• <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GRW和FastText模型的電信用戶投訴文本分類應用

    2021-07-15 01:54:36趙進楊小軍
    電信科學 2021年6期
    關鍵詞:漢明特征詞類別

    趙進,楊小軍

    (中國電信股份有限公司重慶分公司,重慶 401120)

    1 引言

    大數(shù)據(jù)和人工智能作為國家提出的新型基礎設施,引發(fā)了新一輪的科技革命。中國電信作為國內(nèi)三大電信運營商之一、三化(數(shù)字化、信息化、智能化)產(chǎn)業(yè)布局者,正著力于大數(shù)據(jù)和人工智能在其業(yè)務和服務上落地生根,實現(xiàn)數(shù)字化轉(zhuǎn)型戰(zhàn)略目標。中國電信始終將用戶的良好體驗和用戶感知放在首位,對用戶的投訴進行業(yè)務拆解和快速分析,以求及時準確地反饋用戶,規(guī)避用戶越級投訴的風險和提升用戶良好體驗和使用感知。但是電信的業(yè)務服務類別復雜多樣,有效地識別用戶投訴類型目前還處于人工分類階段,在實際工作過程中,業(yè)務領域?qū)<业慕?jīng)驗起著主導作用[1],而培養(yǎng)一個業(yè)務領域?qū)<倚枰罅康臅r間成本和人力成本,因此,需要建立科學合理的文本分類模型。通常用戶投訴數(shù)據(jù)有多種來源,如10000、微信公眾號、線下廳店等,最終都會以非結構化的文本信息記錄在系統(tǒng)中,如何對這些用戶的投訴信息進行有效、快速、準確的分類成為處理用戶投訴、提升用戶良好體驗和使用感知的關鍵[2]。

    文本分類屬于自然語言處理(natural language processing,NLP)應用研究范疇中的一個分支[3],在文本分類方法上,目前已經(jīng)有了很多有突破性的研究成果,比如基于樸素貝葉斯方法的文本分類方法[4]、基于條件隨機場的分類方法[5]等,隨著深度學習向文本挖掘領域發(fā)展,利用word2vec、LSTM、CNN、TextRNN、預訓練模型Bert等深度學習模型對文本進行分類,也取得了比較好的分類效果,并且在部分人工智能產(chǎn)品中落地應用。在傳統(tǒng)的文本分類方法中,需要將文本轉(zhuǎn)換成高維向量,這一般會造成向量維度過大,無論計算內(nèi)存還是計算時間,計算復雜度將會非常大。為了避免高維風險,需要借助特征工程的相關方法或模型對文本的關鍵特征進行有效的提取,實現(xiàn)降低文本特征向量的維度數(shù)。目前文本特征提取有基于詞頻(TF-IDF)的方法、基于互信息(mutual information,MI)的方法、基于(Chi-square)統(tǒng)計量的方法、基于信息增益(information gain,IG)的方法、基于WLLR(weighted log likelihood ration,WLLR)的方法和基于WFO(weighted frequency and odd,WFO)的方法等[6]。在電信用戶投訴文本數(shù)據(jù)中,存在很多與分類結果無關的信息描述,同時電信業(yè)務的類別復雜,多達幾十種。針對上述問題,本文提出基于GRW和FastText模型的方法,對用戶投訴文本進行多分類,并且基于真實的生產(chǎn)系統(tǒng)數(shù)據(jù)進行相關驗證性實驗,驗證了本文方法的有效性。

    2 基于GRW模型的特征提取

    文本數(shù)據(jù)的特征提取方式與傳統(tǒng)的數(shù)值類型特征的提取方式不同。在數(shù)據(jù)表示上,傳統(tǒng)機器學習的數(shù)據(jù)由一組結構化的數(shù)據(jù)組成,這些數(shù)據(jù)的特征一般表現(xiàn)為字符串型的類別性、數(shù)值的離散性、數(shù)值的連續(xù)性、數(shù)據(jù)的時間性或周期性等,而文本數(shù)據(jù)屬于非結構化數(shù)據(jù),由字、詞、句組成。因此在對文本數(shù)據(jù)進行特征提取前,需要對文本進行預處理,將文本拆分成字粒度或詞粒度,然后通過不同的方法對文本數(shù)據(jù)進行數(shù)學表示。第一種方法是將文本表示成離散型數(shù)據(jù),如One-hot編碼和Multi-hot編碼等;第二種方法是將文本表示成分布式型數(shù)據(jù),如矩陣表示法、降維表示法、聚類表示法、神經(jīng)網(wǎng)絡表示法。

