• <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BERT的民事相關(guān)問答問句分類

    2021-03-15 06:59武鈺智常俊豪
    電腦知識與技術(shù) 2021年1期

    武鈺智 ??『?/p>

    摘要:[目的]針對當(dāng)前民事問句數(shù)據(jù)集不完全以及法律問答問句分類模型中存在無法利用語境信息或難以學(xué)習(xí)到復(fù)雜語句表示的問題,構(gòu)建了基于BERT的問句分類模型。[方法]通過爬取的6萬人工標(biāo)記的民事相關(guān)問句作為分類的訓(xùn)練樣本,構(gòu)建了基于BERT-Base-Chinese的民事相關(guān)問句分類模型進(jìn)行分類研究,并與SVM方法做對比基準(zhǔn)。[結(jié)果]基于BERT的民事相關(guān)問句分類模型的分類效果均優(yōu)于SVM方法,精準(zhǔn)率和F1值分別達(dá)到0.978和0.973,F(xiàn)1值比SVM方法高出25.5%。[局限]僅對法律領(lǐng)域下的民事類別做了分類實(shí)驗(yàn),沒有將法律全部領(lǐng)域納入。[結(jié)論]基于BERT的問句分類方法能夠顯著提高民事相關(guān)問句的分類效果,可以作為民事問答系統(tǒng)的問句分類模型。

    關(guān)鍵詞:問句分類;BERT;民事問句

    中圖分類號: TP311? ? ? ? 文獻(xiàn)標(biāo)識碼:A

    文章編號:1009-3044(2021)01-0004-04

    Abstract:[Objective] Aiming at the problems of the data set of the current civil question is incomplete and unable to use contextual information or difficult to learn complex sentence representation in the legal question answering classification model ,the question classification model based on BERT was constructed.[Methods] This study takes 60,000 manually marked civil issue-related question sentences as training samples for classification, and constructs a civil issue-related question classification model based on the BERT-Base-Chinese to perform cataloguing research, and the SVM method was used as a comparison benchmark. [Results] The question classification model of civil-related questions based on BERT is better than the SVM model in classification effect, the F1-score and precision respectively reaches 0.978 and 0.973, and the F1-score is about 25.5% higher than the SVM model .[Limitations]It only classifies the civil categories in the field of law,but does not include the whole field of law. [Conclusion] The question classification model based on BERT can significantly improve the classification effect of civil-related question and can be used as the question classification model for the civil-related question answering system.

    Key words:question classification ; BERT; civil issues

    隨著我國社會主義法制建設(shè)的不斷加強(qiáng),民事法律由于關(guān)系民生大眾而變得炙手可熱。然而由于人們提出的民事問題只能由持證律師進(jìn)行解答,并且我國現(xiàn)在的人均律師擁有率遠(yuǎn)遠(yuǎn)低于歐美等國家,這就導(dǎo)致一大批在線法律問答平臺的回答率較低并且很難及時對提出的問題進(jìn)行解答[1]。近年來,由于深度學(xué)習(xí)和人工智能的高速發(fā)展,金融、教育、醫(yī)療等領(lǐng)域都開始使用人工智能技術(shù)來完成各種各樣的工作,因此如何將人工智能技術(shù)應(yīng)用到法律領(lǐng)域成為重要的課題,而構(gòu)建出一個專業(yè)的民事領(lǐng)域問答模型能夠更好地解決回答率較低以及滿足大眾的需求[2-4]。問答系統(tǒng)(Question Answering System, QA)是自然語言處理和信息檢索相關(guān)的重要學(xué)科,它可以滿足人們對快速、準(zhǔn)確地獲取信息的需求[5]。在問答系統(tǒng)中一般有三個研究的基本問題,分別是問題分析、信息檢索和答案抽取,其中問題分析主要是通過對問句分類等方面進(jìn)行分析,是問答系統(tǒng)的重要模塊,也是提高問答系統(tǒng)檢索效率的關(guān)鍵要素[6][7]。

    當(dāng)前關(guān)于問句分類的研究,傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法均有廣泛的應(yīng)用。傳統(tǒng)機(jī)器學(xué)習(xí)問句分類方法是利用人工標(biāo)注得到訓(xùn)練樣本,再經(jīng)過預(yù)處理后,經(jīng)過特征工程得到特征表征,然后交給分類器監(jiān)督訓(xùn)練,得到預(yù)測結(jié)果。常用的模型有樸素貝葉斯[8]、支持向量機(jī)[9-11]、K-鄰近模型[12]等。深度學(xué)習(xí)問句分類方法是通過一些深度學(xué)習(xí)網(wǎng)絡(luò)自動進(jìn)行特征提取,然后進(jìn)行分類。常用的模型有FastText、RCNN和TextRNN等[13-15]。隨著深度學(xué)習(xí)的不斷發(fā)展,基于預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)語言模型GPT(Generative Pre-trained Transformer)、BERT(Bidirectional Encoder Representations from Transformers)等在分類任務(wù)的各項(xiàng)指標(biāo)上取得了顯著提升[16]。

