• <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 ?

    基于雙層樹狀支持向量機的觀點挖掘與傾向分析

    2021-08-09 10:27:12孫紅黎銓祺趙娜
    智能計算機與應(yīng)用 2021年3期
    關(guān)鍵詞:網(wǎng)絡(luò)爬蟲數(shù)據(jù)挖掘

    孫紅 黎銓祺 趙娜

    摘 要: 本文通過進行大量預(yù)處理工作,將經(jīng)過詞袋模型和Word2Vec兩種不同向量化方法處理后的文本數(shù)據(jù)分別輸入到SVM和LSTM模型中,訓練出可以識別文本情感傾向的模型。進而對新產(chǎn)生的評論進行分類。根據(jù)實際數(shù)據(jù)量的傾斜狀況,基于傳統(tǒng)機器學習算法支持向量機(SVM),本文提出雙層支持向量機,采用2種不同的方法分別訓練模型并預(yù)測。最后再使用深度學習算法長短時記憶模型(LSTM)再次訓練并預(yù)測,并對這3種方法做出比較和總結(jié)。結(jié)果顯示,雙層SVM比單層SVM的準確度提高了8個百分點;而LSTM比單層SVM低了2個百分點,比雙層SVM低了接近10個百分點。

    關(guān)鍵詞: 商品評論; 網(wǎng)絡(luò)爬蟲; SVM; LSTM; 情感分類; 數(shù)據(jù)挖掘

    文章編號: 2095-2163(2021)03-0044-04 中圖分類號:TP181 文獻標志碼:A

    【Abstract】In this paper, a large amount of preprocessing work is carried out, and the text data processed by the following two different vectorization methods as ?the word bag model and Word2Vec are input into the SVM and LSTM models, respectively to train a model that can recognize the emotional tendency of the text. Further the newly generated comments are classified. According to the tilt of the actual data volume, based on ?support vector machine (SVM) that is the traditional machine learning algorithm,this paper proposes a two-layer support vector machine,using two different methods to train the model and predict. Thus,the deep learning algorithm long-term memory model (LSTM) is used to train and predict again, and the three methods are compared and summarized. The results show that the accuracy of the two-layer SVM is 8 percentage points higher than that of the single-layer SVM; while the LSTM is two percentage points lower than the single-layer SVM, which is nearly 10 percentage points lower than the double-layer SVM.

    【Key words】 product reviews; Web crawler; SVM; LSTM; emotion classification; data mining

    0 引 言

    根據(jù)2020年9月第47次的《中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告》[1]顯示,截至2020年6月,國內(nèi)網(wǎng)民規(guī)模達9.40億,相較于上半年增長了3 625萬,普及率達67.0%,較2020年上半年提升2.5個百分點?;ヂ?lián)網(wǎng)時代,人們普遍喜歡通過社交網(wǎng)絡(luò)分享自己的生活和表達自己的觀點,比如在朋友圈中表達日常生活中的快樂或者憂郁等情緒;在某個新聞App上發(fā)表自己對某件事情的看法;在購物網(wǎng)站上發(fā)表對某物品的使用感受。因此,在互聯(lián)網(wǎng)中每天都會產(chǎn)生大量的用戶評論,并且儲存在互聯(lián)網(wǎng)數(shù)據(jù)庫中。如果能夠充分地利用并挖掘這些信息,必然可以實現(xiàn)多種有效目的。但是,如果僅通過人工來對這些數(shù)據(jù)進行瀏覽和分析,則無疑會耗費大量人力資源,并且不能保證結(jié)果的準確性和可用性。這時就可以利用計算機強大的計算能力來幫助人們快速并準確地從這些海量主觀性文本中分析出有用的信息,這就是文本的情感分析技術(shù)。

    本文主要研究的是網(wǎng)購商品評論的情感分析技術(shù),即從用戶評論中通過文本挖掘技術(shù)提取信息。如果用戶可以快速方便地從海量的主觀文本中找尋到自己所需要的信息來指導自己的消費,那么對于用戶的購物體驗將會得到提升。

    1 相關(guān)研究綜述

    1.1 國內(nèi)外研究現(xiàn)狀

    情感分析最早由Nasukawa等人[2]提出。而文本的情感分析也叫文本意見挖掘或文本觀點挖掘。更嚴格來說,兩者的側(cè)重點并不相同,文本意見挖掘根據(jù)給定的一段話中的文字或符號來判斷這段話是趨向正面、還是負面。而文本觀點挖掘更加偏重于理解這段文本真正的內(nèi)在含義。

    1.2 情感分析研究現(xiàn)狀

    本文最終定為文本意見挖掘,即判斷目標文本表達了哪種情緒,分析后將情緒分為褒義、貶義兩類;此外,一些比較復雜的分析則可以根據(jù)人的一般情緒來做區(qū)分,但從本質(zhì)上來說都屬于文本分類的任務(wù)。根據(jù)訓練方式的不同,文本分類又可以分為有監(jiān)督學習和無監(jiān)督學習,對此擬做闡釋分述如下。

