于5%的概率上是相等的,在大于95%的幾率上不相等,兩組實驗存在顯著性差異。將方法DE、WE、SE與TWE對比,分別獲得的概率值為:

    p(1)=0.012<0.05
    p(2)=0.036<0.05
    p(3)=0.043<0.05

    由于三組數(shù)據(jù)的概率p均小于0.05,因此,方法TWE的實驗結(jié)果具有統(tǒng)計顯著性。

    4.4 高考題答題結(jié)果及分析

    對于引言中表1的高考題,利用TWE方法,可以獲得問題的解答結(jié)果,如表8所示。

    表8 本文方法解答問答題示例

    由表8結(jié)果可知,利用本文方法TWE擴展問題詞語,再抽取答案句,可以獲得“空間……;物件……”兩句正確答案。

    如果采用方法DE解答本題,未能獲得正確答案句。方法WE和方法SE均獲得一句正確答案。因此,本文方法TWE在一定程度上提高了散文閱讀理解的答題準確率。

    5 總結(jié)

    散文閱讀理解問題中的關(guān)鍵詞具有抽象含義,導(dǎo)致問題與答案句之間具有較大的語義鴻溝,為了解決該類問題,本文提出詞語關(guān)聯(lián)方法。首先基于LDA聚類的主題—詞匯分布,確定各數(shù)據(jù)的主題,然后根據(jù)各類數(shù)據(jù)在主題下的分布比例為每類數(shù)據(jù)分配最優(yōu)主題,對該主題下的詞語重要度進行選擇,得到各問題類別的主題關(guān)聯(lián)詞語;接著,利用Word2Vec相似度方法將主題關(guān)聯(lián)詞語擴展為語義關(guān)聯(lián)詞語,最后利用詞形匹配和語義相似混合計算方法抽取答案句。方法TWE有效提高了散文問答題的答題準確率和召回率。另外,方法TWE不僅適用于高考閱讀理解的問題解答,也可以應(yīng)用于信息檢索任務(wù)中。

    由于散文閱讀材料往往帶有作者的情感信息,因此在未來工作中,將考慮情感詞的重要性,結(jié)合句子中的情感信息進一步獲得詞語的關(guān)聯(lián)詞語。

    備注本文使用了哈爾濱工業(yè)大學(xué)計算與信息檢索中心研發(fā)的LTP進行分詞及詞性標注;使用了知網(wǎng)提供的語義相似度計算方法。

    [1] 張寧, 朱禮軍. 中文問答系統(tǒng)問句分析研究綜述[J]. 情報工程, 2016, 2(1): 32-42.

    [2] Katz B. Annotating the World Wide Web using natural language[C]//Proceedings of Computer-Assisted Information Searching on Internet,1997: 136-155.

    [3] Hammond K, Burke R, Martin C, et al. FAQ Finder: A case-based approach to knowledge navigation[C]//Proceedings of Conference on Artificial Intelligence for Applications,1995: 80-86.

    [4] Yang S Y. An ontological multi-agent system for web FAQ query[C]//Proceedings of the 2007 International Conference on Machine Learning and Cybernetics,2007: 2964-2969.

    [5] Matthew R, Christopher J C Burges, Eric Renshaw. MCTest: A challenge dataset for the open-domain machine comprehension of Text[C]//Proceedings of the 2013 Conference on Empirical Methods in Natural Language Processing,2013: 193-203.

    [6] Smith E, Greco N, Bosnjak M, et al. A strong lexical matching method for the machine comprehension test[C]//Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing,2015: 1693-1698.

    [7] Weston J, Bordes A, Chopra S, et al. Towards ai-complete question answering: A set of prerequisite toy tasks[J]. arXiv preprint arXiv: 1502.05698, 2015.

    [8] Sukhbaatar S, Weston J, Fergus R. End-to-end memory networks[C]//Proceedings of Advances in Neural Information Processing Systems,2015: 2440-2448.

    [9] 王智強, 李茹, 梁吉業(yè),等. 基于漢語篇章框架語義分析的閱讀理解問答研究[J]. 計算機學(xué)報, 2016, 39(4): 795-807.

