• <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 ?

    一種基于深度學(xué)習(xí)的中文文本特征提取與分類(lèi)方法

    2019-12-25 09:06:48曹魯慧鄧玉香陳通李釗
    山東科學(xué) 2019年6期
    關(guān)鍵詞:特征提取文檔卷積

    曹魯慧,鄧玉香,陳通,李釗

    (1.山東大學(xué),山東 濟(jì)南 250100;2.山東財(cái)源保障評(píng)價(jià)中心,山東 濟(jì)南 250001;3.山東省電子政務(wù)大數(shù)據(jù)工程技術(shù)研究中心,山東 濟(jì)南 250014;4.齊魯工業(yè)大學(xué)(山東省科學(xué)院)山東省計(jì)算中心(國(guó)家超級(jí)計(jì)算濟(jì)南中心)山東省計(jì)算機(jī)網(wǎng)絡(luò)重點(diǎn)實(shí)驗(yàn)室, 山東 濟(jì)南 250014)

    特征提取是機(jī)器學(xué)習(xí)中一項(xiàng)非常重要的特征工程任務(wù),是處理機(jī)器學(xué)習(xí)任務(wù)的關(guān)鍵,同時(shí)也是數(shù)據(jù)挖掘、信息檢索等領(lǐng)域中非常重要的一項(xiàng)內(nèi)容。在機(jī)器學(xué)習(xí)領(lǐng)域眾多的任務(wù)中,特征提取往往決定任務(wù)結(jié)果的好壞,就常用的分類(lèi)任務(wù)而言,其分類(lèi)結(jié)果的好壞同樣取決于其所提取的特征的質(zhì)量。傳統(tǒng)的特征提取方法通常是人工提取,這種方法提取的特征通常包含與分類(lèi)任務(wù)無(wú)關(guān)以及冗余的特征,此外其特征的維度通常比較大,這不僅使得模型訓(xùn)練過(guò)程效率降低、消耗資源,也會(huì)使模型過(guò)擬合并降低分類(lèi)的準(zhǔn)確率。為了解決特征維度過(guò)大、效率低下的問(wèn)題,通常會(huì)對(duì)傳統(tǒng)方法提取的特征進(jìn)行降維,在所有的特征中挑選一部分最能夠表示文本信息并使得分類(lèi)效果最好的特征子集,但是這將使得分類(lèi)任務(wù)的工作量增大。

    近年來(lái)越來(lái)越多的研究者通過(guò)深度學(xué)習(xí)技術(shù)對(duì)特征進(jìn)行提取。Chen等[1]提出使用多個(gè)卷積層與池化層的卷積網(wǎng)絡(luò)來(lái)對(duì)高光譜圖像的特征進(jìn)行提取,然后將提取的特征用于圖像分類(lèi)以及目標(biāo)檢測(cè)并取得了不錯(cuò)的效果。在文本特征提取方面,Liang等[2]對(duì)文本特征提取的方法進(jìn)行了概述,介紹了常用的傳統(tǒng)特征提取方法以及基于深度學(xué)習(xí)的特征提取方法。其中基于深度學(xué)習(xí)的特征提取方法主要包括自編碼神經(jīng)網(wǎng)絡(luò)特征提取、受限波茲曼機(jī)特征提取、循環(huán)神經(jīng)網(wǎng)絡(luò)特征提取以及一些其他的特征提取方法。Saxena等[3]討論了從傳統(tǒng)的詞袋模型方法到非傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法在文本分類(lèi)特征提取中的所有應(yīng)用方法,包括詞袋模型、向量空間模型、人工神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)以及深度信念網(wǎng)絡(luò)。Meng等[4]采用弱監(jiān)督多級(jí)神經(jīng)網(wǎng)絡(luò)對(duì)文本特征進(jìn)行提取。Yao等[5]使用了圖卷積神經(jīng)網(wǎng)絡(luò)對(duì)文本進(jìn)行了特征提取和分類(lèi)。因此,結(jié)合深度學(xué)習(xí)進(jìn)行文本特征提取已經(jīng)成為研究領(lǐng)域的熱點(diǎn)。

    目前使用深度學(xué)習(xí)技術(shù)提取特征在圖像領(lǐng)域應(yīng)用相對(duì)比較廣泛,在文本特征提取方面文獻(xiàn)報(bào)道相對(duì)較少,尤其是針對(duì)中文文本的特征提取研究成果較為稀缺。同時(shí),使用傳統(tǒng)的手工特征提取方法提取的特征維度通常比較大,使模型訓(xùn)練效率低、消耗資源。因此使用深度學(xué)習(xí)方法對(duì)中文長(zhǎng)文本數(shù)據(jù)集進(jìn)行特征提取,能夠降低文本特征提取的難度,提高模型訓(xùn)練效率,同時(shí)也能夠更準(zhǔn)確地表示文本語(yǔ)義信息。本文使用兩種不同的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)文本特征進(jìn)行提取。一種是卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),該結(jié)構(gòu)源于Kim[6]提出的用于句子分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu);另一種是本文新提出的卷積循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。同時(shí),使用傳統(tǒng)的TF-IDF以及Word2vec特征提取方法對(duì)文本特征進(jìn)行表示,提取的特征分別放入SVM與隨機(jī)森林分類(lèi)器中,對(duì)中國(guó)知網(wǎng)中文學(xué)術(shù)論文數(shù)據(jù)集進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果表明,使用卷積神經(jīng)網(wǎng)絡(luò)和卷積循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提取的高層文本特征比傳統(tǒng)方法提取的特征更能準(zhǔn)確表示文本信息,同時(shí)使用SVM和隨機(jī)森林分類(lèi)器取得的分類(lèi)效果比原生的神經(jīng)網(wǎng)絡(luò)的效果更好。