    (1)無監(jiān)督學習。最大的特點在于不需要具有標簽的數(shù)據(jù)集。所以,無監(jiān)督學習可以減少大量繁瑣的標注工作。Turney[3]根據(jù)文本中的形容詞或副詞短語的平均語義傾向,對來自4個不同領(lǐng)域的文本進行聚類。陶婭芝[4]使用基于Word2Vec的無監(jiān)督方法對某個品牌手機的評論進行分類,避免大量的標注工作。

    (2)有監(jiān)督學習。需要大量已經(jīng)標注好的數(shù)據(jù),并且需要建立數(shù)學模型在這些標注好的數(shù)據(jù)中自動學習出數(shù)據(jù)的內(nèi)在規(guī)律,從而根據(jù)這些內(nèi)在規(guī)律完成情感分析任務(wù)。Pang 等人[5] 將樸素貝葉斯、最大熵分類和支持向量機用于電影評論的情感分類。

    有監(jiān)督學習往往需要用到已有標注好的語料進行訓練,但是標注數(shù)據(jù)的獲取卻是一個較為繁瑣的過程。而社交媒體網(wǎng)站就是一個天然的標注語料庫,社交網(wǎng)絡(luò)上的語料往往帶有強烈的感情傾向,Bermingham等人[6]通過監(jiān)測分析社交網(wǎng)絡(luò)上公眾對選舉候選人的評論來預(yù)測政治選舉的最終結(jié)果。韓萍等人[7]使用一種基于自注意力機制的模型E-DiSAN來對社交網(wǎng)絡(luò)評論文本的情感進行分類。但是,社交網(wǎng)站上通常沒有用戶的打分,只是一些帶有感情色彩的主觀性文本。而在這些文本中一般都夾雜著表達用戶心情的特殊表情符號。崔安頎[8]把特殊情感符號加入情感候選詞庫,作為其中一類情緒來進行情感分析。當然,如果采用這樣的標注方法往往會伴隨著許多噪聲, Go等人[9]及Pak等人[10]在遠程監(jiān)督的模型框架下,通過多重數(shù)據(jù)預(yù)處理,達到了去除噪聲的效果。王義真等人[11]利用n-gram的特性、詞聚類的特征、詞性標注的特征及否定的特征等構(gòu)建出基于SVM的高維度混合特征算法模型,將其運用到短文本情感分類后,準確率得到了較大的提升。此外,還有許多應(yīng)用于情感分析的方法,如SVM[12]、依存句法[13]、卷積神經(jīng)網(wǎng)絡(luò)[14]、情感詞典[15]等。

    2 數(shù)據(jù)預(yù)處理

    從目標網(wǎng)站中爬取到的數(shù)據(jù)并不能直接放入模型中,需要對數(shù)據(jù)進行清洗與預(yù)處理。過程包括獲取目標網(wǎng)站URL、獲取對應(yīng)Jason頁面、編寫正則表達式、編寫網(wǎng)絡(luò)爬蟲、循環(huán)爬取評論數(shù)據(jù)等。并將爬取得到的數(shù)據(jù)轉(zhuǎn)化為可以輸入模型的數(shù)據(jù),具體步驟可分述如下。

    步驟1 替換和去除特殊符號。如果某個特殊符號與文本內(nèi)容無關(guān),則將其剔除;若其與文本內(nèi)容有一定的關(guān)聯(lián),則選擇一個通用詞進行代替,比如遇到“666”、“6”、“耐斯”等詞匯則使用“好”字將其代替。

    步驟2 繁轉(zhuǎn)簡。針對每個用戶的輸入法和地區(qū)的不同,某些評論可能會出現(xiàn)繁體字。

    步驟3 長句截斷。由于傳統(tǒng)支持向量機無法對超長句進行分析,這里將長句截斷成短句。

    步驟4 中文分詞。對上一個步驟截取的短句進行分詞,并創(chuàng)建自定義詞典。進行多次分詞并篩選錯誤詞匯加入自定義詞表,最終得出一組比較完整的中文詞。

    步驟5 將步驟4得到的詞匯進行篩選,剔除出現(xiàn)次數(shù)不超過5次的詞匯,保留剩余詞匯作為詞袋。詞袋中根據(jù)每個詞出現(xiàn)的次數(shù)將詞按高到低進行,從1開始給每個詞做上數(shù)字標記。

    步驟6 創(chuàng)建評論向量numpy矩陣,將步驟4得到的每條評論的詞條與詞袋中的詞進行匹配,如果能匹配到,則用詞袋詞匯對應(yīng)的數(shù)字編號來替代。最終得到一條條數(shù)字串評論向量,將所有的數(shù)字串評論向量進行拼接,限定長度,不足長度補0,求得一個數(shù)字串評論向量組成的numpy矩陣。

    3 建立分析模型與訓練

    3.1 支持向量機

    支持向量機(Support Vector Machine,SVM)是 Cortes 等人[16]在 20 世紀提出的用于解決分類問題的一種算法。SVM的應(yīng)用非常廣泛,并已在多個領(lǐng)域取得研究成果。石強強等人[17]通過增加情感詞典的種類、提高系統(tǒng)對網(wǎng)絡(luò)新興詞匯和特殊表情符號的識別,使用支持向量機模型對某些酒店的網(wǎng)站評論進行情感分類。郝曉燕等人[18]分別使用支持向量機算法、KNN算法和最大熵模型進行了基于特征詞布爾值的中文文本分類實驗。

