• <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 ?

    基于核非負(fù)矩陣分解的有向圖聚類(lèi)算法

    2022-01-05 02:31:12胡麗瑩林曉煒陳黎飛
    計(jì)算機(jī)應(yīng)用 2021年12期
    關(guān)鍵詞:有向圖相似性聚類(lèi)

    陳 獻(xiàn),胡麗瑩*,林曉煒,陳黎飛,3

    (1.福建師范大學(xué)計(jì)算機(jī)與網(wǎng)絡(luò)空間安全學(xué)院,福州 350117;2.數(shù)字福建環(huán)境監(jiān)測(cè)物聯(lián)網(wǎng)實(shí)驗(yàn)室(福建師范大學(xué)),福州 350117;3.福建省應(yīng)用數(shù)學(xué)中心(福建師范大學(xué)),福州 350117)

    (?通信作者電子郵箱hlyxyz@fjnu.edu.cn)

    0 引言

    圖結(jié)構(gòu)可以自然地表示網(wǎng)狀結(jié)構(gòu)的數(shù)據(jù),如社交網(wǎng)絡(luò)、電力網(wǎng)絡(luò)、引文網(wǎng)絡(luò)、運(yùn)輸網(wǎng)絡(luò)、蛋白質(zhì)-蛋白質(zhì)相互作用網(wǎng)絡(luò)[1]等。隨著各個(gè)領(lǐng)域網(wǎng)絡(luò)數(shù)據(jù)的增長(zhǎng)以及對(duì)網(wǎng)絡(luò)數(shù)據(jù)處理的迫切需求,分析圖結(jié)構(gòu)以及挖掘圖結(jié)構(gòu)中的關(guān)系信息成為了熱點(diǎn)問(wèn)題,圖聚類(lèi)[2]是其中的一項(xiàng)基礎(chǔ)研究課題。圖聚類(lèi)根據(jù)節(jié)點(diǎn)及節(jié)點(diǎn)間連接關(guān)系的相似性將節(jié)點(diǎn)劃分為簇,使得簇內(nèi)節(jié)點(diǎn)相似度較高,簇間的節(jié)點(diǎn)則差異較大。

    目前已提出多種圖聚類(lèi)算法,包括基于圖分割的算法[3]、層次聚類(lèi)算法[4]、譜聚類(lèi)算法[5]等,這些算法大多忽視節(jié)點(diǎn)連邊的方向性,把有向圖轉(zhuǎn)化為有無(wú)向圖進(jìn)行處理。對(duì)于有向網(wǎng)絡(luò)如引文網(wǎng)絡(luò)、基因轉(zhuǎn)移網(wǎng)絡(luò)、運(yùn)輸網(wǎng)絡(luò)等,若以無(wú)向圖方式處理將丟失有用信息甚至引發(fā)歧義。例如,對(duì)于由文獻(xiàn)間引用和被引用關(guān)系構(gòu)成的引文網(wǎng)絡(luò),當(dāng)看作無(wú)向圖時(shí),將出現(xiàn)文獻(xiàn)間僅存在的單方面引用關(guān)系變成同時(shí)包含引用和被引用雙向關(guān)系的錯(cuò)誤情形。為有效建模節(jié)點(diǎn)間連接關(guān)系的方向性,目前典型的方法是將無(wú)向圖聚類(lèi)算法推廣到有向圖,如Satuluri 等[6]提出的轉(zhuǎn)換有向圖為無(wú)向加權(quán)圖的方法,通過(guò)有向圖上非對(duì)稱(chēng)鄰接矩陣隨機(jī)游走對(duì)稱(chēng)化或節(jié)點(diǎn)的入度和出度對(duì)稱(chēng)化手段來(lái)構(gòu)造新的對(duì)稱(chēng)鄰接矩陣,但這種方法可能導(dǎo)致有向圖上某些獨(dú)特的邊方向性信息丟失?;贚aplacian 矩陣的多種譜聚類(lèi)算法[7-9]則將聚類(lèi)目標(biāo)函數(shù)擴(kuò)展到有向圖中,并對(duì)得到的拉普拉斯矩陣做特征值分解;但該矩陣的特征值可能存在負(fù)值,降低了所構(gòu)造模型的可解釋性。

    基于非負(fù)矩陣分解(Nonnegative Matrix Factorization,NMF)[10]的一類(lèi)方法[11-12]則通過(guò)將圖鄰接矩陣的非負(fù)結(jié)構(gòu)分解(structured factorization)實(shí)現(xiàn)圖聚類(lèi)。由于被分解的可以是非對(duì)稱(chēng)矩陣且分解結(jié)果均為非負(fù)矩陣,該類(lèi)方法對(duì)有向圖聚類(lèi)具有良好的適應(yīng)性和可解釋性,近年來(lái)得到廣泛關(guān)注。譬如,Wang 等[11]提出的非對(duì)稱(chēng)非負(fù)矩陣分解(Asymmetric NMF,ANMF)算法將有向圖的非對(duì)稱(chēng)鄰接矩陣分解為分別表示“節(jié)點(diǎn)-簇”隸屬度和簇間相似性的非負(fù)矩陣,進(jìn)而基于隸屬度矩陣對(duì)節(jié)點(diǎn)進(jìn)行簇劃分;在此基礎(chǔ)上,Tosyali等[12]引入節(jié)點(diǎn)間的相似先驗(yàn)信息為正則項(xiàng),構(gòu)造了正則化的非對(duì)稱(chēng)非負(fù)矩陣分解(Regularized Asymmetric NMF,RANMF)算法,提高了有向圖聚類(lèi)的準(zhǔn)確性和魯棒性。

    然而,以上算法忽略了有向圖上潛在的節(jié)點(diǎn)間的非線(xiàn)性關(guān)系。在許多實(shí)際應(yīng)用產(chǎn)生的圖(網(wǎng)絡(luò))中,節(jié)點(diǎn)與節(jié)點(diǎn)之間通常是非線(xiàn)性相關(guān)的。如社交網(wǎng)絡(luò)中,個(gè)體(節(jié)點(diǎn))之間的關(guān)系并不是單一的,有可能是同事、家人甚至更復(fù)雜的人際關(guān)系(有向邊)。顯然,這些關(guān)系不能簡(jiǎn)單地以線(xiàn)性方式來(lái)逼近。當(dāng)前,深度學(xué)習(xí)(deep learning)與核學(xué)習(xí)(kernel learning)是兩種主流的節(jié)點(diǎn)間非線(xiàn)性關(guān)系建模方法。例如,Perozzi 等[13]提出深度游走(DeepWalk)算法,通過(guò)隨機(jī)游走捕捉圖的高階近鄰結(jié)構(gòu),進(jìn)而將深度學(xué)習(xí)技術(shù)運(yùn)用到圖聚類(lèi)問(wèn)題中;但是,該算法并未考慮節(jié)點(diǎn)間連接的方向性。核學(xué)習(xí)方法[14]通過(guò)將低維數(shù)據(jù)嵌入到高維核空間中,使得低維不可分?jǐn)?shù)據(jù)在新空間中線(xiàn)性可分或接近線(xiàn)性可分,從而有效挖掘隱含在數(shù)據(jù)中的非線(xiàn)性關(guān)系。近年,已提出多種核非負(fù)矩陣分解(Kernel NMF,KNMF)算法,利用小樣本條件下核學(xué)習(xí)方法在非線(xiàn)性學(xué)習(xí)中的良好性能進(jìn)行人臉識(shí)別、文本聚類(lèi)等[15-18]。

