• <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
    国产一区二区在线av高清观看| 成人三级做爰电影| 最新美女视频免费是黄的| 两性午夜刺激爽爽歪歪视频在线观看 | 黑人欧美特级aaaaaa片| 午夜激情av网站| 国产精品久久久久久亚洲av鲁大| 亚洲中文av在线| 黄片大片在线免费观看| 日韩欧美国产在线观看| 亚洲成人免费电影在线观看| 午夜免费观看网址| a在线观看视频网站| 中出人妻视频一区二区| 国产熟女xx| 久99久视频精品免费| 国产高清videossex| 欧美精品啪啪一区二区三区| 成人三级黄色视频| 精品免费久久久久久久清纯| 欧美成人免费av一区二区三区| 亚洲av成人一区二区三| 国产男靠女视频免费网站| 久久久水蜜桃国产精品网| 一区二区三区精品91| svipshipincom国产片| 日韩国内少妇激情av| 日本五十路高清| 亚洲中文av在线| 别揉我奶头~嗯~啊~动态视频| 九色国产91popny在线| 国产精品乱码一区二三区的特点| 成人三级黄色视频| 亚洲五月天丁香| 精品久久久久久成人av| 久热爱精品视频在线9| 美女免费视频网站| 俄罗斯特黄特色一大片| 亚洲第一欧美日韩一区二区三区| 欧美不卡视频在线免费观看 | 免费看美女性在线毛片视频| 国产亚洲欧美精品永久| 亚洲专区国产一区二区| 在线免费观看的www视频| 国产精品久久视频播放| 色尼玛亚洲综合影院| 欧美不卡视频在线免费观看 | 人成视频在线观看免费观看| 黄色丝袜av网址大全| 亚洲色图av天堂| 日韩 欧美 亚洲 中文字幕| 中文字幕另类日韩欧美亚洲嫩草| 成熟少妇高潮喷水视频| 一二三四在线观看免费中文在| 午夜a级毛片| 99久久无色码亚洲精品果冻| 久久午夜综合久久蜜桃| 国产成人欧美| 一个人免费在线观看的高清视频| 亚洲一区高清亚洲精品| 老熟妇乱子伦视频在线观看| 两个人免费观看高清视频| 亚洲av第一区精品v没综合| 首页视频小说图片口味搜索| 色老头精品视频在线观看| 搡老岳熟女国产| 免费观看人在逋| 亚洲成a人片在线一区二区| 亚洲国产欧美网| 嫩草影视91久久| 成人免费观看视频高清| 精品午夜福利视频在线观看一区| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品香港三级国产av潘金莲| 一级片免费观看大全| 午夜久久久在线观看| 成人国产综合亚洲| 亚洲成人国产一区在线观看| 一级作爱视频免费观看| 亚洲国产日韩欧美精品在线观看 | 午夜久久久在线观看| 欧美日韩瑟瑟在线播放| 免费av毛片视频| 99riav亚洲国产免费| 制服人妻中文乱码| 欧美一区二区精品小视频在线| 中文字幕人妻丝袜一区二区| 叶爱在线成人免费视频播放| 欧美日韩黄片免| 日本黄色视频三级网站网址| 亚洲精品一区av在线观看| 在线观看一区二区三区| 久久中文字幕一级| 亚洲精品国产一区二区精华液| 白带黄色成豆腐渣| 99热只有精品国产| 免费在线观看黄色视频的| 成人欧美大片| 999久久久国产精品视频| videosex国产| 十分钟在线观看高清视频www| 搞女人的毛片| 国产精品久久久久久精品电影 | 久99久视频精品免费| 最好的美女福利视频网| 色在线成人网| 日韩三级视频一区二区三区| 一夜夜www| 久久中文字幕人妻熟女| 免费搜索国产男女视频| 精品久久久久久久末码| 最近在线观看免费完整版| 免费看日本二区| 夜夜躁狠狠躁天天躁| 欧美国产精品va在线观看不卡| 国产午夜福利久久久久久| 中文字幕人成人乱码亚洲影| 