    一個普通的 SVM 就是一條普通直線,這條直線用來完美劃分線性可分問題的2個類別,如圖 1所示。

    通過引入核技巧將低維數(shù)據(jù)映射到高維空間可以提升模型的效果。類似于這種將某個特征空間的向量映射到另一個特征空間的函數(shù)就稱為核函數(shù)[16],由于在 SVM 優(yōu)化中,所有的運算表達都是內(nèi)積,所以,這里可以把內(nèi)積運算過程替換成核函數(shù),從而不必做優(yōu)化運算。

    3.2 雙層樹狀SVM

    對單層普通的支持向量機,結(jié)果顯示分類效果并不明顯。對數(shù)據(jù)進行分析得出,原因是數(shù)據(jù)傾斜非常嚴重,爬取的數(shù)據(jù)包含的正、負、中性評論分布嚴重不均勻。正向評論數(shù)量為12 000條,中性評論數(shù)量為2 000條,負向評論數(shù)量為6 000條。

    為了能夠有效緩解數(shù)據(jù)傾斜所帶來的問題,本文提出雙層支持向量機的方法,原理如圖2所示。

    圖2中,首先將中性和負向評論作為一類,與正向評論進行劃分。再對中性和負向評論進行劃分。這樣在理論上就將數(shù)據(jù)傾斜帶來的誤差降低到最小。

    先將中性和負向評論的標簽置為0,與正向評論的標簽1相區(qū)分。處理好的數(shù)據(jù)作為總的數(shù)據(jù)輸入,步驟同單層支持向量機,引入KFold劃分數(shù)據(jù),訓練模型,驗證模型。

    4 結(jié)果對比與分析

    設(shè)置好超參數(shù)后,使用之前分批處理過的京東商城和淘寶網(wǎng)的評論語料文本分別進行訓練和測試,得到數(shù)據(jù)見表1。

    由表1的結(jié)果可以看出:雙層Tree-SVM表現(xiàn)效果最好,目前熱門的循環(huán)神經(jīng)網(wǎng)絡(luò)的表現(xiàn)要遜色于普通SVM。究其原因,分析后可知:

    首先,普通SVM在分類性能上已經(jīng)相對比較成熟,對于這些特征明顯,特征數(shù)量眾多的文本,則能做出很好的區(qū)分。

    其次,雙層Tree-SVM是專門針對這個實驗數(shù)據(jù)集的特征(三分類數(shù)據(jù)分布不均,正向評論數(shù)量遠遠大于負向和中性評論的數(shù)量)而產(chǎn)生的。所以,能在普通SVM的基礎(chǔ)上,更好地切合這個數(shù)據(jù)集,從而表現(xiàn)出更佳的性能。

    5 結(jié)束語

    本文首先分析了Web 2.0 時代的到來對當今社會產(chǎn)生的沖擊,以及網(wǎng)絡(luò)數(shù)據(jù)的發(fā)展態(tài)勢。然后,提出核心技術(shù):情感分析技術(shù)。簡單介紹了部分經(jīng)典以及當下流行的幾種情感分析的算法模型。進而,分析數(shù)據(jù)獲取的方式,提出網(wǎng)絡(luò)爬蟲的概念,介紹幾種不同的網(wǎng)絡(luò)爬蟲框架,并分析爬取過程中可能出現(xiàn)的問題以及解決方法;根據(jù)實際情況編寫2套分別適用京東和天貓的網(wǎng)絡(luò)爬蟲,循環(huán)爬取網(wǎng)站評論數(shù)據(jù),進行分批式存儲。在此基礎(chǔ)上,分析爬取的數(shù)據(jù),總結(jié)規(guī)律,根據(jù)實際數(shù)據(jù)情況,提出方法:普通支持向量機、雙層樹狀支持向量機(Tree-SVM)和長短時記憶模型(LSTM)。最后清洗數(shù)據(jù),主要包括中文分詞、去停用詞、文本向量化等,將數(shù)據(jù)輸入進算法模型進行訓練并驗證。通過多次訓練和驗證,雙層樹狀SVM在準確率上表現(xiàn)為89.78%,與普通SVM相比高出8個百分點;而LSTM的準確率僅為79.46%,但這并不能表示LSTM在性能上就不如傳統(tǒng)機器學習方法,分析原因可能是數(shù)據(jù)量的不足,造成神經(jīng)網(wǎng)絡(luò)未能有效訓練。

    關(guān)于分詞方面,本文使用結(jié)巴分詞默認的通用詞典,而對于一些手機評論中特有的詞語,比如“吃雞”、“打王者”、“王者榮耀”等則需要自行手動添加進去,由于研究時間有限,難免會有遺漏,而結(jié)巴分詞的新詞識別功能也只對2個字的詞語有效果。需要構(gòu)建出一個針對電子產(chǎn)品的用戶字典,更加準確地分詞。再比如一些網(wǎng)絡(luò)上最近才出現(xiàn)的新興詞匯:“馬甲”、“水友”、“水軍”、“帶躺”、“躺贏”等等,這些詞往往具有很強的情感傾向,在今后的分析中可以做更進一步改進。

    參考文獻

    [1]中國互聯(lián)網(wǎng)絡(luò)信息中心. 第46 次中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告[R]. 北京:中共中央網(wǎng)絡(luò)安全和信息化委員會辦公室,2020.