    本文提出用于非線(xiàn)性有向圖聚類(lèi)的核非負(fù)矩陣分解算法,稱(chēng)為正則化的核非對(duì)稱(chēng)非負(fù)矩陣分解(Regularized Kernel Asymmetric NMF,RKANMF)。首先,基于核化機(jī)制構(gòu)造了有向圖核聚類(lèi)目標(biāo)函數(shù),定義了約束核空間中節(jié)點(diǎn)相似性關(guān)系的正則化項(xiàng),以保持原空間中節(jié)點(diǎn)間相似關(guān)系的同時(shí)強(qiáng)化核空間中同簇節(jié)點(diǎn)間的(非線(xiàn)性)相似性;其次,基于梯度下降法提出了一種聚類(lèi)優(yōu)化算法,證明了算法的收斂性;最后,在8個(gè)有向網(wǎng)絡(luò)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),并與深度學(xué)習(xí)算法等進(jìn)行了對(duì)比,實(shí)驗(yàn)結(jié)果驗(yàn)證了所提算法的有效性。

    1 相關(guān)工作

    1.1 基本定義

    定義1有向圖。在有向圖中G=(V,E),邊(i,j)∈E將節(jié)點(diǎn)i連接到節(jié)點(diǎn)j,|V|表示節(jié)點(diǎn)數(shù),|E|表示邊數(shù)。有向圖可以由鄰接矩陣來(lái)表示。

    構(gòu)建有向圖鄰接矩陣:鄰接矩陣A∈Rn×n+,其中n是節(jié)點(diǎn)數(shù),若從節(jié)點(diǎn)到節(jié)點(diǎn)存在有向邊,[A]ij=1,否則[A]ij=0。特別地,[A]ii=0。本文用[·]ij表示矩陣第i行第j列元素。

    圖聚類(lèi)基于節(jié)點(diǎn)間的相似性:節(jié)點(diǎn)之間越相似,則越可能劃分到同一個(gè)簇。文獻(xiàn)中常用的節(jié)點(diǎn)相似性度量有:

    1)Katz 中心相似性度量[19]。對(duì)于圖中每一條路徑,利用加權(quán)方案計(jì)算其權(quán)重,公式如下:

    其中:I為元素全為1 的矩陣;當(dāng)參數(shù)β<1 時(shí),較長(zhǎng)的路徑將分配到較小的權(quán)重,較短的路徑則獲得更大的權(quán)重,權(quán)重越大,節(jié)點(diǎn)間就越相似。

    2)余弦相似性度量[19]。計(jì)算節(jié)點(diǎn)間公共鄰居的數(shù)量,公共鄰居的數(shù)量越多表示節(jié)點(diǎn)間越相似。計(jì)算公式為:

    其中:cij表示節(jié)點(diǎn)i與節(jié)點(diǎn)j的公共鄰居數(shù)量;為由所有鄰居數(shù)量組成的向量的長(zhǎng)度,取值在0到1之間。余弦相似度為1表示兩個(gè)節(jié)點(diǎn)具有相同的鄰居,0則表示沒(méi)有相同鄰居。

    1.2 基于NMF的聚類(lèi)算法

    其中:r?min{m,n}為分解矩陣的秩;‖?‖F(xiàn)表示矩陣的Frobenious 范數(shù)。對(duì)于聚類(lèi)任務(wù)[20],分解結(jié)果中的W可以視為隸屬度矩陣,根據(jù)規(guī)則將第i個(gè)樣本xi分配到隸屬度最大的簇j*,完成聚類(lèi)。

    下面介紹兩種基于NMF 的代表性有向圖聚類(lèi)算法:ANMF[12]和RANMF[13]算法。ANMF 將式(3)中的B矩陣用HWT代替,其中,,定義其優(yōu)化問(wèn)題如下:

    RANMF 在A(yíng)NMF 算法基礎(chǔ)上添加了圖正則化項(xiàng),對(duì)同簇節(jié)點(diǎn)間的相似性進(jìn)行約束,其定義的優(yōu)化問(wèn)題如下:

    其中:Tr(?)是矩陣的跡;S是節(jié)點(diǎn)間相似性矩陣;D為對(duì)角矩陣,其中每個(gè)對(duì)角元Dii是矩陣S的第i行元素的和。

    1.3 核函數(shù)與KNMF

    核函數(shù)是從低維空間到高維空間中的一種映射函數(shù)。設(shè)R為輸入空間,H為特征空間(希爾伯特空間或核再生空間,以下簡(jiǎn)稱(chēng)核空間),核學(xué)習(xí)方法[14]利用核函數(shù)實(shí)現(xiàn)從R到H的映射:φ(X):R→H。對(duì)于輸入空間的樣本對(duì)(xi,xj),核技巧(kernel trick)通過(guò)替換核空間中樣本對(duì)的內(nèi)積為核函數(shù)κ(xi,xj)的值(核化),解決φ(X)難于計(jì)算的問(wèn)題,即:

    常用的核函數(shù)包括多項(xiàng)式核函數(shù)和徑向基核函數(shù)等,其定義分別如下:

    為捕捉數(shù)據(jù)中的局部結(jié)構(gòu)信息,文獻(xiàn)[21]新近提出了分?jǐn)?shù)階核(Fractional power kernel):

    其中:zd表示任意向量z中每個(gè)元素的d次冪。鑒于圖聚類(lèi)的目的在于根據(jù)圖的局部結(jié)構(gòu)特性進(jìn)行節(jié)點(diǎn)分組,本文采用如式(4)所示的分?jǐn)?shù)階核函數(shù),并用矩陣形式加以表示,如下:

    在傳統(tǒng)NMF 的基礎(chǔ)上,利用上述核化機(jī)制可以對(duì)輸入矩陣進(jìn)行核非負(fù)矩陣分解(KNMF)。例如,基于KNMF 的人臉識(shí)別[17-18]定義其優(yōu)化問(wèn)題為:

    意在優(yōu)化兩個(gè)非負(fù)矩陣W和B,使得映射后的人臉圖像在核空間可以近似地表示為基圖像的線(xiàn)性組合,即:φ(X)≈φ(W)B。相比僅能對(duì)數(shù)據(jù)中線(xiàn)性關(guān)系建模的傳統(tǒng)NMF,KNMF 的優(yōu)勢(shì)在于可以通過(guò)核函數(shù)對(duì)數(shù)據(jù)進(jìn)行高維映射發(fā)掘隱含的非線(xiàn)性特征,并利用核技巧降低算法的時(shí)間復(fù)雜度。