国产一区二区在线av高清观看| 国产精品 国内视频| bbb黄色大片| 国产又黄又爽又无遮挡在线| 中文资源天堂在线| 黑人巨大精品欧美一区二区mp4| av中文乱码字幕在线| 国产精品,欧美在线| 日本免费a在线| 亚洲一卡2卡3卡4卡5卡精品中文| 99久久99久久久精品蜜桃| 精品人妻1区二区| 黄频高清免费视频| 91大片在线观看| 久久香蕉精品热| 亚洲熟妇中文字幕五十中出| 亚洲免费av在线视频| www日本在线高清视频| 国产av一区二区精品久久| 青草久久国产| 久久国产精品人妻蜜桃| 自线自在国产av| 性色av乱码一区二区三区2| 国产亚洲欧美精品永久| 国产高清视频在线播放一区| 亚洲七黄色美女视频| 亚洲国产中文字幕在线视频| 国内少妇人妻偷人精品xxx网站 | 午夜福利一区二区在线看| 99riav亚洲国产免费| 成人欧美大片| 久久亚洲精品不卡| 后天国语完整版免费观看| 一级毛片高清免费大全| 亚洲国产精品999在线| 亚洲精华国产精华精| 久久久久久久久免费视频了| 在线视频色国产色| 亚洲成av人片免费观看| 色综合婷婷激情| 国产精品久久久av美女十八| 欧美成狂野欧美在线观看| 99国产精品99久久久久| 精品国产一区二区三区四区第35| 黄片大片在线免费观看| 9191精品国产免费久久| 18禁国产床啪视频网站| 成年免费大片在线观看| 日本黄色视频三级网站网址| 黄频高清免费视频| 成人欧美大片| 免费av毛片视频| 一级作爱视频免费观看| 777久久人妻少妇嫩草av网站| 日韩欧美三级三区| 色av中文字幕| 亚洲 国产 在线| 亚洲av第一区精品v没综合| 九色国产91popny在线| 自线自在国产av| 国产成人精品久久二区二区91| 国内久久婷婷六月综合欲色啪| 国产99白浆流出| 国产精品自产拍在线观看55亚洲| 国产精品 欧美亚洲| 日本熟妇午夜| 亚洲精品美女久久av网站| 欧美丝袜亚洲另类 | 脱女人内裤的视频| 日韩精品免费视频一区二区三区| 青草久久国产| 色婷婷久久久亚洲欧美| 国产成年人精品一区二区| 无人区码免费观看不卡| 在线观看免费视频日本深夜| 免费看美女性在线毛片视频| 日日爽夜夜爽网站| 丰满的人妻完整版| 最新在线观看一区二区三区| 欧美亚洲日本最大视频资源| 啪啪无遮挡十八禁网站| netflix在线观看网站| 草草在线视频免费看| 国产真实乱freesex| 又黄又粗又硬又大视频| 国产欧美日韩精品亚洲av| 成人国语在线视频| 妹子高潮喷水视频| 最近最新免费中文字幕在线| 99久久99久久久精品蜜桃| 他把我摸到了高潮在线观看| 首页视频小说图片口味搜索| 天天躁夜夜躁狠狠躁躁| 一个人观看的视频www高清免费观看 | www.999成人在线观看| 午夜老司机福利片| 亚洲国产高清在线一区二区三 | 人人澡人人妻人| 日韩欧美 国产精品| 免费人成视频x8x8入口观看| 亚洲欧美日韩高清在线视频| 久久狼人影院| xxxwww97欧美| 老司机靠b影院| 少妇裸体淫交视频免费看高清 | 中文在线观看免费www的网站 | 久久久国产精品麻豆| 欧美一级毛片孕妇| 动漫黄色视频在线观看| 免费人成视频x8x8入口观看| 无限看片的www在线观看| 亚洲成av片中文字幕在线观看| 久久久久久亚洲精品国产蜜桃av| 大型黄色视频在线免费观看| 给我免费播放毛片高清在线观看| 婷婷亚洲欧美| 国产一区二区激情短视频| 成熟少妇高潮喷水视频| 国产男靠女视频免费网站| 一本久久中文字幕| 久久久久国产精品人妻aⅴ院| 免费高清视频大片| 精品久久久久久久久久久久久 | 久久午夜亚洲精品久久| 久热爱精品视频在线9| 国产一区二区三区在线臀色熟女| 夜夜躁狠狠躁天天躁| 韩国精品一区二区三区| 久久精品影院6| 男人操女人黄网站| 窝窝影院91人妻| www日本在线高清视频| 在线视频色国产色| 久久中文字幕人妻熟女| 18禁黄网站禁片午夜丰满| www.