    法律領(lǐng)域作為一個有大量數(shù)據(jù)積累的領(lǐng)域,非常適合現(xiàn)在由數(shù)據(jù)驅(qū)動的各種人工智能技術(shù)應(yīng)用,然而法律領(lǐng)域的數(shù)據(jù)集標(biāo)注需要大量法律領(lǐng)域的專業(yè)人士,這就導(dǎo)致法律領(lǐng)域的很多數(shù)據(jù)集規(guī)模并不夠大而且質(zhì)量也不夠高[17]。因此針對法律特定領(lǐng)域,只有少數(shù)研究人員展開了法律問答系統(tǒng)應(yīng)用的研究。莫濟(jì)謙構(gòu)建了基于CNN模型的中文法律問句分類模型,對采集到的250000條包括法律各個領(lǐng)域的問句進(jìn)行粗細(xì)粒度分類研究,其中細(xì)粒度分類達(dá)到了92.14%的精度。此外還提出了基于長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)的層次分類模型,細(xì)粒度分類達(dá)到了93.82%的精度[18]。劉葛泓等重點(diǎn)研究了基于文本卷積神經(jīng)網(wǎng)絡(luò)(Text-CNN)的合同法律智能問答系統(tǒng),并針對合同法的文本特征對其問句進(jìn)行分類,實(shí)現(xiàn)了95.9%的合同法問句分類準(zhǔn)確率[19]。

    基于CNN、LSTM等架構(gòu)的神經(jīng)網(wǎng)絡(luò)模型存在無法利用語境信息或難以學(xué)習(xí)到復(fù)雜語句表示,因此針對上述研究及問題,本文研究構(gòu)建基于BERT的問句分類模型,并與SVM方法分別進(jìn)行民事相關(guān)問句分類實(shí)驗(yàn),然后分析其效果差異原因。

    1 研究方法

    1.1數(shù)據(jù)集的構(gòu)建

    針對當(dāng)前法律特定領(lǐng)域的數(shù)據(jù)集規(guī)模不大質(zhì)量不高的問題,本文通過爬蟲技術(shù)在國內(nèi)專業(yè)法律問答平臺(www.110.com/ask)爬取18種常見的民事領(lǐng)域的問句,18種民事類別如表1所示。

    為了將爬取到的民事問答數(shù)據(jù)轉(zhuǎn)換成可用于問句分類的數(shù)據(jù)集,需要將爬取到的語料進(jìn)行預(yù)處理(去除網(wǎng)頁信息、回答信息等),隨后按照6:3:1的比例劃分訓(xùn)練集train_data、開發(fā)集dev_data和測試集test_data,從而構(gòu)建民事問句分類數(shù)據(jù)集,數(shù)據(jù)結(jié)構(gòu)如圖1所示。

    1.2基于BERT的問句分類方法

    進(jìn)行自然語言處理任務(wù)時通常會借助于語言模型,通常有兩種在下游任務(wù)應(yīng)用預(yù)訓(xùn)練語言表示的方法,分別是以ELMo為代表的基于特征的方法[20],在特定任務(wù)使用特定結(jié)構(gòu),將使用預(yù)訓(xùn)練語言模型訓(xùn)練出的詞向量作為特征,輸入到下游目標(biāo)任務(wù)中;還有一種是基于微調(diào)的方法,以GPT為代表,指在已經(jīng)訓(xùn)練好的語言模型的基礎(chǔ)上,加入少量的特定任務(wù)參數(shù), 例如對于分類問題在語言模型基礎(chǔ)上加一層softmax網(wǎng)絡(luò),然后在新的語料上重新訓(xùn)練來進(jìn)行微調(diào)。在上述模型中由于ELMO使用的是兩個單向LSTM替代雙向LSTM,兩者之間的參數(shù)并不互通,所以ELMO和GPT一樣都是單向語言模型。而BERT是一種新的基于雙向Transformer的語言模型,相比于單向語言模型它能夠更深刻地理解語境,并且BERT進(jìn)一步完善和擴(kuò)展了GPT中設(shè)計的通用任務(wù)框架,使它適用于各種自然語言處理任務(wù)(如閱讀理解任務(wù)、分類任務(wù))。因此本文構(gòu)建了基于BERT的民事問句分類模型,其模型結(jié)構(gòu)如圖2所示。

    其中Toki表示第i個Token(隨機(jī)遮擋部分字符),Ei表示第 i個Token的嵌入向量,Ti表示第i個Token在經(jīng)過BERT處理之后得到的特征向量。

    BERT的輸入部分是線性序列,兩個句子之間使用SEP進(jìn)行分割,在開頭和結(jié)尾分別加一個CLS和SEP字符作為標(biāo)記。對于每一個字符都是由三種向量組成:詞向量、分段向量和位置信息向量,三種向量疊加便是BERT的輸入,如圖3所示。

    本文中基于BERT的問句分類方法為直接調(diào)用Google發(fā)布的BERT-Base-Chinese模型,在加入訓(xùn)練數(shù)據(jù)得到輸出結(jié)果后增加一個分類層進(jìn)行微調(diào),再將其應(yīng)用到問句分類任務(wù)中。

    1.3 SVM分類方法

    由于SVM具有可靠的理論依據(jù),可解釋型較強(qiáng),在一些機(jī)器學(xué)習(xí)任務(wù)中具有良好的表現(xiàn),并且經(jīng)過發(fā)展也開始應(yīng)用于多元分類任務(wù),故選用SVM作為BERT的對比基準(zhǔn)模型[21][22]。