    2 RKANMF有向圖聚類(lèi)算法

    本章討論基于正則化核非對(duì)稱(chēng)非負(fù)矩陣分解(RKANMF)的有向圖聚類(lèi)算法。首先構(gòu)造了新的聚類(lèi)優(yōu)化目標(biāo)函數(shù),給出參數(shù)優(yōu)化方法;接著,提出優(yōu)化該目標(biāo)函數(shù)的聚類(lèi)算法,并嚴(yán)格證明了算法的收斂性。

    2.1 聚類(lèi)目標(biāo)函數(shù)及其優(yōu)化方法

    為在保持原空間中節(jié)點(diǎn)間(線(xiàn)性)相似關(guān)系的同時(shí)強(qiáng)化核空間中同簇節(jié)點(diǎn)間的(非線(xiàn)性)相似性,在構(gòu)造約束核空間中節(jié)點(diǎn)相似性關(guān)系的正則項(xiàng)的基礎(chǔ)上,利用核化機(jī)制定義RKANMF有向圖核聚類(lèi)目標(biāo)函數(shù)如下:

    其中:D是對(duì)角線(xiàn)矩陣,其對(duì)角元Dii是矩陣S的第i行的和。整理聚類(lèi)目標(biāo)函數(shù)式(6)得到:

    從優(yōu)化角度分析,聚類(lèi)是求解聚類(lèi)目標(biāo)函數(shù)最優(yōu)值的過(guò)程,即在矩陣W和H非負(fù)約束條件下最小化式(7)。根據(jù)梯度下降方法,矩陣W和H通過(guò)迭代以下乘法更新規(guī)則求解:

    其中Zd表示矩陣Z中每個(gè)元素的d次冪。

    2.2 聚類(lèi)算法及收斂性分析

    依據(jù)2.1 節(jié)中W和H的更新公式(式(8)和(9)),提出基于RKANMF的有向圖聚類(lèi)算法,具體描述如下:

    算法 基于RKANMF的有向圖聚類(lèi)算法。

    計(jì)算KWAWd和KWWHKWW的時(shí)間復(fù)雜度分別為O(n2r)和O(r2(r+n)),由于r<n,每次迭代更新公式H的時(shí)間復(fù)雜度為O(n2r)。同理,每次迭代更新W的時(shí)間復(fù)雜度為O(n2r),因此,算法在不考慮迭代次數(shù)的情況下,時(shí)間復(fù)雜度為O(n2r)。

    接著對(duì)算法的收斂性進(jìn)行分析,借鑒文獻(xiàn)[11,22]中的輔助函數(shù)法來(lái)證明在所提更新規(guī)則下算法的收斂性。

    定理1式(7)中的目標(biāo)函數(shù)在矩陣W和H的更新規(guī)則式(8)和(9)下是單調(diào)非增的。

    證明 當(dāng)固定H時(shí),令

    可得以下三個(gè)不等式:

    令φ(W)=Wd,即得式(8)中W的更新公式。

    同理,當(dāng)W固定時(shí),正則項(xiàng)部分與H無(wú)關(guān)。此時(shí),令

    則有:

    得出式(8)中H的乘法更新公式。又由于

    3 實(shí)驗(yàn)與分析

    本章通過(guò)在三個(gè)領(lǐng)域有向網(wǎng)絡(luò)數(shù)據(jù)集上的實(shí)驗(yàn)來(lái)驗(yàn)證所提算法RKANMF 在有向圖聚類(lèi)中的有效性,并與當(dāng)前若干主流算法(ANMF[11]、RANMF[12]及DeepWalk 算法[13])進(jìn)行對(duì)比。實(shí)驗(yàn)平臺(tái)如下:Core i7-9750 2.60 GHz CPU,16.00 GB 內(nèi)存,操作系統(tǒng)為Windows 10。

    3.1 數(shù)據(jù)集

    實(shí)驗(yàn)使用的有向網(wǎng)絡(luò)數(shù)據(jù)集包含專(zhuān)利-引文網(wǎng)絡(luò)(Patent Citation Network,PCN)數(shù)據(jù)集[23]、World Wide Knowledge Base(WebKB)數(shù)據(jù)集[24]和人工合成網(wǎng)絡(luò)LFR(Lancichinetti-Fortunato-Radicchi)數(shù)據(jù)集[25],數(shù)據(jù)集的詳細(xì)信息見(jiàn)表1。

    表1 有向網(wǎng)絡(luò)數(shù)據(jù)集的詳細(xì)信息Tab.1 Details of directed network datasets

    ①PCN 數(shù)據(jù)集。PCN 由4 142 個(gè)節(jié)點(diǎn)和18 385 條邊組成,形成一個(gè)單一的連接樹(shù)結(jié)構(gòu)。本文選擇PCN 中的149個(gè)節(jié)點(diǎn)(專(zhuān)利)和215 個(gè)有向邊(引用)來(lái)檢驗(yàn)聚類(lèi)效果。由于同一簇的專(zhuān)利不一定具有直接公共鄰居,而是具有一個(gè)或多個(gè)中間專(zhuān)利連接的非中間鄰居,因此根據(jù)式(1)計(jì)算相似矩陣。由于PCN數(shù)據(jù)集沒(méi)有提供節(jié)點(diǎn)標(biāo)簽,因此該數(shù)據(jù)集的簇?cái)?shù)目未知,表1用“—”給予了標(biāo)識(shí)。

    ②WebKB 數(shù)據(jù)集。該數(shù)據(jù)集包含從4 所大學(xué)(Cornel、Texas、Washington 和Wisconsin)收集的網(wǎng)頁(yè),網(wǎng)頁(yè)分為學(xué)生、課程、項(xiàng)目、教師和工作人員5 類(lèi)。通常,一個(gè)高質(zhì)量的簇應(yīng)具有較少的簇間連接和更多的簇內(nèi)連接。由于WebKB 數(shù)據(jù)集中的簇與簇之間的連通性較高,選用式(2)計(jì)算節(jié)點(diǎn)間的相似矩陣。

    ③LFR 數(shù)據(jù)集。LFR 是一個(gè)人工合成數(shù)據(jù)集,包含的網(wǎng)絡(luò)是根據(jù)某些參數(shù)控制的機(jī)制產(chǎn)生的。比如,通過(guò)混合參數(shù)μ控制合成網(wǎng)絡(luò)中簇間連通性的強(qiáng)度,其值越大意味著更強(qiáng)的簇間連通性。本文取μ=0.1,0.3,0.5(分別對(duì)應(yīng)表1 中的LFR1、LFR2 和LFR3),并使用Katz 中心相似性度量式(2)計(jì)算節(jié)點(diǎn)間的相似矩陣。

