• <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 ?

    基于多模型的混合架構(gòu)情感分析

    2020-11-30 09:02:22苗小愛冷雪亮邵婉露
    軟件 2020年9期
    關(guān)鍵詞:自然語言處理情感分析

    苗小愛 冷雪亮 邵婉露

    摘? 要: 情感分析是自然語言處理(NLP)中十分重要的環(huán)節(jié),隨著網(wǎng)絡(luò)發(fā)展人們在網(wǎng)絡(luò)生活中留下的大量情感評論信息。已有的研究大量使用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)做情感分析。近期注意力機制在NLP領(lǐng)域被廣泛使用,并取得突破性進展。為了改善傳統(tǒng)模型,充分利用網(wǎng)絡(luò)評論數(shù)據(jù),結(jié)合長短時記憶網(wǎng)絡(luò)(biLSTM),CNN,并使用Transformer機制構(gòu)建新模型。新模型中,biLSTM編碼雙上上下文信息,然后CNN部分模擬Text-CNN使用三個不同大小的窗口進行卷積獲取句子間的雙向信息,最后使用沒有前饋操作的Transformer編碼器代替?zhèn)鹘y(tǒng)Max-pooling操作避免信息損失。該模型簡稱為Multi-Model Stack Neural Network(MMSNN)。與傳統(tǒng)biLSTM基線模型和Text-CNN模型在IMDE數(shù)據(jù)集上進行對比,MMSNN在準(zhǔn)確率和損失上均獲得最好的效果。

    關(guān)鍵詞: 自然語言處理;情感分析;transformer;Text-CNN;BiGRU

    中圖分類號: TP183? ? 文獻標(biāo)識碼: A? ? DOI:10.3969/j.issn.1003-6970.2020.09.036

    本文著錄格式:苗小愛,冷雪亮,邵婉露. 基于多模型的混合架構(gòu)情感分析[J]. 軟件,2020,41(09):133136

    【Abstract】: Sentiment analysis is a very important part of natural language processing (NLP). With the Internet, people send a lot of sentiment comment information in online life. Existing researches make extensive use of recurrent neural networks (RNN) and convolutional neural networks (CNN) for sensory analysis. The attention mechanism has been widely used in the NLP field recently, and has achieved breakthrough development. In order to improve the traditional model, make full use of network comment data, combined with long and short time memory network (biLSTM), CNN, and use the Transformer mechanism to build a new model. In the new model, biLSTM encodes double-up context information, then CNN partially simulates Text-CNN to convolve with three windows of different sizes to obtain bidirectional information between sentences, and finally uses a Transformer encoder without feedforward operation instead of traditional Max-pooling Operation to avoid loss of information. The model is referred to as Multi-model Stack Neural Network (MMSNN) for short. Compared with the traditional biLSTM baseline model and Text-CNN model on the IMDE data set, MMSNN achieves the best results in both accuracy and loss.

    【Key words】: Natural language processing; Sentiment analysis; Transformer; Text-CNN; BiGRU

    0? 引言

    隨著社交軟件的多樣化,網(wǎng)絡(luò)上的情感數(shù)據(jù)規(guī)模迅速增加,這些文本在各種研究科開發(fā)中廣泛使用,因此情感分析任務(wù)在自然語言處理中的一個重要方向?,F(xiàn)有基本模型的問題是:(1)使用RNN模型容易出現(xiàn)梯度爆炸或梯度消失問題。(2)雖然在序列問題上CNN模型(Kim等人[1])能取得很好的效果,但是由于池化操作容易造成信息損失。(3)最近的Transformer機制[2]在NLP領(lǐng)域大放光彩,但是由于結(jié)構(gòu)過于復(fù)雜難以訓(xùn)練,給普通研究者帶來困難。

    因此,為了結(jié)解決上述問題,提出MMSNN模型并在IMDE數(shù)據(jù)集上取得優(yōu)異的結(jié)果。MMSNN模型使用CNN模型zhang[3]等人提出的多通道Text-CNN,這種CNN可以使用不同的窗口獲得不同長度的文本卷積信息,從而提取到更全面的文本信息進行計算,然后使用改自Transformer的編碼器代替池化操作。這里刪除編碼器的前饋層只使用Attention機制。

    模型構(gòu)建及貢獻如下:

    (1)將位置信息和使用Word2Vec獲得文本信息相加獲得嵌入矩陣。

    (2)使用biLSTM獲取雙向上下文信息,計算詞義和詞間關(guān)聯(lián)。

    (3)使用3個不同窗口大小的卷積計算句子間的信息以及句子間的聯(lián)系。

    (4)修改并使用Transformer的編碼器分別捕獲三個卷積操作后的編碼信息。

    (5)將信息傳輸?shù)饺B接層進行線性映射計算文本情感類別。

    為了測試模型的普適性將模型在一個在情感分析任務(wù)上十分常用的電影評論數(shù)據(jù)集IMDB進行訓(xùn)練。這是一個二分類電影評論數(shù)據(jù)集,通過在這個數(shù)據(jù)集上的實驗結(jié)果,與之前一些經(jīng)典模型進行對比,發(fā)現(xiàn)MMsNN模型在情感分析方面更有優(yōu)勢,效果更好。