    中文文本數(shù)據(jù)由字、詞、句組成的文本,將中文文本按字、詞進行拆分后可以進行一些數(shù)學統(tǒng)計,其中TF-IDF用來評估一個字或詞對一個文本集或語料庫中的一條文本的重要程度。當一個字或詞在一個文本數(shù)據(jù)中重復出現(xiàn)時,則認為該字或詞具有比較高的重要性,但如果該字或詞在所有的文本集或語料庫中均出現(xiàn),且統(tǒng)計其出現(xiàn)的次數(shù)比較高,則該字或詞的重要性反而會下降,如一些介詞、謂詞等。詞頻(term frequency,TF),即字或詞在文本中復現(xiàn)的頻率;逆向文本頻率指數(shù)(inverse document frequency,IDF),即一個字或詞在所有的文本中復現(xiàn)的頻率,如果一個字或詞在很多文本中出現(xiàn),那么IDF值較小,反之,如果一個詞在比較少的文本中出現(xiàn),那么它的IDF值較大。TF-IDF計算式如下:

    其中,nij是該詞在文本dj中出現(xiàn)的次數(shù),是文本dj中的所有字或詞出現(xiàn)的總次數(shù),|D|是文本集或語料庫中的總的文本數(shù)量。|{j:ti∈dj}|表示包含字或詞ti的文本數(shù)目。

    2011年Imambi提出特征加權方案GRW[7],賦予特征詞TF-IDF不同的權重。GRW模型計算式如下:

    其中,TFIDFj是字或詞的T-FIDF值,P(Tij)是屬于分類i的詞j的概率,P(Ci)是屬于分類i的文檔的概率,然后選擇字或詞的最大GRW值確定屬于某個分類類別的特征詞:

    例如,如果GRW(t1,c1)=0.3,GRW(t1,c2)=0.4,則詞t1被選擇為類別c2的特征詞。

    SagarImambi在5 460份文檔的數(shù)據(jù)集上,分別采用GRW、TFIDF、CFS、信息增益比(gain ratio,GR)、Chi-square和過濾子集(filtered subset,F(xiàn)S)對文檔進行特征選擇后,在貝葉斯網(wǎng)絡、樸素貝葉斯、決策樹等分類算法上進行相關實驗,實驗表明,用GRW模型進行特征選擇后,具有較高的準確率(準確率比較見表1),因此文本也將使用GRW模型進行特征選擇。

    表1 準確率比較[7]

    3 基于FastText模型的文本分類

    FastText是FAIR(facebook AI research)提出的文本分類模型[8],該模型只有3層:輸入層、隱含層和輸出層。模型結構如圖1所示。

    圖1 FastText模型結構

    其中,W(i)(1≤i≤n)表示文本數(shù)據(jù)中每個特征詞的詞嵌入,對每個特征詞的詞嵌入進行累加后求其均值,用以表示該文本,最后通過sigmoid函數(shù)得到輸出層的標簽。在訓練該神經(jīng)網(wǎng)絡模型時,通過前向傳播算法進行訓練:

    其中,z是一個向量,作為輸出層的輸入,W0是一個矩陣,存放模型隱含層到模型輸出層的權重。

    通常通過神經(jīng)網(wǎng)絡模型的輸出層得到最終的分類類別時,采用softmax作為激活函數(shù),將輸出層的每個預測值壓縮在0到1之間并歸一化。但隨著分類類別的增加,softmax計算量也逐漸增加,為了減少訓練時間,加快模型的訓練過程,F(xiàn)astText使用每個分類類別的權重和模型的參數(shù)構建一棵Huffman樹,形成了層次softmax,由于具有Huffman樹的特點,很大程度上提高了模型的訓練效率。

    FastText模型的隱含層對每個特征詞的詞嵌入進行累加后求均值,如果打亂詞的順序,該累加后求均值的方法并不影響隱含層的輸出,但失去了語言模型的上下文關系,如:“馬上”和“上馬”實際含義并不相同。在統(tǒng)計學語言模型中,N-gram算法采用的是滑動窗口法,取一個長度為N的窗口,按照字或詞依次滑過文本,生成片段序列,在FastText模型前向傳播過程中,把采用N-gram生成的片段序列表示成向量,也參與到隱含層的累加求均值過程中。然后所有的N-gram被Hash到不同的桶中,但是同一個桶共享嵌入向量,如圖2所示。

    圖2 Embedding矩陣

    Embedding(嵌入)矩陣中的每一行代表了一個字、詞或N-gram的嵌入向量,其中,前0到V-1行是詞嵌入,后0到Bucket-1行是N-gram嵌入。經(jīng)過大小為N的滑動窗口生成的片段序列被哈希函數(shù)作用后,被分散到0到Bucket-1的位置,得到每個片段序列的嵌入向量。