    1 特征提取方法

    1.1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)最早應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域并且在處理計(jì)算機(jī)視覺(jué)任務(wù)上已經(jīng)比較成熟,如圖像分類(lèi)、物體檢測(cè)[7-9]、圖像分割等。隨著深度學(xué)習(xí)技術(shù)的發(fā)展,越來(lái)越多的研究者將其應(yīng)用到自然語(yǔ)言處理領(lǐng)域,Kim[6]使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)文本進(jìn)行分類(lèi)并取得較好的分類(lèi)效果。鑒于卷積網(wǎng)絡(luò)在分類(lèi)任務(wù)中的應(yīng)用比較成熟,本文同樣使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)中文學(xué)術(shù)論文數(shù)據(jù)集進(jìn)行分類(lèi),并建立特征提取模型以提取網(wǎng)絡(luò)中的高層特征來(lái)表示文本的語(yǔ)義信息,使用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

    表1 常用文本特征提取卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

    本文建立的卷積網(wǎng)絡(luò)特征提取模型是以上述網(wǎng)絡(luò)結(jié)構(gòu)中第8層網(wǎng)絡(luò)的輸出,作為特征提取模型的輸出即使用上述網(wǎng)絡(luò)中最高層的特征作為文本的特征向量。根據(jù)上述網(wǎng)絡(luò)結(jié)構(gòu)可知每個(gè)樣本可用128維的向量進(jìn)行表示,這將大為減少特征的維度,加快分類(lèi)器的訓(xùn)練速度,提高分類(lèi)的準(zhǔn)確率。

    1.2 TF-IDF

    TF-IDF(term frequency-inverse document frequency)即詞頻-逆文檔頻率[10-12],是基于統(tǒng)計(jì)學(xué)的計(jì)算詞權(quán)重的方法,是特征向量化的一種常用方法,在信息檢索、數(shù)據(jù)挖掘等領(lǐng)域應(yīng)用非常廣泛。該方法用于評(píng)估一個(gè)詞在該文檔中對(duì)于區(qū)分語(yǔ)料庫(kù)中其他文檔的重要程度,即如果單詞出現(xiàn)在本文檔中的次數(shù)越多,在其他文檔中出現(xiàn)的次數(shù)越少,則表示該詞語(yǔ)對(duì)于這篇文檔具有越強(qiáng)的區(qū)分能力,其權(quán)重值就越大。

    TF表示一個(gè)詞在該篇文檔中出現(xiàn)的頻率,用于計(jì)算這個(gè)詞描述文檔內(nèi)容的能力。其計(jì)算公式如下。

    (1)

    式中,ni,j表示在第j篇文檔中該詞出現(xiàn)的次數(shù),∑knk,j表示對(duì)第j篇文檔中出現(xiàn)的所有詞的次數(shù)求和。

    IDF即逆文檔頻率主要是度量一個(gè)詞語(yǔ)的普遍重要性,如果一篇文檔的某個(gè)詞出現(xiàn)在語(yǔ)料庫(kù)中的大多數(shù)文檔中,則說(shuō)明該詞不能夠?qū)ξ臋n進(jìn)行區(qū)分,反之,則說(shuō)明該詞能夠?qū)⒃撈臋n與語(yǔ)料庫(kù)中的其他文檔區(qū)分開(kāi)來(lái)。某一詞語(yǔ)的IDF,是用語(yǔ)料庫(kù)中所有文檔的總數(shù)目除以含有該詞的文檔數(shù)目的商取對(duì)數(shù)。計(jì)算公式如下。

    (2)

    其中,|D|表示語(yǔ)料庫(kù)中所有文檔的數(shù)目,|{j:ti∈dj}|表示語(yǔ)料庫(kù)中包含詞語(yǔ)ti的文檔數(shù)目。如果詞語(yǔ)不在語(yǔ)料庫(kù)中則會(huì)導(dǎo)致分母為0,為了避免這種情況的發(fā)生,通常分母使用|{j:ti∈dj}|+1。然后

    Wi,j=Ti,j×Ii,

    (3)

    其中,Wi,j表示所計(jì)算文本在語(yǔ)料中的TF-IDF權(quán)重,文檔內(nèi)的高頻率詞語(yǔ)以及該詞語(yǔ)在整個(gè)語(yǔ)料庫(kù)中的低文檔頻率能夠產(chǎn)生較高的TF-IDF權(quán)重值。