    在進(jìn)行SVM分類實(shí)驗(yàn)時,本文采用一類對余類(One versus rest,OVR)方法構(gòu)建多類分類器,如圖4所示。

    即假設(shè)總共有M個類別,對于每一個類,將其作為+1類,而其余M-1個類的所有樣本作為-1類,構(gòu)造一個二分類SVM。對于1類,將2類和3類都當(dāng)成-1類,構(gòu)造二分類SVM,其決策邊界為d1;對于2類,則將1類和3類都當(dāng)成-1類,構(gòu)造二分類SVM,其決策邊界為d2;類似地得到d3。

    實(shí)驗(yàn)通過控制變量的方法分析分詞方法、特征提取等因素對SVM模型分類效果的影響,選擇分類效果最好的模型作為基于BERT問句分類實(shí)驗(yàn)方法的對比基準(zhǔn)。

    1.4評估指標(biāo)

    本文對于問句分類模型的評估指標(biāo)有三個,分別是精準(zhǔn)率P(Precision)、召回率R(Recall)以及F1值(F1-Score)。精準(zhǔn)率又稱查準(zhǔn)率,是針對預(yù)測結(jié)果而言的一個評價指標(biāo),在模型預(yù)測為正樣本的結(jié)果中,真正是正樣本所占的百分比。召回率又稱為查全率,是針對原始樣本而言的一個評價指標(biāo),在實(shí)際為正樣本中,被預(yù)測為正樣本所占的百分比。針對精準(zhǔn)率和召回率都有其自己的缺點(diǎn):如果閾值較高,那么精準(zhǔn)率會高,但是會漏掉很多數(shù)據(jù);如果閾值較低,召回率高,但是預(yù)測的會很不準(zhǔn)確。所以最后采用調(diào)和平均數(shù)F1值來綜合考慮精準(zhǔn)率和召回率兩項(xiàng)指標(biāo):

    2 實(shí)驗(yàn)結(jié)果分析

    根據(jù)以上實(shí)驗(yàn)方法,本文分別構(gòu)建了基于BERT的問句分類模型和SVM分類模型,使用經(jīng)過預(yù)處理的同一數(shù)據(jù)集進(jìn)行基于兩種方法的分類實(shí)驗(yàn)。

    2.1基于BERT問句分類模型的實(shí)驗(yàn)

    使用BERT-Base-Chinese進(jìn)行分類實(shí)驗(yàn),經(jīng)過不斷對訓(xùn)練輪數(shù)(num_train_epochs)、學(xué)習(xí)率(learning_rate)、最大序列長度(max_seq_length)、批量大?。╝tch_size)等參數(shù)調(diào)整,本文參數(shù)選擇如下:

    num_train_epochs=6;learning_rate=2e-5;max_seq_length=512;train_batch_size=16;dev_batch_size=8;test_batch_size=8,實(shí)驗(yàn)結(jié)果如表2所示。

    2.2基于SVM問句分類模型的實(shí)驗(yàn)

    為了分析分詞方法、特征提取等因素對SVM模型分類效果的影響,本實(shí)驗(yàn)采取控制變量的方法進(jìn)行對比分析。經(jīng)過對比發(fā)現(xiàn),當(dāng)選用jieba分詞進(jìn)行語料預(yù)處理,設(shè)置一元詞、二元詞,通過TF-IDF方法進(jìn)行詞頻加權(quán),參數(shù)C的值設(shè)置為0.4時效果最好,實(shí)驗(yàn)結(jié)果如表3所示。

    2.3分類效果分析

    為方便分析兩種方法在問句分類效果上差異的原因,將每組實(shí)驗(yàn)中分類結(jié)果的平均精準(zhǔn)率、平均召回率和平均值整理在一起,如表4所示。

    從表4可以得出,基于BERT的問句分類模型的分類效果均優(yōu)于SVM方法,平均F1值比SVM方法高出25.5%。

    對于基于BERT的問句分類方法,整體分類效果較好,原因可能在于BERT相較于原來的語言模型可以做到并發(fā)執(zhí)行。提取詞在句子中的關(guān)系特征的同時,能夠在多個不同層次提取關(guān)系特征,進(jìn)而更全面反映句子語義。因此即便在有大量數(shù)據(jù)的多類別分類任務(wù)中BERT也可以取得很好的效果。

    原因可能在于SVM方法最初是為解決二分類問題而提出的,而面對本文中多分類問題,使用OVR方法構(gòu)建多類分類器時,一方面會出現(xiàn)樣本不對稱的情況,導(dǎo)致分類結(jié)果出現(xiàn)偏差。另一方面SVM在求解二次規(guī)劃問題時,訓(xùn)練速度與m階矩陣的大小有關(guān)(m為樣本數(shù)),當(dāng)m越大時,機(jī)器計算該矩陣的時間就越久。因此面對大量數(shù)據(jù)的多類別分類任務(wù)SVM方法難以有較好的表現(xiàn)。

    綜上,本文提出的基于BERT的分類模型表現(xiàn)出了良好的分類效果,證明了該模型的有效性并能夠很好的應(yīng)用到面向民事領(lǐng)域的問答問句分類問題。