    [2] YI J,NASUKAWA T,BUNESCU R,et al. Sentiment analyzer: extracting sentiments about a given topic using natural language processing techniques [C]//Third IEEE International Conference on Data Mining. Melbourne, FL, USA: IEEE,2003: 427-434.

    [3] TURNEY P D. Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews [C]//Proceedings of the 40th Annual Meeting on Association for Computational Linguistics. Stroudsburg, PA,USA:Association for Computational Linguistics,2002:417-424 .

    [4] 陶婭芝. 基于word2vec和自訓練的無監(jiān)督情感分類方法[J]. 科技風, 2019(12):92-93.

    [5] PANG B,LEE L,VAITHYANATHAN S. Thumbs up? Sentiment classification using machine learning techniques [C]// Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing-Volume 10. Association for Computational Linguistics. ?New York: Association for Computational Linguistics,2002: 79-86.

    [6] BERMINGHAM A,SMEATON A. On using Twitter to monitor political sentiment and predict election results[C]// Proceedings of the Workshop on Sentiment Analysis where AI meets Psychology (SAAIP 2011). Chiang Mai, Thailand:Asian Federation of Natural Language Processing,2011:2-10.

    [7] 韓萍,孫佳慧,方澄,等. 基于情感融合和多維自注意力機制的微博文本情感分析 [J]. 計算機應(yīng)用,2019,39 (S1): 75-78.

    [8] 崔安頎. 微博熱點事件的公眾情感分析研究[D]. 北京:清華大學,2013.

    [9] GO A, BHAYANI R, HUANG L. Twitter sentiment classification using distant supervision[R]. CS224n Project Report, Stanford: ?Digital Library Technologies Project,2009.

    [10]PAK A, PAROUBEK P. Twitter as a corpus for sentiment analysis and opinion mining[C]// International Conference on Language Resources and Evaluation(Lrec 2010). Valletta, Malta:dblp, 2010:1320-1326.

    [11]王義真,鄭嘯,后盾,等. 基于SVM的高維混合特征短文本情感分類[J]. 計算機技術(shù)與發(fā)展,2018,28 (2):88-93.

    [12]鄧君, 孫紹丹, 王阮,等. 基于Word2Vec和SVM的微博輿情情感演化分析[J]. 情報理論與實踐, 2020,43(8):112-119.

    [13]梁曉敏,徐健. 輿情事件中評論對象的情感分析及其關(guān)系網(wǎng)絡(luò)研究 [J]. 情報科學,2018,36 (2) : 37-42.

    [14]陸敬筠, 龔玉. 基于自注意力的擴展卷積神經(jīng)網(wǎng)絡(luò)情感分類[J]. 計算機工程與設(shè)計, 2020,41(6):1645-1651.

    [15]安璐,吳林. 融合主題與情感特征的突發(fā)事件微博輿情演化分析 [J]. 圖書情報工作,2017 (15) : 120-129.

    [16]BENNETTK, DENIRIZ A. semi-supervised support vector machines[C]//Advances in Neural Information processing systems. Denver,Colo,USA:The MIT Press, 1999,2: 368-374.

    [17]石強強,趙應(yīng)丁,楊紅云. 基于SVM的酒店客戶評論情感分析[J]. 計算機與現(xiàn)代化,2017,17(3): 117-121.

    [18]郝曉燕,常曉明. 中文文本分類研究[J]. 太原理工大學學報,2006, 37(6): 710-713.

    [19]HUANG Chenghui, YIN Jian, HOU Fang. A text similarity measurement combining word semantic information with TF-IDF method[J]. Chinese Journal of Computers, 2011, 34(5):856-864.