    3.2 評(píng)價(jià)指標(biāo)

    當(dāng)數(shù)據(jù)集沒(méi)有真實(shí)簇劃分時(shí)采用Davies-Bouldin(DB)指標(biāo)[26]和Distance-based Quality Function(DQF)指標(biāo)[27]評(píng)價(jià)多個(gè)算法的聚類(lèi)結(jié)果質(zhì)量;當(dāng)存在真實(shí)簇劃分時(shí)采用聚類(lèi)準(zhǔn)確率(ACcuracy,AC)指標(biāo)、NMI 指標(biāo)及Jaccard 指標(biāo)[28]。各指標(biāo)簡(jiǎn)要介紹如下:

    ①DB指標(biāo)。

    計(jì)算簇內(nèi)散射與簇間分離之比,公式如下:

    其中:N表示簇的個(gè)數(shù);表示第i個(gè)簇中節(jié)點(diǎn)的平均分散程度;Mij為第i類(lèi)與第j類(lèi)簇的距離。當(dāng)DB 指標(biāo)值越小時(shí),算法得到的聚類(lèi)效果越好。

    ②DQF指標(biāo)。

    計(jì)算簇與簇之間的平均距離,公式如下:

    其中:A表示鄰接矩陣;是根據(jù)算法得到節(jié)點(diǎn)簇集合劃分r個(gè)簇后構(gòu)建的新鄰接矩陣,若節(jié)點(diǎn)i與j同簇,則。DQF指標(biāo)越高,則得到的聚類(lèi)結(jié)果越好。

    ③AC指標(biāo)。

    計(jì)算預(yù)測(cè)的節(jié)點(diǎn)簇集合的準(zhǔn)確率,公式如下:

    其中:n表示節(jié)點(diǎn)個(gè)數(shù);ri、si分別為第i個(gè)節(jié)點(diǎn)所對(duì)應(yīng)的獲得的標(biāo)簽和真實(shí)標(biāo)簽;map(ri)是一個(gè)映射函數(shù),表示將ri映射到相應(yīng)的節(jié)點(diǎn)簇類(lèi)上。δ是指示函數(shù),其公式如下:

    AC指標(biāo)越高,聚類(lèi)質(zhì)量越高。

    ④NMI指標(biāo)。

    計(jì)算預(yù)測(cè)的節(jié)點(diǎn)簇集合與真實(shí)節(jié)點(diǎn)簇劃分的相似度,公式如下:

    其中:C1和C2分別是預(yù)測(cè)的節(jié)點(diǎn)簇集合與真實(shí)節(jié)點(diǎn)簇集合;分別表示真實(shí)簇的數(shù)目與預(yù)測(cè)簇的數(shù)目;矩陣R=代表混淆矩陣,rij為真實(shí)簇的節(jié)點(diǎn)i出現(xiàn)在發(fā)現(xiàn)簇j的數(shù)量,ri?和r?j分別是混淆矩陣第i行的和與第j列的和。NMI指標(biāo)越高則聚類(lèi)質(zhì)量越好。

    ⑤Jaccard指標(biāo)。

    計(jì)算預(yù)測(cè)的節(jié)點(diǎn)簇集合與真實(shí)節(jié)點(diǎn)簇集合的交集和并集之比,公式如下:

    其中:C1表示預(yù)測(cè)的節(jié)點(diǎn)簇集合,C2為真實(shí)節(jié)點(diǎn)簇集合。Jaccard指標(biāo)越高,則得到聚類(lèi)結(jié)果與真實(shí)簇劃分越相似。

    3.3 參數(shù)設(shè)置

    為檢驗(yàn)本文RKANMF 算法是否能有效建模節(jié)點(diǎn)間的非線(xiàn)性關(guān)系,將它與ANMF算法[11]、RANMF算法[12]進(jìn)行了比較,并通過(guò)對(duì)比DeepWalk算法[13],檢驗(yàn)了小樣本條件下算法對(duì)有向聚類(lèi)的準(zhǔn)確性。

    在對(duì)不同網(wǎng)絡(luò)數(shù)據(jù)集的實(shí)驗(yàn)中,RANMF 算法與ANMF 算法中Katz 中心相似性度量的β參數(shù)以及懲罰項(xiàng)權(quán)重系數(shù)λ的設(shè)置與文獻(xiàn)[12]中的最佳參數(shù)一致,所有基于NMF 的算法統(tǒng)一設(shè)置迭代停止精度ε=10-6。DeepWalk 算法參照文獻(xiàn)[13]設(shè)置每個(gè)節(jié)點(diǎn)出發(fā)游走10 次,游走長(zhǎng)度為10;skip-gram 模型設(shè)置詞向量的維度為30,窗口大小設(shè)置為7。

    簇的數(shù)目r值是有向圖聚類(lèi)算法的重要問(wèn)題,也是各個(gè)算法需要設(shè)置的先驗(yàn)參數(shù),本文在具有類(lèi)標(biāo)簽的數(shù)據(jù)集上采用真實(shí)簇的數(shù)目作為r值,對(duì)于沒(méi)有類(lèi)標(biāo)簽的PCN 數(shù)據(jù)集,選取不同的r值來(lái)對(duì)算法性能進(jìn)行測(cè)試。

    在真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集中(PCN 和WebKB 數(shù)據(jù)集)重點(diǎn)討論分?jǐn)?shù)階核的次冪d值與懲罰項(xiàng)權(quán)重系數(shù)λ值對(duì)RKANMF 算法的影響。在PCN 數(shù)據(jù)集的實(shí)驗(yàn)中,為了與ANMF 與RANMF算法進(jìn)行對(duì)照實(shí)驗(yàn),RKANMF 算法設(shè)置共同的參數(shù)λ=0.1,β=0.2。當(dāng)參數(shù)d值取得過(guò)小時(shí),計(jì)算過(guò)程中,W的更新公式(8)中的分母可能會(huì)接近于0,因此選擇d值在0.2 到0.9 區(qū)間。圖1與圖2顯示當(dāng)簇?cái)?shù)r=2,d=0.2時(shí),RKANMF 算法在DB與DQF指標(biāo)上均取得最優(yōu)。隨著d值增加,越趨近于1時(shí),算法不再對(duì)節(jié)點(diǎn)間的非線(xiàn)性關(guān)系建模,從而導(dǎo)致聚類(lèi)質(zhì)量下降。為檢驗(yàn)簇?cái)?shù)不同時(shí)對(duì)算法的影響,統(tǒng)一設(shè)置參數(shù)d=0.2。

