• <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 ?

    基于集成SVM數(shù)據(jù)流分類算法的公司微博金融事件檢測方法

    2021-08-12 08:56:10夏千姿倪麗萍倪志偉朱旭輝
    計算機應(yīng)用與軟件 2021年8期
    關(guān)鍵詞:數(shù)據(jù)流詞典分類器

    夏千姿 倪麗萍 倪志偉 朱旭輝 李 想

    (合肥工業(yè)大學(xué)管理學(xué)院 安徽 合肥 230009)(合肥工業(yè)大學(xué)過程優(yōu)化與智能決策教育部重點實驗室 安徽 合肥 230009)

    0 引 言

    隨著近年來自媒體與社交網(wǎng)絡(luò)不斷發(fā)展,社交平臺成為報道公司新聞和重要活動的主要媒介之一,且由于其信息傳播速度遠快于傳統(tǒng)媒體,成為人們接收信息的重要來源。Petrovic等[1]指出,在報道與政治和商業(yè)有關(guān)的事件時,推特平臺報道速度遙遙領(lǐng)先。由于金融市場對金融事件的突發(fā)較為敏感,因此從與特定公司相關(guān)的微博中識別公司金融事件具有重要意義,可以幫助投資者了解企業(yè)動態(tài),明確競爭對手策略,預(yù)估可能引起的市場變動,以此作出有價值的投資決策。

    從微博平臺上進行金融事件檢測的本質(zhì)是社交平臺事件檢測的一個特定應(yīng)用,雖然近年來社交平臺事件檢測研究取得了一定的進展,學(xué)者提出了多種針對社交平臺特點的事件檢測方法。從微博平臺中檢測金融事件仍存在如下三個方面的挑戰(zhàn)。

    (1) 雖然事件檢測技術(shù)已經(jīng)發(fā)展了很長時間,但是過去研究主要集中在熱點事件或突發(fā)事件檢測方法上,這些事件往往沒有針對某個具體領(lǐng)域,因此針對特定領(lǐng)域的事件檢測在方法和應(yīng)用上仍不成熟,對于金融事件目前在定義上尚沒有一個廣泛認(rèn)可的標(biāo)準(zhǔn)。如何通過分析與公司相關(guān)的微博信息特點,抽取有效的金融事件類型是值得進一步研究的。

    (2) 社交媒體平臺所報道的事件信息主要為非結(jié)構(gòu)化文本信息,不能簡單地利用傳統(tǒng)定量數(shù)據(jù)算法來計算,需要先將非結(jié)構(gòu)化文本進行表征。而傳統(tǒng)的表征方法主要利用統(tǒng)計方法如詞頻、TF-IDF等進行,沒有真正考慮到文本的語義信息,影響了后續(xù)分析的準(zhǔn)確率。因此有必要從文本結(jié)構(gòu)化表征的角度研究與公司相關(guān)的微博信息表征方法。

    (3) 社交平臺信息具有實時性和動態(tài)性,針對這一特性研究者往往通過考慮數(shù)據(jù)到達的時間順序以解決動態(tài)性問題。然而這些方法仍存在計算成本較高及對概念漂移適應(yīng)能力不強的問題。其次,社交平臺中的信息更新速度快,信息量大,存在信息過載現(xiàn)象。因此如何優(yōu)化算法提高抗噪能力是非常重要的。

    針對上述挑戰(zhàn),本文從文本表示及文本數(shù)據(jù)流分類兩個方向來對基于微博的金融事件檢測方法進行研究。本文中文本表示主要是結(jié)合詞向量及觸發(fā)詞對非結(jié)構(gòu)化文本進行語義層面信息提取,以實現(xiàn)較少信息丟失的短文本結(jié)構(gòu)化表示;數(shù)據(jù)流分類主要是提出一種基于集成SVM的數(shù)據(jù)流分類算法,該算法能對微博信息中的金融事件類型進行動態(tài)分類,且能有效檢測概念漂移。

    1 方法概述

    本文所考慮的事件檢測方法主要利用數(shù)據(jù)驅(qū)動的監(jiān)督分類算法實現(xiàn)。其基本原理為:首先確定已標(biāo)注的訓(xùn)練語料,其次利用特征工程對訓(xùn)練語料進行表示,最后利用監(jiān)督分類算法進行訓(xùn)練并對金融事件類型進行預(yù)測識別。具體分為金融事件類型定義、文本預(yù)處理與金融事件檢測3個步驟。

    1.1 金融事件類型定義

    對于金融事件類型的定義,針對不同的研究角度,已有學(xué)者給出了不同的定義,如表1所示。Hogenboom等[2]主要研究從異構(gòu)新聞中提取金融事件,定義了涉及十種不同相關(guān)公告涉及的事件主體(如關(guān)于首席執(zhí)行官的公告)的金融事件;Han等[3]則從商業(yè)事件的角度,參考了ACE[4]事件語料庫的構(gòu)建,針對中文在線新聞的特點,為商業(yè)行為定義了8種事件類型和16種事件子類型;Zhang等[5]考慮從在線社交媒體數(shù)據(jù)中提取公司行為事件信息,定義了六種事件類別;Shi等[6]利用金融時間序列數(shù)據(jù)進行金融事件識別,側(cè)重于識別四種類型的股票事件。本文在綜合上述文獻和公司微博中報道的與金融相關(guān)的主要事件特點基礎(chǔ)上,擬將公司金融事件類型定義為七類。

    表1 金融事件類型相關(guān)研究

    1.2 文本表示方法

    文本預(yù)處理是信息檢索、文本挖掘、自然語言處理等研究的基礎(chǔ),目的是將非結(jié)構(gòu)化原始文本轉(zhuǎn)換為可由計算機處理的數(shù)據(jù)形式[7],在文本挖掘中起著關(guān)鍵作用,并且極大地影響了最終的實驗效果[8]。傳統(tǒng)的文本挖掘方案通過利用BT、TF、TF-IDF來表示單詞的權(quán)重并建立文檔項矩陣[9]。Wu等[10]指出模式匹配是表示推特文本的最佳方式,通過詞頻獲得單詞權(quán)重,再利用NLTK計算相似度,并執(zhí)行特征處理。但由于公司微博中的信息通常為短文本單詞數(shù)量有限,且金融文本中專業(yè)術(shù)語多樣化,導(dǎo)致詞頻信息無法有效使用[11]。Shi等[6]則先提取文本主題句,然后利用哈爾濱工業(yè)大學(xué)社會計算與信息檢索研究中心開發(fā)的觸發(fā)詞提取算法,提取12個與事件類型相關(guān)的文本特征來實現(xiàn)特征處理。該方法更適用于具有嚴(yán)謹(jǐn)結(jié)構(gòu)和語法的長文本,且需要利用較多的領(lǐng)域知識,通過手工構(gòu)建金融領(lǐng)域的事件標(biāo)注語料庫,不適用于公司微博金融事件檢測中。