    猜你喜歡
    網(wǎng)絡(luò)爬蟲數(shù)據(jù)挖掘
    探討人工智能與數(shù)據(jù)挖掘發(fā)展趨勢
    基于并行計算的大數(shù)據(jù)挖掘在電網(wǎng)中的應(yīng)用
    電力與能源(2017年6期)2017-05-14 06:19:37
    煉鐵廠鐵量網(wǎng)頁數(shù)據(jù)獲取系統(tǒng)的設(shè)計與實現(xiàn)
    基于社會網(wǎng)絡(luò)分析的權(quán)威網(wǎng)頁挖掘研究
    主題搜索引擎中網(wǎng)絡(luò)爬蟲的實現(xiàn)研究
    淺析如何應(yīng)對網(wǎng)絡(luò)爬蟲流量
    中國市場(2016年23期)2016-07-05 04:35:08
    一種基于Hadoop的大數(shù)據(jù)挖掘云服務(wù)及應(yīng)用
    基于GPGPU的離散數(shù)據(jù)挖掘研究
    久久99精品国语久久久| 成人国语在线视频| 考比视频在线观看| 国产不卡av网站在线观看| 99久久精品一区二区三区| 精品一区二区三卡| 亚洲高清免费不卡视频| 91在线精品国自产拍蜜月| 97超视频在线观看视频| 日韩强制内射视频| 视频中文字幕在线观看| 爱豆传媒免费全集在线观看| av一本久久久久| 一本—道久久a久久精品蜜桃钙片| 国产成人精品婷婷| 精品久久蜜臀av无| 国产精品一区二区在线不卡| av免费在线看不卡| 一本—道久久a久久精品蜜桃钙片| 午夜久久久在线观看| 中文字幕最新亚洲高清| 国内精品宾馆在线| 欧美一级a爱片免费观看看| 99精国产麻豆久久婷婷| 亚洲欧洲国产日韩| 国产免费视频播放在线视频| av线在线观看网站| 免费av不卡在线播放| 欧美人与性动交α欧美精品济南到 | 99久久综合免费| 欧美日韩亚洲高清精品| 国产精品.久久久| 男人操女人黄网站| 日日爽夜夜爽网站| 在线观看www视频免费| 99久久精品一区二区三区| 久久人妻熟女aⅴ| 成人国产麻豆网| 久久人人爽av亚洲精品天堂| 亚洲精品第二区| 日本欧美视频一区| 成人毛片a级毛片在线播放| 日韩三级伦理在线观看| av不卡在线播放| 精品亚洲成国产av| 国产熟女欧美一区二区| 成人国语在线视频| 亚洲精品国产av成人精品| 国产欧美日韩一区二区三区在线 | 丝袜美足系列| 亚洲av在线观看美女高潮| 久久狼人影院| 母亲3免费完整高清在线观看 | 亚洲在久久综合| 久久久久国产网址| 99视频精品全部免费 在线| 母亲3免费完整高清在线观看 | 日本av手机在线免费观看| 99九九在线精品视频| 国产高清国产精品国产三级| 日本猛色少妇xxxxx猛交久久| 中国国产av一级| av国产精品久久久久影院| a级毛色黄片| 精品人妻在线不人妻| 高清黄色对白视频在线免费看| 色婷婷av一区二区三区视频| 亚洲欧美清纯卡通| 精品久久久噜噜| 大话2 男鬼变身卡| 丰满乱子伦码专区| 国产黄色视频一区二区在线观看| 热99久久久久精品小说推荐| 婷婷色麻豆天堂久久| 多毛熟女@视频| 国产成人aa在线观看| 久久国产精品男人的天堂亚洲 | 99久久中文字幕三级久久日本| 18禁在线无遮挡免费观看视频| 国产黄色视频一区二区在线观看| 国产精品国产三级国产专区5o| 亚洲熟女精品中文字幕| 女人久久www免费人成看片| 伦精品一区二区三区| 国产在线免费精品| 人妻制服诱惑在线中文字幕| 国产免费福利视频在线观看| 少妇丰满av| 欧美亚洲 丝袜 人妻 在线| 国产一区二区在线观看日韩| 视频区图区小说| 美女主播在线视频| 王馨瑶露胸无遮挡在线观看| 日韩视频在线欧美| 欧美精品一区二区免费开放| av卡一久久| 亚洲国产精品国产精品| 国产熟女欧美一区二区| 日韩av免费高清视频| 国产精品99久久99久久久不卡 | 精品国产乱码久久久久久小说| 我的女老师完整版在线观看| 中国三级夫妇交换| 丰满乱子伦码专区| 大香蕉97超碰在线| 高清毛片免费看| 考比视频在线观看| 大香蕉久久网| 成年美女黄网站色视频大全免费 | 丝袜脚勾引网站| 日韩一区二区视频免费看| 交换朋友夫妻互换小说| 亚洲av电影在线观看一区二区三区| 欧美3d第一页| 夫妻性生交免费视频一级片| 国产精品免费大片| 欧美丝袜亚洲另类| 久久精品人人爽人人爽视色| 国产亚洲午夜精品一区二区久久| 丝袜在线中文字幕| 最近中文字幕2019免费版| 五月玫瑰六月丁香| 九色亚洲精品在线播放| 蜜桃在线观看..