    3 結(jié)論

    本文針對民事問句數(shù)據(jù)集不完全以及法律問句存在語義信息復(fù)雜的問題,構(gòu)建了基于BERT的民事問答問句分類模型。對比分析了BERT和SVM兩種模型對民事問句分類效果的差異原因,由實(shí)驗(yàn)結(jié)果可知,基于BERT的問句分類模型的精準(zhǔn)率、召回率和F1值均高于SVM方法,表明基于BERT的問句分類模型能夠更高效提取文本的語義特征,對后續(xù)的分類效果有很大的提升。

    本文的局限性在于僅對法律領(lǐng)域下的民事類別進(jìn)行了分類實(shí)驗(yàn),并沒有將法律全部領(lǐng)域納入。在下一步工作中嘗試將其拓展到法律全領(lǐng)域當(dāng)中,更好地滿足人們對于法律問題類別識別的需求。

    參考文獻(xiàn):

    [1] 朱頌華.常年法律顧問業(yè)務(wù)的現(xiàn)狀與對策[J].法制博覽,2020(7):170-171.

    [2] Nakata N.Recent technical development of artificial intelligence for diagnostic medical imaging[J].JapaneseJournalofRadiology,2019,37(2):103-108.

    [3] TimmermanA.Neural networks in finance and investing.Using artificial intelligence to improve realworldperformance[J].InternationalJournalofForecasting,1997,13(1):144-146.

    [4] 周銘. 大數(shù)據(jù)時代的人工智能發(fā)展的法律思考[C]. 世界人工智能大會組委會.《上海法學(xué)研究》集刊(2019年第9卷 總第9卷).世界人工智能大會組委會:上海市法學(xué)會,2019:223-233.

    [5] Prager J.Open-domain question:answering[J].Foundations and Trends in Information Retrieval,2006,1(2):905-912.

    [6] 鄭實(shí)福,劉挺,秦兵,等.自動問答綜述[J].中文信息學(xué)報,2002,16(6):46-52.

    [7] 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.

    [8] El Hindi K,AlSalmanH,QasemS,et al.Building an ensemble of fine-tuned naive Bayesian classifiers for text classification[J].Entropy,2018,20(11):857.

    [9] Ou W,Huynh VN,Sriboonchitta S.Training attractive attribute classifiers based on opinion features extracted from review data[J].Electronic Commerce Research and Applications,2018,32:13-22.

    [10] Jafari A , Hosseinejad M , Amiri A . Improvement in automatic classification of Persian documents by means of Na?ve Bayes and Representative Vector[C]// International Econference on Computer & Knowledge Engineering. IEEE, 2011.

    [11] 蘇金樹,張博鋒,徐昕.基于機(jī)器學(xué)習(xí)的文本分類技術(shù)研究進(jìn)展[J].軟件學(xué)報,2006,17(9):1848-1859.

    [12] 李榮陸.文本分類及其相關(guān)技術(shù)研究[D].上海:復(fù)旦大學(xué),2005.

    [13] Zhang S,Chen Y,HuangXL,et al.Text classification of public feedbacks using convolutional neural network based on differential evolution algorithm[J].International Journal of Computers Communications &Control,2019,14(1):124-134.

    [14]Lai S, Xu L, Liu K, et al. Recurrent convolutional neural networks for text classification[C]. national conference on artificial intelligence, 2015: 2267-2273.

    [15]Le T, Kim J, Kim H, et al. Classification performance using gated recurrent unit recurrent neural network on energy disaggregation[C]. international conference on machine learning and cybernetics, 2016: 105-110.

    [16] Devlin J,Chang M W,Lee K,et al.BERT:pre-training of deep bidirectional transformers for language understanding[EB/OL].2018:arXiv:1810.04805[cs.CL].https://arxiv.org/abs/1810.04805

    [17] 盧新玉.淺談我國目前作為法律人工智能基礎(chǔ)的司法大數(shù)據(jù)存在的問題[J].法制博覽,2020(21):202-203.

    [18] 莫濟(jì)謙.基于深度學(xué)習(xí)的法律問題層疊分類研究[D].長沙:湖南大學(xué),2018.

    [19] 劉葛泓,李金澤,李卞婷,等.基于Text-CNN聯(lián)合分類與匹配的合同法律智能問答系統(tǒng)研究[J].軟件工程,2020,23(6):8-12,4.

    [20] Peters M E,Neumann M,Iyyer M,et al.Deepcontextualizedwordrepresentations[EB/OL].2018:arXiv:1802.05365[cs.CL].https://arxiv.org/abs/1802.05365

    [21] 蕭嶸,王繼成,張福炎.支持向量機(jī)理論綜述[J].計算機(jī)科學(xué),2000,27(3):1-3.

    [22] 白小明,邱桃榮.基于SVM和KNN算法的科技文獻(xiàn)自動分類研究[J].微計算機(jī)信息,2006,22(36):275-276,65.