熟女人妻精品国产| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲午夜理论影院| www.自偷自拍.com| 免费高清在线观看日韩| 亚洲免费av在线视频| 久久久久国产精品人妻aⅴ院| 国产主播在线观看一区二区| 亚洲精品久久国产高清桃花| 最近最新中文字幕大全电影3 | 欧美激情极品国产一区二区三区| 很黄的视频免费| 搞女人的毛片| 久久天堂一区二区三区四区| 久久久久九九精品影院| 久久久久国产精品人妻aⅴ院| 久久久国产精品麻豆| 最近最新中文字幕大全电影3 | 亚洲欧美激情综合另类| 大型黄色视频在线免费观看| 久久香蕉激情| 欧美亚洲日本最大视频资源| 国产亚洲av嫩草精品影院| 色老头精品视频在线观看| 露出奶头的视频| 国产精品久久久人人做人人爽| 99热6这里只有精品| 中文亚洲av片在线观看爽| 满18在线观看网站| 亚洲va日本ⅴa欧美va伊人久久| 色综合站精品国产| 脱女人内裤的视频| 一二三四社区在线视频社区8| 99热这里只有精品一区 | 久久精品亚洲精品国产色婷小说| 天天添夜夜摸| 午夜日韩欧美国产| 久久香蕉国产精品| 成人18禁高潮啪啪吃奶动态图| 久久狼人影院| 国产精品亚洲av一区麻豆| 亚洲中文字幕一区二区三区有码在线看 | 美女大奶头视频| 美女 人体艺术 gogo| 国产99白浆流出| 久久精品91无色码中文字幕| 亚洲精品一卡2卡三卡4卡5卡| 日本a在线网址| 中文字幕高清在线视频| 视频区欧美日本亚洲| xxx96com| 欧美黄色片欧美黄色片| 丰满人妻熟妇乱又伦精品不卡| 一级a爱片免费观看的视频| 黄色片一级片一级黄色片| 亚洲 欧美 日韩 在线 免费| 这个男人来自地球电影免费观看| 午夜激情av网站| 日本a在线网址| 久久久久免费精品人妻一区二区 | 黑人欧美特级aaaaaa片| 香蕉av资源在线| 国产精品久久电影中文字幕| 男女下面进入的视频免费午夜 | 欧美一区二区精品小视频在线| 桃红色精品国产亚洲av| 一二三四在线观看免费中文在| av视频在线观看入口| netflix在线观看网站| av有码第一页| 亚洲人成网站高清观看| 国产精品二区激情视频| 啦啦啦观看免费观看视频高清| 国产私拍福利视频在线观看| 国产精品久久电影中文字幕| 日韩欧美一区视频在线观看| 久久伊人香网站| 久久狼人影院| √禁漫天堂资源中文www| 国产真人三级小视频在线观看| 最新在线观看一区二区三区| 人人妻,人人澡人人爽秒播| 黄色片一级片一级黄色片| 少妇粗大呻吟视频| bbb黄色大片| 成人av一区二区三区在线看| 欧美人与性动交α欧美精品济南到| 精品国产亚洲在线| 两性夫妻黄色片| 亚洲中文字幕日韩| 丝袜人妻中文字幕| 黑人巨大精品欧美一区二区mp4| 夜夜爽天天搞| 又黄又爽又免费观看的视频| 夜夜爽天天搞| 黑人巨大精品欧美一区二区mp4| 男女视频在线观看网站免费 | 欧美黑人精品巨大| 亚洲国产中文字幕在线视频| 久久99热这里只有精品18| 法律面前人人平等表现在哪些方面| 国产真人三级小视频在线观看| 夜夜夜夜夜久久久久| 午夜福利在线在线| 国产日本99.