    本文考慮到微博中所發(fā)布的信息量大、短句多、具有隨機性和口語化且非嚴(yán)格語法等特征,使用NLPIR工具對社交媒體數(shù)據(jù)流短文本進行詞性標(biāo)注,從中提取動詞,通過構(gòu)造的噪聲詞典消除噪聲動詞,并通過構(gòu)造擴充觸發(fā)詞典來挖掘觸發(fā)金融事件的動詞,最終對整篇文章進行加權(quán)向量化表示以轉(zhuǎn)化為計算機可識別的結(jié)構(gòu)化數(shù)據(jù)形式。

    1.3 金融事件檢測方法

    關(guān)于從文本中檢測事件,主要是指從文本中檢測出用戶感興趣的事件信息,并以結(jié)構(gòu)化的形式呈現(xiàn)出來,例如事件發(fā)生的時間、地點、發(fā)生原因、參與者等[12]。事件抽取任務(wù)最基礎(chǔ)的部分包括識別事件觸發(fā)詞及事件類型,抽取事件元素同時判斷其角色,然后抽出描述事件的詞組或句子。事件抽取方法主要有流水線方法和聯(lián)合抽取方法,本文的方法屬于前者,這種流水線方法一般將事件抽取任務(wù)轉(zhuǎn)化為多階段的分類問題:事件觸發(fā)分類器、元素分類器、元素角色分類器、屬性分類器和可報告性分類器;后者主要包括多模型聯(lián)合推理、利用結(jié)構(gòu)化預(yù)測(概率圖模型、馬爾可夫邏輯網(wǎng)絡(luò))的聯(lián)合建模,以及近年來發(fā)展的深度學(xué)習(xí)方法[13-15]。

    在金融事件檢測中,大多數(shù)的研究關(guān)注于從網(wǎng)絡(luò)新聞或公司年報中檢測金融事件。例如,Jacobs等[16]基于英文新聞提出了一種有監(jiān)督的分類方法來檢測公司金融事件。Hájek[17]從美國公司的年報中提取情緒與詞袋信息,然后使用多層感知神經(jīng)網(wǎng)絡(luò)對可能引起異常股票收益的公司行為進行分類。Arendarenko等[18]提出了一種基于本體(約200條手工制作的語法規(guī)則)的商業(yè)事件信息提取框架。Daniel等[19]研究了推特平臺上事件的影響性,然而其重點不在于檢測事件,而是通過分析推特的情緒來獲取事件對市場的影響。在金融事件分類檢測方法上,常用的有監(jiān)督分類檢測方法有支持向量機[6](SVM)、樸素貝葉斯[3,20-21]和基于模型的方案[3,10]等。其中SVM表現(xiàn)出特別突出的性能[22],是金融領(lǐng)域最廣泛應(yīng)用的數(shù)據(jù)挖掘技術(shù)[7]。而集成學(xué)習(xí)在提高學(xué)習(xí)系統(tǒng)泛化能力方面具有顯著優(yōu)勢,且已被證明是提高預(yù)測準(zhǔn)確性和將復(fù)雜且困難的學(xué)習(xí)問題分解為更易解決子問題的有效方法[23]。Wang等[24]使用集成SVM進行自動模糊分類,通過與單個SVM分類器及其他分類方法進行比較,實驗表明所提出的集成SVM分類器性能優(yōu)越。Shan等[25]提出了一種基于混合標(biāo)記策略的漂移數(shù)據(jù)流在線主動學(xué)習(xí)集成的新框架,包括集成分類器和非固定標(biāo)記算法,動態(tài)對分類器和決策閾值調(diào)整,也表現(xiàn)出較好的實驗結(jié)果。但集成學(xué)習(xí)的缺點是構(gòu)造方案復(fù)雜,需要大量標(biāo)記數(shù)據(jù),以及具有高時間復(fù)雜度。本文考慮使用集成學(xué)習(xí)來解決數(shù)據(jù)流問題,為解決構(gòu)造的復(fù)雜性問題,結(jié)合社交平臺所帶來的動態(tài)數(shù)據(jù)環(huán)境伴隨瞬時數(shù)據(jù)流及概念漂移等特征,提出一種基于滑動時間窗口模型的集成SVM分類算法,大大減少訓(xùn)練數(shù)據(jù),形成更易構(gòu)建的集成算法。

    綜上,本文考慮到微博數(shù)據(jù)的非結(jié)構(gòu)化、低維、數(shù)據(jù)量大及更新迅速等特征,提出一種詞嵌入和觸發(fā)詞典的短文本表示方案,以準(zhǔn)確掌握數(shù)據(jù)特征;并提出一種DSESVM算法,由多個SVM基分類器組成的集成分類模型以提升算法分類效果;結(jié)合短文本表示方案與DSESVM算法,形成對公司金融事件進行檢測的框架。本文框架利用滑動窗口模型,檢測概念漂移。

    2 公司金融事件檢測模型

    2.1 事件檢測框架

    本文提出了一個事件檢測框架,可用于檢測來自微博的潛在公司金融事件。該框架分為公司金融事件類型預(yù)定義、觸發(fā)詞典構(gòu)造、文檔向量化和事件類型分類檢測幾個部分,如圖1所示。

    圖1 事件檢測框架

    本文框架的具體步驟如下:

    步驟1定義公司金融事件類型。

    步驟2根據(jù)觸發(fā)詞典獲取事件中的觸發(fā)詞。觸發(fā)詞是最清楚地表達事件發(fā)生的關(guān)鍵詞,通常是動詞,本文使用監(jiān)督學(xué)習(xí)來更好地識別事件觸發(fā)詞。根據(jù)七類事件類型,邀請專家將10%的微博文本標(biāo)記為事件檢測的種子事件。為確保標(biāo)注質(zhì)量和一致性,對該數(shù)據(jù)進行比較和討論,最終輸出統(tǒng)一的標(biāo)注結(jié)果。其余的原始數(shù)據(jù)被分成三部分,由專家分別進行標(biāo)記。然后,對已標(biāo)記的種子微博文本進行分詞及詞性標(biāo)注,抽取其中動詞文本。其次,利用詞頻對提取的動詞進行排序,根據(jù)專家給定閾值提取觸發(fā)詞及噪聲詞。這里的噪聲詞是指某些動詞頻繁出現(xiàn)在種子微博中,但對公司的金融事件行為沒有觸發(fā)意義。最后,通過詞嵌入算法擴充原始觸發(fā)詞構(gòu)造成為觸發(fā)詞典,噪聲詞構(gòu)成噪聲詞典。

    步驟3由噪聲詞典對文檔去噪,并由觸發(fā)詞典進行加權(quán)向量化表示。

    步驟4利用基于DSESVM的數(shù)據(jù)流分類算法識別微博文本的潛在事件類型。

    為了解釋事件檢測的流程步驟,給出示例如圖2所示。

    圖2 公司金融事件檢測案例

    對于圖2中文檔預(yù)處理中的文檔,首先提取文檔中的動詞,得到“加速、收購、加大、投入、宣布、收購、是、開展”;然后根據(jù)噪聲詞表進行去噪處理,明確噪聲詞“是”,得到去噪后的觸發(fā)詞“加速、收購、加大、投入、宣布、收購、開展”;其次利用詞嵌入算法進行向量化表征,并根據(jù)擴充后的觸發(fā)詞典進行加權(quán)處理,得到對文檔的向量化表征;最后利用DSESVM算法對文檔進行預(yù)測,得出事件類別。該事件的正確類別應(yīng)為融資并購。