    【通聯(lián)編輯:唐一東】

    亚洲精品久久国产高清桃花| 在线天堂中文资源库| 婷婷丁香在线五月| 天堂√8在线中文| 成人国产综合亚洲| 大香蕉久久成人网| 日韩欧美一区视频在线观看| 久久国产精品人妻蜜桃| 丝袜美腿诱惑在线| 午夜视频精品福利| 好男人在线观看高清免费视频 | 久久人妻福利社区极品人妻图片| av天堂在线播放| 欧美一区二区精品小视频在线| 免费无遮挡裸体视频| 成年版毛片免费区| 成年版毛片免费区| 天天躁夜夜躁狠狠躁躁| 国产成年人精品一区二区| 亚洲欧美一区二区三区黑人| 亚洲国产欧美一区二区综合| 国产成人一区二区三区免费视频网站| 成人18禁在线播放| 在线播放国产精品三级| 熟妇人妻久久中文字幕3abv| 国产成人系列免费观看| 久久中文字幕一级| 女人被狂操c到高潮| 啦啦啦观看免费观看视频高清 | 一a级毛片在线观看| 欧美激情极品国产一区二区三区| 亚洲国产欧美一区二区综合| 国产精品久久电影中文字幕| 老司机深夜福利视频在线观看| 777久久人妻少妇嫩草av网站| 亚洲人成网站在线播放欧美日韩| 巨乳人妻的诱惑在线观看| 91精品三级在线观看| 母亲3免费完整高清在线观看| 国产av又大| 亚洲国产中文字幕在线视频| 欧美国产精品va在线观看不卡| 激情视频va一区二区三区| 国产又爽黄色视频| 亚洲av第一区精品v没综合| av福利片在线| 国产激情欧美一区二区| 一级a爱视频在线免费观看| 天天躁狠狠躁夜夜躁狠狠躁| 黑丝袜美女国产一区| 成人手机av| 欧美另类亚洲清纯唯美| 一本综合久久免费| 男女午夜视频在线观看| 天天添夜夜摸| 夜夜夜夜夜久久久久| 久久青草综合色| 亚洲专区国产一区二区| 日本 av在线| 中文字幕另类日韩欧美亚洲嫩草| 欧美日韩福利视频一区二区| 50天的宝宝边吃奶边哭怎么回事| 欧美激情久久久久久爽电影 | 亚洲精品中文字幕一二三四区| tocl精华| 精品国内亚洲2022精品成人| 亚洲人成网站在线播放欧美日韩| 亚洲国产精品sss在线观看| 美女高潮到喷水免费观看| 桃红色精品国产亚洲av| 色尼玛亚洲综合影院| www日本在线高清视频| 嫩草影视91久久| 中文字幕人妻丝袜一区二区| 99riav亚洲国产免费| 欧美成人免费av一区二区三区| 精品久久久久久久久久免费视频| 国语自产精品视频在线第100页| 男人舔女人的私密视频| av有码第一页| 一进一出抽搐动态| 亚洲专区字幕在线| 午夜福利一区二区在线看| 中国美女看黄片| 成人18禁在线播放| 久热爱精品视频在线9| 97人妻精品一区二区三区麻豆 | 久久人妻福利社区极品人妻图片| 国产成人欧美在线观看| 亚洲一区二区三区不卡视频| 精品久久久久久,| 日本精品一区二区三区蜜桃| 国产麻豆成人av免费视频| 在线国产一区二区在线| 国产又爽黄色视频| 久久精品91无色码中文字幕| www国产在线视频色| 亚洲午夜理论影院| 色在线成人网| 电影成人av| 午夜久久久久精精品| 国产亚洲精品久久久久久毛片| 国产不卡一卡二| 亚洲性夜色夜夜综合| 久久久国产成人免费| 免费不卡黄色视频| 亚洲自偷自拍图片 自拍| 久久人人精品亚洲av| 国产亚洲精品久久久久5区| 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 | 女人被躁到高潮嗷嗷叫费观| 国产一区二区三区在线臀色熟女| 三级毛片av免费| 日日爽夜夜爽网站| 亚洲成人精品中文字幕电影| 在线观看午夜福利视频| 我的亚洲天堂| 涩涩av久久男人的天堂| 在线观看午夜福利视频| 色综合婷婷激情| 村上凉子中文字幕在线| 18美女黄网站色大片免费观看| 免费久久久久久久精品成人欧美视频| 亚洲三区欧美一区| 国产精品爽爽va在线观看网站 | 精品午夜福利视频在线观看一区| 国产亚洲精品综合一区在线观看 | 欧美成狂野欧美在线观看| 久久国产精品人妻蜜桃| 精品电影一区二区在线| 啦啦啦 在线观看视频| 国产av又大| 午夜免费鲁丝| 成人国产一区最新在线观看| 日韩欧美免费精品| 国产激情久久老熟女| 国产精品乱码一区二三区的特点 | 亚洲一区高清亚洲精品| 91大片在线观看| 亚洲中文字幕日韩| 国产欧美日韩精品亚洲av| 男人操女人黄网站| 一级毛片精品| 久久久久久人人人人人| 欧美激情 高清一区二区三区| 久久精品国产亚洲av高清一级| 美女 人体艺术 gogo| 精品卡一卡二卡四卡免费| 