| 成人手机av| 国产成人av激情在线播放 | 欧美精品人与动牲交sv欧美| 国产片内射在线| 天堂俺去俺来也www色官网| 中国美白少妇内射xxxbb| 亚洲精品,欧美精品| 免费大片18禁| 久久精品国产鲁丝片午夜精品| 亚洲人成77777在线视频| 桃花免费在线播放| 国产精品一区www在线观看| 免费看不卡的av| 男人操女人黄网站| 国产精品嫩草影院av在线观看| 日韩欧美一区视频在线观看| 亚洲精品,欧美精品| 黄色毛片三级朝国网站| 丝袜喷水一区| 美女大奶头黄色视频| 欧美性感艳星| 久久久国产欧美日韩av| 国产精品偷伦视频观看了| 91在线精品国自产拍蜜月| 亚洲精品一区蜜桃| 亚洲精品久久久久久婷婷小说| 视频中文字幕在线观看| 涩涩av久久男人的天堂| 最新的欧美精品一区二区| 亚洲情色 制服丝袜| 99热这里只有精品一区| 亚洲国产精品一区二区三区在线| 观看美女的网站| 久久精品国产亚洲av天美| 午夜福利在线观看免费完整高清在| 国产精品欧美亚洲77777| 超碰97精品在线观看| 免费av不卡在线播放| 国产男人的电影天堂91| 久久久久久久大尺度免费视频| 美女脱内裤让男人舔精品视频| 午夜激情久久久久久久| 麻豆精品久久久久久蜜桃| 国产在线视频一区二区| 黑人高潮一二区| 热99国产精品久久久久久7| 久久这里有精品视频免费| freevideosex欧美| 热re99久久国产66热| 国产色爽女视频免费观看| 成人毛片a级毛片在线播放| 视频中文字幕在线观看| 午夜影院在线不卡| 成人毛片60女人毛片免费| 亚洲美女视频黄频| 欧美 日韩 精品 国产| 丰满饥渴人妻一区二区三| 99久久精品一区二区三区| 久久99蜜桃精品久久| 国产成人a∨麻豆精品| 中文字幕人妻熟人妻熟丝袜美| 制服丝袜香蕉在线| 久久国内精品自在自线图片| 美女中出高潮动态图| 欧美精品一区二区免费开放| a级毛片黄视频| 亚洲欧美成人精品一区二区| 国产成人91sexporn| 下体分泌物呈黄色| 免费大片黄手机在线观看| 99热网站在线观看| 亚洲成人一二三区av| 亚洲成色77777| 国产精品免费大片| 18禁动态无遮挡网站| 国产精品久久久久久久电影| 在线观看美女被高潮喷水网站| 99久久人妻综合| 欧美精品一区二区大全| 男男h啪啪无遮挡| 亚洲av成人精品一区久久| 亚洲av中文av极速乱| 高清不卡的av网站| 另类亚洲欧美激情| 女人精品久久久久毛片| 天堂俺去俺来也www色官网| 99视频精品全部免费 在线| 欧美另类一区| 亚洲美女搞黄在线观看| 天天操日日干夜夜撸| 欧美日韩视频高清一区二区三区二| av线在线观看网站| 国产黄频视频在线观看| 能在线免费看毛片的网站| 一区二区日韩欧美中文字幕 | 高清黄色对白视频在线免费看| 校园人妻丝袜中文字幕| 国产成人精品一,二区| 亚洲av国产av综合av卡| 亚洲高清免费不卡视频| 久久av网站| 七月丁香在线播放| 在线免费观看不下载黄p国产| 精品酒店卫生间| 亚洲综合色网址| 久久精品久久久久久久性| 最近中文字幕2019免费版| a级毛片免费高清观看在线播放| 亚洲国产成人一精品久久久| 午夜日本视频在线| 大香蕉97超碰在线| 色94色欧美一区二区| 一级毛片电影观看| 久久久a久久爽久久v久久| 国产极品天堂在线| 亚洲精品日本国产第一区| 国产成人freesex在线| xxx大片免费视频| 国产一级毛片在线| 亚洲精品久久久久久婷婷小说| 最后的刺客免费高清国语| 国产成人午夜福利电影在线观看| 久久久久视频综合| 内地一区二区视频在线| 婷婷色麻豆天堂久久| 国语对白做爰xxxⅹ性视频网站| 国产毛片在线视频| 一级毛片电影观看| 大又大粗又爽又黄少妇毛片口| 精品久久久久久久久亚洲| 人妻少妇偷人精品九色| 日本-黄色视频高清免费观看| 久久青草综合色| 久久婷婷青草| 精品午夜福利在线看| 999精品在线视频| 满18在线观看网站| 99九九在线精品视频| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 国产成人精品福利久久| 美女xxoo啪啪120秒动态图| tube8黄色片| 观看av在线不卡| 九色亚洲精品在线播放| 中文字幕人妻丝袜制服| 观看美女的网站| 免费人成在线观看视频色| 国产极品粉嫩免费观看在线 | 国产免费福利视频在线观看| 王馨瑶露胸无遮挡在线观看| av有码第一页| 日本爱情动作片www.