    2.2 公司金融事件分類

    本文綜合現(xiàn)有文獻及公司微博中信息的特點,將公司金融事件類型定義為七類,具體事件類型及描述如表2所示。

    表2 公司金融事件類型

    2.3 觸發(fā)詞典構(gòu)建

    觸發(fā)詞是事件檢測中最重要的元素,代表著事件類型。本文認(rèn)為擴展觸發(fā)詞具有重要意義,原因在于:首先,同一個事件可以由不同的觸發(fā)詞表示,并且這些觸發(fā)詞通常具有相似的含義;其次,種子語料庫在整個文件中占比較??;最后,在不同的時間階段,同一個單詞在微博文本中的語義可能不同。本文中,Word2vec的Skip-Gram模型用于對觸發(fā)詞基于語義的向量化表示,并可據(jù)其計算得到同義詞以擴展為觸發(fā)詞典。Word2vec算法是基于類似情境的單詞具有相似含義的假設(shè),通過神經(jīng)網(wǎng)絡(luò)模型獲得單詞的低維實數(shù)向量表示,將離散詞映射到N維真實空間,以表達豐富的語義信息,解決詞袋模型的向量稀疏性問題,挖掘詞語間的語義關(guān)聯(lián)性。Word2vec可在語義上表達單詞映射至高維空間,因此可使用單詞距離來衡量詞義的相似性。本文利用Google提供的開源詞向量化工具Word2vec來訓(xùn)練基于Skip-gram模型的單詞向量,使用余弦相似度計算單詞間的語義差異。若單詞間語義差距小于閾值,意味著語義相似度較高,有較大可能進行觸發(fā)詞典擴展。

    2.4 文檔向量化

    文檔的向量化表示是數(shù)據(jù)處理的第一步,常用方法包括TF-IDF、BOW等。本文采用基于觸發(fā)詞的文檔表征方案,在提取文檔特征時,僅考慮潛在觸發(fā)詞,消除大量對文檔分類無意義常用單詞的影響。并根據(jù)觸發(fā)詞典,對文檔特征進行加權(quán)以增加觸發(fā)詞在文檔表示中的影響力。

    假設(shè)B是時間窗口[1,T]微博文本中的數(shù)據(jù)流:

    B={B1,B2,…,Bi,…,BT}

    (1)

    每個時間窗口Bi中的數(shù)據(jù)流由n個文本組成:

    Bi={Pi1,Pi2,…,Pij,…,Pin}

    (2)

    對每篇文檔Pij提取動詞:

    (3)

    利用噪聲詞典N去噪,以獲得降噪后的動詞:

    (4)

    利用Word2vec獲得文檔Pij的一組單詞向量:

    (5)

    利用觸發(fā)詞典E加權(quán),以獲得每篇文檔向量化表示:

    (6)

    2.5 DSESVM算法

    本文提出的集成SVM的數(shù)據(jù)流挖掘算法(DSESVM算法)是由多個SVM基分類器組成的集成分類器。其中,數(shù)據(jù)流檢測框架基于CDSMM算法[21];基分類器權(quán)重通過計算當(dāng)前數(shù)據(jù)塊的分類精度得出;并通過假設(shè)檢驗檢測概念漂移,動態(tài)調(diào)整基分類器以適應(yīng)概念變化;利用錯誤分類與被替換基分類器訓(xùn)練集重新構(gòu)建新訓(xùn)練集,以訓(xùn)練得到新基分類器,對較低準(zhǔn)確度的基分類器予以替換,以提升整體分類精度。該算法可有效增強概念漂移實例對新分類器訓(xùn)練的影響,使算法能夠快速檢測概念漂移并適應(yīng)新實例。DSESVM算法中符號定義如表3所示。

    表3 DSESVM算法符號定義

    續(xù)表3

    算法流程如下:

    步驟1構(gòu)造集成分類器EC:當(dāng)S中的實例數(shù)達到d時,如果num

    步驟2噪聲過濾:用EC對S中的每個實例進行分類,如果被EC錯誤分類,則將其添加到數(shù)據(jù)集ErrInst中。

    步驟3權(quán)重更新:用S更新EC中各基分類器的權(quán)重,表示為Weight_S。

    步驟4概念漂移檢測:計算EC上對數(shù)據(jù)塊S的分類錯誤率,并使用該值檢測概念漂移。

    步驟5分類器調(diào)整與更新:一旦檢測到漂移并且集成分類器中基分類器的數(shù)量達到K,則使用錯誤分類緩沖器ErrInst構(gòu)造新的分類器C_new,分類正確率為其權(quán)重。并利用ErrInst更新EC權(quán)重,記為Weight_E。計算權(quán)重數(shù)組Weight_S和Weight_E的均值,記為Weight_ave,替換EC的權(quán)重。如果新分類器C_new權(quán)重大于Weight_ave中的最小權(quán)重,則用ErrInst中的實例與Weight_ave中的最小權(quán)重相對應(yīng)的基分類器C_k訓(xùn)練集來組成訓(xùn)練數(shù)據(jù),訓(xùn)練得到替換分類器C_new′及其權(quán)重Right_new。利用其替換基分類器C_k和權(quán)重以獲得更新的EC。

    DSESVM算法偽代碼如算法1所示。

    算法1DSESVM算法

    輸入:集成分類器EC=Null,數(shù)據(jù)流DS,集成分類器的容量K,訓(xùn)練集的大小d。

    輸出:已訓(xùn)練的集成分類器EC。

    開始

    1.While(新數(shù)據(jù)到達){

    2.讀取d個數(shù)據(jù)形成當(dāng)前數(shù)據(jù)塊S;

    3.If(num

    4.C_num=getNewClassifier(S);

    5.EC=AddBaseClassifier(EC,C_num);

    6.