    1.3 Word2vec

    Word2vec[13-14]是詞嵌入的一種方式,是谷歌開(kāi)源出的一種詞嵌入工具,也是目前在自然語(yǔ)言處理領(lǐng)域應(yīng)用比較廣泛的一種詞嵌入方式。Word2vec將每個(gè)特征詞映射到向量空間,并使用一個(gè)向量進(jìn)行表示,在一定程度上刻畫(huà)了文本的語(yǔ)義信息,便于計(jì)算特征之間的關(guān)系及相似性。主要包括兩種模型,即跳字模型(skip-gram)和連續(xù)詞袋模型(CBOW)。跳字模型是根據(jù)中心詞去預(yù)測(cè)其上下文的背景詞并根據(jù)預(yù)測(cè)結(jié)果來(lái)不斷調(diào)整中心詞的詞向量。連續(xù)詞袋模型是根據(jù)上下文的背景詞去預(yù)測(cè)中心詞,然后根據(jù)中心詞的預(yù)測(cè)結(jié)果來(lái)不斷調(diào)整上下文背景詞的詞向量。在模型訓(xùn)練過(guò)程中,為了減小計(jì)算復(fù)雜度,采用負(fù)采樣(negative sampling)或分層softmax(hierarchical softmax)兩種訓(xùn)練方式。

    1.4 循環(huán)卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)具有提取局部特征的優(yōu)勢(shì),長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)具有捕獲上下文信息的能力。因此,本文結(jié)合二者的優(yōu)勢(shì),提出一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(CRNN)的文本分類(lèi)方法。該模型首先使用卷積網(wǎng)絡(luò)對(duì)輸入的文本信息進(jìn)行多組特征提取,并分別對(duì)其進(jìn)行池化以提取文本中重要的特征,然后將提取出的特征進(jìn)行融合送入LSTM神經(jīng)網(wǎng)絡(luò)并經(jīng)過(guò)全連接層輸出分類(lèi)結(jié)果。該模型包含輸入層、詞嵌入層、卷積層、池化層、LSTM網(wǎng)絡(luò)層和全連接層,如表2所示。

    表2 卷積循環(huán)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

    由于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)模型能夠取得較好的分類(lèi)效果,因此,基于該模型建立的特征提取模型提取出的高層特征能夠準(zhǔn)確地表示文本的語(yǔ)義信息。本文建立的卷積循環(huán)神經(jīng)網(wǎng)絡(luò)特征提取模型是以上述網(wǎng)絡(luò)結(jié)構(gòu)中的第10層的輸出作為模型的輸出,根據(jù)上述模型結(jié)構(gòu)可知,每個(gè)樣本可用60維的高層特征向量進(jìn)行表示。

    2 實(shí)驗(yàn)驗(yàn)證

    2.1 實(shí)驗(yàn)數(shù)據(jù)集

    本文使用的學(xué)術(shù)論文數(shù)據(jù)集來(lái)源于中國(guó)知網(wǎng)上的學(xué)術(shù)論文。數(shù)據(jù)集中包含10個(gè)文獻(xiàn)類(lèi)別,分別為化學(xué)、輕工業(yè)手工業(yè)、畜牧與動(dòng)物醫(yī)學(xué)、藥學(xué)、新聞與傳媒、鐵路運(yùn)輸、兒科學(xué)、體育、物理學(xué)、農(nóng)業(yè)經(jīng)濟(jì),每個(gè)類(lèi)別選取40 000條數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),其中80%的數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù),20%的數(shù)據(jù)集作為測(cè)試數(shù)據(jù)。每條數(shù)據(jù)都包含4列,分別為類(lèi)別、標(biāo)題、摘要、關(guān)鍵詞。實(shí)驗(yàn)中將標(biāo)題、關(guān)鍵詞、摘要合并為一條更長(zhǎng)的文本作為實(shí)驗(yàn)數(shù)據(jù)的文本信息,由于數(shù)據(jù)集為非公開(kāi)數(shù)據(jù)集,實(shí)驗(yàn)結(jié)果數(shù)據(jù)均采用5次實(shí)驗(yàn)的平均值。

    2.2 基于深度學(xué)習(xí)的文本分類(lèi)實(shí)驗(yàn)

    本文設(shè)計(jì)兩個(gè)對(duì)比實(shí)驗(yàn),即分別使用CNN和提出的CRNN直接對(duì)中文學(xué)術(shù)論文數(shù)據(jù)集進(jìn)行分類(lèi),建立新的文本高層特征提取模型來(lái)提取神經(jīng)網(wǎng)絡(luò)中高層的文本特征,然后將提取的文本特征分別放入支持向量機(jī)(SVM)和隨機(jī)森林分類(lèi)器中進(jìn)行分類(lèi),將得到的分類(lèi)結(jié)果進(jìn)行比對(duì)。使用文本高層特征模型提取的特征在CNN、CRNN、SVM以及隨機(jī)森林中的實(shí)驗(yàn)參數(shù)設(shè)置如表3所示,其中SVM核函數(shù)采用高斯核函數(shù)(RBF),隨機(jī)森林estimator參數(shù)設(shè)為100。

    表3 CNN與CRNN文本分類(lèi)實(shí)驗(yàn)配置

    2.3 基于TF-IDF的文本分類(lèi)實(shí)驗(yàn)