在线观看| 午夜影院在线不卡| 国产欧美日韩综合在线一区二区| 久久久精品区二区三区| 久久热精品热| 日韩免费高清中文字幕av| 亚洲国产精品999| 一本—道久久a久久精品蜜桃钙片| 另类精品久久| freevideosex欧美| 简卡轻食公司| 国产精品久久久久久久电影| 日日爽夜夜爽网站| 伊人久久精品亚洲午夜| 视频中文字幕在线观看| 伦精品一区二区三区| 一级a做视频免费观看| 久久久久久久久久久丰满| 制服诱惑二区| 久久久精品区二区三区| 蜜臀久久99精品久久宅男| 99久国产av精品国产电影| 亚洲经典国产精华液单| 国产av国产精品国产| 91精品一卡2卡3卡4卡| 大片电影免费在线观看免费| 国产精品麻豆人妻色哟哟久久| 国产极品粉嫩免费观看在线 | 欧美精品一区二区大全| 最近手机中文字幕大全| 全区人妻精品视频| 一本久久精品| 国产av码专区亚洲av| 国产成人免费无遮挡视频| 高清视频免费观看一区二区| 国产精品一区二区在线不卡| 久久毛片免费看一区二区三区| av又黄又爽大尺度在线免费看| 自线自在国产av| 成人手机av| 免费黄色在线免费观看| 日韩一本色道免费dvd| 亚洲四区av| 久久国产精品大桥未久av| 综合色丁香网| 精品少妇黑人巨大在线播放| 免费大片18禁| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 欧美日韩一区二区视频在线观看视频在线| 欧美日韩国产mv在线观看视频| 麻豆成人av视频| √禁漫天堂资源中文www| 乱码一卡2卡4卡精品| 日韩伦理黄色片| 天堂俺去俺来也www色官网| 国产女主播在线喷水免费视频网站| 毛片一级片免费看久久久久| 九草在线视频观看| 亚洲精品久久午夜乱码| 麻豆成人av视频| 男女高潮啪啪啪动态图| 国产在线一区二区三区精| 久久99一区二区三区| 国产精品三级大全| 丝袜脚勾引网站| 国产精品国产av在线观看| 中国三级夫妇交换| 新久久久久国产一级毛片| 69精品国产乱码久久久| 国产无遮挡羞羞视频在线观看| 最新的欧美精品一区二区| 日韩 亚洲 欧美在线| 亚洲av日韩在线播放| 国国产精品蜜臀av免费| 日韩一区二区视频免费看| 一级片'在线观看视频| 午夜影院在线不卡| 中文精品一卡2卡3卡4更新| 乱码一卡2卡4卡精品| 菩萨蛮人人尽说江南好唐韦庄| 狠狠精品人妻久久久久久综合| 午夜av观看不卡| 久久99热6这里只有精品| 亚洲av国产av综合av卡| a级毛色黄片| 国产黄色免费在线视频| 久久99热6这里只有精品| 亚洲精品日韩在线中文字幕| 99热这里只有是精品在线观看| 久久久亚洲精品成人影院| 简卡轻食公司| 母亲3免费完整高清在线观看 | 中国三级夫妇交换| 国产成人精品一,二区| 久久久久视频综合| 亚洲三级黄色毛片| 九色成人免费人妻av| 日韩视频在线欧美| 色哟哟·www| 国产一级毛片在线| 国产精品 国内视频| 熟女人妻精品中文字幕| 免费观看av网站的网址| 午夜免费鲁丝| 久久av网站| 黑人欧美特级aaaaaa片| 亚洲在久久综合| xxxhd国产人妻xxx| 九草在线视频观看| 一区二区三区免费毛片| 色网站视频免费| 精品久久久精品久久久| 欧美xxⅹ黑人| 熟女人妻精品中文字幕| 蜜臀久久99精品久久宅男| a级毛色黄片| 国产午夜精品久久久久久一区二区三区| 亚洲五月色婷婷综合| 亚洲精品亚洲一区二区| 青春草国产在线视频| 久久99精品国语久久久| 亚洲av不卡在线观看| 亚洲欧美成人综合另类久久久| 蜜桃久久精品国产亚洲av| 成人国产麻豆网| 精品亚洲乱码少妇综合久久| 在线观看三级黄色| 日韩欧美一区视频在线观看| 欧美性感艳星| 国产精品.久久久| 精品国产国语对白av| 99视频精品全部免费 在线| 国产精品久久久久成人av| 国产成人精品久久久久久| 简卡轻食公司| 街头女战士在线观看网站| 日韩亚洲欧美综合| 交换朋友夫妻互换小说| 建设人人有责人人尽责人人享有的| 91国产中文字幕| 如何舔出高潮| 九九久久精品国产亚洲av麻豆| 国产亚洲精品第一综合不卡 | 人妻少妇偷人精品九色| av在线观看视频网站免费| 亚洲精品中文字幕在线视频| 精品国产一区二区久久| 一级爰片在线观看| 欧美另类一区| 精品人妻熟女毛片av久久网站| 久久 成人 亚洲| .国产精品久久| av免费观看日本| av视频免费观看在线观看| 成人手机av| 亚洲精品国产av成人精品| 成年人免费黄色播放视频| 久久久久久久久大av| 精品人妻熟女av久视频| 啦啦啦啦在线视频资源| 日本黄大片高清| 欧美日韩视频高清一区二区三区二| av在线老鸭窝| 国产精品欧美亚洲77777| 久久亚洲国产成人精品v| 一级毛片电影观看| 伊人久久精品亚洲午夜| 插阴视频在线观看视频| 久久精品熟女亚洲av麻豆精品| 精品一区二区免费观看| 成年女人在线观看亚洲视频| 大片电影免费在线观看免费| 亚洲无线观看免费| 嫩草影院入口| 免费高清在线观看日韩| 我要看黄色一级片免费的| 国产男女超爽视频在线观看| 老司机亚洲免费影院| 狠狠婷婷综合久久久久久88av| 国产 