    //利用S訓(xùn)練新分類器C_num,并

    //將其添加到EC中

    7.num++;

    8.Else

    9.For(E_j∈S)

    10.If(EventType(E_j)≠getpredict(EC,E_j));

    //E_j被EC錯分類

    11.ErrInst=AddInstance(ErrInst,E_j);

    //將E_j加入ErrInst

    12.End if

    13.End for

    14.Weight_S=UpdateWeight(EC,S);

    15.err=getErrorRate(EC,S);

    //利用S更新EC權(quán)重,并計算其錯誤率

    17.If(U>μα&&num==K)

    //概念漂移檢測

    18.C_new=getNewClassifier(ErrInst);

    //利用ErrInst訓(xùn)練得到新基分類器

    19.Right_new=getAccuracy(C_new,S);

    //計算C_new的正確率

    20.Weight_Err=UpdateWeight(EC,ErrInst);

    //更新EC權(quán)重

    21.Weight_Ave=getMean(Weight_S,Weight_Err)

    //u利用Weight_S與Weight_Err計算平均權(quán)重數(shù)組

    22.If(Right_new>min(Weight_Ave))

    23.C_k=getBaseClassifier(EC,min(Weight_Ave));

    //找到Weight_Ave中所對應(yīng)最小權(quán)重的基分類器C_k

    24.C_new′=getNewClassifier(ErrInst+

    getTrainData(C_k));

    //利用ErrInst與C_k訓(xùn)練構(gòu)成替換基分類器C_new′

    25.EC=UpdateBaseClassifier(EC,C_k,C_new′);

    //更新EC

    26.End if

    27.End if

    28.End if

    29.End while

    下面詳細解釋數(shù)據(jù)流分類算法的一些重要部分:

    (1) 基分類器的選擇。本文面向公司微博進行關(guān)于金融事件的分類,SVM是金融領(lǐng)域中使用最廣泛的數(shù)據(jù)挖掘技術(shù),實驗已證明其具有較好的預(yù)測能力[22]。因此,選擇SVM作為基分類器。

    (2) 概念漂移檢測。以分類錯誤率作為度量指標(biāo),利用假設(shè)檢驗檢測數(shù)據(jù)流中的概念漂移[21]。

    對當(dāng)前數(shù)據(jù)塊上的分類錯誤率進行假設(shè)檢驗,μ_0為常數(shù),初始化為前五個數(shù)據(jù)塊的分類錯誤率均值。給定顯著置信性水平α=95%,如果式(7)成立,則表明錯誤率發(fā)生較大變化,且發(fā)生了概念漂移,反之,則認(rèn)為概念分布是穩(wěn)定的。

    (7)

    (3) 替換基分類器選擇規(guī)則。選定當(dāng)前數(shù)據(jù)塊和錯誤分類實例中分類效果最差的基分類器為被替換的基分類器。通過更新當(dāng)前數(shù)據(jù)塊和錯誤分類實例的權(quán)重數(shù)組,計算平均權(quán)重數(shù)組,選擇對應(yīng)于最小權(quán)重的基分類器作為分類效果最差的基分類器。

    (4) 新分類器的訓(xùn)練原理。該算法應(yīng)用于數(shù)據(jù)流中,各基分類器訓(xùn)練集無重復(fù)。當(dāng)選擇替換的分類器時,新分類器將由錯誤分類的實例與被替換的分類器訓(xùn)練集共同訓(xùn)練得到。

    (5) 集成分類器EC分類預(yù)測策略。集成分類器EC采用加權(quán)投票機制進行分類預(yù)測。對未知實例進行分類時,具有最多加權(quán)投票的類別為未知實例的預(yù)測類別。

    3 實 驗

    3.1 數(shù)據(jù)集與評估指標(biāo)

    本次實驗選取微博平臺關(guān)注度超過一百萬的新聞媒體博主發(fā)布的關(guān)于中國五家知名上市公司的相關(guān)微博信息,如表4所示。數(shù)據(jù)從2012年1月至2018年7月,總數(shù)為20 000條,通過刪除重復(fù)和無意義數(shù)據(jù),最終獲得15 000條實驗數(shù)據(jù),具體5家公司相關(guān)的微博數(shù)據(jù)量分布如表5所示。微博格式包括標(biāo)題、發(fā)布人、發(fā)布時間、內(nèi)容及由三位專家給定的標(biāo)簽,最終公司金融事件的分布如表6所示。

    表4 微博新聞媒體博主詳表

    表5 微博的數(shù)據(jù)量表

    續(xù)表5

    表6 公司金融事件類型分布表

    本文用于評估事件檢測性能的評估指標(biāo)為精度(P)、召回值(R)和F1值(F1),其中:P度量所有提取事件中正例的比例;R度量在所有正例中預(yù)測正確的正例比例;F1是精確率和召回率的調(diào)和平均值,相當(dāng)于精確率和召回率的綜合評價指標(biāo)。相關(guān)的計算公式如下:

    (8)

    (9)

    (10)

    3.2 公司金融微博觸發(fā)詞典構(gòu)建

    本文將公司金融事件分為七類,對于每類事件,將隨機選取的200條數(shù)據(jù)標(biāo)記為種子微博,從其中提取動詞,結(jié)合詞頻排序與領(lǐng)域知識,獲取每個類的關(guān)鍵特征觸發(fā)詞與噪聲。最終,得到315個觸發(fā)詞與7個事件類型的52個噪聲詞,如表7所示。

    表7 種子觸發(fā)詞表

    Word2vec算法用于獲取種子觸發(fā)詞的同義詞。若擴展較多,會導(dǎo)致擴展詞匯超出原始單詞同義詞范疇;若擴展范圍較小,則會忽略某些同義詞。因此,在本文中選擇與觸發(fā)詞的相似度在前十位的單詞,以將觸發(fā)詞擴展為觸發(fā)詞典。最終,七類事件獲得38 256個觸發(fā)詞,如表8所示。

    表8 公司金融微博觸發(fā)詞表

    3.3 文檔向量化表征算法評估

    為了評估文檔向量化結(jié)果,使用相同的分類算法DSESVM來顯示不同表示方法下的實驗結(jié)果差異。通過將BOW、TF-IDF、Word2dvec和Triggers分別與DSESVM相結(jié)合,形成四種實驗方案。本文根據(jù)時間順序?qū)?5 000個實驗數(shù)據(jù)分成每個時間窗口500條,并在總數(shù)為30的時間窗口的數(shù)據(jù)流下進行預(yù)測實驗。分類模型將當(dāng)前時間窗口的數(shù)據(jù)視為測試集,將之前時間窗口的數(shù)據(jù)視為訓(xùn)練集。即文檔中的動詞首先分別由TF-IDF、BOW、Word2vec和觸發(fā)詞典分別進行文檔表示,然后利用DSESVM算法在第10到第30個時間窗口分別進行分類預(yù)測,其中DSESVM算法中基分類器個數(shù)設(shè)為9。

    實驗結(jié)果如表9所示,“MAX”表示最佳實驗結(jié)果,“MEAN”表示實驗結(jié)果平均值。在第10到30個時間窗口中,可以看出基于相同分類方法DSESVM,觸發(fā)詞典的文檔表示明顯優(yōu)于其他三種表示方案,精度為66.2%,召回率為63.0%,F(xiàn)1值為64.6%。BOW+DSESVM、TFIDF+DSESVM、Word2vec+DSESVM僅獲得10.3%、8.7%、62.4%的F1值。通過對實驗結(jié)果的分析,可以得出與BOW、TF-IDF和Word2vec相比,基于觸發(fā)詞典的文檔表示能獲得更好的語義表征,有助于模型獲得更好的結(jié)果。