    4 實驗結果及分析

    4.1 數(shù)據(jù)集預處理

    本實驗在公開數(shù)據(jù)集和私有數(shù)據(jù)集上進行。其中,公開數(shù)據(jù)集采用新浪新聞從2005年到2011年的歷史數(shù)據(jù),一共覆蓋10類新聞,每類新聞包括65 000條樣本。私有數(shù)據(jù)來源于某運營商已進行人工標注的29 084條投訴文本信息,這些投訴文本信息中包括了一些業(yè)務部門規(guī)定的基礎的模板信息(如投訴時間、投訴事件、業(yè)務號碼、投訴原因、用戶要求、聯(lián)系時間等),在對數(shù)據(jù)集進行特征提取前,需要對這些模板信息(如刪除固定的符號、刪除規(guī)定的規(guī)范用詞等)進行初步的清理,投訴內(nèi)容的原文以及對應的清理后的投訴內(nèi)容見表2,這有利于初步降低特征詞向量的維度、過濾無用符號等。

    表2 用戶投訴文本信息

    由于投訴文本以最終分類到具體的業(yè)務類別為標準,進而供業(yè)務單位處理。某運營商在業(yè)務類別分類上采用多級標識,以“>”作為上下級分割符號,且各業(yè)務類別均表示得比較獨立,因此將此投訴文本分類問題,定義為標簽多分類問題而不是多標簽分類問題。本實驗樣本已標記的數(shù)據(jù)分類類別共有89類,標簽均為文本,需要對類別進行編碼,部分類別編碼后見表3。

    表3 業(yè)務類別編碼

    從圖3投訴數(shù)據(jù)集分類統(tǒng)計可以看出,本次實驗數(shù)據(jù)集分布不均勻,業(yè)務類別記錄數(shù)從51到3 546條,屬于類別不均衡問題。此時,準確率不能作為最后分類模型效果評估的唯一標準,本文采用準確率(accuracy)、Kappa系數(shù)以及漢明損失(Hamming loss)作為評價模型好壞的指標。

    圖3 投訴數(shù)據(jù)集分類統(tǒng)計

    將實驗樣本數(shù)隨機打亂順序后,按7:3比例進行拆分,70%的數(shù)據(jù)作為訓練集,用于模型訓練;30%的數(shù)據(jù)作為測試集,用于模型驗證。

    4.2 特征提取

    對中文文本數(shù)據(jù)進行特征提取前,需要對文本進行分詞,本實驗在采用jieba分詞工具的精確模式對文本進行分詞的同時,使用電信行業(yè)專用業(yè)務詞匯作為用戶詞典和中文標準停用詞,以提高分詞的準確性。

    使用GRW模型對用戶投訴文本進行特征提取,提取出每個類別(標簽)的特征詞組,部分特征詞組見表4。

    表4 分類類別及對應特征詞組

    4.3 評價指標

    二分類問題的評價指標通常為準確率、精確率、召回率、F1-score、AUC、ROC、P-R曲線等,多分類問題的模型評估方式有兩種:第一種是將多分類的問題通過某種方式轉(zhuǎn)化為N個二分類的問題;第二種是采用多分類指標。常見多分類問題評價指標如下。

    (1)準確率

    一般分類問題采用混淆矩陣來判斷分類的效果,混淆矩陣如圖4所示。

    圖4 混淆矩陣

    其中,TP(true positives)表示預測對,實際也對;FP(false positives):表示預測為對,實際為錯;TN(true negatives):預測為錯,實際為錯;FN(false negatives):預測為錯,實際為對。準確率(accuracy)計算式如下:

    (2)Kappa系數(shù)

    Kappa系數(shù)用于衡量多項獨立指標的一致性(可靠性),表示具有有限范圍的任何統(tǒng)計量的重新定標,形式為(S-SR)/ max(S-SR),其中SR是在隨機性假設下的S值。Kappa系數(shù)取值范圍為-1到+1,值越高,代表模型實現(xiàn)的分類準確度越高。

    其中,PA是總體分類精度,PC=P2+P′2,P是所有分類的比例,和為1。Kappa系數(shù)及一致性等級對應關系見表5。

    表5 Kappa系數(shù)及一致性等級對應關系

    (3)漢明損失[10]

    漢明損失考查實例標簽被錯誤分類的情況。對于給定的向量f和預測函數(shù)F,漢明損失函數(shù)計算式如下:

    其中,

    漢明損失計算可描述為相關的分類標簽不在已預測的分類標簽集合中,或者描述為無關的分類標簽在已預測的分類標簽集合中,因此,漢明損失指標值與模型的分類能力呈現(xiàn)正相關性。

    4.4 結果分析

    本實驗分別采用詞袋模型和樸素貝葉斯模型、Embedding和雙向LSTM模型、預訓練Bert模型、FastText模型作為基礎模型在公開數(shù)據(jù)集和私有數(shù)據(jù)集上進行訓練,再用GRW模型對特征進行提取后,結合FastText模型在訓練集上進行訓練,最后在同樣的測試集上進行驗證,結果見表6、表7。