    1? 相關(guān)工作

    自然語言處理領(lǐng)域近些年來迎來很多研究者的研究,并且取得了突破性的進展。在使用RNN模型的研究,長短期記憶網(wǎng)絡(luò)(LSTM[4])和門控循環(huán)單元(GRU),以及在此基礎(chǔ)上改進的雙向RNN模型BiLSTM和BiGRU,在各類NLP任務(wù)中都有十分廣泛的應(yīng)用。后來有研究者使用一維CNN來做文本分類,但是效果一般,CNN[5]在文本處理時對序列文本的處理效果較好。Kim提出采用一個靜態(tài)通道和一個動態(tài)通道的雙通道CNN,更好的計算語言內(nèi)容并且在當(dāng)時獲得很好的效果,緊隨其后,Zhang等人提出的多通道不同窗口的文本分類算法,在kim的基礎(chǔ)上進行了各種實驗和優(yōu)化實現(xiàn)了更好的效果。

    Attention模型開始被Bahdanau等人[6]用到了機器翻譯領(lǐng)域進行文本自動對齊,這大大提高了長文本的翻譯準(zhǔn)確率。Vaswani等人提出了基于Mult-Head- Attention的Transformer模型,開始在機器翻譯中取得最好的結(jié)果后來廣泛應(yīng)用到其他NLP任務(wù)中。最近以Transformer為基礎(chǔ)改進的模型出現(xiàn)很多,由Dai等人[7]提出了Transformer-XL模型,后來Radford等人[8]提出的GPT2和Devlin等人[9]提出的BERT模型取得了十分優(yōu)秀的效果。然后在BERT的基礎(chǔ)上進行改進又獲得一系列優(yōu)秀的模型,如XLNET[10]等。MMSNN模型使用改進Transformer的編碼器模仿替代池化這一工作,并取得很好的效果。最近的工作[11]、[12]和[13]都利用了深度學(xué)習(xí)做文本處理。

    2? 模型設(shè)計

    MMSNN的嵌入層是將內(nèi)容嵌入和位置嵌入信息將其做元素加操作。將BiLSTM放到嵌入層之后作為編碼器來收集雙向上下文詞義信息,然后使用Text- CNN的三個通道進行卷積,將卷積后的結(jié)果放入改進自Transformer編碼器的結(jié)構(gòu)捕獲關(guān)鍵信息。將以上結(jié)果連接放入到全連接層,最后全連接層計算的矩陣信息傳入到線性層使用Sigmoid函數(shù)得出分類結(jié)果。

    2.1? BiLSTM

    LSTM模型是由t時刻輸入,單元狀態(tài),候選單元狀態(tài),隱藏狀態(tài),遺忘門,記憶門,輸出門組成。單向LSTM的計算過程為,通過對單元狀態(tài)中信息遺忘然后記憶新的信息傳遞對后續(xù)時刻計算有用的信息,丟棄無用信息。通過上個時刻的隱藏狀態(tài)和當(dāng)前輸入計算出來的遺忘門,記憶門,輸出門來控制當(dāng)前時間步的隱藏層狀態(tài),以此獲得長期依賴。其計算過程如下:

    BiLSTM就是通過將上述過程中兩個方向捕獲的信息連接起來,將一段文本兩個方向的信息結(jié)合起來編碼出其中潛在表達的信息。表示如下:

    2.2? 修改的Transformer編碼器結(jié)構(gòu)

    Transformer結(jié)構(gòu)在各項NLP任務(wù)上均得到應(yīng)用,僅使用Transformer編碼器或者Transformer解碼器的網(wǎng)絡(luò)模型都取得最好的成績。因此參考膠囊網(wǎng)絡(luò)的初衷將修改后的Transformer編碼器作為替換Max-pooling的結(jié)構(gòu)從而加強網(wǎng)絡(luò)效果。MMsNN中只使用了Transformer的編碼器。Transformer的編碼結(jié)構(gòu)是由6個相同的隱藏層構(gòu)成,每一層包含兩個子層,第一個子層是多頭注意力層(Multi-Head Attention)第二個子層是一個簡單的全連接層。其中每個子層都進行了殘差連接和歸一化操作。我們的改進是減少編碼器層數(shù),去掉掩蔽和前饋層,不再作為預(yù)訓(xùn)練使用,而是用來計算雙向句子信息。

    Transformer使用了Scaled Dot-product Attention操作,它的輸入由維度為d的Query(Q)和Key(K)以及Value(V)組成,計算Key與Query的點積,并應(yīng)用softmax函數(shù)獲得值的權(quán)重。其公式表示如下:

    最后Transformer的multi-head attention則是通過h個不同的線性變換對Q,K,V進行投影,最后將不同的Attention結(jié)果拼接起來。其公式化表示如下:

    2.3? Text-CNN

    Zhang等人提出的多通道CNN改自Kim提出的雙通道CNN算法中,證明采取微調(diào)策略(Non-Static)的效果比固定詞向量(static)的效果要好。MMSNN模型使用的的是經(jīng)過微調(diào)策略的3通道CNN算法。經(jīng)過3個不同大小窗口進行卷積收集的信息更加全面.