    表9 文檔向量化性能比較表

    3.4 公司金融事件檢測模型評估

    為了進一步說明DSESVM算法的學(xué)習(xí)效果,通過觸發(fā)詞典對文檔進行向量化表征,并利用Bagging、Random Forest、AdaBoost[26]三種常用的集成分類算法對表示結(jié)果進行分類比較。當(dāng)模型訓(xùn)練及分類結(jié)束后,獲得當(dāng)前時間窗口的預(yù)測結(jié)果。表10為四種分類模型的各時間窗口內(nèi)最佳與平均的實驗結(jié)果。圖3詳細展示了四種分類算法與本文提出的觸發(fā)詞表示方法結(jié)合下的分類準(zhǔn)確率。本文算法精度為66.2%,召回率為63.0%,F(xiàn)1值為64.6%。與其他三種分類預(yù)測算法相比,最優(yōu)F1值增加了4.1~5百分點,平均F1值增加了5.6~7.2百分點。與AdaBoost、Bagging和Random Forest相比,該算法使用較少的訓(xùn)練數(shù)據(jù)并獲得了更好的實驗結(jié)果。

    表10 公司金融事件檢測算法性能比較表

    (a) 精度

    3.5 概念漂移檢測評估

    為了進一步說明考慮動態(tài)數(shù)據(jù)流內(nèi)概念漂移檢測的必要性,本文進行概念漂移檢測對比實驗。如圖4所示,本文所提模型在時間窗口10、11、12、13、15、16、17、28、29和30中檢測到概念漂移。該模型使用概念漂移檢測機制調(diào)整更新基分類器,以確保模型能夠適應(yīng)概念漂移后的數(shù)據(jù)特征,從而確保模型對未來數(shù)據(jù)檢測性能的穩(wěn)定性。例如,當(dāng)模型從時間窗口10到17檢測到概念漂移時,調(diào)整更新模型中的分類器,在第18個窗口中的F1值明顯高于第17個窗口中的F1值,并在第19至27窗口中獲得更穩(wěn)定的實驗結(jié)果。

    圖4 Triggers-DSESVM的實驗結(jié)果

    為了顯示概念漂移檢測對實驗結(jié)果的影響,進行檢測概念漂移和未檢測概念漂移的進一步對比實驗。如表11所示,概念漂移檢測的實驗結(jié)果平均F1值增加了5.8百分點,明顯優(yōu)于未概念漂移檢測的結(jié)果。綜上,概念漂移檢測對實驗結(jié)果具有顯著影響,進一步證實在動態(tài)數(shù)據(jù)內(nèi)進行概念漂移檢測的必要性。

    表11 概念漂移檢測對比結(jié)果 %

    3.6 參數(shù)分析

    模型Triggers-DSESVM的部分參數(shù)參考李燕等[21]的參數(shù)設(shè)置。如數(shù)據(jù)塊尺寸d設(shè)置為500,集成分類器的基分類器個數(shù)K設(shè)置為9,錯誤分類緩沖實例的閾值e設(shè)置為100。

    3.6.1Word2vec維度選擇

    Word2vec的維度選擇對模型的復(fù)雜性和有效性有一定的影響。若維度較小,則表示的單詞將無法在語義上區(qū)分;若維度較大,則模型的時間復(fù)雜度和空間復(fù)雜度急劇增加,且模型的學(xué)習(xí)效率將降低。在此基礎(chǔ)上,進行維度選擇實驗,通過改變維度觀察模型的性能變化。實驗結(jié)果如表12所示。

    表12 不同詞向量維度的實驗結(jié)果表 %

    可以看出,當(dāng)維度從50增加到200時,F(xiàn)1值略微增加,然后開始衰減。因此,本模型的Word2vec維度選擇為200維。

    3.6.2文檔向量化表示的權(quán)重選擇

    在文檔中取出動詞后,將根據(jù)噪聲詞典和觸發(fā)詞典執(zhí)行去噪和加權(quán)處理。該方法可以消除噪聲的影響,增強文檔表示中觸發(fā)詞的權(quán)重,并最終使文檔得到更好的語義表示。若權(quán)重太小,觸發(fā)詞的影響將被削弱,且觸發(fā)詞在表示中的效果將會降低;而過大的權(quán)重設(shè)置將導(dǎo)致過分強調(diào)已知的觸發(fā)詞,忽略未知潛在觸發(fā)詞在文檔表示中的影響。實驗結(jié)果如表13所示。

    表13 不同權(quán)重設(shè)置下實驗結(jié)果表 %

    可以看出,去除噪聲的實驗效果明顯優(yōu)于未經(jīng)處理的實驗效果。當(dāng)權(quán)重設(shè)為1.4時,平均P與F1具有最佳實驗結(jié)果。因此,該模型選擇去噪,并將權(quán)重值設(shè)為1.4。

    4 結(jié) 語

    傳統(tǒng)的金融事件檢測方法存在短文本語義表示及動態(tài)分類檢測效果不理想等問題;傳統(tǒng)的文本表示方法存在高維、稀疏、語義信息丟失等;傳統(tǒng)分類檢測方法無法適用于具有概念漂移、數(shù)據(jù)量大、短句多和口語化等特征的社交媒體數(shù)據(jù)中。因此,本文提出了一種應(yīng)用于微博文本的公司金融事件檢測模型。為提高公司金融事件檢測性能,本文首先結(jié)合Word2vec與觸發(fā)詞對文檔進行表示,其次提出DSESVM集成分類算法來處理大量的微博文本流,以達到實時檢測事件的目的,來自微博的實際數(shù)據(jù)實驗結(jié)果證明了文檔向量化和集成數(shù)據(jù)流分類方法的有效性。

    后續(xù)研究將從以下兩個方面進一步完善提出的事件檢測模型:(1) 關(guān)注多標(biāo)簽數(shù)據(jù)分類問題,同一條微博信息可能與多種類型的金融事件有關(guān),因此如何解決這個問題是后續(xù)研究重點;(2) 目前算法中使用固定時間窗口且數(shù)據(jù)塊大小固定。由于實驗中流入時間窗的數(shù)據(jù)量導(dǎo)致實驗語料規(guī)模受限,會影響分類結(jié)果,因此將研究如何優(yōu)化算法以提高算法對數(shù)據(jù)規(guī)模的自適應(yīng)能力。