    圖1 參數(shù)d對(duì)DB指標(biāo)的影響Fig.1 Influence of parameter d on DB index

    圖2 參數(shù)d對(duì)DQF指標(biāo)的影響Fig.2 Influence of parameter d on DQF index

    在具有真實(shí)簇劃分的WebKB 數(shù)據(jù)集實(shí)驗(yàn)中,著重考慮d值在0.2 到0.9 區(qū)間變化時(shí),RKANMF 算法對(duì)AC 指標(biāo)的影響。結(jié)果如圖3所示,在多個(gè)子數(shù)據(jù)集上,當(dāng)d值在0.4到0.5之間時(shí),算法的聚類(lèi)結(jié)果在A(yíng)C 指標(biāo)上更高。當(dāng)d值趨于1 時(shí)AC指標(biāo)呈下降趨勢(shì),算法不再建模節(jié)點(diǎn)間的非線(xiàn)性關(guān)系從而導(dǎo)致聚類(lèi)質(zhì)量下降。根據(jù)圖3,對(duì)四個(gè)子數(shù)據(jù)集(Cornel、Texas、Washington 和Wisconsin)分別取合適的d值為0.4、0.4、0.9和0.5。

    圖3 WebKB數(shù)據(jù)集上d值對(duì)AC指標(biāo)影響Fig.3 Influence of d value on AC index on WebKB dataset

    為考慮λ值對(duì)算法的影響,當(dāng)固定d值后,設(shè)置權(quán)重系數(shù)λ值區(qū)間為0 到500。圖4 顯示,當(dāng)λ值越大時(shí),算法越傾向于考慮節(jié)點(diǎn)間的相似性信息;當(dāng)λ值過(guò)大時(shí),算法過(guò)于依賴(lài)節(jié)點(diǎn)相似性,將原來(lái)屬于不同簇的節(jié)點(diǎn)劃分到同一簇中從而導(dǎo)致聚類(lèi)準(zhǔn)確性下降。根據(jù)圖4,對(duì)四個(gè)子數(shù)據(jù)集(Cornel、Texas、Washington 和Wisconsin)分別取合適的λ值為20、5、50 和20。同理,在LFR 的3個(gè)數(shù)據(jù)集中,所提算法通過(guò)對(duì)比多次得到的AC指標(biāo)值,設(shè)置合適的參數(shù)β=0.1,λ=0.1,d=0.88。

    圖4 WebKB數(shù)據(jù)集中λ值對(duì)AC指標(biāo)影響Fig.4 Influence of λ value on AC index on WebKB dataset

    3.4 PCN數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果對(duì)比分析

    本節(jié)使用PCN 數(shù)據(jù)集[23]來(lái)檢驗(yàn)四種算法的性能表現(xiàn)。表2 是利用DB 和DQF 指標(biāo)上對(duì)不同算法進(jìn)行比較的結(jié)果。方便起見(jiàn),表中均采用“Rnd”對(duì)隨機(jī)初始化策略進(jìn)行標(biāo)識(shí);用“SVD”表示基于SVD策略[12]的初始化,方法與文獻(xiàn)[12]一致;使用隨機(jī)初始化策略的算法運(yùn)行100 次,每一次都按不同的初始化矩陣進(jìn)行迭代,取最終結(jié)果的平均值。

    表2 簇?cái)?shù)(r)不同時(shí)各算法在PCN上的DB和DQF指標(biāo)比較Tab.2 Comparison of DB and DQF indexes on PCN for each algorithm with different number of clusters(r)

    表2 結(jié)果表明,隨著簇?cái)?shù)r的增加,所有算法的聚類(lèi)質(zhì)量均有所下降,說(shuō)明當(dāng)簇的數(shù)目r越來(lái)越多時(shí),本應(yīng)該劃分到相同簇的節(jié)點(diǎn)被分到不同簇,導(dǎo)致聚類(lèi)質(zhì)量降低。對(duì)于DB 指標(biāo),當(dāng)簇?cái)?shù)r=6 時(shí),RANMF 算法與RKANMF 算法的DB 指標(biāo)均低于DeepWalk 算法,這是由于過(guò)多考慮非中間鄰居從而導(dǎo)致聚類(lèi)效果變差。對(duì)于DQF 指標(biāo),在隨機(jī)初始化的情況下,所提算法也能比基于SVD 策略初始化[12]的RANMF 與ANMF算法在DQF 指標(biāo)上取得更好的表現(xiàn)。這說(shuō)明RKANMF 算法有效地對(duì)節(jié)點(diǎn)間的非線(xiàn)性關(guān)系建模得到了更好的特征表示,顯著提高了聚類(lèi)質(zhì)量。對(duì)比三種基于NMF 的算法可知,好的初始化策略及考慮了非線(xiàn)性關(guān)系的NMF 算法均能避免分解過(guò)程陷入較差的局部最優(yōu)值。

    3.5 WebKB數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果對(duì)比分析

    本節(jié)使用WebKB 數(shù)據(jù)集[24]中的四個(gè)子數(shù)據(jù)集來(lái)檢驗(yàn)幾種算法在數(shù)據(jù)集的簇間連通性強(qiáng)時(shí)的性能,結(jié)果如表3??梢钥闯觯?dāng)數(shù)據(jù)集簇間連通性較高時(shí),基于隨機(jī)初始化策略的算法能得到較好的聚類(lèi)結(jié)果,這是由于經(jīng)過(guò)多次隨機(jī)初始化的過(guò)程,算法更容易找到一個(gè)更好的局部極小值。對(duì)比基于NMF 的算法與DeepWalk 算法可知,在大多數(shù)情況下,基于NMF 的算法能得到更好的聚類(lèi)結(jié)果。這說(shuō)明當(dāng)圖的結(jié)構(gòu)變得模糊,DeepWalk 算法無(wú)法準(zhǔn)確獲取有向圖的高階近鄰結(jié)構(gòu),從而導(dǎo)致聚類(lèi)質(zhì)量下降。

    表3 各算法在WebKB數(shù)據(jù)集上的結(jié)果比較Tab.3 Result comparison of different algorithms on WebKB dataset

    在Cornell 子數(shù)據(jù)集中,RKANMF 算法在NMI 指標(biāo)上最高,表明在數(shù)據(jù)集的簇間連通性高的情況下,RKANMF 算法也能有效發(fā)掘節(jié)點(diǎn)間非線(xiàn)性關(guān)系。在Texas 子數(shù)據(jù)集中,RANMF 與RKANMF 算法的NMI 指標(biāo)低于A(yíng)NMF 算法,因?yàn)樵谡齽t項(xiàng)權(quán)重系數(shù)逐漸變大的過(guò)程中,帶正則項(xiàng)的兩個(gè)算法均忽視了鄰接矩陣的結(jié)構(gòu)信息,從而聚類(lèi)質(zhì)量下降。