    最終使用的Text-CNN是將Max-pooling替換為Transformer的編碼器結(jié)構(gòu),另一個處理是將不同窗口的卷積結(jié)果處理為能夠表現(xiàn)卷積結(jié)果最優(yōu)的相同尺寸的結(jié)果,然后傳入修改自Transformer的編碼器。

    2.4? 嵌入層

    同現(xiàn)在大多數(shù)工作一樣,在內(nèi)容嵌入之外還加入了位置嵌入,因為一種語言中的情感表達往往跟句子在不同位置所使用的情感詞匯有關(guān)。MMSNN模型使用的嵌入方法是在Transformer中提出的位置嵌入的算法,嵌入位置分奇偶,偶數(shù)位置嵌入是采用正弦計算,奇數(shù)位置嵌入采用的是預(yù)先計算。其具體算法如下:

    pos表示位置,i是第幾個位置。位置編碼的每個維度對應(yīng)于正弦曲線。我們選擇此函數(shù)是因為我們假設(shè)它會允許模型輕松學(xué)習(xí)相對位置,因為對于任何固定的偏移量k,都可以表示為的線性函數(shù)。

    2.5? 最終模型

    MMSNN模型綜合上述三個模塊,將上述三個模型作為我們所設(shè)計模型的子層。首先是位置嵌入和內(nèi)容嵌入的加和作為嵌入層,然后使用Text-CNN的三個不同窗口的卷積計算句子間聯(lián)系,接著使用修改后Transformer編碼器捕獲重要信息。最后將獲得信息輸入到線性層做文本分類并使用交叉熵函數(shù)做損失函數(shù)然后使用Adma進行優(yōu)化。我們的模型如下:

    (1)數(shù)據(jù)集位置嵌入加上內(nèi)容嵌入的和作為嵌入層向量,這里使用按元素加的方法。

    (2)使用BiLSTM來編碼文本詞義信息,同時biLSTM結(jié)構(gòu)來獲取雙向文本的相關(guān)性。

    (3)使用多通道不同窗口大小的CNN獲得BiLSTM編碼的上下文信息,經(jīng)過計算得到更為全面的情感序列信息。

    (4)使用修改自Transformer的編碼器替換卷積層之后的池化操作,將卷積結(jié)果進行解碼,在訓(xùn)練中捕獲文本的重點信息。

    (5)將捕獲的信息傳遞到一個線性層使用Sigmod函數(shù)計算出得分和結(jié)果預(yù)測進行分類。然后經(jīng)損失計算和優(yōu)化操作計算網(wǎng)絡(luò)權(quán)重。

    3? 實驗結(jié)果

    3.1? 數(shù)據(jù)集

    IMDB數(shù)據(jù)集:原始數(shù)據(jù)集包括訓(xùn)練集,測試集,和沒有標(biāo)簽的數(shù)據(jù)。訓(xùn)練集25000條,正負各12500條。測試集25000條,正負各12500條。本文將測試集進一步劃分為驗證集和測試集。

    3.2? 對比試驗

    對比試驗有兩個,一個是基本的基于BILSTM和全連接層的的文本處理方法,第二個是Text-CNN,一個三個不同窗口的卷積神經(jīng)網(wǎng)絡(luò)。對比實驗的描述如下:

    BiLSTM:作為基準(zhǔn)實驗,只是用了biLSTM和全連接層做文本分類,用來測試biLSTM做RNN結(jié)構(gòu)的對比的分類效果。

    Text-CNN:使用三通道的一維卷積神經(jīng)網(wǎng)絡(luò)上,利用3個不同大小的的卷積窗口進行卷積操作,然后將三部分結(jié)果進行最大池化進行連接做文本分類。

    3.3? 實驗設(shè)置

    MMSNN使用了兩層結(jié)構(gòu),第一層是一個BiLSTM層每個單向是100個神經(jīng)元,連接成一個200維的雙向上下文信息。第二層有兩個子層,第一個子層是CNN,有三個通道,每個通道有各自的窗口,大小分別是2、3、4,過濾器大小為200。第二個子層是修改后的Transformer編碼器,和基本的Transformer編碼器結(jié)構(gòu)一樣有8個head,然后Transformer中進行了Dropout為0.1的正則化運算,最后是一個規(guī)范化層。我們實驗的批次大小為128,嵌入層的維度大小為200,進行12輪訓(xùn)練。經(jīng)過上述操作可以得出表示這個文本情感的重要信息,先將這個結(jié)果使用大小為0.5的dropout正則化,然后將這信息放入到一個線性層,使用了L2正則化,加上上述兩層交叉熵損失來計算我們的模型損失。

    3.4? 實驗結(jié)果分析

    將MMSNN的模型和對比模型進行對比,可以看到如下所示的結(jié)果(如圖2所示),相比基線模型BiLSTM+Full_connection和Text-CNN而言MMSNN模型有明顯的優(yōu)勢,所以從結(jié)果來看MMSNN使用的帶有修改的Transformer編碼器的模型效果能夠取得更好的效果。MMSNN的評價標(biāo)準(zhǔn)是分類的準(zhǔn)確路和分類損失,實驗結(jié)果圖2所示。