    [10] 吳友政, 趙軍, 段湘煜,等. 問答式檢索技術(shù)及評測研究綜述[J]. 中文信息學(xué)報, 2005, 19(3): 1-13.

    [11] Jones S. Automatic keyword classification for information retrieval[J]. The Library Quarterly: Information, Community, Policy, 1971, 25(4): 33-98.

    [12] 丁立愷. 基于詞關(guān)聯(lián)度的信息檢索系統(tǒng)[D]. 上海: 復(fù)旦大學(xué)碩士學(xué)位論文, 2010.

    [13] 張華平. 語言淺層分析與句子集新信息檢測研究[D]. 北京: 中國科學(xué)院研究生院博士學(xué)位論文, 2005.

    [14] Rothe S, Schütze H. Autoextend: Extending word embeddings to embeddings for synsets and lexemes[J]. arXiv preprint arXiv: 1507.01127, 2015.

    [15] 史俊冰.問答系統(tǒng)中詞義消歧與關(guān)鍵詞擴展研究[D].太原: 太原理工大學(xué)碩士學(xué)位論文,2011.

    [16] Wan J, Wang W C, Jun-Kai Y I. Semantic extended search approach based on ontology in knowledge base[J]. Computer Engineering, 2012, 38(6): 19-24.

    [17] 陳建超, 鄭啟倫, 李慶陽,等. 基于特征詞關(guān)聯(lián)性的同義詞集挖掘算法[J]. 計算機應(yīng)用研究, 2009, 26(7): 2517-2519.

    [18] Blei D M, Ng A Y, Jordan M I. Latent dirichlet allocation[J]. Journal of Machine Learning Research, 2003(3): 993-1022.

    [19] Blei D, Carin L, Dunson D. Probabilistic topic models[J]. IEEE Signal Processing Magazine, 2010, 27(6): 55-65.

    [20] 魏強, 金芝, 許焱. 基于概率主題模型的物聯(lián)網(wǎng)服務(wù)發(fā)現(xiàn)[J]. 軟件學(xué)報, 2014(8): 1640-1658.

    [21] 董婧靈. 基于LDA模型的文本聚類研究[D].武漢: 華中師范大學(xué)碩士學(xué)位論文, 2012.

    [22] 寧建飛, 劉降珍. 融合Word2Vec與TextRank的關(guān)鍵詞抽取研究[J]. 現(xiàn)代圖書情報技術(shù), 2016(6): 20-27.

    [23] 王榮波, 池哲儒, 常寶寶,等. 基于詞串粒度及權(quán)值的漢語句子相似度衡量[J]. 計算機工程, 2005, 31(13): 142-144.

    [24] 劉青磊,顧小豐.基于《知網(wǎng)》的詞語相似度算法研究[J]. 中文信息學(xué)報, 2010, 24(6): 31-37.

    [25] Mikolov T, Chen K, Corrado G, et al.Efficient estimation of word representations in vector space[J]. arXiv: 1301.3781.