    表6 模型對比(公開數(shù)據(jù)集)

    表7 模型對比(私有數(shù)據(jù)集)

    對實驗結果進行比較分析可以看出,本文提出的基于GRW模型和FastText模型的分類方法在準確率、Kappa系數(shù)、漢明損失等指標上,比其他幾個模型有所提升,主要在于GRW模型在特征詞的提取上,進一步優(yōu)化了特征詞的重要性。

    4.5 應用效果

    2020年10 月在某運營商采用本文提出的模型對電信用戶投訴文本進行分類,分別從“5G”“攜號轉(zhuǎn)網(wǎng)”和“橙分期”3個專題投訴分析過程中驗證模型。10月“5G”大類投訴共656件,“攜號轉(zhuǎn)網(wǎng)”大類投訴共508件,“橙分期”大類投訴140件,采用人工對這3類進行投訴類別細分,平均耗時1 min/件,準確率為90%。采用本文提出的模型進行自動分類后,總共耗時不到2 s,準確率達86%,接近人工分類準確率,提高了業(yè)務人員工作效率,縮短了投訴處理時長。

    5 結束語

    本文提出了一種基于GRW模型和FastText模型的文本分類方法,并應用于電信用戶的投訴文本分類問題中,在實驗結果對比上,基于GRW模型和FastText模型的方法比Bag of Words+樸素貝葉斯模型、Embedding+雙向LSTM、Bert和Fast模型在準確率、Kappa系數(shù)、漢明損失上有所提升。GRW模型是加權的TF-IDF模型,在數(shù)據(jù)分析過程中有較好的準確性和解釋性,使用FastText模型進行投訴文本分類具有較快的分類速度和較好的準確率。綜上,使用本文提出的方法,有利于業(yè)務人員快速識別投訴業(yè)務類型,進行針對性的業(yè)務受理和用戶服務,以提升用戶感知。