    TF-IDF是基于統(tǒng)計(jì)學(xué)的一種特征提取方法,本文使用TF-IDF方法對(duì)中文學(xué)術(shù)論文數(shù)據(jù)集進(jìn)行特征提取并放入SVM和隨機(jī)森林分類(lèi)器中對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分類(lèi)。實(shí)驗(yàn)中設(shè)置的最大特征個(gè)數(shù)為30 000,最小文檔頻率為2。

    2.4 基于Word2vec的文本分類(lèi)實(shí)驗(yàn)

    本文使用預(yù)訓(xùn)練好的基于中文學(xué)術(shù)論文數(shù)據(jù)集的中文Word2vec詞向量模型,對(duì)中文學(xué)術(shù)論文數(shù)據(jù)集中的每個(gè)特征進(jìn)行表示,然后將每個(gè)樣本中的特征詞向量進(jìn)行求和來(lái)表示整個(gè)文本的特征向量,如下式所示。

    ti=xi1⊕xi2⊕…⊕xin,

    (4)

    式中,ti表示第i個(gè)文本的特征向量,xin表示第i個(gè)文本中第n個(gè)特征的詞向量。

    實(shí)驗(yàn)中,使用神經(jīng)網(wǎng)絡(luò)中的詞嵌入層將文本數(shù)據(jù)集中的所有文本特征一次性轉(zhuǎn)化為預(yù)訓(xùn)練好的Word2vec詞向量,而不是使用迭代的方式對(duì)每個(gè)特征詞進(jìn)行詞向量轉(zhuǎn)換,這將提高實(shí)驗(yàn)的效率,節(jié)省實(shí)驗(yàn)時(shí)間。最后將通過(guò)Word2vec詞向量生成的文本特征向量放入SVM和隨機(jī)森林分類(lèi)器中對(duì)實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行分類(lèi)。

    2.5 實(shí)驗(yàn)結(jié)果分析

    分類(lèi)結(jié)果匯總?cè)绫?所示。由實(shí)驗(yàn)結(jié)果可知,使用基于神經(jīng)網(wǎng)絡(luò)的特征提取方法提取的高層文本特征在分類(lèi)器中獲得的分類(lèi)結(jié)果比使用TF-IDF以及Word2vec方法提取的特征獲得的分類(lèi)效果更好,因此說(shuō)明使用神經(jīng)網(wǎng)絡(luò)提取的高層文本特征向量更能準(zhǔn)確地表示文本的語(yǔ)義信息。

    表4 學(xué)術(shù)論文數(shù)據(jù)分類(lèi)結(jié)果

    分析其中可能原因:使用TF-IDF方法對(duì)文本進(jìn)行表示時(shí)打亂了詞的順序,忽略了詞的上下文關(guān)系;使用Word2vec方法進(jìn)行文本表示時(shí),由于文本相對(duì)較長(zhǎng),使用詞的詞向量求和來(lái)表示文本向量時(shí)可能會(huì)丟失詞的語(yǔ)義信息。此外,使用神經(jīng)網(wǎng)絡(luò)特征提取模型提取的特征放入SVM和隨機(jī)森林分類(lèi)器所得的分類(lèi)效果略好于使用原生的神經(jīng)網(wǎng)絡(luò)分類(lèi)方法。

    3 結(jié)論

    本文介紹了自然語(yǔ)言處理中文本特征提取和文本分類(lèi)的相關(guān)研究現(xiàn)狀,對(duì)比了基于深度學(xué)習(xí)和傳統(tǒng)的TF-IDF、Word2vec等文本特征提取方法。在此基礎(chǔ)上提出了一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(CRNN)的文本特征提取方法,充分結(jié)合CNN在局部特征提取以及循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM具有記憶的優(yōu)勢(shì),將提取的特征前后關(guān)聯(lián),可更好地表達(dá)文本含義。經(jīng)過(guò)論文數(shù)據(jù)集文本分類(lèi)實(shí)驗(yàn)驗(yàn)證,基于深度學(xué)習(xí)的文本特征提取比傳統(tǒng)特征提取更有優(yōu)勢(shì),同時(shí)提出的算法優(yōu)于基于CNN的文本特征提取算法。下一步計(jì)劃對(duì)比更多文本特征選擇的算法,另外針對(duì)中文的文本語(yǔ)義理解,增加注意力機(jī)制,實(shí)現(xiàn)大規(guī)模長(zhǎng)文本的分類(lèi)應(yīng)用。