    猜你喜歡
    關(guān)聯(lián)散文語義
    一座山,一杯茶(散文)
    紅豆(2022年9期)2022-11-04 03:13:20
    散文兩篇
    西江月(2021年2期)2021-11-24 01:16:12
    散文兩章
    西江月(2021年2期)2021-11-24 01:16:08
    紙上的故土難離——雍措散文論
    阿來研究(2020年1期)2020-10-28 08:10:56
    語言與語義
    “一帶一路”遞進,關(guān)聯(lián)民生更緊
    當代陜西(2019年15期)2019-09-02 01:52:00
    奇趣搭配
    智趣
    讀者(2017年5期)2017-02-15 18:04:18
    “上”與“下”語義的不對稱性及其認知闡釋
    認知范疇模糊與語義模糊
    精品少妇一区二区三区视频日本电影| 亚洲精品中文字幕一二三四区| 久9热在线精品视频| 91麻豆av在线| 国产精品亚洲美女久久久| 亚洲精品中文字幕在线视频| 久久中文看片网| 国产成人精品久久二区二区91| 国产视频内射| 久久精品国产综合久久久| 亚洲精品中文字幕在线视频| 在线天堂中文资源库| 一区二区三区精品91| svipshipincom国产片| 欧美日韩瑟瑟在线播放| 男女下面进入的视频免费午夜 | 亚洲人成电影免费在线| 国产1区2区3区精品| 999久久久精品免费观看国产| 国产不卡一卡二| 欧美日韩乱码在线| 久久久国产成人精品二区| 亚洲国产欧美网| 国内少妇人妻偷人精品xxx网站 | 亚洲成人国产一区在线观看| 一本一本综合久久| 日日摸夜夜添夜夜添小说| 妹子高潮喷水视频| 黄片小视频在线播放| 久久精品成人免费网站| 黄色a级毛片大全视频| 中文亚洲av片在线观看爽| 婷婷六月久久综合丁香| www.www免费av| 色尼玛亚洲综合影院| 白带黄色成豆腐渣| 久久久国产欧美日韩av| 欧美激情高清一区二区三区| 成人三级做爰电影| 搡老熟女国产l中国老女人| 此物有八面人人有两片| 91av网站免费观看| 成人亚洲精品av一区二区| 丁香六月欧美| av中文乱码字幕在线| 视频区欧美日本亚洲| 久99久视频精品免费| 看免费av毛片| 日韩免费av在线播放| 在线天堂中文资源库| 久久久国产成人免费| 精品第一国产精品| 老汉色∧v一级毛片| 美女高潮喷水抽搐中文字幕| 亚洲人成电影免费在线| 女人爽到高潮嗷嗷叫在线视频| 一区二区三区高清视频在线| 哪里可以看免费的av片| 亚洲欧美激情综合另类| 色播在线永久视频| 国产又爽黄色视频| 丝袜人妻中文字幕| 黄色a级毛片大全视频| 亚洲精品中文字幕在线视频| 90打野战视频偷拍视频| 久久久精品国产亚洲av高清涩受| 国产精品亚洲美女久久久| 久久人人精品亚洲av| 免费看美女性在线毛片视频| 久久伊人香网站| 一级a爱视频在线免费观看| 亚洲精品久久成人aⅴ小说| 69av精品久久久久久| 成熟少妇高潮喷水视频| 久久香蕉精品热| 久久中文看片网| 亚洲成av人片免费观看| 人人妻人人看人人澡| 男人舔奶头视频| 亚洲狠狠婷婷综合久久图片| 久久草成人影院| 天天一区二区日本电影三级| 午夜a级毛片| 99久久无色码亚洲精品果冻| 久久热在线av| 老熟妇仑乱视频hdxx| 国产精品九九99| 99久久国产精品久久久| 又黄又爽又免费观看的视频| 久久精品夜夜夜夜夜久久蜜豆 | 好男人在线观看高清免费视频 | 国产伦人伦偷精品视频| 国产av一区在线观看免费| 亚洲五月色婷婷综合| 1024香蕉在线观看| bbb黄色大片| 亚洲国产欧美网| 久久人人精品亚洲av| 亚洲av第一区精品v没综合| 