    3.6 LFR網(wǎng)絡(luò)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果對(duì)比分析

    本節(jié)使用LFR網(wǎng)絡(luò)[25]來(lái)檢驗(yàn)幾種算法檢驗(yàn)在度分布不平衡的復(fù)雜網(wǎng)絡(luò)中的表現(xiàn),結(jié)果如表4。表4顯示了不同算法在LFR 網(wǎng)絡(luò)上的實(shí)驗(yàn)結(jié)果,其中“—”表示基于SVD 策略初始化的ANMF算法得不到聚類(lèi)結(jié)果。由表4可以看出,隨著μ值的增加,算法對(duì)簇的劃分變得愈加困難。當(dāng)簇類(lèi)結(jié)構(gòu)變得模糊時(shí),基于NMF 的算法在NMI 指標(biāo)上低于DeepWalk 算法,這說(shuō)明DeepWalk 更有針對(duì)性地獲取圖的結(jié)構(gòu)來(lái)提高劃分簇的質(zhì)量。RKANMF 算法在A(yíng)C 和Jaccard 指標(biāo)上有更好的表現(xiàn),這是由于RKANMF 算法中正則項(xiàng)發(fā)掘了節(jié)點(diǎn)間的(非線(xiàn)性)相似性關(guān)系。相比其他基于NMF 的算法,RKANMF 不僅在NMI指標(biāo)上與DeepWalk 算法比較接近,且在A(yíng)C 和Jaccard 指標(biāo)上有顯著的提高,這說(shuō)明當(dāng)節(jié)點(diǎn)關(guān)系變得復(fù)雜時(shí),對(duì)節(jié)點(diǎn)間的非線(xiàn)性關(guān)系進(jìn)行建模能更有效地提高聚類(lèi)算法的表現(xiàn)。

    表4 各算法在LFR網(wǎng)絡(luò)數(shù)據(jù)集上的結(jié)果比較Tab.4 Result comparison of different algorithms on LFR network dataset

    4 結(jié)語(yǔ)

    本文提出了一個(gè)用于有向圖聚類(lèi)的圖正則化核非對(duì)稱(chēng)非負(fù)矩陣分解優(yōu)化方法。該方法基于核化機(jī)制構(gòu)造了有向圖聚類(lèi)新目標(biāo)函數(shù),其正則項(xiàng)同時(shí)考慮了原始空間中節(jié)點(diǎn)間的相似性及節(jié)點(diǎn)在核空間中的(非線(xiàn)性)相關(guān)性;基于梯度下降法推導(dǎo)了一個(gè)有向圖聚類(lèi)(RKANMF)算法,給出了算法的詳細(xì)過(guò)程及收斂性分析,并在多個(gè)有向網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,與未結(jié)合核學(xué)習(xí)方法的非負(fù)矩陣分解算法及DeepWalk 等算法相比,新算法在多個(gè)聚類(lèi)有效性指標(biāo)上有更好的表現(xiàn)。今后我們將針對(duì)性地考慮節(jié)點(diǎn)的方向性以及不同核函數(shù)對(duì)有向圖聚類(lèi)的影響等方面做進(jìn)一步研究。