    分析上述實驗結(jié)果圖,BiLSTM和MMSNN模型的實驗的訓(xùn)練準(zhǔn)確率的增長幅度極為相似,訓(xùn)練損失的下降也極為相似。但是總的效果來說都是優(yōu)于Text-CNN的。在進行測試的時候,可以看出來MMSNN模型的實驗也和BiLSTM極為相似但是波動相對較為穩(wěn)定,MMSNN模型的實驗效果在第三輪達到最好評估效果約為86%,BiLSTM是85.5%而Text-CNN相對較差在第九輪獲得為83.3%,同時驗證損失MMSNN模型最低也是在第三輪獲得為0.34,BiLSTM是0.35(第三輪),Text-CNN的損失是0.38(第九輪)。所以總的效果來說是MMSNN模型的實驗取得更好的準(zhǔn)確率和更小的損失。

    4? 結(jié)論與展望

    通過這三個實驗的對比可以發(fā)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在情感分析任務(wù)上相對卷積神經(jīng)網(wǎng)絡(luò)有明顯的優(yōu)勢,這是由于CNN結(jié)構(gòu)中的池化操作存在信息損失的缺陷。但是在結(jié)合BiLSTM、Text-CNN和改自Transformer編碼器的結(jié)構(gòu)能夠取得最好的結(jié)果,由此也能證明Attention的優(yōu)勢。在單臺計算機的運算條件下,MMSNN模型可以計算出來相當(dāng)不錯的效果。以后的研究方向會傾向于以下幾點:1. 希望能夠解決池化層導(dǎo)致信息損失帶來的損害,將最近使用的膠囊模型和路由算法來代替卷積和池化操作,而不單是使用Transformer部分結(jié)構(gòu)來代替2. 對模型進行優(yōu)化,希望可以在單臺計算機有限的時間內(nèi)進行更大規(guī)模的模型運算。3. 根據(jù)最新研究趨勢設(shè)計一個能夠?qū)⑿薷牡腡ransformer結(jié)構(gòu)預(yù)訓(xùn)練使用從而盡可能取得更好效果的模型。

    參考文獻

    [1]Kim Y, Convolutional neural networks for sentence classification[J]. arXiv preprint arXiv:1408.5882, 2014.

    [2]Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]. Advances in neural information processing systems, pp. 5998-6008, 2017

    [3]Zhang Y, Wallace B. A sensitivity analysis of (and practitioners' guide to) convolutional neural networks for sentence classification[J]. arXiv preprint arXiv:1510.03820, 2015.

    [4]張玉環(huán), 錢江. 基于兩種 LSTM 結(jié)構(gòu)的文本情感分析[J]. 軟件, 2018, 39(1): 116-120.

    [5]張曉明, 尹鴻峰. 基于卷積神經(jīng)網(wǎng)絡(luò)和語義信息的場景分類[J]. 軟件, 2018, 39(01): 29-34

    [6]Bahdanau D, Cho K, Bengio Y. Neural machine translation by jointly learning to align and translate[J]. arXiv preprint?arXiv:1409.0473, 2014.

    [7]Dai Z, Yang Z, Yang Y, et al. Transformer-xl: Attentive language models beyond a fixed-length context[J]. arXiv preprint arXiv:1901.02860, 2019.

    [8]Radford A, Wu J, Child R, et al. Language models are unsupervised multitask learners[J]. OpenAI Blog, 2019, 1(8): 9.

    [9]Devlin J, Chang M W, Lee K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv:1810.04805, 2018.

    [10]Yang Z, Dai Z, Yang Y, et al. Xlnet: Generalized autoregressive pretraining for language understanding[C]//Advances in neural information processing systems. 2019: 5754-5764.

    [11]張玲玉, 尹鴻峰. 基于 OAN 的知識圖譜查詢研究[J]. 軟件, 2018, 39(01): 54-59.

    [12]吳亞熙, 岑峰. 基于卷積神經(jīng)網(wǎng)絡(luò)的多層級目標(biāo)檢測方法[J]. 軟件, 2018, 39(4): 164-169.

    [13]李平舟, 趙朗程. 基于BP神經(jīng)網(wǎng)絡(luò)的國家穩(wěn)定性研究[J]. 軟件, 2018, 39(6): 142-146.