    猜你喜歡
    漢明特征詞類別
    基于改進TFIDF算法的郵件分類技術
    產(chǎn)品評論文本中特征詞提取及其關聯(lián)模型構建與應用
    媳婦管錢
    服務類別
    新校長(2016年8期)2016-01-10 06:43:59
    中年研究
    面向文本分類的特征詞選取方法研究與改進
    漢明距離矩陣的研究
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    聚合酶鏈式反應快速鑒別5種常見肉類別
    食品科學(2013年8期)2013-03-11 18:21:31
    一区二区三区激情视频| 久久亚洲真实| 99久久国产精品久久久| 久久这里只有精品19| 51午夜福利影视在线观看| 91大片在线观看| 国产激情久久老熟女| 国产男女内射视频| 高清在线国产一区| 成人18禁在线播放| 色视频在线一区二区三区| 看免费av毛片| 男男h啪啪无遮挡| 欧美日韩精品网址| av视频免费观看在线观看| 51午夜福利影视在线观看| 亚洲国产av新网站| 国精品久久久久久国模美| 天堂俺去俺来也www色官网| 少妇被粗大的猛进出69影院| 大型av网站在线播放| 国产区一区二久久| 国产精品熟女久久久久浪| 韩国精品一区二区三区| 亚洲av电影在线进入| 国产精品成人在线| 国产片内射在线| 国产精品熟女久久久久浪| 精品亚洲成a人片在线观看| 午夜福利,免费看| 亚洲国产欧美一区二区综合| 国产男女内射视频| 操美女的视频在线观看| 久久热在线av| 亚洲三区欧美一区| 精品少妇黑人巨大在线播放| av福利片在线| 美女福利国产在线| 中文字幕制服av| 国产在线视频一区二区| 亚洲一卡2卡3卡4卡5卡精品中文| 热re99久久国产66热| 黄网站色视频无遮挡免费观看| 亚洲精品一二三| 一级片免费观看大全| 国产亚洲午夜精品一区二区久久| 国产精品亚洲一级av第二区| 高清视频免费观看一区二区| 麻豆国产av国片精品| 色视频在线一区二区三区| 日韩中文字幕欧美一区二区| 99精品欧美一区二区三区四区| 1024视频免费在线观看| 久久热在线av| 久久久久久人人人人人| 亚洲av日韩精品久久久久久密| 操出白浆在线播放| 搡老熟女国产l中国老女人| av天堂在线播放| 午夜福利免费观看在线| 精品久久久久久电影网| 夜夜骑夜夜射夜夜干| 精品亚洲成国产av| 纵有疾风起免费观看全集完整版| 精品久久蜜臀av无| 老司机亚洲免费影院| 无遮挡黄片免费观看| 久久精品人人爽人人爽视色| 亚洲精品乱久久久久久| 亚洲色图av天堂| 国产成人系列免费观看| 一级片免费观看大全| 国产片内射在线| 亚洲中文字幕日韩| 捣出白浆h1v1| 色婷婷av一区二区三区视频| www日本在线高清视频| 日韩视频在线欧美| 最新的欧美精品一区二区| 久久久久精品国产欧美久久久| 激情在线观看视频在线高清 | 人人妻,人人澡人人爽秒播| 精品久久久久久久毛片微露脸| 国产麻豆69| 午夜日韩欧美国产| 国产又色又爽无遮挡免费看| 久久性视频一级片| 淫妇啪啪啪对白视频| 少妇粗大呻吟视频| 国产欧美日韩精品亚洲av| 如日韩欧美国产精品一区二区三区| 人人澡人人妻人| 亚洲中文字幕日韩| 久久久水蜜桃国产精品网| 亚洲人成电影免费在线| 国产成+人综合+亚洲专区| 亚洲美女黄片视频| av超薄肉色丝袜交足视频| av一本久久久久| 侵犯人妻中文字幕一二三四区| 亚洲视频免费观看视频| bbb黄色大片| 中文字幕高清在线视频| 极品少妇高潮喷水抽搐| 99国产综合亚洲精品| 少妇的丰满在线观看| 欧美性长视频在线观看| 亚洲精品一二三| 亚洲熟女精品中文字幕| 肉色欧美久久久久久久蜜桃| 久久久久精品国产欧美久久久| 亚洲精品在线美女| 国产精品自产拍在线观看55亚洲 | 黑人操中国人逼视频| 波多野结衣av一区二区av| 久久精品国产亚洲av高清一级| 午夜久久久在线观看| 国产日韩欧美视频二区| 十八禁网站网址无遮挡| 久久久久久亚洲精品国产蜜桃av| 国产精品1区2区在线观看. | 狠狠狠狠99中文字幕| 欧美另类亚洲清纯唯美| 蜜桃国产av成人99| 90打野战视频偷拍视频| 国产激情久久老熟女| 日韩中文字幕欧美一区二区| 久久精品人人爽人人爽视色| 免费av中文字幕在线| 中文亚洲av片在线观看爽 | 在线观看免费午夜福利视频| 成年人午夜在线观看视频| 国产精品国产av在线观看| 久久天躁狠狠躁夜夜2o2o| 久久人人爽av亚洲精品天堂| 欧美日韩黄片免| 五月开心婷婷网| 