此物有八面人人有两片| 狠狠狠狠99中文字幕| 亚洲欧美精品综合久久99| 怎么达到女性高潮| 婷婷精品国产亚洲av在线| 俄罗斯特黄特色一大片| 首页视频小说图片口味搜索| 国产精品一区二区精品视频观看| 午夜a级毛片| 最近最新免费中文字幕在线| 午夜免费鲁丝| 涩涩av久久男人的天堂| 欧美成人性av电影在线观看| 欧洲精品卡2卡3卡4卡5卡区| 老汉色∧v一级毛片| 99在线人妻在线中文字幕| 女警被强在线播放| 在线国产一区二区在线| 在线观看一区二区三区| 久久久久国内视频| 一级毛片精品| 人人妻,人人澡人人爽秒播| 免费看美女性在线毛片视频| 在线观看日韩欧美| 亚洲一区二区三区不卡视频| 国产av一区二区精品久久| 香蕉国产在线看| 国产亚洲精品综合一区在线观看 | 在线观看www视频免费| 久久久久久国产a免费观看| 中文字幕久久专区| 一个人观看的视频www高清免费观看 | 免费无遮挡裸体视频| 亚洲美女黄片视频| 午夜福利在线观看吧| 国产成人av激情在线播放| 免费无遮挡裸体视频| 亚洲少妇的诱惑av| 亚洲,欧美精品.| 久久中文字幕人妻熟女| 久久久国产成人免费| 免费久久久久久久精品成人欧美视频| 狂野欧美激情性xxxx| 欧美日本视频| 男人舔女人的私密视频| 欧美老熟妇乱子伦牲交| 久久久久久久久久久久大奶| 日本vs欧美在线观看视频| 91麻豆av在线| 久久影院123| 夜夜夜夜夜久久久久| 国产aⅴ精品一区二区三区波| 午夜影院日韩av| 亚洲国产精品合色在线| 亚洲色图av天堂| 亚洲成人精品中文字幕电影| 88av欧美| 性色av乱码一区二区三区2| 欧美乱妇无乱码| 夜夜夜夜夜久久久久| 日日摸夜夜添夜夜添小说| 国产aⅴ精品一区二区三区波| 人人澡人人妻人| 一级a爱视频在线免费观看| 色在线成人网| 久久久久久国产a免费观看| 免费看十八禁软件| 少妇的丰满在线观看| 精品一区二区三区av网在线观看| 午夜福利影视在线免费观看| 少妇熟女aⅴ在线视频| 老熟妇仑乱视频hdxx| 久久中文看片网| 夜夜爽天天搞| 日日摸夜夜添夜夜添小说| 涩涩av久久男人的天堂| 性色av乱码一区二区三区2| 多毛熟女@视频| 精品一区二区三区视频在线观看免费| 国产亚洲欧美在线一区二区| 熟女少妇亚洲综合色aaa.| 久久精品亚洲熟妇少妇任你| 国产欧美日韩一区二区三| 成年人黄色毛片网站| 国产成人精品久久二区二区免费| 久久人人97超碰香蕉20202| 中文字幕另类日韩欧美亚洲嫩草| 国产人伦9x9x在线观看| 乱人伦中国视频| 啪啪无遮挡十八禁网站| 精品国产乱子伦一区二区三区| 国产精品综合久久久久久久免费 | 国产精品久久久人人做人人爽| 老鸭窝网址在线观看| 日韩欧美国产在线观看| 亚洲中文字幕一区二区三区有码在线看 | 两个人免费观看高清视频| 日本免费a在线| www.熟女人妻精品国产| 日韩欧美国产一区二区入口| 亚洲av熟女| 两个人看的免费小视频| 亚洲国产精品sss在线观看| 99riav亚洲国产免费| 亚洲中文日韩欧美视频| 国产私拍福利视频在线观看| 亚洲免费av在线视频| 九色亚洲精品在线播放| 99在线人妻在线中文字幕| 老司机午夜福利在线观看视频| 国产免费男女视频| 亚洲第一青青草原| 成年女人毛片免费观看观看9| 757午夜福利合集在线观看| 18禁国产床啪视频网站| 国产97色在线日韩免费| 欧美日韩黄片免| 嫩草影院精品99| 校园春色视频在线观看| 精品电影一区二区在线| 久久久久久大精品| 亚洲在线自拍视频| 午夜a级毛片| av福利片在线| 精品福利观看| 淫秽高清视频在线观看| 最近最新中文字幕大全电影3 | 欧美最黄视频在线播放免费| 精品国产一区二区三区四区第35| 十八禁人妻一区二区| av天堂久久9| 国产精品国产高清国产av| 丝袜在线中文字幕| 亚洲成人国产一区在线观看| 久久亚洲真实| 精品久久久久久成人av| 久久精品人人爽人人爽视色| 中文字幕人妻丝袜一区二区| 国产熟女xx| 免费一级毛片在线播放高清视频 | 亚洲第一av免费看| 宅男免费午夜| 亚洲aⅴ乱码一区二区在线播放 | 欧美黑人精品巨大| or卡值多少钱| 一级作爱视频免费观看| 在线观看日韩欧美| 日本一区二区免费在线视频| 午夜亚洲福利在线播放| 日韩高清综合在线| 18禁美女被吸乳视频| 成人特级黄色片久久久久久久| 99久久综合精品五月天人人| 美女扒开内裤让男人捅视频| 人妻久久中文字幕网| 