    猜你喜歡
    數(shù)據(jù)流詞典分類器
    汽車維修數(shù)據(jù)流基礎(chǔ)(下)
    米沃什詞典
    文苑(2019年24期)2020-01-06 12:06:50
    BP-GA光照分類器在車道線識別中的應(yīng)用
    電子測試(2018年1期)2018-04-18 11:52:35
    一種提高TCP與UDP數(shù)據(jù)流公平性的擁塞控制機制
    評《現(xiàn)代漢語詞典》(第6版)
    詞典例證翻譯標(biāo)準(zhǔn)探索
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
    基于數(shù)據(jù)流聚類的多目標(biāo)跟蹤算法
    北醫(yī)三院 數(shù)據(jù)流疏通就診量
    国产成人福利小说| 91麻豆精品激情在线观看国产| 天堂动漫精品| 亚洲五月婷婷丁香| 别揉我奶头~嗯~啊~动态视频| 免费人成视频x8x8入口观看| 人妻夜夜爽99麻豆av| 男人舔奶头视频| 久久精品国产自在天天线| 人人妻人人澡欧美一区二区| 国产高清激情床上av| 亚洲国产欧洲综合997久久,| 欧美性猛交╳xxx乱大交人| 精品久久久久久久毛片微露脸| 国产高清有码在线观看视频| 丝袜美腿在线中文| 男人的好看免费观看在线视频| 黄色片一级片一级黄色片| 91麻豆av在线| 久久久精品大字幕| 搞女人的毛片| 亚洲 欧美 日韩 在线 免费| 嫩草影视91久久| 国产一区二区在线观看日韩 | 男女做爰动态图高潮gif福利片| 男女床上黄色一级片免费看| 精品久久久久久久毛片微露脸| av视频在线观看入口| 国产亚洲av嫩草精品影院| 精品午夜福利视频在线观看一区| 成人精品一区二区免费| 99久久99久久久精品蜜桃| 午夜免费男女啪啪视频观看 | 18禁黄网站禁片免费观看直播| 婷婷精品国产亚洲av在线| 大型黄色视频在线免费观看| 亚洲精华国产精华精| 国产日本99.免费观看| 男女那种视频在线观看| 日本a在线网址| 亚洲人成电影免费在线| av片东京热男人的天堂| 黄色片一级片一级黄色片| 日韩欧美在线二视频| 天堂网av新在线| 可以在线观看的亚洲视频| 精品99又大又爽又粗少妇毛片 | 亚洲av二区三区四区| 国产又黄又爽又无遮挡在线| 色综合婷婷激情| 欧美绝顶高潮抽搐喷水| 国产探花极品一区二区| 国产激情偷乱视频一区二区| 91在线观看av| 99久久99久久久精品蜜桃| 国产欧美日韩精品一区二区| 黑人欧美特级aaaaaa片| 99热精品在线国产| 夜夜躁狠狠躁天天躁| 国内精品久久久久精免费| 国产成人av激情在线播放| 丁香六月欧美| 看片在线看免费视频| 欧美激情久久久久久爽电影| 中文亚洲av片在线观看爽| 精品一区二区三区人妻视频| av中文乱码字幕在线| 国产三级在线视频| 少妇的丰满在线观看| 久久九九热精品免费| 99精品久久久久人妻精品| 一个人观看的视频www高清免费观看| 国产精品 国内视频| 亚洲五月天丁香| 一个人免费在线观看电影| 日本免费a在线| 国产黄色小视频在线观看| 女人十人毛片免费观看3o分钟| 国产精品 国内视频| 亚洲av熟女| 久久久久国内视频| 美女cb高潮喷水在线观看| 毛片女人毛片| 成人鲁丝片一二三区免费| 两人在一起打扑克的视频| 9191精品国产免费久久| 午夜a级毛片| 亚洲精品影视一区二区三区av| 高清在线国产一区| 在线a可以看的网站| 午夜免费观看网址| 国产淫片久久久久久久久 | 亚洲久久久久久中文字幕| 亚洲色图av天堂| 搡女人真爽免费视频火全软件 | 中文字幕高清在线视频| 国产成人系列免费观看| av视频在线观看入口| 国产精品久久电影中文字幕| 国产一级毛片七仙女欲春2| 99精品欧美一区二区三区四区| 久久午夜亚洲精品久久| 欧美日本视频| 亚洲美女视频黄频| 99在线视频只有这里精品首页| 99热精品在线国产| 日韩欧美精品v在线| 91在线精品国自产拍蜜月 | 亚洲av成人av| 国产中年淑女户外野战色| 久久久久免费精品人妻一区二区| 一区福利在线观看| 好男人在线观看高清免费视频| 窝窝影院91人妻| 国产精品影院久久| 91久久精品国产一区二区成人 | 午夜福利在线在线| 久久6这里有精品| 亚洲国产精品久久男人天堂| 一区二区三区激情视频| 午夜福利免费观看在线| 国产v大片淫在线免费观看| 国产精品一区二区三区四区免费观看 | 久久人人精品亚洲av| 男女之事视频高清在线观看| 一进一出抽搐动态| 成熟少妇高潮喷水视频| 精品人妻偷拍中文字幕| 午夜福利在线在线| 丰满人妻一区二区三区视频av | 久久久久国内视频| 免费观看的影片在线观看| 精品人妻偷拍中文字幕| 亚洲,欧美精品.| 美女大奶头视频| 精品乱码久久久久久99久播| 99国产精品一区二区蜜桃av| 国产美女午夜福利| 日韩欧美在线二视频| 蜜桃亚洲精品一区二区三区| 99久久成人亚洲精品观看| 内射极品少妇av片p| 日本五十路高清| 国产精品免费一区二区三区在线| 此物有八面人人有两片| 国产精品日韩av在线免费观看| 国产成人福利小说| 午夜老司机福利剧场| 亚洲精品乱码久久久v下载方式 | 午夜福利欧美成人| 床上黄色一级片| 亚洲精品久久国产高清桃花| 国产成人av教育| 欧美3d第一页| aaaaa片日本免费| av黄色大香蕉| 白带黄色成豆腐渣| ponron亚洲| 欧美bdsm另类| 欧美日韩乱码在线| 麻豆成人午夜福利视频| av片东京热男人的天堂| 在线观看日韩欧美| 老司机福利观看| 中文在线观看免费www的网站| 波多野结衣巨乳人妻| 婷婷亚洲欧美| 国产精品久久久久久久电影 | 精品熟女少妇八av免费久了| 欧美成人免费av一区二区三区| 观看免费一级毛片| 在线观看舔阴道视频| 国产一区二区三区视频了| 久久欧美精品欧美久久欧美| 欧美中文综合在线视频| 免费观看精品视频网站| 欧美不卡视频在线免费观看| 国产成人福利小说| 丰满人妻熟妇乱又伦精品不卡| 91久久精品电影网| 一个人观看的视频www高清免费观看| 久久久久久久亚洲中文字幕 | 最新中文字幕久久久久| 少妇人妻精品综合一区二区 | 亚洲成人免费电影在线观看| 日本免费a在线| 