日本vs欧美在线观看视频| 亚洲一区中文字幕在线| 十八禁网站网址无遮挡| 人妻久久中文字幕网| 少妇 在线观看| 亚洲第一青青草原| 亚洲成a人片在线一区二区| 久久久久网色| 欧美激情 高清一区二区三区| 久9热在线精品视频| 精品国产国语对白av| 日本欧美视频一区| 成人黄色视频免费在线看| 少妇猛男粗大的猛烈进出视频| 色在线成人网| 大香蕉久久成人网| 欧美日韩国产mv在线观看视频| 搡老岳熟女国产| 老鸭窝网址在线观看| 最新美女视频免费是黄的| 丝袜在线中文字幕| 亚洲一码二码三码区别大吗| 亚洲 欧美一区二区三区| 十八禁高潮呻吟视频| 中文字幕另类日韩欧美亚洲嫩草| 亚洲欧美日韩高清在线视频 | 国产亚洲午夜精品一区二区久久| 日韩制服丝袜自拍偷拍| cao死你这个sao货| 日日夜夜操网爽| 在线观看人妻少妇| 中文欧美无线码| 国产成人精品久久二区二区免费| 久久久欧美国产精品| 久久香蕉激情| 亚洲自偷自拍图片 自拍| 欧美变态另类bdsm刘玥| 极品人妻少妇av视频| 色老头精品视频在线观看| 国产精品二区激情视频| 婷婷丁香在线五月| 欧美日韩黄片免| 中文字幕另类日韩欧美亚洲嫩草| 精品少妇久久久久久888优播| 国产在线一区二区三区精| av网站免费在线观看视频| 青青草视频在线视频观看| 精品人妻1区二区| 麻豆av在线久日| 久久国产亚洲av麻豆专区| 丁香欧美五月| 一区在线观看完整版| 免费在线观看视频国产中文字幕亚洲| 精品少妇黑人巨大在线播放| 老司机午夜福利在线观看视频 | 99国产精品一区二区蜜桃av | 久久久久久人人人人人| 天天操日日干夜夜撸| 我的亚洲天堂| 两个人免费观看高清视频| 久久久国产成人免费| 一本久久精品| 亚洲成av片中文字幕在线观看| 国产精品美女特级片免费视频播放器 | 久热这里只有精品99| 如日韩欧美国产精品一区二区三区| 夜夜骑夜夜射夜夜干| 亚洲,欧美精品.| 日韩一卡2卡3卡4卡2021年| 侵犯人妻中文字幕一二三四区| 久久精品人人爽人人爽视色| 国产精品一区二区在线不卡| 丝袜喷水一区| 日韩有码中文字幕| av免费在线观看网站| 大香蕉久久网| 两个人看的免费小视频| 精品一区二区三卡| 女人精品久久久久毛片| 久久久精品区二区三区| 亚洲精华国产精华精| 真人做人爱边吃奶动态| 亚洲第一青青草原| 成年女人毛片免费观看观看9 | 午夜免费成人在线视频| 这个男人来自地球电影免费观看| av不卡在线播放| 男女床上黄色一级片免费看| www.精华液| 久久久久久人人人人人| 十八禁人妻一区二区| 在线观看免费高清a一片| 国产高清激情床上av| 大香蕉久久成人网| 在线 av 中文字幕| 美女高潮到喷水免费观看| 成人18禁在线播放| 天天躁狠狠躁夜夜躁狠狠躁| 女警被强在线播放| 侵犯人妻中文字幕一二三四区| 日韩视频一区二区在线观看| 亚洲欧美日韩高清在线视频 | xxxhd国产人妻xxx| 日韩 欧美 亚洲 中文字幕| 69精品国产乱码久久久| 一区二区三区激情视频| 久久精品91无色码中文字幕| 757午夜福利合集在线观看| 美女高潮到喷水免费观看| 黄色丝袜av网址大全| 久久久国产欧美日韩av| 一进一出抽搐动态| 欧美日韩亚洲高清精品| 十八禁人妻一区二区| 高清欧美精品videossex| 日本精品一区二区三区蜜桃| 免费av中文字幕在线| 国产成人精品在线电影| 国产aⅴ精品一区二区三区波| 国产精品麻豆人妻色哟哟久久| 成人黄色视频免费在线看| 97人妻天天添夜夜摸| 极品教师在线免费播放| 国产在线精品亚洲第一网站| 亚洲视频免费观看视频| 首页视频小说图片口味搜索| 悠悠久久av| 久久久久久久久久久久大奶| 欧美 亚洲 国产 日韩一| 亚洲av美国av| 多毛熟女@视频| 精品亚洲成a人片在线观看| 国产欧美日韩一区二区精品| 亚洲成人免费电影在线观看| 男女下面插进去视频免费观看| 久久人妻av系列| 国产又爽黄色视频| 国产精品秋霞免费鲁丝片| 国产亚洲av高清不卡| 男女免费视频国产| 热re99久久国产66热| 99精品欧美一区二区三区四区| 国产精品久久电影中文字幕 | 久久久精品免费免费高清| 日本wwww免费看| 国产日韩欧美视频二区| 亚洲国产欧美一区二区综合| 成年版毛片免费区| 久久精品国产亚洲av高清一级| 国产成人精品久久二区二区免费| 捣出白浆h1v1| 人人妻人人添人人爽欧美一区卜| 在线永久观看黄色视频| av又黄又爽大尺度在线免费看| 亚洲精品国产区一区二| 久久性视频一级片| 午夜两性在线视频| 国产黄色免费在线视频| 激情在线观看视频在线高清 | 