免费观看| 自线自在国产av| 日韩有码中文字幕| 男人舔奶头视频| 日韩有码中文字幕| 亚洲 国产 在线| 欧美日韩一级在线毛片| 妹子高潮喷水视频| 欧美成狂野欧美在线观看| 在线观看www视频免费| 精品久久久久久久末码| 一级黄色大片毛片| 日韩av在线大香蕉| 女性被躁到高潮视频| 亚洲一码二码三码区别大吗| 国语自产精品视频在线第100页| 狠狠狠狠99中文字幕| 欧美乱色亚洲激情| 日本a在线网址| 欧美国产精品va在线观看不卡| 亚洲精品中文字幕一二三四区| 国产精品野战在线观看| 国产黄a三级三级三级人| 丁香六月欧美| 亚洲性夜色夜夜综合| 亚洲国产欧美网| 成在线人永久免费视频| 超碰成人久久| 一级片免费观看大全| 一二三四在线观看免费中文在| 午夜福利在线观看吧| 精品少妇一区二区三区视频日本电影| 久久九九热精品免费| 亚洲一区二区三区色噜噜| 麻豆国产av国片精品| 久久久久久九九精品二区国产 | 成人欧美大片| 亚洲狠狠婷婷综合久久图片| 国产亚洲精品一区二区www| 少妇裸体淫交视频免费看高清 | 国产午夜福利久久久久久| 一本一本综合久久| 成人国产一区最新在线观看| 国产精品亚洲av一区麻豆| 精华霜和精华液先用哪个| 精品欧美一区二区三区在线| 国产蜜桃级精品一区二区三区| 成人18禁在线播放| 日韩欧美三级三区| 日日摸夜夜添夜夜添小说| 90打野战视频偷拍视频| 亚洲成av片中文字幕在线观看| 亚洲男人的天堂狠狠| 老熟妇乱子伦视频在线观看| 久久人妻av系列| avwww免费| 国产区一区二久久| 中文字幕高清在线视频| 国产野战对白在线观看| 啪啪无遮挡十八禁网站| 亚洲一区中文字幕在线| 十八禁网站免费在线| svipshipincom国产片| 老司机靠b影院| 国产色视频综合| 欧美精品啪啪一区二区三区| 久久久久久大精品| 九色国产91popny在线| 国产真人三级小视频在线观看| 国产成人av教育| 国产爱豆传媒在线观看 | 国产精品精品国产色婷婷| 成人欧美大片| 免费在线观看完整版高清| 精品欧美一区二区三区在线| 嫩草影视91久久| 久久九九热精品免费| 少妇熟女aⅴ在线视频| 久久久久久久午夜电影| 最新在线观看一区二区三区| 少妇的丰满在线观看| 一级a爱视频在线免费观看| 亚洲av成人av| 老司机福利观看| 少妇粗大呻吟视频| 啪啪无遮挡十八禁网站| 亚洲国产欧美网| 天堂动漫精品| 欧洲精品卡2卡3卡4卡5卡区| 日韩成人在线观看一区二区三区| 久久香蕉激情| 黄网站色视频无遮挡免费观看| 叶爱在线成人免费视频播放| 男人操女人黄网站| 亚洲专区国产一区二区| 性色av乱码一区二区三区2| 黄色a级毛片大全视频| 午夜a级毛片| 亚洲成a人片在线一区二区| 欧美激情久久久久久爽电影| 免费人成视频x8x8入口观看| 国产一级毛片七仙女欲春2 | 91字幕亚洲| 亚洲免费av在线视频| 日本 av在线| 淫妇啪啪啪对白视频| 久久久久久大精品| 成人国产综合亚洲| 午夜精品在线福利| 亚洲精品在线观看二区| 日韩欧美在线二视频| 日本精品一区二区三区蜜桃| 91九色精品人成在线观看| 99久久无色码亚洲精品果冻| 精品一区二区三区视频在线观看免费| 无人区码免费观看不卡| 男女下面进入的视频免费午夜 | 久久精品aⅴ一区二区三区四区| 日本一本二区三区精品| 久久久久久大精品| 白带黄色成豆腐渣| 国产熟女午夜一区二区三区| 在线视频色国产色| 最新美女视频免费是黄的| 色综合站精品国产| 手机成人av网站| 久久午夜亚洲精品久久| 村上凉子中文字幕在线| 91大片在线观看| 久久久久久大精品| 国产黄片美女视频| 麻豆成人午夜福利视频| 一级a爱片免费观看的视频| 中文字幕最新亚洲高清| 精品久久久久久久毛片微露脸| 国产精品国产高清国产av| 91国产中文字幕| 亚洲精品在线观看二区| 在线播放国产精品三级| 国产一区二区激情短视频| 欧美精品啪啪一区二区三区| 成人手机av| 亚洲av成人不卡在线观看播放网| 成熟少妇高潮喷水视频| 天堂√8在线中文| 老司机深夜福利视频在线观看| 高清毛片免费观看视频网站| 欧美+亚洲+日韩+国产| 熟女少妇亚洲综合色aaa.