国产一区二区三区视频了| 国产一区在线观看成人免费| 91精品三级在线观看| 亚洲视频免费观看视频| 国产伦人伦偷精品视频| 99久久国产精品久久久| 免费观看精品视频网站| 熟妇人妻久久中文字幕3abv| 成人永久免费在线观看视频| 岛国在线观看网站| 久久精品亚洲熟妇少妇任你| 精品第一国产精品| 成熟少妇高潮喷水视频| 香蕉国产在线看| 禁无遮挡网站| 美女 人体艺术 gogo| x7x7x7水蜜桃| 日韩国内少妇激情av| 每晚都被弄得嗷嗷叫到高潮| 一进一出好大好爽视频| 性色av乱码一区二区三区2| 免费在线观看亚洲国产| 日日摸夜夜添夜夜添小说| 久久香蕉精品热| 99re在线观看精品视频| 日本a在线网址| e午夜精品久久久久久久| 窝窝影院91人妻| 动漫黄色视频在线观看| 欧美日本亚洲视频在线播放| 久久精品国产亚洲av香蕉五月| 亚洲激情在线av| 天堂√8在线中文| cao死你这个sao货| 亚洲精华国产精华精| 香蕉国产在线看| 国产av精品麻豆| 丝袜在线中文字幕| 女人高潮潮喷娇喘18禁视频| 黄色女人牲交| 欧美老熟妇乱子伦牲交| 久久香蕉国产精品| 国产精品久久视频播放| 久久性视频一级片| 国产麻豆成人av免费视频| 18禁黄网站禁片午夜丰满| 久久性视频一级片| 男人的好看免费观看在线视频 | 琪琪午夜伦伦电影理论片6080| 亚洲av第一区精品v没综合| 18禁黄网站禁片午夜丰满| 色综合婷婷激情| 黄色 视频免费看| 日本精品一区二区三区蜜桃| 成人手机av| 亚洲av电影不卡..在线观看| 中出人妻视频一区二区| 亚洲av片天天在线观看| 黄色 视频免费看| 美女高潮喷水抽搐中文字幕| 色精品久久人妻99蜜桃| 色av中文字幕| 日韩精品中文字幕看吧| 免费少妇av软件| 久久久久久久精品吃奶| svipshipincom国产片| 在线观看免费视频日本深夜| 91麻豆精品激情在线观看国产| 久久亚洲真实| 99久久精品国产亚洲精品| 久久 成人 亚洲| 一边摸一边做爽爽视频免费| 亚洲片人在线观看| 男女之事视频高清在线观看| 91成年电影在线观看| 97碰自拍视频| 大陆偷拍与自拍| 51午夜福利影视在线观看| 久久草成人影院| 亚洲av五月六月丁香网| 欧美激情 高清一区二区三区| 性色av乱码一区二区三区2| 男人操女人黄网站| 久9热在线精品视频| 午夜成年电影在线免费观看| 成人国产综合亚洲| 12—13女人毛片做爰片一| 久久精品亚洲熟妇少妇任你| 亚洲成人久久性| 黄色视频不卡| 久久性视频一级片| 一级毛片精品| 99久久久亚洲精品蜜臀av| 亚洲九九香蕉| 久久草成人影院| 午夜福利影视在线免费观看| 人人妻,人人澡人人爽秒播| 日本精品一区二区三区蜜桃| av有码第一页| 久久性视频一级片| 看免费av毛片| 婷婷精品国产亚洲av在线| 淫秽高清视频在线观看| 人人妻人人澡人人看| 亚洲av成人一区二区三| 精品久久久久久,| 国产精品久久久久久人妻精品电影| 夜夜夜夜夜久久久久| 国产精品乱码一区二三区的特点 | 一个人观看的视频www高清免费观看 | 国产亚洲精品一区二区www| 97碰自拍视频| 午夜a级毛片| 岛国视频午夜一区免费看| 日韩av在线大香蕉| 法律面前人人平等表现在哪些方面| 亚洲男人的天堂狠狠| 好看av亚洲va欧美ⅴa在| 国产精品98久久久久久宅男小说| 久久人人精品亚洲av| 大陆偷拍与自拍| 女人精品久久久久毛片| 香蕉久久夜色| 无遮挡黄片免费观看| 亚洲少妇的诱惑av| 亚洲欧美日韩无卡精品| 亚洲精品一区av在线观看| 妹子高潮喷水视频| 黑人巨大精品欧美一区二区蜜桃| 老司机在亚洲福利影院| 在线免费观看的www视频| 高清毛片免费观看视频网站| www.www免费av| 91成年电影在线观看| 极品人妻少妇av视频| 亚洲一区二区三区不卡视频| 久久精品aⅴ一区二区三区四区| 日韩欧美免费精品| √禁漫天堂资源中文www| 色哟哟哟哟哟哟| 91精品三级在线观看| 可以在线观看的亚洲视频| 成人18禁高潮啪啪吃奶动态图| 欧美最黄视频在线播放免费| 亚洲一区二区三区色噜噜| 日韩欧美国产一区二区入口| 亚洲欧美精品综合一区二区三区| 午夜两性在线视频| av有码第一页| √禁漫天堂资源中文www| 免费无遮挡裸体视频| 欧美中文日本在线观看视频| 熟妇人妻久久中文字幕3abv| 国产又爽黄色视频| cao死你这个sao货| bbb黄色大片| 午夜精品久久久久久毛片777| 