精品1| av网站免费在线观看视频| 天堂俺去俺来也www色官网| 天天躁夜夜躁狠狠久久av| 啦啦啦啦在线视频资源| av网站免费在线观看视频| 日韩 亚洲 欧美在线| 亚洲欧美中文字幕日韩二区| 久久99一区二区三区| 日韩亚洲欧美综合| 纵有疾风起免费观看全集完整版| 亚洲欧美日韩另类电影网站| 免费高清在线观看视频在线观看| 特大巨黑吊av在线直播| 99热国产这里只有精品6| tube8黄色片| 爱豆传媒免费全集在线观看| 久热久热在线精品观看| 免费不卡的大黄色大毛片视频在线观看| 精品人妻一区二区三区麻豆| 久久久精品94久久精品| 人妻 亚洲 视频| 18禁在线播放成人免费| 人人妻人人爽人人添夜夜欢视频| 丰满少妇做爰视频| 午夜福利在线观看免费完整高清在| 少妇人妻精品综合一区二区| 国产黄频视频在线观看| 超碰97精品在线观看| 国产成人91sexporn| 九九爱精品视频在线观看| 五月伊人婷婷丁香| av电影中文网址| 丰满迷人的少妇在线观看| 99热全是精品| 亚洲av综合色区一区| 日本欧美国产在线视频| 国产成人午夜福利电影在线观看| 国产一区二区在线观看av| 亚洲精品乱码久久久v下载方式| 精品久久久噜噜| 少妇人妻 视频| 乱人伦中国视频| 又粗又硬又长又爽又黄的视频| 免费人成在线观看视频色| 18禁在线播放成人免费| kizo精华| 能在线免费看毛片的网站| 久久人妻熟女aⅴ| 国产视频内射| 少妇被粗大猛烈的视频| av在线app专区| 精品久久国产蜜桃| 久久鲁丝午夜福利片| 久久国产亚洲av麻豆专区| 两个人的视频大全免费| 国产69精品久久久久777片| 亚洲精品日韩av片在线观看| 欧美精品高潮呻吟av久久| 青春草亚洲视频在线观看| 欧美日本中文国产一区发布| 免费日韩欧美在线观看| 日韩av不卡免费在线播放| 999精品在线视频| 亚州av有码| 精品视频人人做人人爽| 高清不卡的av网站| 交换朋友夫妻互换小说| a级毛色黄片| 桃花免费在线播放| 国产伦理片在线播放av一区| 亚洲精品av麻豆狂野| 天堂中文最新版在线下载| 午夜激情av网站| 最新中文字幕久久久久| 麻豆精品久久久久久蜜桃| 亚洲国产av影院在线观看| 午夜视频国产福利| 青青草视频在线视频观看| 中文字幕人妻丝袜制服| 日韩亚洲欧美综合| 欧美日韩精品成人综合77777| 午夜影院在线不卡| 日韩强制内射视频| 美女脱内裤让男人舔精品视频| av不卡在线播放| 欧美日韩视频精品一区| 免费少妇av软件| 亚洲欧洲精品一区二区精品久久久 | 青春草亚洲视频在线观看| 伊人久久精品亚洲午夜| 亚洲高清免费不卡视频| 男女啪啪激烈高潮av片| 国产亚洲一区二区精品| 国产欧美另类精品又又久久亚洲欧美| 欧美变态另类bdsm刘玥| 美女内射精品一级片tv| 国产成人精品无人区| 午夜精品国产一区二区电影| 一本—道久久a久久精品蜜桃钙片| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 男人爽女人下面视频在线观看| 欧美日韩精品成人综合77777| 99久久人妻综合| 久久精品久久久久久噜噜老黄| 久久婷婷青草| 国产亚洲欧美精品永久| 国产探花极品一区二区| 日韩欧美精品免费久久| 亚洲美女黄色视频免费看| 在线观看www视频免费| 精品久久蜜臀av无| 精品人妻在线不人妻| 精品国产国语对白av| 成年美女黄网站色视频大全免费 | 日本黄大片高清| 日本黄色片子视频| 亚洲国产精品专区欧美| 亚洲无线观看免费| 国产高清有码在线观看视频| 久久免费观看电影| 麻豆精品久久久久久蜜桃| 成人国产av品久久久| 精品人妻熟女av久视频| 超色免费av| 国产亚洲av片在线观看秒播厂| 九色成人免费人妻av| 国产精品一区二区在线观看99| 美女cb高潮喷水在线观看| 日本av免费视频播放| 狠狠精品人妻久久久久久综合| 伦理电影免费视频| 高清视频免费观看一区二区| 亚洲国产色片| 国产精品一国产av| 国产淫语在线视频| 黄色怎么调成土黄色| 人成视频在线观看免费观看| 在线观看www视频免费| 一级片'在线观看视频| 尾随美女入室| 中文乱码字字幕精品一区二区三区| 亚洲精品自拍成人| 久久久国产欧美日韩av| 一级毛片电影观看| 欧美三级亚洲精品| 在线免费观看不下载黄p国产| 亚洲一级一片aⅴ在线观看| av视频免费观看在线观看| 最近手机中文字幕大全| 亚洲精品乱码久久久久久按摩| 亚洲少妇的诱惑av| 国产精品欧美亚洲77777| 在线天堂最新版资源| 美女国产高潮福利片在线看| 欧美亚洲 丝袜 人妻 在线| 夜夜爽夜夜爽视频| 一级二级三级毛片免费看| 欧美精品一区二区大全| 亚洲精品456在线播放app| 激情五月婷婷亚洲|