    猜你喜歡
    特征提取文檔卷積
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    有人一聲不吭向你扔了個(gè)文檔
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    Bagging RCSP腦電特征提取算法
    基于RI碼計(jì)算的Word復(fù)制文檔鑒別
    Persistence of the reproductive toxicity of chlorpiryphos-ethyl in male Wistar rat
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    观看美女的网站| 在线观看免费日韩欧美大片| 麻豆乱淫一区二区| 伦理电影免费视频| 亚洲精品久久久久久婷婷小说| 亚洲国产看品久久| 久久久久久久国产电影| 丝袜脚勾引网站| 天堂8中文在线网| 久久久亚洲精品成人影院| 日韩精品免费视频一区二区三区| 热99国产精品久久久久久7| 制服诱惑二区| 欧美日韩亚洲综合一区二区三区_| 18禁国产床啪视频网站| 三上悠亚av全集在线观看| 欧美 日韩 精品 国产| 日本欧美国产在线视频| 日韩av免费高清视频| 久久狼人影院| av不卡在线播放| 国语对白做爰xxxⅹ性视频网站| 国产成人a∨麻豆精品| 久久 成人 亚洲| 中文字幕av电影在线播放| 久久人人爽av亚洲精品天堂| 9色porny在线观看| 人人澡人人妻人| 看免费av毛片| 日日撸夜夜添| 美女主播在线视频| 亚洲国产精品一区二区三区在线| 看免费成人av毛片| 女人高潮潮喷娇喘18禁视频| 亚洲av综合色区一区| 韩国高清视频一区二区三区| a级毛片黄视频| 亚洲欧美清纯卡通| 99久国产av精品国产电影| 亚洲婷婷狠狠爱综合网| 日本爱情动作片www.在线观看| netflix在线观看网站| 下体分泌物呈黄色| 国产亚洲一区二区精品| 国产日韩欧美视频二区| 国产一级毛片在线| 伊人久久国产一区二区| tube8黄色片| 女的被弄到高潮叫床怎么办| 伊人久久大香线蕉亚洲五| 国产精品久久久人人做人人爽| 久久精品人人爽人人爽视色| 秋霞伦理黄片| 人人妻,人人澡人人爽秒播 | 在线观看免费视频网站a站| 亚洲精品国产av蜜桃| 亚洲精品中文字幕在线视频| 国产精品熟女久久久久浪| 国产精品99久久99久久久不卡 | 国产色婷婷99| 丁香六月天网| 久久精品熟女亚洲av麻豆精品| 天天躁狠狠躁夜夜躁狠狠躁| 超碰97精品在线观看| 在线亚洲精品国产二区图片欧美| 欧美精品高潮呻吟av久久| 亚洲国产毛片av蜜桃av| 捣出白浆h1v1| 欧美精品人与动牲交sv欧美| 精品免费久久久久久久清纯 | 中文字幕人妻丝袜一区二区 | 中文字幕色久视频| 国产亚洲av片在线观看秒播厂| 最近的中文字幕免费完整| 热re99久久国产66热| 亚洲成国产人片在线观看| 欧美人与性动交α欧美精品济南到| 日韩av在线免费看完整版不卡| 亚洲视频免费观看视频| 伊人久久国产一区二区| 免费黄网站久久成人精品| 飞空精品影院首页| 久久久久久人妻| 国产精品免费视频内射| 中文字幕精品免费在线观看视频| 久久99热这里只频精品6学生| 精品一区二区免费观看| 街头女战士在线观看网站| 日本av免费视频播放| 多毛熟女@视频| 精品卡一卡二卡四卡免费| 亚洲精品国产区一区二| 狠狠精品人妻久久久久久综合| 如何舔出高潮| 乱人伦中国视频| 亚洲熟女毛片儿| 一级a爱视频在线免费观看| 亚洲精品在线美女| 一级片免费观看大全| 亚洲男人天堂网一区| 不卡视频在线观看欧美| 免费看不卡的av| 日韩视频在线欧美| 老熟女久久久| 一个人免费看片子| 免费黄色在线免费观看| 中文字幕制服av| 高清在线视频一区二区三区| 男女无遮挡免费网站观看| 久久狼人影院| 国产午夜精品一二区理论片| 尾随美女入室| 亚洲成人国产一区在线观看 | 最近手机中文字幕大全| 99久久综合免费| 精品少妇久久久久久888优播| 在现免费观看毛片| 人人妻,人人澡人人爽秒播 | 久久久精品区二区三区| 亚洲熟女毛片儿| 国产爽快片一区二区三区| 国产一区有黄有色的免费视频| 亚洲成av片中文字幕在线观看| 天天操日日干夜夜撸| 精品国产一区二区久久| 女人精品久久久久毛片| 国产精品三级大全| 我的亚洲天堂| 超碰成人久久| 国产深夜福利视频在线观看| 啦啦啦 在线观看视频| 午夜福利网站1000一区二区三区| 成人国产av品久久久| 国产高清国产精品国产三级| 