    猜你喜歡
    自然語言處理情感分析
    基于組合分類算法的源代碼注釋質(zhì)量評估方法
    基于SVM的產(chǎn)品評論情感分析系統(tǒng)的設(shè)計與實現(xiàn)
    基于詞典與機器學(xué)習(xí)的中文微博情感分析
    在線評論情感屬性的動態(tài)變化
    預(yù)測(2016年5期)2016-12-26 17:16:57
    面向機器人導(dǎo)航的漢語路徑自然語言組塊分析方法研究
    文本觀點挖掘和情感分析的研究
    漢哈機器翻譯中的文字轉(zhuǎn)換技術(shù)研究
    HowNet在自然語言處理領(lǐng)域的研究現(xiàn)狀與分析
    科技視界(2016年5期)2016-02-22 11:41:39
    国产精品一国产av| 久久精品国产鲁丝片午夜精品| a级毛片黄视频| av线在线观看网站| 国产探花极品一区二区| 汤姆久久久久久久影院中文字幕| 久久ye,这里只有精品| 性色avwww在线观看| 狠狠精品人妻久久久久久综合| 国产精品不卡视频一区二区| 丝袜人妻中文字幕| 久久久精品94久久精品| 欧美国产精品va在线观看不卡| 乱人伦中国视频| 看免费成人av毛片| 亚洲天堂av无毛| av天堂久久9| 高清欧美精品videossex| 亚洲av在线观看美女高潮| 十八禁网站网址无遮挡| 婷婷色综合大香蕉| 大片免费播放器 马上看| 久热久热在线精品观看| 久久久久国产网址| 亚洲色图 男人天堂 中文字幕 | 欧美日韩亚洲高清精品| 亚洲国产精品999| 久久久亚洲精品成人影院| 各种免费的搞黄视频| 亚洲欧洲日产国产| 9热在线视频观看99| 涩涩av久久男人的天堂| 亚洲欧美精品自产自拍| 国产国拍精品亚洲av在线观看| 最后的刺客免费高清国语| 欧美亚洲日本最大视频资源| 欧美激情国产日韩精品一区| 波多野结衣一区麻豆| 精品第一国产精品| 在线观看www视频免费| 18+在线观看网站| 伊人亚洲综合成人网| 777米奇影视久久| 国精品久久久久久国模美| 99久久综合免费| 看非洲黑人一级黄片| 久久ye,这里只有精品| 人人妻人人澡人人爽人人夜夜| 在线观看国产h片| 国产熟女午夜一区二区三区| 大香蕉久久成人网| 亚洲综合色网址| 99久久精品国产国产毛片| videos熟女内射| 免费av不卡在线播放| 国产麻豆69| 大片免费播放器 马上看| av线在线观看网站| 男女免费视频国产| 一级a做视频免费观看| a级毛片黄视频| 精品视频人人做人人爽| 日产精品乱码卡一卡2卡三| 国产男女内射视频| av国产精品久久久久影院| 久久精品国产鲁丝片午夜精品| 亚洲综合精品二区| 狂野欧美激情性xxxx在线观看| 搡老乐熟女国产| 毛片一级片免费看久久久久| 99久国产av精品国产电影| 久久国产亚洲av麻豆专区| 久久久久网色| 91成人精品电影| 国产精品不卡视频一区二区| 日韩,欧美,国产一区二区三区| 夫妻性生交免费视频一级片| 2022亚洲国产成人精品| 成人国语在线视频| 久久久久人妻精品一区果冻| 国产高清国产精品国产三级| 热99国产精品久久久久久7| 美女xxoo啪啪120秒动态图| 亚洲色图综合在线观看| 亚洲,一卡二卡三卡| 国产乱来视频区| 丁香六月天网| 女人被躁到高潮嗷嗷叫费观| 一个人免费看片子| 国产又爽黄色视频| 在线观看人妻少妇| 美女脱内裤让男人舔精品视频| 十八禁网站网址无遮挡| 最近中文字幕2019免费版| 亚洲一码二码三码区别大吗| 一本—道久久a久久精品蜜桃钙片| 亚洲av成人精品一二三区| 两个人看的免费小视频| 一二三四中文在线观看免费高清| 五月天丁香电影| 亚洲精品第二区| 国产精品久久久久久精品电影小说| 日日啪夜夜爽| 91精品三级在线观看| 你懂的网址亚洲精品在线观看| 在线看a的网站| 99香蕉大伊视频| 多毛熟女@视频| 亚洲欧美精品自产自拍| 国产在线免费精品| 大香蕉久久成人网| 男女无遮挡免费网站观看| 免费黄频网站在线观看国产| 国产成人精品福利久久| 大香蕉久久成人网| 国产亚洲午夜精品一区二区久久| 亚洲欧洲精品一区二区精品久久久 | 日产精品乱码卡一卡2卡三| 久久人妻熟女aⅴ| 日日啪夜夜爽| 丝袜在线中文字幕| 少妇精品久久久久久久| 免费少妇av软件| 久久亚洲国产成人精品v| 免费av不卡在线播放| av播播在线观看一区| 日韩大片免费观看网站| 亚洲欧美清纯卡通| 欧美亚洲日本最大视频资源| 日本欧美视频一区| 国产精品国产av在线观看| 亚洲成色77777| 免费大片18禁| 