日韩一卡2卡3卡4卡2021年| 丝袜在线中文字幕| 69精品国产乱码久久久| 热re99久久精品国产66热6| cao死你这个sao货| 美女国产高潮福利片在线看| 中文字幕另类日韩欧美亚洲嫩草| netflix在线观看网站| 精品少妇黑人巨大在线播放| 50天的宝宝边吃奶边哭怎么回事| 日韩欧美一区二区三区在线观看 | 久久人妻av系列| 国产主播在线观看一区二区| 日韩中文字幕视频在线看片| 97在线人人人人妻| 18禁黄网站禁片午夜丰满| 丰满饥渴人妻一区二区三| 久久免费观看电影| 9热在线视频观看99| 老司机影院毛片| 国产人伦9x9x在线观看| 他把我摸到了高潮在线观看 | 国产在线视频一区二区| 免费在线观看日本一区| 欧美日本中文国产一区发布| 精品国产乱子伦一区二区三区| 久久久欧美国产精品| www.精华液| 99re在线观看精品视频| 熟女少妇亚洲综合色aaa.| 丁香欧美五月| av网站在线播放免费| 丁香六月天网| 中文字幕色久视频| 国产成人系列免费观看| 777米奇影视久久| 涩涩av久久男人的天堂| 日韩一卡2卡3卡4卡2021年| 18禁观看日本| 国产极品粉嫩免费观看在线| 午夜两性在线视频| 91成年电影在线观看| 欧美日韩一级在线毛片| 亚洲人成电影观看| 国产99久久九九免费精品| 国产亚洲精品第一综合不卡| 免费观看人在逋| 色综合欧美亚洲国产小说| 亚洲专区国产一区二区| 国产欧美亚洲国产| 一区二区av电影网| 国产老妇伦熟女老妇高清| 在线天堂中文资源库| 在线av久久热| 国产亚洲一区二区精品| 免费观看人在逋| 国产精品一区二区免费欧美| 涩涩av久久男人的天堂| 又大又爽又粗| 亚洲欧美一区二区三区久久| 他把我摸到了高潮在线观看 | 变态另类成人亚洲欧美熟女 | 精品欧美一区二区三区在线| 亚洲专区中文字幕在线| 亚洲av国产av综合av卡| 下体分泌物呈黄色| 国产黄色免费在线视频| 在线十欧美十亚洲十日本专区| 久久中文看片网| 国产精品一区二区在线不卡| 中文字幕人妻丝袜一区二区| 啦啦啦视频在线资源免费观看| 久久久久精品人妻al黑| 一级毛片精品| 成在线人永久免费视频| 美国免费a级毛片| 国产有黄有色有爽视频| 757午夜福利合集在线观看| 久久精品国产亚洲av高清一级| 免费日韩欧美在线观看| a级毛片在线看网站| 777久久人妻少妇嫩草av网站| 亚洲黑人精品在线| 一边摸一边做爽爽视频免费| 国产av又大| 国产精品久久久久久精品古装| 亚洲天堂av无毛| 亚洲精品国产区一区二| 黄色片一级片一级黄色片| 中文字幕制服av| 黄色片一级片一级黄色片| 日韩欧美国产一区二区入口| e午夜精品久久久久久久| 久久久国产欧美日韩av| 午夜激情久久久久久久| 80岁老熟妇乱子伦牲交| 精品一区二区三区av网在线观看 | av天堂久久9| 亚洲男人天堂网一区| 国产在线精品亚洲第一网站| 亚洲熟妇熟女久久| 久久精品国产综合久久久| 久久中文字幕人妻熟女| 久久精品亚洲熟妇少妇任你| 精品福利永久在线观看| 亚洲五月色婷婷综合| 国产精品成人在线| 好男人电影高清在线观看| 性少妇av在线| 免费少妇av软件| www.精华液| 蜜桃在线观看..| 人人妻人人添人人爽欧美一区卜| 女性生殖器流出的白浆| 欧美人与性动交α欧美软件| 精品福利永久在线观看| 久久久精品区二区三区| 视频区图区小说| 国产精品影院久久| 精品久久蜜臀av无| 热99久久久久精品小说推荐| 久久午夜综合久久蜜桃| 国产一区二区激情短视频| 99九九在线精品视频| 狠狠婷婷综合久久久久久88av| a级毛片黄视频| 亚洲精品自拍成人| 12—13女人毛片做爰片一| 操出白浆在线播放| 国产精品麻豆人妻色哟哟久久| 国产精品久久电影中文字幕 | 久久国产精品大桥未久av| 中文字幕精品免费在线观看视频| 交换朋友夫妻互换小说| 另类精品久久| 精品国产一区二区久久| 99re在线观看精品视频| 成人特级黄色片久久久久久久 | 一边摸一边抽搐一进一出视频| 色精品久久人妻99蜜桃| 欧美亚洲日本最大视频资源| 人人妻人人澡人人看| 97在线人人人人妻| 一级片'在线观看视频| 欧美av亚洲av综合av国产av| 黄色丝袜av网址大全| 高清视频免费观看一区二区| 亚洲午夜理论影院| 纵有疾风起免费观看全集完整版| 日韩中文字幕欧美一区二区| 99热国产这里只有精品6| 日韩制服丝袜自拍偷拍| 大片电影免费在线观看免费| 一边摸一边抽搐一进一出视频| 在线看a的网站| 欧美精品亚洲一区二区| 欧美精品一区二区免费开放| 久久人人97超碰香蕉20202| 