精品国产国语对白av| 男男h啪啪无遮挡| 999精品在线视频| 精品视频人人做人人爽| 亚洲第一青青草原| 黑丝袜美女国产一区| 欧美亚洲 丝袜 人妻 在线| 亚洲国产av影院在线观看| 青春草亚洲视频在线观看| 一级黄片播放器| av在线老鸭窝| 久久精品国产亚洲av涩爱| 男女之事视频高清在线观看 | 老熟女久久久| 秋霞伦理黄片| h视频一区二区三区| 精品少妇黑人巨大在线播放| 看十八女毛片水多多多| 青草久久国产| 成人影院久久| 在现免费观看毛片| 丁香六月天网| 日韩熟女老妇一区二区性免费视频| 欧美日韩成人在线一区二区| 午夜激情久久久久久久| 久久精品国产综合久久久| 亚洲熟女毛片儿| 秋霞伦理黄片| 男女之事视频高清在线观看 | 精品人妻在线不人妻| 亚洲成av片中文字幕在线观看| 天天操日日干夜夜撸| 69精品国产乱码久久久| svipshipincom国产片| 精品久久蜜臀av无| 亚洲成国产人片在线观看| 日本爱情动作片www.在线观看| 狂野欧美激情性bbbbbb| 天天影视国产精品| videosex国产| 91国产中文字幕| www.熟女人妻精品国产| 国语对白做爰xxxⅹ性视频网站| 精品一区二区三区四区五区乱码 | 亚洲精品自拍成人| 色精品久久人妻99蜜桃| 成人国产麻豆网| 精品久久久久久电影网| 国产熟女午夜一区二区三区| 七月丁香在线播放| 在线观看三级黄色| 2018国产大陆天天弄谢| 777米奇影视久久| 亚洲一级一片aⅴ在线观看| 国产爽快片一区二区三区| 中文字幕精品免费在线观看视频| 色婷婷久久久亚洲欧美| 精品少妇一区二区三区视频日本电影 | 亚洲av男天堂| 我的亚洲天堂| 亚洲精品日本国产第一区| 午夜日本视频在线| 欧美日韩亚洲综合一区二区三区_| 亚洲激情五月婷婷啪啪| 国产男人的电影天堂91| 亚洲欧美一区二区三区久久| 在线观看免费高清a一片| 一本大道久久a久久精品| 建设人人有责人人尽责人人享有的| 狠狠精品人妻久久久久久综合| 日韩欧美一区视频在线观看| 亚洲人成77777在线视频| 大陆偷拍与自拍| 午夜福利,免费看| 欧美日韩综合久久久久久| 制服丝袜香蕉在线| 老鸭窝网址在线观看| 国产黄频视频在线观看| 2018国产大陆天天弄谢| 久久青草综合色| 无限看片的www在线观看| 97精品久久久久久久久久精品| 国产精品麻豆人妻色哟哟久久| 国产av码专区亚洲av| 亚洲国产av影院在线观看| 国产一区二区 视频在线| 男女边吃奶边做爰视频| 王馨瑶露胸无遮挡在线观看| 最近手机中文字幕大全| 中文字幕亚洲精品专区| 亚洲,欧美,日韩| 亚洲av电影在线进入| 欧美激情高清一区二区三区 | 久久韩国三级中文字幕| 老司机影院成人| 亚洲精品aⅴ在线观看| 精品久久久久久电影网| 我要看黄色一级片免费的| 国产av一区二区精品久久| av福利片在线| 色视频在线一区二区三区| 日韩制服丝袜自拍偷拍| 精品免费久久久久久久清纯 | 中文天堂在线官网| 久久人人爽av亚洲精品天堂| 国产亚洲av高清不卡| 成年人免费黄色播放视频| 一级毛片 在线播放| 国产精品99久久99久久久不卡 | 两个人看的免费小视频| 性色av一级| 亚洲国产日韩一区二区| 纵有疾风起免费观看全集完整版| 亚洲国产精品999| 黄色视频在线播放观看不卡| 欧美亚洲日本最大视频资源| 国产一区二区三区综合在线观看| 亚洲天堂av无毛| 毛片一级片免费看久久久久| 少妇人妻精品综合一区二区| 国产无遮挡羞羞视频在线观看| 日韩 欧美 亚洲 中文字幕| 久久久久精品人妻al黑| 国产精品.久久久| 天堂中文最新版在线下载| 日韩av在线免费看完整版不卡| 色吧在线观看| 国产精品久久久久久精品电影小说| 韩国精品一区二区三区| 色94色欧美一区二区| 亚洲欧美清纯卡通| www.自偷自拍.com| 色94色欧美一区二区| 亚洲精品日韩在线中文字幕| 精品国产乱码久久久久久男人| 天堂中文最新版在线下载| 制服诱惑二区| 制服人妻中文乱码| 国产 精品1| 国产精品国产三级国产专区5o| 97在线人人人人妻| 黄色视频不卡| 如日韩欧美国产精品一区二区三区| e午夜精品久久久久久久| 午夜免费鲁丝| 国精品久久久久久国模美| 麻豆精品久久久久久蜜桃| 久久av网站| 亚洲av国产av综合av卡| 久久久精品94久久精品| 日本欧美国产在线视频| 国产精品一二三区在线看| 老汉色∧v一级毛片| 黄片小视频在线播放| 人人妻人人澡人人爽人人夜夜| 亚洲人成77777在线视频| 两性夫妻黄色片| 亚洲欧洲精品一区二区精品久久久 | 满18在线观看网站| 国产精品亚洲av一区麻豆 | 亚洲精华国产精华液的使用体验| 色94色欧美一区二区| 久久久久精品久久久久真实原创| 丝袜美足系列| 侵犯人妻中文字幕一二三四区| 伊人久久国产一区二区| 国产伦理片在线播放av一区| 国产黄色免费在线视频| √禁漫天堂资源中文www| 免费日韩欧美在线观看| 啦啦啦在线观看免费高清www| 国产精品嫩草影院av在线观看| 欧美亚洲日本最大视频资源| 一区福利在线观看| 大香蕉久久网| 免费观看人在逋| 操出白浆在线播放| 中国三级夫妇交换| 一本久久精品| 久热爱精品视频在线9| 久久国产精品男人的天堂亚洲| 亚洲第一区二区三区不卡| 亚洲第一区二区三区不卡| 国产亚洲最大av| 国产亚洲av高清不卡| www.av在线官网国产| 一本—道久久a久久精品蜜桃钙片| 99久久99久久久精品蜜桃| 在线观看一区二区三区激情| 天天添夜夜摸| 亚洲综合色网址| 免费看av在线观看网站| 久久鲁丝午夜福利片| 爱豆传媒免费全集在线观看| 午夜日韩欧美国产| 久久久久精品性色| 亚洲少妇的诱惑av| 男女免费视频国产| 中国国产av一级| 国产日韩欧美视频二区| 捣出白浆h1v1| 人人妻人人澡人人看| www日本在线高清视频| 久久狼人影院| 大香蕉久久网| 免费高清在线观看视频在线观看| 青青草视频在线视频观看| 免费黄色在线免费观看| 国产成人一区二区在线| 91aial.com中文字幕在线观看| 欧美国产精品一级二级三级| av女优亚洲男人天堂| 国产精品二区激情视频| 欧美日韩视频精品一区| √禁漫天堂资源中文www| 国产精品熟女久久久久浪| 日韩精品免费视频一区二区三区| 大香蕉久久成人网| 久久99热这里只频精品6学生| 国产无遮挡羞羞视频在线观看| 不卡视频在线观看欧美| 十八禁人妻一区二区| 日韩av免费高清视频| 少妇 在线观看| 免费高清在线观看日韩| 亚洲av电影在线观看一区二区三区| 国产日韩欧美亚洲二区| 汤姆久久久久久久影院中文字幕| 可以免费在线观看a视频的电影网站 | 国产精品欧美亚洲77777| 国产精品国产三级国产专区5o| 成人亚洲精品一区在线观看| 国产成人欧美在线观看 | 欧美日韩成人在线一区二区| netflix在线观看网站| 赤兔流量卡办理| 成人黄色视频免费在线看| 久久97久久精品| 乱人伦中国视频| 青草久久国产| 97人妻天天添夜夜摸| av有码第一页| 国产成人啪精品午夜网站| av线在线观看网站| 亚洲色图 男人天堂 中文字幕| 亚洲国产最新在线播放| 国产一级毛片在线| 精品免费久久久久久久清纯 | 午夜福利在线免费观看网站| 国产麻豆69| 老司机亚洲免费影院| 伦理电影大哥的女人| 国产激情久久老熟女| 伊人久久大香线蕉亚洲五| 亚洲av中文av极速乱| 美国免费a级毛片| 99re6热这里在线精品视频| 成人三级做爰电影| 中文字幕亚洲精品专区| 国产精品 国内视频| 亚洲国产欧美网| 午夜福利,免费看| 午夜激情久久久久久久| 韩国精品一区二区三区| 亚洲精品,欧美精品| 国产老妇伦熟女老妇高清| 国产精品.久久久| 精品少妇内射三级| 狠狠婷婷综合久久久久久88av| 我要看黄色一级片免费的| 男女免费视频国产| 侵犯人妻中文字幕一二三四区| 欧美亚洲 丝袜 人妻 在线| 免费看av在线观看网站| bbb黄色大片| 女人高潮潮喷娇喘18禁视频| 中文精品一卡2卡3卡4更新| 国产精品香港三级国产av潘金莲 | 国产精品久久久久久精品电影小说| 母亲3免费完整高清在线观看| 97精品久久久久久久久久精品| 欧美亚洲 丝袜 人妻 在线| 另类精品久久| 久久这里只有精品19| 91成人精品电影| 777米奇影视久久| 日韩欧美一区视频在线观看| 国产精品女同一区二区软件| 成人免费观看视频高清| 欧美 亚洲 国产 日韩一| 最近中文字幕2019免费版| 黄色毛片三级朝国网站| 免费看不卡的av| 亚洲美女视频黄频| 99久国产av精品国产电影| 精品人妻熟女毛片av久久网站| 极品人妻少妇av视频| 一区二区三区激情视频| 深夜精品福利| 中国三级夫妇交换| 麻豆乱淫一区二区| 看免费成人av毛片| 欧美日韩亚洲国产一区二区在线观看 | 啦啦啦 在线观看视频| 亚洲av电影在线观看一区二区三区| 999久久久国产精品视频| 香蕉国产在线看| 最近2019中文字幕mv第一页| 乱人伦中国视频| 青草久久国产| 免费日韩欧美在线观看| 另类亚洲欧美激情| 少妇被粗大猛烈的视频| 欧美人与性动交α欧美软件| 伦理电影大哥的女人| 色视频在线一区二区三区| videos熟女内射| 欧美在线一区亚洲| 久久 成人 亚洲| 日韩电影二区| 日本vs欧美在线观看视频| 