国产综合懂色| av国产免费在线观看| 毛片女人毛片| 久久精品国产亚洲av涩爱 | 日韩欧美精品免费久久 | 精品国产亚洲在线| 精品免费久久久久久久清纯| 欧美最黄视频在线播放免费| 久久婷婷人人爽人人干人人爱| 国产真实乱freesex| 内射极品少妇av片p| 97超视频在线观看视频| 99久久综合精品五月天人人| 伊人久久大香线蕉亚洲五| 两个人视频免费观看高清| 淫妇啪啪啪对白视频| 亚洲精品一区av在线观看| 久久精品91无色码中文字幕| 国产午夜精品论理片| 久久久成人免费电影| 一进一出抽搐动态| 欧美三级亚洲精品| 男女视频在线观看网站免费| 天堂av国产一区二区熟女人妻| 国产不卡一卡二| 日韩欧美精品免费久久 | 亚洲精品亚洲一区二区| 亚洲五月婷婷丁香| 欧美乱色亚洲激情| 国产一区二区亚洲精品在线观看| 久久人妻av系列| 人人妻人人澡欧美一区二区| 别揉我奶头~嗯~啊~动态视频| 亚洲国产精品合色在线| 亚洲熟妇熟女久久| 级片在线观看| 男人舔女人下体高潮全视频| 色视频www国产| 岛国在线观看网站| 啦啦啦免费观看视频1| 色老头精品视频在线观看| 国产激情偷乱视频一区二区| 日韩中文字幕欧美一区二区| АⅤ资源中文在线天堂| 午夜精品在线福利| 欧美+日韩+精品| 日韩欧美三级三区| 久9热在线精品视频| 小蜜桃在线观看免费完整版高清| 男女下面进入的视频免费午夜| 岛国在线免费视频观看| 成人亚洲精品av一区二区| 国产精品乱码一区二三区的特点| 精品国产美女av久久久久小说| 成人av在线播放网站| 久久久久免费精品人妻一区二区| av中文乱码字幕在线| 性色avwww在线观看| www.熟女人妻精品国产| 欧美最新免费一区二区三区 | 老熟妇乱子伦视频在线观看| 丰满的人妻完整版| 日韩亚洲欧美综合| 香蕉久久夜色| 国产欧美日韩一区二区三| 午夜精品久久久久久毛片777| 又黄又粗又硬又大视频| 久久这里只有精品中国| 国产成人影院久久av| 高清在线国产一区| 成年版毛片免费区| 国产伦精品一区二区三区视频9 | 亚洲成a人片在线一区二区| 国产欧美日韩精品一区二区| 国产视频一区二区在线看| 午夜免费观看网址| 成人午夜高清在线视频| av女优亚洲男人天堂| 男女那种视频在线观看| 激情在线观看视频在线高清| 中文字幕人成人乱码亚洲影| 免费看美女性在线毛片视频| 国产日本99.免费观看| 人人妻人人看人人澡| 亚洲成人久久性| 国产三级黄色录像| 别揉我奶头~嗯~啊~动态视频| 国产精品99久久99久久久不卡| av在线天堂中文字幕| 日韩大尺度精品在线看网址| 国产精品av视频在线免费观看| 亚洲成a人片在线一区二区| 日本黄大片高清| 亚洲国产精品成人综合色| 9191精品国产免费久久| 色视频www国产| 一个人看的www免费观看视频| 淫秽高清视频在线观看| 91麻豆av在线| 国产精品久久久久久久电影 | 可以在线观看毛片的网站| 又粗又爽又猛毛片免费看| 露出奶头的视频| 国产97色在线日韩免费| 免费无遮挡裸体视频| 久久久成人免费电影| 久久久久九九精品影院| 怎么达到女性高潮| 国产午夜福利久久久久久| 欧美av亚洲av综合av国产av| 国产av在哪里看| 亚洲人成网站在线播| 国产单亲对白刺激| 亚洲一区高清亚洲精品| 精品久久久久久成人av| 熟女少妇亚洲综合色aaa.| 国内久久婷婷六月综合欲色啪| 亚洲人成网站在线播| 国产成人av激情在线播放| 免费一级毛片在线播放高清视频| 亚洲国产日韩欧美精品在线观看 | 欧美日韩黄片免| 亚洲中文字幕日韩| 久久久久久九九精品二区国产| 男女下面进入的视频免费午夜| 亚洲国产精品成人综合色| 在线播放无遮挡| 床上黄色一级片| 真实男女啪啪啪动态图| 宅男免费午夜| 中文字幕人妻熟人妻熟丝袜美 | 亚洲av成人精品一区久久| 国产不卡一卡二| 欧美黄色淫秽网站| 人人妻,人人澡人人爽秒播| 国产精品嫩草影院av在线观看 | 日本三级黄在线观看| 91av网一区二区| 亚洲欧美激情综合另类| 亚洲av成人不卡在线观看播放网| 久久久国产成人免费| 99视频精品全部免费 在线| 99国产精品一区二区蜜桃av| 国产精品乱码一区二三区的特点| 偷拍熟女少妇极品色| 小蜜桃在线观看免费完整版高清| 欧美日韩中文字幕国产精品一区二区三区| 国产精品一区二区免费欧美| 亚洲av美国av| 精品久久久久久久久久免费视频| 国产成年人精品一区二区| 精品人妻一区二区三区麻豆 | 狂野欧美白嫩少妇大欣赏| 不卡一级毛片| 麻豆成人午夜福利视频| 一进一出抽搐gif免费好疼| 禁无遮挡网站| 国内精品美女久久久久久| 俺也久久电影网| 黄色日韩在线| 色播亚洲综合网| 久久久久国产精品人妻aⅴ院| 观看美女的网站| 久久久久久久久中文| 国产一区二区在线av高清观看| 男女那种视频在线观看| 国产精品一区二区三区四区久久| 中文字幕久久专区| 天堂√8在线中文| 欧美一级a爱片免费观看看| 91麻豆精品激情在线观看国产| 欧美日韩亚洲国产一区二区在线观看| 色在线成人网| 给我免费播放毛片高清在线观看| 中文资源天堂在线| av中文乱码字幕在线| 亚洲欧美一区二区三区黑人| 夜夜夜夜夜久久久久| 香蕉久久夜色| 精华霜和精华液先用哪个| 天天添夜夜摸| 校园春色视频在线观看| 夜夜看夜夜爽夜夜摸| 亚洲熟妇熟女久久| 又爽又黄无遮挡网站| 久久国产精品影院| 日本精品一区二区三区蜜桃| 黄片大片在线免费观看| 小蜜桃在线观看免费完整版高清| 最新中文字幕久久久久| 男人和女人高潮做爰伦理| 国产亚洲精品综合一区在线观看| 18禁国产床啪视频网站| 精品久久久久久久久久免费视频| 亚洲熟妇熟女久久| 中文字幕高清在线视频| av在线天堂中文字幕| 精品一区二区三区av网在线观看| 成人特级黄色片久久久久久久| 欧美最新免费一区二区三区 | 一本久久中文字幕| 亚洲va日本ⅴa欧美va伊人久久| 床上黄色一级片| 成人18禁在线播放| 又粗又爽又猛毛片免费看| 免费搜索国产男女视频| 天堂av国产一区二区熟女人妻| 精品乱码久久久久久99久播| 亚洲avbb在线观看| 国产三级中文精品| 免费看十八禁软件| 国产激情偷乱视频一区二区| 午夜福利高清视频| 噜噜噜噜噜久久久久久91| 免费看日本二区| 亚洲精品一卡2卡三卡4卡5卡| АⅤ资源中文在线天堂| 好男人在线观看高清免费视频| 特级一级黄色大片| 在线观看一区二区三区| 99在线视频只有这里精品首页| 可以在线观看毛片的网站| 日本成人三级电影网站| 亚洲精品日韩av片在线观看 | 欧美zozozo另类| 国产视频内射| 亚洲午夜理论影院| 此物有八面人人有两片| 一本一本综合久久| 激情在线观看视频在线高清| 香蕉丝袜av| 窝窝影院91人妻| www.