欧美精品av麻豆av| 在线观看免费高清a一片| 大香蕉97超碰在线| 国产免费一级a男人的天堂| 国产国语露脸激情在线看| 人人澡人人妻人| 一级黄片播放器| 精品人妻一区二区三区麻豆| 亚洲在久久综合| 大话2 男鬼变身卡| 亚洲欧美成人综合另类久久久| 大片电影免费在线观看免费| av在线播放精品| 男男h啪啪无遮挡| 99久国产av精品国产电影| 香蕉精品网在线| 国产白丝娇喘喷水9色精品| 婷婷色综合大香蕉| 中国国产av一级| 一级毛片电影观看| 在线观看美女被高潮喷水网站| 9191精品国产免费久久| 精品少妇内射三级| 一级a做视频免费观看| 观看美女的网站| 亚洲精品国产av成人精品| 欧美丝袜亚洲另类| 最近手机中文字幕大全| 中文字幕免费在线视频6| 老女人水多毛片| 99国产综合亚洲精品| 婷婷色综合大香蕉| 黄片无遮挡物在线观看| 1024视频免费在线观看| 国产成人精品无人区| 大陆偷拍与自拍| 久久99一区二区三区| 国产黄频视频在线观看| 菩萨蛮人人尽说江南好唐韦庄| 观看美女的网站| 欧美日韩av久久| 涩涩av久久男人的天堂| 久久久a久久爽久久v久久| 成人午夜精彩视频在线观看| 久久精品aⅴ一区二区三区四区 | 黄色毛片三级朝国网站| 国产亚洲一区二区精品| 熟妇人妻不卡中文字幕| 国产日韩欧美在线精品| 国产成人精品一,二区| 日本91视频免费播放| 性高湖久久久久久久久免费观看| 国产精品久久久久久久电影| 国产 一区精品| 亚洲av男天堂| 9色porny在线观看| 精品午夜福利在线看| 最后的刺客免费高清国语| 国产深夜福利视频在线观看| 高清视频免费观看一区二区| 国产伦理片在线播放av一区| 精品酒店卫生间| 超色免费av| 久久久久久久久久久久大奶| 高清黄色对白视频在线免费看| 日韩中文字幕视频在线看片| 亚洲国产最新在线播放| 亚洲精品日本国产第一区| 久久这里只有精品19| 黑人高潮一二区| 汤姆久久久久久久影院中文字幕| 搡女人真爽免费视频火全软件| 免费不卡的大黄色大毛片视频在线观看| 中国国产av一级| videossex国产| 中文乱码字字幕精品一区二区三区| 久久人人97超碰香蕉20202| 在线观看www视频免费| 亚洲三级黄色毛片| 精品一品国产午夜福利视频| 熟女av电影| 一级爰片在线观看| 热99久久久久精品小说推荐| 不卡视频在线观看欧美| 只有这里有精品99| 男女高潮啪啪啪动态图| av又黄又爽大尺度在线免费看| 日日撸夜夜添| 天堂8中文在线网| 亚洲国产欧美在线一区| 国产欧美日韩综合在线一区二区| 久久久亚洲精品成人影院| 国产成人精品婷婷| 青春草亚洲视频在线观看| 下体分泌物呈黄色| 精品人妻一区二区三区麻豆| 久久久久久久久久久免费av| 日韩不卡一区二区三区视频在线| 久久97久久精品| 大香蕉97超碰在线| 老熟女久久久| 建设人人有责人人尽责人人享有的| 久久久久精品性色| 国产精品一二三区在线看| 日本欧美视频一区| 中文字幕另类日韩欧美亚洲嫩草| 如日韩欧美国产精品一区二区三区| 一级a做视频免费观看| 夜夜骑夜夜射夜夜干| 国产爽快片一区二区三区| 精品少妇黑人巨大在线播放| 亚洲色图 男人天堂 中文字幕 | 999精品在线视频| 如何舔出高潮| 久久亚洲国产成人精品v| av福利片在线| 三级国产精品片| 狠狠婷婷综合久久久久久88av| 观看美女的网站| 日本欧美视频一区| 少妇人妻久久综合中文| 婷婷色av中文字幕| 日产精品乱码卡一卡2卡三| 一本久久精品| 精品少妇黑人巨大在线播放| 国产精品一区二区在线不卡| 成年女人在线观看亚洲视频| 成人国语在线视频| 久久精品国产鲁丝片午夜精品| 两性夫妻黄色片 | 免费看光身美女| 啦啦啦在线观看免费高清www| 国产精品蜜桃在线观看| 黄片无遮挡物在线观看| 免费黄色在线免费观看| 亚洲一码二码三码区别大吗| 亚洲婷婷狠狠爱综合网| 亚洲中文av在线| 久久午夜综合久久蜜桃| 成人午夜精彩视频在线观看| 久久人人爽人人爽人人片va| 国产乱人偷精品视频| 91国产中文字幕| 久久久久网色| 中文字幕人妻丝袜制服| 亚洲 欧美一区二区三区| 少妇被粗大的猛进出69影院 | 欧美成人精品欧美一级黄| 男的添女的下面高潮视频| 精品卡一卡二卡四卡免费| 精品少妇黑人巨大在线播放| 两个人看的免费小视频| 亚洲欧美成人精品一区二区| 97在线视频观看| 一级爰片在线观看| 各种免费的搞黄视频| 免费黄网站久久成人精品| 欧美日韩成人在线一区二区| 大陆偷拍与自拍| 亚洲情色 制服丝袜| 男人添女人高潮全过程视频| 色婷婷av一区二区三区视频| 