一卡2卡三卡四卡精品乱码亚洲| 亚洲精品一卡2卡三卡4卡5卡| 免费电影在线观看免费观看| 无人区码免费观看不卡| 欧美国产精品va在线观看不卡| av在线播放免费不卡| 亚洲五月天丁香| 精品久久久久久久久久久久久 | 夜夜爽天天搞| 一本精品99久久精品77| 欧美又色又爽又黄视频| 亚洲国产精品成人综合色| 亚洲欧洲精品一区二区精品久久久| 一边摸一边做爽爽视频免费| 一二三四社区在线视频社区8| 99精品久久久久人妻精品| 精品高清国产在线一区| 午夜a级毛片| 午夜免费激情av| 人妻丰满熟妇av一区二区三区| 男人舔女人的私密视频| 亚洲av第一区精品v没综合| 法律面前人人平等表现在哪些方面| 侵犯人妻中文字幕一二三四区| 免费电影在线观看免费观看| 日本撒尿小便嘘嘘汇集6| 日本熟妇午夜| 岛国视频午夜一区免费看| 久久香蕉激情| 欧美乱色亚洲激情| 18禁国产床啪视频网站| 日韩有码中文字幕| 成人永久免费在线观看视频| 黄片小视频在线播放| 在线观看免费午夜福利视频| 日韩精品中文字幕看吧| 免费高清视频大片| 夜夜夜夜夜久久久久| 色婷婷久久久亚洲欧美| 岛国视频午夜一区免费看| 18禁黄网站禁片午夜丰满| 一本综合久久免费| 亚洲av美国av| 亚洲一区高清亚洲精品| 欧美成人午夜精品| 99国产综合亚洲精品| 91麻豆av在线| 久久婷婷成人综合色麻豆| 亚洲中文av在线| 在线av久久热| 精品福利观看| 午夜福利免费观看在线| 亚洲男人的天堂狠狠| 一边摸一边做爽爽视频免费| 久久人妻福利社区极品人妻图片| 99热这里只有精品一区 | 一级毛片女人18水好多| 巨乳人妻的诱惑在线观看| 中国美女看黄片| 国产激情欧美一区二区| 国产野战对白在线观看| 一区二区三区精品91| 热re99久久国产66热| www日本黄色视频网| 高清毛片免费观看视频网站| 搡老熟女国产l中国老女人| 久热这里只有精品99| 国产亚洲av嫩草精品影院| 亚洲中文日韩欧美视频| 精品国产美女av久久久久小说| 麻豆国产av国片精品| av电影中文网址| 久热这里只有精品99| 午夜精品久久久久久毛片777| 好看av亚洲va欧美ⅴa在| 久久精品aⅴ一区二区三区四区| 给我免费播放毛片高清在线观看| 老司机深夜福利视频在线观看| 国产激情久久老熟女| 国产午夜福利久久久久久| 国产精品精品国产色婷婷| 美女扒开内裤让男人捅视频| 亚洲专区中文字幕在线| av视频在线观看入口| 高潮久久久久久久久久久不卡| 2021天堂中文幕一二区在线观 | 国内少妇人妻偷人精品xxx网站 | 亚洲人成77777在线视频| 色av中文字幕| 欧美一区二区精品小视频在线| 亚洲七黄色美女视频| 久久国产精品人妻蜜桃| av天堂在线播放| 99久久无色码亚洲精品果冻| 欧美乱码精品一区二区三区| 国产精品久久久人人做人人爽| 18禁黄网站禁片午夜丰满| 亚洲午夜精品一区,二区,三区| 波多野结衣高清作品| 国产区一区二久久| 老司机靠b影院| 亚洲性夜色夜夜综合| 亚洲avbb在线观看| 亚洲精品在线观看二区| 一本久久中文字幕| 成人国产综合亚洲| 国产精品爽爽va在线观看网站 | 亚洲国产毛片av蜜桃av| 这个男人来自地球电影免费观看| 国产精品野战在线观看| 国产精品久久久久久精品电影 | 欧美在线黄色| tocl精华| 成年版毛片免费区| 老汉色av国产亚洲站长工具| 国产久久久一区二区三区| 欧美+亚洲+日韩+国产| 色精品久久人妻99蜜桃| 成人永久免费在线观看视频| 亚洲av成人av| 国产高清videossex| 波多野结衣高清无吗| 1024视频免费在线观看| 日本熟妇午夜| 听说在线观看完整版免费高清| 日本在线视频免费播放| 精品人妻1区二区| 欧美成人一区二区免费高清观看 | 高潮久久久久久久久久久不卡| 美女免费视频网站| 很黄的视频免费| 一级黄色大片毛片| 性色av乱码一区二区三区2| 淫妇啪啪啪对白视频| 亚洲国产精品sss在线观看| 国产色视频综合| 午夜日韩欧美国产| 男女床上黄色一级片免费看| 一卡2卡三卡四卡精品乱码亚洲| 99久久久亚洲精品蜜臀av| 最近最新中文字幕大全免费视频| 国产熟女xx| 国产一卡二卡三卡精品| 中出人妻视频一区二区| 亚洲精品一区av在线观看| 俺也久久电影网| 国产免费男女视频| 国产精品免费一区二区三区在线| 亚洲男人的天堂狠狠| 男人舔奶头视频| 老鸭窝网址在线观看| 99国产精品99久久久久| 国产精品一区二区三区四区久久 | 亚洲真实伦在线观看| 成人手机av| 久久久久国产精品人妻aⅴ院| 天堂√8在线中文| 日韩欧美在线二视频| 亚洲av成人不卡在线观看播放网| 国产欧美日韩一区二区精品| 亚洲电影在线观看av| av有码第一页| 两个人看的免费小视频| 国产精品香港三级国产av潘金莲| 久久久精品国产亚洲av高清涩受| 国产精品综合久久久久久久免费| 亚洲五月婷婷丁香| 精品不卡国产一区二区三区| cao死你这个sao货| 在线十欧美十亚洲十日本专区| 视频区欧美日本亚洲| 法律面前人人平等表现在哪些方面| av中文乱码字幕在线| 99在线视频只有这里精品首页| 变态另类成人亚洲欧美熟女| 51午夜福利影视在线观看| 日日摸夜夜添夜夜添小说| 久久精品国产清高在天天线| 久久久久国产一级毛片高清牌| 97碰自拍视频| 亚洲人成电影免费在线| 中文亚洲av片在线观看爽| 久久久久久久精品吃奶| 女性被躁到高潮视频| 成人亚洲精品一区在线观看| 欧美久久黑人一区二区| 久久精品国产清高在天天线| 日本在线视频免费播放| av欧美777| 国产亚洲欧美98| 久久久久久免费高清国产稀缺| av视频在线观看入口| 亚洲国产日韩欧美精品在线观看 | 国产精品久久电影中文字幕| 村上凉子中文字幕在线| 99久久精品国产亚洲精品| 国产精品1区2区在线观看.| 男女之事视频高清在线观看| 99久久99久久久精品蜜桃| 久久精品影院6| 日本在线视频免费播放| 亚洲第一av免费看| 亚洲第一欧美日韩一区二区三区| 亚洲国产精品999在线| 99久久国产精品久久久| 亚洲 国产 在线| 午夜精品在线福利| 一区二区三区激情视频| 黄片大片在线免费观看| 在线观看免费视频日本深夜| 久久天躁狠狠躁夜夜2o2o| 不卡av一区二区三区| 日韩视频一区二区在线观看| 看片在线看免费视频| 日本精品一区二区三区蜜桃| 91老司机精品| 一二三四社区在线视频社区8| 欧美大码av| 国产主播在线观看一区二区| 日本在线视频免费播放| 日韩欧美一区二区三区在线观看| √禁漫天堂资源中文www| 亚洲国产精品sss在线观看| 在线看三级毛片| 日韩免费av在线播放| tocl精华| 久久精品91蜜桃| 午夜福利在线观看吧| 欧美不卡视频在线免费观看 | 精品午夜福利视频在线观看一区| 搡老岳熟女国产| 成人国语在线视频| 美女大奶头视频| 国内精品久久久久久久电影| 久久欧美精品欧美久久欧美| 97超级碰碰碰精品色视频在线观看| 久久久久久人人人人人| 18禁黄网站禁片午夜丰满| 老司机靠b影院| 成年人黄色毛片网站| 亚洲人成网站在线播放欧美日韩| 18禁裸乳无遮挡免费网站照片 | 麻豆国产av国片精品| 亚洲精品在线美女| 成年人黄色毛片网站| 夜夜看夜夜爽夜夜摸| 久久久久国内视频| 午夜两性在线视频| 青草久久国产| 成人av一区二区三区在线看| 久久香蕉激情| 嫩草影视91久久| 免费在线观看黄色视频的| 丝袜在线中文字幕| 一级作爱视频免费观看| 好男人电影高清在线观看| 在线观看日韩欧美| 