麻豆乱淫一区二区| 久久久亚洲精品成人影院| 人人澡人人妻人| 亚洲国产毛片av蜜桃av| 国产黄频视频在线观看| 9191精品国产免费久久| kizo精华| 高清av免费在线| 亚洲国产成人一精品久久久| 日韩av不卡免费在线播放| 日韩欧美精品免费久久| 亚洲av电影在线进入| 国产免费视频播放在线视频| 亚洲久久久国产精品| 久久热在线av| 热99久久久久精品小说推荐| 欧美少妇被猛烈插入视频| 国产日韩欧美在线精品| 一本色道久久久久久精品综合| 国产亚洲av片在线观看秒播厂| 一区二区av电影网| 在线亚洲精品国产二区图片欧美| 久久久亚洲精品成人影院| a 毛片基地| 欧美精品一区二区大全| 国产 精品1| 1024视频免费在线观看| 久久久久精品性色| 久久精品国产亚洲av高清一级| 99九九在线精品视频| 精品少妇黑人巨大在线播放| 国产激情久久老熟女| 国产深夜福利视频在线观看| 亚洲美女黄色视频免费看| 麻豆乱淫一区二区| 狠狠婷婷综合久久久久久88av| 少妇猛男粗大的猛烈进出视频| 国产午夜精品一二区理论片| 七月丁香在线播放| 飞空精品影院首页| 欧美精品人与动牲交sv欧美| 亚洲欧美清纯卡通| 叶爱在线成人免费视频播放| 久久精品久久精品一区二区三区| a级片在线免费高清观看视频| 亚洲国产欧美在线一区| 人人妻,人人澡人人爽秒播 | 看免费成人av毛片| 男女高潮啪啪啪动态图| 一级爰片在线观看| 精品久久久久久电影网| 欧美亚洲日本最大视频资源| 亚洲国产欧美一区二区综合| 午夜福利影视在线免费观看| 丝袜美腿诱惑在线| 美国免费a级毛片| 黄频高清免费视频| 日本欧美国产在线视频| 亚洲七黄色美女视频| 亚洲国产精品成人久久小说| 美女大奶头黄色视频| 少妇人妻精品综合一区二区| 久久99一区二区三区| 国产av国产精品国产| 亚洲精华国产精华液的使用体验| 亚洲免费av在线视频| 国产精品免费视频内射| 国产伦人伦偷精品视频| 99久久综合免费| av有码第一页| 精品少妇久久久久久888优播| 国产不卡av网站在线观看| 国产精品欧美亚洲77777| 久久天堂一区二区三区四区| 日日撸夜夜添| 十八禁高潮呻吟视频| 国产97色在线日韩免费| 欧美精品高潮呻吟av久久| 操出白浆在线播放| 中文字幕制服av| 在线观看免费午夜福利视频| 久久久久久人妻| 一级毛片 在线播放| 精品亚洲成a人片在线观看| 各种免费的搞黄视频| 青春草视频在线免费观看| 国产成人啪精品午夜网站| 国产一卡二卡三卡精品 | 99久国产av精品国产电影| 欧美日韩综合久久久久久| 一本久久精品| 欧美xxⅹ黑人| 一边摸一边做爽爽视频免费| 一级毛片 在线播放| 国产毛片在线视频| 日本欧美国产在线视频| 99精品久久久久人妻精品| 国产淫语在线视频| 国产成人a∨麻豆精品| 1024视频免费在线观看| 国产日韩欧美亚洲二区| 青青草视频在线视频观看| 制服丝袜香蕉在线| 久久久久久久大尺度免费视频| 国产精品免费大片| 人人妻人人澡人人爽人人夜夜| 少妇人妻精品综合一区二区| 一级毛片 在线播放| 亚洲,欧美,日韩| 老司机影院成人| 免费在线观看黄色视频的| 80岁老熟妇乱子伦牲交| 午夜91福利影院| 欧美精品一区二区免费开放| 精品一区二区三卡| 午夜福利视频精品| 亚洲精品视频女| 精品亚洲成国产av| 亚洲精品久久午夜乱码| av网站免费在线观看视频| 久久精品国产a三级三级三级| 青春草亚洲视频在线观看| 天堂中文最新版在线下载| 女的被弄到高潮叫床怎么办| 男女边吃奶边做爰视频| 成人亚洲欧美一区二区av| 天堂俺去俺来也www色官网| 大码成人一级视频| 日韩熟女老妇一区二区性免费视频| 亚洲五月色婷婷综合| 一本色道久久久久久精品综合| 成年人免费黄色播放视频| 一二三四在线观看免费中文在| 亚洲av男天堂| 亚洲精品美女久久av网站| 最近2019中文字幕mv第一页| 最新在线观看一区二区三区 | 欧美日韩一区二区视频在线观看视频在线| 欧美亚洲日本最大视频资源| 国产成人啪精品午夜网站| 最近中文字幕2019免费版| 亚洲精品国产区一区二| 亚洲欧洲日产国产| 国产熟女欧美一区二区| 欧美成人精品欧美一级黄| 丰满乱子伦码专区| 成人亚洲欧美一区二区av| 999精品在线视频| 黑人猛操日本美女一级片| 久久久国产精品麻豆| 亚洲精品在线美女| 日本猛色少妇xxxxx猛交久久| 国产av精品麻豆| 晚上一个人看的免费电影| 亚洲精品国产色婷婷电影| 亚洲欧美一区二区三区黑人| 纯流量卡能插随身wifi吗| 伦理电影免费视频| 男女免费视频国产| 亚洲国产精品国产精品|