| 一二三四社区在线视频社区8| 成人永久免费在线观看视频| 一区二区三区精品91| 人人妻,人人澡人人爽秒播| 欧洲精品卡2卡3卡4卡5卡区| 女生性感内裤真人,穿戴方法视频| 亚洲最大成人中文| 欧美乱妇无乱码| 91成人精品电影| 91大片在线观看| 国产精品精品国产色婷婷| 一级黄色大片毛片| 老司机午夜十八禁免费视频| 精品国产美女av久久久久小说| 亚洲中文日韩欧美视频| 亚洲国产精品成人综合色| 亚洲精品中文字幕在线视频| 女人被狂操c到高潮| 99热只有精品国产| 无限看片的www在线观看| 一区二区三区精品91| 久久人人精品亚洲av| 最近最新中文字幕大全电影3 | 国产精品野战在线观看| 国产精品久久久久久人妻精品电影| 每晚都被弄得嗷嗷叫到高潮| 老司机午夜福利在线观看视频| 国产成年人精品一区二区| 中文字幕精品免费在线观看视频| 成年人黄色毛片网站| 午夜福利18| 精品久久久久久久久久免费视频| 国产精品av久久久久免费| 亚洲中文字幕日韩| 性欧美人与动物交配| 男女床上黄色一级片免费看| 欧美性长视频在线观看| 久久久久九九精品影院| 亚洲精品国产区一区二| 久久久国产成人免费| av天堂在线播放| 成熟少妇高潮喷水视频| 香蕉av资源在线| 亚洲精品av麻豆狂野| 99国产综合亚洲精品| 欧美日韩瑟瑟在线播放| 色精品久久人妻99蜜桃| 夜夜看夜夜爽夜夜摸| 亚洲成人久久爱视频| 一区二区日韩欧美中文字幕| 国产激情偷乱视频一区二区| 久久天躁狠狠躁夜夜2o2o| 日本五十路高清| 国产在线精品亚洲第一网站| 久久精品国产亚洲av高清一级| 日韩欧美 国产精品| 国产精品久久电影中文字幕| 亚洲无线在线观看| 国产亚洲av高清不卡| 欧美丝袜亚洲另类 | 国产免费av片在线观看野外av| 亚洲国产欧美网| 国产成人影院久久av| 亚洲欧美日韩无卡精品| 国产99久久九九免费精品| 久久亚洲真实| 日本五十路高清| 亚洲在线自拍视频| 久久久久久久精品吃奶| 波多野结衣高清无吗| 久久人妻av系列| 亚洲av第一区精品v没综合| 久久久久久人人人人人| 丰满人妻熟妇乱又伦精品不卡| 听说在线观看完整版免费高清| 精品国产亚洲在线| 欧美日韩亚洲国产一区二区在线观看| 久久久久久久午夜电影| 中文亚洲av片在线观看爽| 亚洲第一欧美日韩一区二区三区| 国产午夜精品久久久久久| 亚洲精品一卡2卡三卡4卡5卡| 亚洲成a人片在线一区二区| 十八禁网站免费在线| 777久久人妻少妇嫩草av网站| 99久久精品国产亚洲精品| 天堂动漫精品| 欧美精品亚洲一区二区| 夜夜夜夜夜久久久久| 久久精品影院6| 国产精品免费视频内射| 女人被狂操c到高潮| 亚洲精品粉嫩美女一区| 国产精品98久久久久久宅男小说| 午夜精品在线福利| 最好的美女福利视频网| 国产高清videossex| av有码第一页| 激情在线观看视频在线高清| 18美女黄网站色大片免费观看| 91字幕亚洲| 亚洲av电影不卡..在线观看| 亚洲久久久国产精品| 国产伦在线观看视频一区| 18美女黄网站色大片免费观看| www.自偷自拍.com| 成人三级做爰电影| АⅤ资源中文在线天堂| 亚洲一区二区三区不卡视频| cao死你这个sao货|