    猜你喜歡
    有向圖相似性聚類(lèi)
    一類(lèi)上三角算子矩陣的相似性與酉相似性
    有向圖的Roman k-控制
    淺析當(dāng)代中西方繪畫(huà)的相似性
    超歐拉和雙有向跡的強(qiáng)積有向圖
    基于DBSACN聚類(lèi)算法的XML文檔聚類(lèi)
    關(guān)于超歐拉的冪有向圖
    低滲透黏土中氯離子彌散作用離心模擬相似性
    基于改進(jìn)的遺傳算法的模糊聚類(lèi)算法
    一種層次初始的聚類(lèi)個(gè)數(shù)自適應(yīng)的聚類(lèi)方法研究
    自適應(yīng)確定K-means算法的聚類(lèi)數(shù):以遙感圖像聚類(lèi)為例
    91精品国产九色| 男人添女人高潮全过程视频| 毛片女人毛片| 我的女老师完整版在线观看| 亚洲欧美精品自产自拍| 伊人久久国产一区二区| 下体分泌物呈黄色| av国产久精品久网站免费入址| 一级黄片播放器| 久久精品国产a三级三级三级| 久久精品国产亚洲av涩爱| 亚洲精品乱码久久久久久按摩| 99久久中文字幕三级久久日本| 69av精品久久久久久| 一级黄片播放器| 国产在线男女| 亚洲精品自拍成人| 舔av片在线| 狂野欧美激情性bbbbbb| 亚洲精华国产精华液的使用体验| 精品人妻偷拍中文字幕| 国产成人免费观看mmmm| 亚洲欧美清纯卡通| 国产免费又黄又爽又色| 精品酒店卫生间| 亚洲欧美一区二区三区国产| 欧美xxxx黑人xx丫x性爽| 国产av不卡久久| 麻豆国产97在线/欧美| 久久99热这里只有精品18| www.色视频.com| 国产视频首页在线观看| 色视频www国产| 国产探花在线观看一区二区| 欧美人与善性xxx| 人人妻人人看人人澡| 最近的中文字幕免费完整| 国产男人的电影天堂91| 欧美日韩在线观看h| 午夜日本视频在线| 亚洲国产欧美人成| 人妻系列 视频| 亚洲av中文字字幕乱码综合| 汤姆久久久久久久影院中文字幕| 日韩成人av中文字幕在线观看| 国产69精品久久久久777片| 免费看不卡的av| 久久久亚洲精品成人影院| xxx大片免费视频| 精品少妇久久久久久888优播| 免费不卡的大黄色大毛片视频在线观看| 国产女主播在线喷水免费视频网站| 免费看光身美女| 日日摸夜夜添夜夜添av毛片| 人妻 亚洲 视频| 一级毛片黄色毛片免费观看视频| 精品久久久久久久久av| 亚洲国产色片| 国产亚洲av片在线观看秒播厂| 男人添女人高潮全过程视频| 美女高潮的动态| 97热精品久久久久久| 高清av免费在线| 高清av免费在线| 国产精品人妻久久久影院| 91久久精品国产一区二区成人| 国产乱来视频区| 国产大屁股一区二区在线视频| 国产大屁股一区二区在线视频| 在线免费十八禁| 国产精品三级大全| 久久久成人免费电影| 亚洲熟女精品中文字幕| 免费不卡的大黄色大毛片视频在线观看| 免费观看的影片在线观看| 99热这里只有是精品50| 亚洲av二区三区四区| 久久久亚洲精品成人影院| 最新中文字幕久久久久| 久久久久精品久久久久真实原创| 久久久午夜欧美精品| 日日啪夜夜撸| 亚洲精品日韩av片在线观看| 亚洲美女视频黄频| 国产一区二区亚洲精品在线观看| 婷婷色av中文字幕| 成人亚洲欧美一区二区av| 久久久成人免费电影| 69av精品久久久久久| 免费黄色在线免费观看| 午夜激情福利司机影院| 午夜亚洲福利在线播放| 欧美bdsm另类| 久久久久精品久久久久真实原创| freevideosex欧美| 国产成年人精品一区二区| 99久国产av精品国产电影| 亚洲天堂国产精品一区在线| 十八禁网站网址无遮挡 | 熟女av电影| 精品视频人人做人人爽| 少妇的逼水好多| 内射极品少妇av片p| 日本免费在线观看一区| 久久久精品94久久精品| 晚上一个人看的免费电影| 国产伦理片在线播放av一区| 亚洲欧美一区二区三区黑人 | 亚洲经典国产精华液单| 在线播放无遮挡| 亚洲国产精品999| 亚洲在久久综合| 亚洲色图av天堂| 亚洲欧美一区二区三区黑人 | 欧美区成人在线视频| 国产精品人妻久久久影院| 黄色视频在线播放观看不卡| www.av在线官网国产| 亚洲成人中文字幕在线播放| 男女国产视频网站| 最后的刺客免费高清国语| 黄色怎么调成土黄色| 欧美性感艳星| 国产精品爽爽va在线观看网站| 老师上课跳d突然被开到最大视频| 日本一本二区三区精品| 99热这里只有是精品50| 欧美激情国产日韩精品一区| 日韩精品有码人妻一区| 青青草视频在线视频观看| 亚洲国产最新在线播放| 亚洲精品影视一区二区三区av| 一级毛片我不卡| 亚洲国产精品成人久久小说| 狂野欧美激情性bbbbbb| 建设人人有责人人尽责人人享有的 | av在线观看视频网站免费| 黑人高潮一二区| 久久6这里有精品| 一个人观看的视频www高清免费观看| 国产av国产精品国产| 国模一区二区三区四区视频| 能在线免费看毛片的网站| 春色校园在线视频观看| 国产成人a区在线观看| 22中文网久久字幕| 少妇猛男粗大的猛烈进出视频 | 九色成人免费人妻av| 国产精品国产三级国产专区5o| www.av在线官网国产| 日韩大片免费观看网站| 午夜激情福利司机影院| 欧美日韩综合久久久久久| 精品午夜福利在线看| 一级黄片播放器| 看黄色毛片网站| 国产精品久久久久久久电影| 久久99蜜桃精品久久| 少妇人妻一区二区三区视频| av.在线天堂| 亚洲精品aⅴ在线观看| 成人黄色视频免费在线看| 免费电影在线观看免费观看| 国产精品国产三级国产专区5o| 精品酒店卫生间| 国产男人的电影天堂91| 欧美日韩亚洲高清精品| 身体一侧抽搐| 一二三四中文在线观看免费高清| 80岁老熟妇乱子伦牲交| 在线观看一区二区三区| 国内精品宾馆在线| 国产欧美亚洲国产| 欧美国产精品一级二级三级 | 看十八女毛片水多多多| 国产男女超爽视频在线观看| 国产高潮美女av| 国产免费一级a男人的天堂| 久久久久精品久久久久真实原创| 国产av国产精品国产| 久久人人爽人人片av| 久久精品国产鲁丝片午夜精品| 中国美白少妇内射xxxbb| 26uuu在线亚洲综合色| 午夜福利视频1000在线观看| 日韩,欧美,国产一区二区三区| 亚洲av.av天堂| 亚洲欧美一区二区三区国产| 看免费成人av毛片| 婷婷色综合大香蕉| 有码 亚洲区| 精品久久久久久电影网| 久久韩国三级中文字幕| 中文字幕免费在线视频6| 国产高清不卡午夜福利| 久久久午夜欧美精品| 嫩草影院精品99| 国产淫片久久久久久久久| 久久这里有精品视频免费| 中文欧美无线码| 国产黄频视频在线观看| 校园人妻丝袜中文字幕| 极品教师在线视频| 人人妻人人澡人人爽人人夜夜| 视频区图区小说| 久久影院123| 99热国产这里只有精品6| 嫩草影院精品99| 51国产日韩欧美| a级一级毛片免费在线观看| 你懂的网址亚洲精品在线观看| 国产免费一级a男人的天堂| 97人妻精品一区二区三区麻豆| 高清日韩中文字幕在线| 国产成人免费无遮挡视频| 国产精品国产三级国产专区5o| 小蜜桃在线观看免费完整版高清| 你懂的网址亚洲精品在线观看| av又黄又爽大尺度在线免费看| 禁无遮挡网站| 亚洲三级黄色毛片| 91久久精品电影网| 精品国产三级普通话版| 一级毛片久久久久久久久女| 久久99热6这里只有精品| 黄色欧美视频在线观看| 欧美激情久久久久久爽电影| 交换朋友夫妻互换小说| 日韩制服骚丝袜av| av国产精品久久久久影院| 国产一级毛片在线| 十八禁网站网址无遮挡 | 卡戴珊不雅视频在线播放| 国产免费又黄又爽又色| 国产精品久久久久久精品电影| 人妻系列 视频| 日本免费在线观看一区| 亚洲精品影视一区二区三区av| 看黄色毛片网站| 看非洲黑人一级黄片| 成人无遮挡网站| 亚洲国产精品国产精品| 欧美变态另类bdsm刘玥| 国产成人一区二区在线| 久久久a久久爽久久v久久| 极品少妇高潮喷水抽搐| 国产毛片在线视频| 久久久久久九九精品二区国产| 亚洲精品国产成人久久av| 久久国内精品自在自线图片| 日本一本二区三区精品| 亚洲av日韩在线播放| 91在线精品国自产拍蜜月| 久久久久久久久久久丰满| av.