十分钟在线观看高清视频www| 亚洲国产看品久久| 国产一区二区 视频在线| 国产在线免费精品| av不卡在线播放| 亚洲一区二区三区欧美精品| 成人av一区二区三区在线看| 在线av久久热| kizo精华| 亚洲精品av麻豆狂野| 黑丝袜美女国产一区| 曰老女人黄片| 制服诱惑二区| 无遮挡黄片免费观看| 人妻久久中文字幕网| 亚洲第一青青草原| 精品卡一卡二卡四卡免费| 亚洲七黄色美女视频| 亚洲精品成人av观看孕妇| 亚洲天堂av无毛| 亚洲美女黄片视频| 久久ye,这里只有精品| 亚洲熟妇熟女久久| 亚洲va日本ⅴa欧美va伊人久久| 免费看十八禁软件| 18禁观看日本| 美女扒开内裤让男人捅视频| 日本精品一区二区三区蜜桃| 国产亚洲精品一区二区www | 欧美大码av| 在线天堂中文资源库| 又黄又粗又硬又大视频| 免费人妻精品一区二区三区视频| 久久久久久久国产电影| 精品久久蜜臀av无| 高清视频免费观看一区二区| 一本综合久久免费| 色精品久久人妻99蜜桃| 大型黄色视频在线免费观看| 国产精品久久电影中文字幕 | 中文字幕人妻丝袜制服| 国产日韩欧美视频二区| aaaaa片日本免费| 日韩精品免费视频一区二区三区| 国产成人av激情在线播放| 久久中文字幕人妻熟女| 日韩一区二区三区影片| 精品国产一区二区久久| 午夜福利一区二区在线看| 精品国内亚洲2022精品成人 | 日本av免费视频播放| 色在线成人网| 国产高清三级在线| 我要搜黄色片| 黑人巨大精品欧美一区二区mp4| 99精品久久久久人妻精品| av国产免费在线观看| 淫妇啪啪啪对白视频| 免费看美女性在线毛片视频| 夜夜看夜夜爽夜夜摸| xxxwww97欧美| 精品国产美女av久久久久小说| 中文字幕高清在线视频| 国产精品久久视频播放| 此物有八面人人有两片| 亚洲精品乱码久久久v下载方式 | 免费在线观看亚洲国产| 国产精品av视频在线免费观看| 日日摸夜夜添夜夜添小说| 日本a在线网址| 精品国产超薄肉色丝袜足j| av片东京热男人的天堂| 国产精品免费一区二区三区在线| 欧美日韩国产亚洲二区| 国产亚洲av嫩草精品影院| 久久人人精品亚洲av| 观看免费一级毛片| 少妇裸体淫交视频免费看高清| 一区二区三区激情视频| 欧美3d第一页| 国产精品一区二区三区四区久久| 国产成+人综合+亚洲专区| 国产亚洲av嫩草精品影院| 最好的美女福利视频网| 亚洲天堂国产精品一区在线| 亚洲性夜色夜夜综合| 午夜两性在线视频| 国产精品亚洲av一区麻豆| 日韩欧美三级三区| 无限看片的www在线观看| 亚洲五月婷婷丁香| 美女大奶头视频| 啦啦啦观看免费观看视频高清| 观看美女的网站| 日本黄大片高清| 老司机福利观看| 女生性感内裤真人,穿戴方法视频| 亚洲午夜精品一区,二区,三区| 可以在线观看的亚洲视频| 久久精品aⅴ一区二区三区四区| 日日摸夜夜添夜夜添小说| 国产精品 国内视频| 国产精品影院久久| 久久国产精品人妻蜜桃| 18禁美女被吸乳视频| 国内精品美女久久久久久| 成人三级做爰电影| 色综合站精品国产| 国产视频一区二区在线看| 亚洲一区高清亚洲精品| 长腿黑丝高跟| 婷婷精品国产亚洲av| 在线看三级毛片| 美女高潮喷水抽搐中文字幕| 成人永久免费在线观看视频| 1024手机看黄色片| 国产主播在线观看一区二区| 9191精品国产免费久久| 毛片女人毛片| 男人舔女人下体高潮全视频| 在线国产一区二区在线| 禁无遮挡网站| 国产又色又爽无遮挡免费看| 国产成人精品久久二区二区免费| 高清毛片免费观看视频网站| 一级a爱片免费观看的视频| 可以在线观看毛片的网站| 啪啪无遮挡十八禁网站| 此物有八面人人有两片| 久久热在线av| 亚洲aⅴ乱码一区二区在线播放| 97碰自拍视频| 黑人欧美特级aaaaaa片| 制服丝袜大香蕉在线| 欧美一区二区精品小视频在线| www.熟女人妻精品国产| 久久中文字幕一级| 999久久久精品免费观看国产| 精品日产1卡2卡| a级毛片a级免费在线| 黄色日韩在线| 又爽又黄无遮挡网站| 哪里可以看免费的av片| 三级男女做爰猛烈吃奶摸视频| 欧美中文日本在线观看视频| 亚洲精品美女久久av网站| 老司机在亚洲福利影院| 在线看三级毛片| 一二三四社区在线视频社区8| 国产精品一区二区精品视频观看| 国产97色在线日韩免费| 亚洲熟妇熟女久久| 精品不卡国产一区二区三区| 精品久久蜜臀av无| 露出奶头的视频| 国内精品美女久久久久久| svipshipincom国产片| 制服丝袜大香蕉在线| 亚洲 国产 在线| 久久午夜综合久久蜜桃| 亚洲aⅴ乱码一区二区在线播放|