麻豆久久精品国产亚洲av| 制服诱惑二区| 一进一出抽搐gif免费好疼| 十八禁人妻一区二区| 美女国产高潮福利片在线看| 两个人视频免费观看高清| 亚洲专区字幕在线| 男女之事视频高清在线观看| 国产精品国产高清国产av| av视频在线观看入口| 老司机深夜福利视频在线观看| 嫩草影院精品99| 亚洲av中文字字幕乱码综合 | 天天一区二区日本电影三级| 国产精品久久久久久人妻精品电影| 精品卡一卡二卡四卡免费| 十八禁网站免费在线| 男女那种视频在线观看| 免费高清视频大片| 国产1区2区3区精品| 久久久久久国产a免费观看| 久久 成人 亚洲| 国产一区二区在线av高清观看| 可以在线观看毛片的网站| 哪里可以看免费的av片| 黄色毛片三级朝国网站| 90打野战视频偷拍视频| 一本大道久久a久久精品| 叶爱在线成人免费视频播放| 色婷婷久久久亚洲欧美| 久久天躁狠狠躁夜夜2o2o| 麻豆成人av在线观看| 亚洲精品久久国产高清桃花| 999久久久精品免费观看国产| 精品欧美国产一区二区三| 每晚都被弄得嗷嗷叫到高潮| bbb黄色大片| 精品电影一区二区在线| 午夜老司机福利片| 午夜影院日韩av| 最新在线观看一区二区三区| 国产又爽黄色视频| 国内久久婷婷六月综合欲色啪| 91麻豆精品激情在线观看国产| xxx96com| 黄色视频不卡| 精品卡一卡二卡四卡免费| 欧美性猛交╳xxx乱大交人| 欧美日本视频| 69av精品久久久久久| 黄色成人免费大全| 午夜免费激情av| 亚洲一区二区三区色噜噜| 最近在线观看免费完整版| 12—13女人毛片做爰片一| 久久久国产成人免费| 好男人电影高清在线观看| 国产视频内射| 精华霜和精华液先用哪个| 精品久久久久久成人av| 久久久久久久久久黄片| 精品一区二区三区av网在线观看| 一二三四社区在线视频社区8| 黄色毛片三级朝国网站| 欧美激情高清一区二区三区| 国产精品99久久99久久久不卡| a在线观看视频网站| 亚洲精品国产区一区二| 亚洲欧美激情综合另类| 男人舔女人下体高潮全视频| 亚洲欧洲精品一区二区精品久久久| 99热只有精品国产| 亚洲av中文字字幕乱码综合 | 免费无遮挡裸体视频| 两个人视频免费观看高清| 白带黄色成豆腐渣| 久久性视频一级片| 亚洲成人免费电影在线观看| 中文字幕人妻熟女乱码| 国产野战对白在线观看| svipshipincom国产片| 免费在线观看完整版高清| 欧美最黄视频在线播放免费| 欧美日韩亚洲综合一区二区三区_| 听说在线观看完整版免费高清| 亚洲人成网站高清观看| 国产欧美日韩精品亚洲av| 精品国内亚洲2022精品成人| 精品乱码久久久久久99久播| 国产1区2区3区精品| 香蕉丝袜av| 日韩精品中文字幕看吧| 青草久久国产| 精品人妻1区二区| 色综合欧美亚洲国产小说| 一区福利在线观看| 午夜免费鲁丝| 亚洲性夜色夜夜综合| 美女国产高潮福利片在线看| 国产色视频综合| 自线自在国产av| 99久久国产精品久久久| 国产不卡一卡二| 欧美久久黑人一区二区| 久久久精品欧美日韩精品| 日韩国内少妇激情av| 欧美成人一区二区免费高清观看 | 亚洲五月色婷婷综合| 麻豆成人午夜福利视频| 久久国产乱子伦精品免费另类| 欧美成人免费av一区二区三区| 欧美午夜高清在线| 一区二区三区国产精品乱码| 亚洲av第一区精品v没综合| 精品不卡国产一区二区三区| 99久久国产精品久久久| 在线观看一区二区三区| 91老司机精品| 亚洲九九香蕉| 国产精品亚洲一级av第二区| 热99re8久久精品国产| 久久国产精品男人的天堂亚洲| 正在播放国产对白刺激| 久久久国产精品麻豆| 超碰成人久久| 成人手机av| 午夜免费成人在线视频| 午夜久久久在线观看| 日本精品一区二区三区蜜桃| 亚洲一区二区三区不卡视频| 中亚洲国语对白在线视频| 色哟哟哟哟哟哟| 日韩一卡2卡3卡4卡2021年| av在线播放免费不卡| 国产成人av激情在线播放| 欧美性猛交╳xxx乱大交人| 婷婷精品国产亚洲av| 亚洲色图 男人天堂 中文字幕| 午夜免费成人在线视频| www.