久久精品国产a三级三级三级| 大香蕉久久成人网| 麻豆精品久久久久久蜜桃| 最近中文字幕2019免费版| 在线观看美女被高潮喷水网站| 精品人妻在线不人妻| 99热网站在线观看| 老熟女久久久| 草草在线视频免费看| 黄色 视频免费看| 最新的欧美精品一区二区| 国产精品熟女久久久久浪| 成人亚洲精品一区在线观看| 国产免费视频播放在线视频| 国产成人精品福利久久| av又黄又爽大尺度在线免费看| 国产亚洲一区二区精品| 777米奇影视久久| 99香蕉大伊视频| 男女高潮啪啪啪动态图| 熟女人妻精品中文字幕| 欧美97在线视频| 久久国产精品大桥未久av| 免费不卡的大黄色大毛片视频在线观看| av电影中文网址| 91成人精品电影| 午夜福利,免费看| 亚洲国产精品一区二区三区在线| 国产精品国产三级专区第一集| 欧美国产精品一级二级三级| 男男h啪啪无遮挡| 99热6这里只有精品| av在线老鸭窝| 成人免费观看视频高清| 国产黄频视频在线观看| 国产综合精华液| 最近手机中文字幕大全| 亚洲国产成人一精品久久久| 另类亚洲欧美激情| 亚洲精品aⅴ在线观看| 日本wwww免费看| 99九九在线精品视频| 建设人人有责人人尽责人人享有的| 亚洲av综合色区一区| 十八禁网站网址无遮挡| 日日撸夜夜添| 2021少妇久久久久久久久久久| 免费人成在线观看视频色| freevideosex欧美| 大片免费播放器 马上看| 丝袜喷水一区| 成人亚洲欧美一区二区av| 男人操女人黄网站| 亚洲av电影在线观看一区二区三区| 2021少妇久久久久久久久久久| 日韩视频在线欧美| 超色免费av| 久久97久久精品| 亚洲精华国产精华液的使用体验| 爱豆传媒免费全集在线观看| 在线免费观看不下载黄p国产| 老司机影院毛片| 亚洲欧美日韩卡通动漫| 深夜精品福利| 国产日韩一区二区三区精品不卡| 国产又色又爽无遮挡免| 亚洲一级一片aⅴ在线观看| 天天躁夜夜躁狠狠躁躁| 日本av免费视频播放| 欧美日韩av久久| 最近中文字幕2019免费版| 日韩成人av中文字幕在线观看| 精品人妻在线不人妻| 搡女人真爽免费视频火全软件| 亚洲成人一二三区av| 人成视频在线观看免费观看| 久久 成人 亚洲| 人妻一区二区av| 国产亚洲午夜精品一区二区久久| 亚洲丝袜综合中文字幕| 2018国产大陆天天弄谢| 老熟女久久久| 亚洲色图 男人天堂 中文字幕 | 老司机亚洲免费影院| 中文字幕亚洲精品专区| 99热6这里只有精品| 久久久久国产网址| 精品久久国产蜜桃| 国产爽快片一区二区三区| 你懂的网址亚洲精品在线观看| 男女高潮啪啪啪动态图| 精品亚洲乱码少妇综合久久| 母亲3免费完整高清在线观看 | 男女下面插进去视频免费观看 | 欧美激情 高清一区二区三区| 国产一区二区在线观看日韩| 丝袜脚勾引网站| 性高湖久久久久久久久免费观看| 一边亲一边摸免费视频| 婷婷色av中文字幕| 欧美日韩一区二区视频在线观看视频在线| 少妇被粗大的猛进出69影院 | 26uuu在线亚洲综合色| 免费日韩欧美在线观看| www.av在线官网国产| 狂野欧美激情性xxxx在线观看| 99久久人妻综合| 亚洲欧美一区二区三区黑人 | 伦理电影免费视频| 日日啪夜夜爽| 国产免费一级a男人的天堂| 国产精品一区二区在线不卡| 男女午夜视频在线观看 | 看免费av毛片| 男女无遮挡免费网站观看| 777米奇影视久久| h视频一区二区三区| 丰满乱子伦码专区| 天堂俺去俺来也www色官网| 中文欧美无线码| 欧美 日韩 精品 国产| 精品国产一区二区久久| 午夜福利视频在线观看免费| 国产激情久久老熟女| 久久这里有精品视频免费| 精品一区在线观看国产| 亚洲精品美女久久av网站| 国精品久久久久久国模美| 人人妻人人澡人人爽人人夜夜| 午夜老司机福利剧场| 日本黄大片高清| 在线 av 中文字幕| 亚洲av国产av综合av卡| 国产精品蜜桃在线观看| 日韩制服骚丝袜av| 久久久国产欧美日韩av| 一边亲一边摸免费视频| 人人妻人人爽人人添夜夜欢视频| 国精品久久久久久国模美| 久久久久久久久久人人人人人人| 2021少妇久久久久久久久久久| av网站免费在线观看视频| 在线免费观看不下载黄p国产| 亚洲美女黄色视频免费看| 曰老女人黄片| av在线观看视频网站免费| 欧美成人精品欧美一级黄| 精品一区二区免费观看| 免费少妇av软件| av一本久久久久| 久久精品国产亚洲av涩爱| 国产1区2区3区精品| 在线天堂最新版资源| 大香蕉97超碰在线| 国产黄色免费在线视频| 国产欧美日韩一区二区三区在线| 国产成人免费观看mmmm| 久久精品aⅴ一区二区三区四区 | 美国免费a级毛片| 色婷婷av一区二区三区视频| 老女人水多毛片| 日本猛色少妇xxxxx猛交久久| 国产精品人妻久久久久久| 亚洲 欧美一区二区三区| 99精国产麻豆久久婷婷| 国产精品99久久99久久久不卡 | 满18在线观看网站| 建设人人有责人人尽责人人享有的| 婷婷色综合大香蕉| 少妇精品久久久久久久| www.