亚洲成a人片在线一区二区| 99国产精品一区二区三区| 亚洲国产精品sss在线观看| av在线播放免费不卡| 一进一出抽搐gif免费好疼| 国产欧美日韩精品亚洲av| 狂野欧美激情性xxxx| 精品人妻1区二区| 男人操女人黄网站| 亚洲国产精品合色在线| 黄频高清免费视频| 国产伦一二天堂av在线观看| 亚洲中文av在线| 久久影院123| 国产av一区二区精品久久| 99久久综合精品五月天人人| 无遮挡黄片免费观看| 国内精品久久久久久久电影| 亚洲中文字幕一区二区三区有码在线看 | 亚洲人成伊人成综合网2020| 国语自产精品视频在线第100页| 他把我摸到了高潮在线观看| 中文字幕色久视频| 91字幕亚洲| 久久精品成人免费网站| 不卡av一区二区三区| 久久久国产精品麻豆| 精品一区二区三区av网在线观看| 精品人妻1区二区| 制服诱惑二区| 午夜老司机福利片| 久久久久国产一级毛片高清牌| 中文字幕人妻熟女乱码| 美国免费a级毛片| 国产一区二区三区综合在线观看| 亚洲av电影不卡..在线观看| 99国产极品粉嫩在线观看| 如日韩欧美国产精品一区二区三区| 757午夜福利合集在线观看| 俄罗斯特黄特色一大片| 日韩大尺度精品在线看网址 | 91av网站免费观看| 看免费av毛片| 一进一出好大好爽视频| 老司机福利观看| www.自偷自拍.com| 此物有八面人人有两片| 两个人免费观看高清视频| 久9热在线精品视频| 午夜激情av网站| 久久中文字幕人妻熟女| 精品高清国产在线一区| 十八禁网站免费在线| 亚洲在线自拍视频| 深夜精品福利| 久久影院123| 在线观看一区二区三区| 欧美丝袜亚洲另类 | 国产精品 欧美亚洲| av超薄肉色丝袜交足视频| 中文字幕最新亚洲高清| 黄色成人免费大全| 欧美不卡视频在线免费观看 | 国产成+人综合+亚洲专区| 女人高潮潮喷娇喘18禁视频| 亚洲av熟女| 九色国产91popny在线| 欧美一区二区精品小视频在线| 亚洲精品国产精品久久久不卡| 久99久视频精品免费| 亚洲专区字幕在线| 国产97色在线日韩免费| 久久人妻av系列| 久久久久亚洲av毛片大全| 一级,二级,三级黄色视频| 50天的宝宝边吃奶边哭怎么回事| 欧美成人午夜精品| 午夜福利免费观看在线| 91老司机精品| 国产精品香港三级国产av潘金莲| 精品日产1卡2卡| 黄色女人牲交| 午夜免费鲁丝| 女生性感内裤真人,穿戴方法视频| 免费在线观看日本一区| 女性生殖器流出的白浆| 亚洲国产日韩欧美精品在线观看 | 国产99白浆流出| 欧美色视频一区免费| 悠悠久久av| 可以在线观看的亚洲视频| 老熟妇仑乱视频hdxx| 美女 人体艺术 gogo| 神马国产精品三级电影在线观看 | 欧美日本中文国产一区发布| 亚洲免费av在线视频| 亚洲国产毛片av蜜桃av| 老司机福利观看| av视频免费观看在线观看| 怎么达到女性高潮| 亚洲无线在线观看| 热re99久久国产66热| 成人免费观看视频高清| 国产精品亚洲美女久久久| 亚洲一码二码三码区别大吗| 亚洲色图av天堂| 日韩大码丰满熟妇| 久久精品91蜜桃| 午夜精品在线福利| 精品电影一区二区在线| 无人区码免费观看不卡| 女人高潮潮喷娇喘18禁视频| 国产单亲对白刺激| 国产不卡一卡二| 中文字幕最新亚洲高清| 亚洲熟妇中文字幕五十中出| 日日摸夜夜添夜夜添小说| 美国免费a级毛片| 在线视频色国产色| 欧美中文日本在线观看视频| 啦啦啦免费观看视频1| www.熟女人妻精品国产| 欧美黄色片欧美黄色片| 精品久久久久久久人妻蜜臀av | 国内毛片毛片毛片毛片毛片| 国产亚洲精品一区二区www| 满18在线观看网站| 岛国在线观看网站| a级毛片在线看网站| 亚洲人成网站在线播放欧美日韩| 啪啪无遮挡十八禁网站| 国产亚洲精品久久久久久毛片| 日本 欧美在线| 在线观看66精品国产| 日韩大码丰满熟妇| 99久久久亚洲精品蜜臀av| 久久这里只有精品19| 久久人人精品亚洲av| 亚洲男人的天堂狠狠| 亚洲av美国av| 免费在线观看日本一区| 久久久久久久午夜电影| 无限看片的www在线观看| av超薄肉色丝袜交足视频| 999久久久精品免费观看国产| 国产亚洲av嫩草精品影院| 亚洲电影在线观看av| 99精品久久久久人妻精品| 老熟妇乱子伦视频在线观看| 人人妻,人人澡人人爽秒播| 国内精品久久久久久久电影| 啦啦啦免费观看视频1| 国产精品一区二区在线不卡| 深夜精品福利|