熟女人妻精品国产| 国产精品免费一区二区三区在线| netflix在线观看网站| 国产精品久久久久久人妻精品电影| 亚洲精品中文字幕在线视频| 国产单亲对白刺激| 美女高潮喷水抽搐中文字幕| 亚洲精品av麻豆狂野| 日日干狠狠操夜夜爽| 熟女电影av网| 亚洲成a人片在线一区二区| 国产免费av片在线观看野外av| 精品第一国产精品| 亚洲九九香蕉| 成人特级黄色片久久久久久久| 免费在线观看亚洲国产| 免费av毛片视频| 国产激情偷乱视频一区二区| 亚洲av第一区精品v没综合| 精品国产超薄肉色丝袜足j| 成年免费大片在线观看| 精品乱码久久久久久99久播| 亚洲一区二区三区不卡视频| 大香蕉久久成人网| 亚洲自拍偷在线| 精品第一国产精品| 免费观看人在逋| 动漫黄色视频在线观看| www国产在线视频色| 欧美黑人欧美精品刺激| 亚洲专区字幕在线| 国产亚洲av嫩草精品影院| 91成人精品电影| 观看免费一级毛片| 少妇裸体淫交视频免费看高清 | 亚洲美女黄片视频| 国产精品一区二区免费欧美| 国产黄色小视频在线观看| 妹子高潮喷水视频| 精品欧美一区二区三区在线| 国产精品二区激情视频| 国产精品乱码一区二三区的特点| 一本一本综合久久| 国产真人三级小视频在线观看| 高潮久久久久久久久久久不卡| 日本a在线网址| 欧美日韩黄片免| 精品欧美一区二区三区在线| 99在线人妻在线中文字幕| 亚洲一区中文字幕在线| 久9热在线精品视频| 日韩 欧美 亚洲 中文字幕| 成人一区二区视频在线观看| 99国产精品一区二区蜜桃av| 亚洲成人久久性| 特大巨黑吊av在线直播 | 欧美丝袜亚洲另类 | 国产精品久久久av美女十八| 亚洲人成网站高清观看| 日日干狠狠操夜夜爽| 国产高清视频在线播放一区| 欧洲精品卡2卡3卡4卡5卡区| or卡值多少钱| 国产精品亚洲一级av第二区| 欧美黄色淫秽网站| 久久久久久久久久黄片| 天天一区二区日本电影三级| 别揉我奶头~嗯~啊~动态视频| 无遮挡黄片免费观看| 精品国产乱子伦一区二区三区| 日日干狠狠操夜夜爽| 999久久久国产精品视频| 午夜成年电影在线免费观看| or卡值多少钱| 久久精品91蜜桃| 老司机午夜福利在线观看视频| 免费电影在线观看免费观看| 日韩国内少妇激情av| 亚洲色图 男人天堂 中文字幕| 欧美在线黄色| 一级毛片精品| 久久久久国内视频| 老司机靠b影院| 亚洲第一欧美日韩一区二区三区| 亚洲精品美女久久久久99蜜臀| 国产伦一二天堂av在线观看| 制服诱惑二区| 亚洲精品久久成人aⅴ小说| 色播在线永久视频| 国产色视频综合| 国产不卡一卡二| 精品高清国产在线一区| 高清毛片免费观看视频网站| 一级a爱片免费观看的视频| 国产激情偷乱视频一区二区| 日韩高清综合在线| 亚洲第一av免费看| 一区二区三区国产精品乱码| 在线观看免费日韩欧美大片| 精品国产一区二区三区四区第35| 一区二区三区国产精品乱码| 午夜福利视频1000在线观看| 日本五十路高清| 黄片播放在线免费| 啪啪无遮挡十八禁网站| 国产男靠女视频免费网站| 怎么达到女性高潮| 夜夜爽天天搞| 色在线成人网| 怎么达到女性高潮| 久久精品91无色码中文字幕| 无遮挡黄片免费观看| 成人欧美大片| 嫁个100分男人电影在线观看| 精品国产一区二区三区四区第35| 看片在线看免费视频| www.www免费av| 美女大奶头视频| 看黄色毛片网站| 亚洲成av人片免费观看|