熟女人妻精品国产 | av国产久精品久网站免费入址| 天堂中文最新版在线下载| 水蜜桃什么品种好| 99香蕉大伊视频| 在线观看人妻少妇| 有码 亚洲区| 在线精品无人区一区二区三| 精品久久久精品久久久| 亚洲精品乱码久久久久久按摩| 香蕉精品网在线| 我的女老师完整版在线观看| 久久久精品免费免费高清| 久久久久久久精品精品| 人体艺术视频欧美日本| 午夜激情av网站| 日本色播在线视频| 老女人水多毛片| 精品一区在线观看国产| 成人免费观看视频高清| av女优亚洲男人天堂| 街头女战士在线观看网站| 欧美成人午夜免费资源| 日本猛色少妇xxxxx猛交久久| 亚洲成av片中文字幕在线观看 | 国产成人aa在线观看| 亚洲色图 男人天堂 中文字幕 | 99热国产这里只有精品6| 午夜影院在线不卡| 免费大片18禁| 一级毛片黄色毛片免费观看视频| 51国产日韩欧美| 久久精品久久久久久噜噜老黄| 国产又爽黄色视频| 天堂8中文在线网| 99视频精品全部免费 在线| 最近的中文字幕免费完整| 99香蕉大伊视频| av在线app专区| 最近最新中文字幕免费大全7| 国产亚洲av片在线观看秒播厂| 日韩制服骚丝袜av| 成年av动漫网址| 最新中文字幕久久久久| 超碰97精品在线观看| 免费人妻精品一区二区三区视频| 人妻少妇偷人精品九色| 亚洲精品aⅴ在线观看| 内地一区二区视频在线| 男女下面插进去视频免费观看 | 亚洲伊人色综图| 国产一区二区在线观看日韩| 欧美成人午夜精品| 久久免费观看电影| 丝袜脚勾引网站| 日韩av不卡免费在线播放| 97精品久久久久久久久久精品| 男女边摸边吃奶| 韩国av在线不卡| 2022亚洲国产成人精品| 韩国av在线不卡| 成人手机av| 在线观看人妻少妇| 黄片播放在线免费| 熟女电影av网| 欧美国产精品va在线观看不卡| 国产黄频视频在线观看| tube8黄色片| 国产综合精华液| 国产精品久久久久久久电影| 在线观看www视频免费| 成人国语在线视频| 亚洲久久久国产精品| 夜夜骑夜夜射夜夜干| 久久99蜜桃精品久久| 丝袜喷水一区| 天美传媒精品一区二区| 制服丝袜香蕉在线| 国产精品蜜桃在线观看| 一级a做视频免费观看| 女性生殖器流出的白浆| 9热在线视频观看99| 久久精品久久久久久噜噜老黄| 成年动漫av网址| 91精品国产国语对白视频| 天天躁夜夜躁狠狠久久av| 久久久久久久国产电影| 九色成人免费人妻av| 在线天堂中文资源库| 曰老女人黄片| 精品国产一区二区久久| 国产不卡av网站在线观看| 精品久久久精品久久久| 亚洲美女黄色视频免费看| 天天影视国产精品| 亚洲精品av麻豆狂野| 美女大奶头黄色视频| 黑人巨大精品欧美一区二区蜜桃 | 九草在线视频观看| 国产精品99久久99久久久不卡 | 国产精品一国产av| 精品一区二区三卡| 国产成人a∨麻豆精品| 亚洲av中文av极速乱| 国产乱人偷精品视频| 丰满迷人的少妇在线观看| 美女脱内裤让男人舔精品视频| 啦啦啦啦在线视频资源| 亚洲综合色网址| 少妇高潮的动态图| 97精品久久久久久久久久精品| 美女国产视频在线观看| 日韩成人伦理影院| 热99国产精品久久久久久7| 看非洲黑人一级黄片| 少妇被粗大的猛进出69影院 | 久久久久精品人妻al黑| 老司机影院成人| 99香蕉大伊视频| 午夜视频国产福利| av国产久精品久网站免费入址| 免费人妻精品一区二区三区视频| 国产日韩欧美在线精品| 日日爽夜夜爽网站| 国产黄色免费在线视频| 欧美精品高潮呻吟av久久| 午夜免费鲁丝| 国产女主播在线喷水免费视频网站| 亚洲美女搞黄在线观看| 丰满迷人的少妇在线观看| 大话2 男鬼变身卡| 久久久久久人妻| 国产亚洲最大av| av.在线天堂| 女人被躁到高潮嗷嗷叫费观| 男女高潮啪啪啪动态图| 久久久久久久久久久免费av| 国产精品国产三级国产专区5o| 亚洲国产欧美在线一区| 女性生殖器流出的白浆| a级毛色黄片| 大片电影免费在线观看免费| 国产探花极品一区二区| 久久久久精品性色| 国产一区二区在线观看av| 亚洲成av片中文字幕在线观看 | 婷婷成人精品国产| 男女边吃奶边做爰视频| 一级毛片黄色毛片免费观看视频| 久久久久久人人人人人|