色视频.com| 又爽又黄无遮挡网站| 欧美一区二区精品小视频在线| 国产精品 国内视频| 成人永久免费在线观看视频| 露出奶头的视频| 宅男免费午夜| svipshipincom国产片| 婷婷精品国产亚洲av在线| 午夜精品在线福利| 国产亚洲精品久久久久久毛片| 国产高清有码在线观看视频| 国产伦在线观看视频一区| 亚洲av第一区精品v没综合| 精品福利观看| 男人和女人高潮做爰伦理| 在线观看av片永久免费下载| 欧美中文日本在线观看视频| 精品国产三级普通话版| 制服人妻中文乱码| 麻豆国产97在线/欧美| 一区二区三区国产精品乱码| 搡老妇女老女人老熟妇| 婷婷精品国产亚洲av| 一本久久中文字幕| 久久精品91蜜桃| 欧美xxxx黑人xx丫x性爽| 日韩精品中文字幕看吧| 激情在线观看视频在线高清| 十八禁人妻一区二区| 色哟哟哟哟哟哟| 国产成人av教育| 欧美av亚洲av综合av国产av| 级片在线观看| 国产三级黄色录像| 在线十欧美十亚洲十日本专区| 中亚洲国语对白在线视频| 国产一区二区三区视频了| 在线免费观看不下载黄p国产 | 亚洲国产日韩欧美精品在线观看 | 欧美激情久久久久久爽电影| 欧美性猛交黑人性爽| 1024手机看黄色片| 国产 一区 欧美 日韩| 久久人人精品亚洲av| 午夜精品在线福利| 国产精品1区2区在线观看.| 亚洲av第一区精品v没综合| 国内精品一区二区在线观看| 国产一区二区三区在线臀色熟女| 免费人成在线观看视频色| 亚洲精品色激情综合| 尤物成人国产欧美一区二区三区| 午夜a级毛片| 精品日产1卡2卡| 亚洲欧美日韩无卡精品| 午夜激情欧美在线| 亚洲成人久久性| tocl精华| 午夜福利在线观看免费完整高清在 | 欧美大码av| 男人舔女人下体高潮全视频| 欧美日韩亚洲国产一区二区在线观看| 2021天堂中文幕一二区在线观| 成年免费大片在线观看| 精品国产美女av久久久久小说| 窝窝影院91人妻| 性色av乱码一区二区三区2| 在线观看66精品国产| 麻豆国产av国片精品| 久久人人精品亚洲av| 在线播放国产精品三级| 欧美一区二区国产精品久久精品| 国产毛片a区久久久久| 一本久久中文字幕| 女人高潮潮喷娇喘18禁视频| 尤物成人国产欧美一区二区三区| 亚洲av日韩精品久久久久久密| 日韩国内少妇激情av| 最后的刺客免费高清国语| 日韩欧美 国产精品| 国产单亲对白刺激| 亚洲av免费在线观看| netflix在线观看网站| 夜夜爽天天搞| 日本免费一区二区三区高清不卡| 欧美极品一区二区三区四区| 亚洲熟妇中文字幕五十中出| 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| av天堂在线播放| 亚洲久久久久久中文字幕| 国产av不卡久久| 免费看光身美女| 禁无遮挡网站| 亚洲自拍偷在线| 真实男女啪啪啪动态图| 国内毛片毛片毛片毛片毛片| 熟女电影av网| 97超级碰碰碰精品色视频在线观看| 黄色女人牲交| 中文字幕高清在线视频| 亚洲精华国产精华精| 大型黄色视频在线免费观看| 日韩欧美在线二视频| 女生性感内裤真人,穿戴方法视频| 两性午夜刺激爽爽歪歪视频在线观看| 成年人黄色毛片网站| 日韩欧美精品v在线| 男女那种视频在线观看| 欧美日韩乱码在线| 亚洲中文字幕日韩| 女人被狂操c到高潮| 宅男免费午夜| 亚洲一区二区三区不卡视频| 免费观看的影片在线观看| 亚洲美女黄片视频| 国产成人a区在线观看| 欧美日韩乱码在线| 国内精品美女久久久久久| 亚洲第一欧美日韩一区二区三区| 一二三四社区在线视频社区8| 天天一区二区日本电影三级| 精品一区二区三区视频在线 | 九色国产91popny在线| 国产精品精品国产色婷婷| 国产亚洲精品久久久久久毛片| 99久久精品国产亚洲精品| 宅男免费午夜| 欧美绝顶高潮抽搐喷水| 真人一进一出gif抽搐免费| 精华霜和精华液先用哪个| 亚洲在线自拍视频| 一夜夜www| 每晚都被弄得嗷嗷叫到高潮| 欧美另类亚洲清纯唯美| 国产精品三级大全| 亚洲av五月六月丁香网| 午夜激情福利司机影院| 香蕉av资源在线| 欧美日韩国产亚洲二区| 亚洲av免费高清在线观看| av国产免费在线观看| 日日夜夜操网爽| 啪啪无遮挡十八禁网站| 国产三级中文精品| 亚洲天堂国产精品一区在线| 乱人视频在线观看| 亚洲精品在线美女| 成熟少妇高潮喷水视频| 九九热线精品视视频播放| 久久国产精品影院| 欧美丝袜亚洲另类 | 亚洲国产精品999在线| 午夜精品一区二区三区免费看| 欧美zozozo另类| 嫩草影视91久久| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 亚洲无线在线观看| 变态另类成人亚洲欧美熟女| 欧美色欧美亚洲另类二区| 美女黄网站色视频| 欧美精品啪啪一区二区三区| bbb黄色大片| 18禁国产床啪视频网站| 亚洲va日本ⅴa欧美va伊人久久| 成人av在线播放网站| 国产免费av片在线观看野外av| 好看av亚洲va欧美ⅴa在| 岛国在线免费视频观看| 久久香蕉精品热| 无人区码免费观看不卡| 亚洲精品日韩av片在线观看 | 免费人成视频x8x8入口观看| 少妇高潮的动态图| 国产精品 国内视频| 亚洲 欧美 日韩 在线 免费| 1024手机看黄色片| 国产三级在线视频| 婷婷丁香在线五月| 国产精品久久久久久精品电影| 中文在线观看免费www的网站| 变态另类丝袜制服| 久久久久免费精品人妻一区二区| 岛国在线免费视频观看| 中文亚洲av片在线观看爽| 国产美女午夜福利| 欧美av亚洲av综合av国产av| 国产高清videossex| 九色成人免费人妻av| 国产熟女xx| 夜夜爽天天搞| 悠悠久久av| 亚洲精品456在线播放app | 色综合婷婷激情| 色播亚洲综合网| 成人av一区二区三区在线看|