在线天堂| 亚洲熟女精品中文字幕| 国产av国产精品国产| 国产欧美日韩一区二区三区在线 | 99热6这里只有精品| 国产91av在线免费观看| 波野结衣二区三区在线| 日韩大片免费观看网站| 亚洲图色成人| 国产一区二区在线观看日韩| 美女高潮的动态| 日韩欧美 国产精品| 男男h啪啪无遮挡| kizo精华| xxx大片免费视频| 久久久久性生活片| 亚洲,欧美,日韩| 日韩av不卡免费在线播放| 一级毛片 在线播放| 精品一区在线观看国产| 国产亚洲av嫩草精品影院| 日本三级黄在线观看| 在线精品无人区一区二区三 | 一边亲一边摸免费视频| 高清毛片免费看| 精品国产一区二区三区久久久樱花 | 一区二区三区四区激情视频| 97热精品久久久久久| 中文字幕免费在线视频6| 色5月婷婷丁香| 亚洲欧美日韩无卡精品| 久久精品久久精品一区二区三区| 青春草视频在线免费观看| 亚洲欧美精品专区久久| 毛片一级片免费看久久久久| 嘟嘟电影网在线观看| 欧美激情国产日韩精品一区| 国产乱人视频| 最近最新中文字幕免费大全7| 啦啦啦中文免费视频观看日本| 麻豆精品久久久久久蜜桃| 亚洲精品一二三| 少妇人妻久久综合中文| 99热全是精品| 成人亚洲精品一区在线观看 | 美女高潮的动态| 午夜免费男女啪啪视频观看| 国产黄色免费在线视频| 亚洲精品色激情综合| 国产免费视频播放在线视频| 蜜桃亚洲精品一区二区三区| 成人亚洲精品一区在线观看 | 极品教师在线视频| 久久久久久久国产电影| 99久久精品一区二区三区| 大陆偷拍与自拍| 亚洲美女视频黄频| 亚洲国产最新在线播放| 夜夜爽夜夜爽视频| 久久久久精品久久久久真实原创| 51国产日韩欧美| 人妻制服诱惑在线中文字幕| 亚洲国产精品专区欧美| 性色avwww在线观看| 久久久久久久久久久丰满| 伦理电影大哥的女人| 婷婷色综合大香蕉| 最近中文字幕高清免费大全6| 成人亚洲精品av一区二区| 五月开心婷婷网| 97超视频在线观看视频| 久久精品久久久久久久性| 天天躁夜夜躁狠狠久久av| 国内精品宾馆在线| 人人妻人人澡人人爽人人夜夜| 中国国产av一级| 精品亚洲乱码少妇综合久久| 老司机影院毛片| av免费在线看不卡| 国产免费一区二区三区四区乱码| 精品人妻一区二区三区麻豆| 波野结衣二区三区在线| 99热网站在线观看| 在现免费观看毛片| 久热这里只有精品99| 亚洲综合色惰| 亚洲精品国产av蜜桃| 国内少妇人妻偷人精品xxx网站| 欧美激情在线99| 日韩视频在线欧美| 免费看a级黄色片| 色播亚洲综合网| 夜夜爽夜夜爽视频| 91久久精品电影网| 最近最新中文字幕免费大全7| 国产精品99久久99久久久不卡 | 国产男人的电影天堂91| 一区二区三区乱码不卡18| 成人综合一区亚洲| 国产精品成人在线| 秋霞在线观看毛片| 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| 亚洲av中文av极速乱| 最近的中文字幕免费完整| av网站免费在线观看视频| 久久久久网色| 99久久九九国产精品国产免费| 精品久久久久久久久av| 热re99久久精品国产66热6| 五月开心婷婷网| 日本wwww免费看| 亚洲国产精品成人综合色| 欧美成人午夜免费资源| 日韩,欧美,国产一区二区三区| 中文在线观看免费www的网站| 国产黄色免费在线视频| 国产免费视频播放在线视频| 99热这里只有精品一区| 九九在线视频观看精品| 亚洲av电影在线观看一区二区三区 | 精品熟女少妇av免费看| 久久久久精品性色| 亚洲精品日韩在线中文字幕| 在线免费观看不下载黄p国产| 99视频精品全部免费 在线| 在线观看国产h片| 韩国高清视频一区二区三区| 亚洲国产日韩一区二区| 少妇被粗大猛烈的视频| 插阴视频在线观看视频| 亚洲精品一区蜜桃| 国产精品久久久久久久电影| 久久久久久伊人网av| 男人爽女人下面视频在线观看| 久久鲁丝午夜福利片| 国产精品爽爽va在线观看网站| 久久久欧美国产精品| 嫩草影院精品99| 国产精品人妻久久久久久| 国产一区亚洲一区在线观看| 男人狂女人下面高潮的视频| 最近中文字幕2019免费版| 国产视频首页在线观看| 国产v大片淫在线免费观看| 欧美最新免费一区二区三区| 亚洲天堂av无毛| 一个人观看的视频www高清免费观看| 亚洲av中文字字幕乱码综合| 国产一区二区三区av在线| 最近中文字幕高清免费大全6| 涩涩av久久男人的天堂| 国产午夜精品久久久久久一区二区三区| 麻豆乱淫一区二区| 久久国产乱子免费精品| 欧美成人午夜免费资源| 日韩大片免费观看网站| 日韩一区二区视频免费看| 一级毛片电影观看| 在线精品无人区一区二区三 | 91久久精品国产一区二区成人| 美女被艹到高潮喷水动态| 少妇人妻 视频| 毛片女人毛片| 大又大粗又爽又黄少妇毛片口| 国产一区二区三区av在线| 97热精品久久久久久| 人妻一区二区av| 国产成年人精品一区二区| 亚洲欧美中文字幕日韩二区| 一个人看的www免费观看视频| 男女边吃奶边做爰视频| 特大巨黑吊av在线直播| 午夜福利在线观看免费完整高清在| 久久99热这里只频精品6学生| 黄色一级大片看看| 97热精品久久久久久| 欧美xxⅹ黑人| 狂野欧美激情性bbbbbb| 成人黄色视频免费在线看| 亚洲人成网站在线播| 久久久久久久久大av| 国产日韩欧美亚洲二区| 久久久久精品久久久久真实原创| 婷婷色av中文字幕| 久久精品人妻少妇| 午夜免费鲁丝| 成人综合一区亚洲| av在线观看视频网站免费| 春色校园在线视频观看| 91精品一卡2卡3卡4卡| 国产一区二区亚洲精品在线观看| 久久久久久久国产电影| 亚洲真实伦在线观看| 亚洲精品456在线播放app| 欧美bdsm另类| 一级爰片在线观看| 亚洲欧洲日产国产| 国产伦在线观看视频一区| 国产亚洲午夜精品一区二区久久 | 国产精品三级大全| 国产成人一区二区在线| 日日撸夜夜添| 又爽又黄a免费视频| 成人黄色视频免费在线看| 亚洲人与动物交配视频| 欧美最新免费一区二区三区| 2018国产大陆天天弄谢| 久久精品国产a三级三级三级| 免费高清在线观看视频在线观看| 校园人妻丝袜中文字幕| 国产 一区 欧美 日韩| 只有这里有精品99| 免费观看性生交大片5| 午夜免费男女啪啪视频观看| 亚洲自偷自拍三级| 亚洲国产精品国产精品| 99热国产这里只有精品6| av女优亚洲男人天堂| 日本-黄色视频高清免费观看| 久久午夜福利片| 成人综合一区亚洲| 久久99热这里只有精品18| 国产精品蜜桃在线观看| 国产高潮美女av| 在线 av 中文字幕| 欧美最新免费一区二区三区| 国产成人免费无遮挡视频| 一级毛片黄色毛片免费观看视频| 国产黄色视频一区二区在线观看| 3wmmmm亚洲av在线观看| 欧美一级a爱片免费观看看| 一边亲一边摸免费视频| 日本一本二区三区精品| 丰满人妻一区二区三区视频av| 性色av一级| 成人高潮视频无遮挡免费网站| 亚洲国产欧美在线一区| 国产中年淑女户外野战色| 欧美激情久久久久久爽电影| 一边亲一边摸免费视频| 亚洲图色成人| 国产一区二区在线观看日韩| 在线免费观看不下载黄p国产| 欧美精品一区二区大全| 啦啦啦中文免费视频观看日本| 美女被艹到高潮喷水动态| 国产精品国产三级国产av玫瑰| 男女那种视频在线观看| 久久久久久伊人网av| 亚洲人成网站高清观看| 久久人人爽av亚洲精品天堂 | 国产黄频视频在线观看| 国产亚洲av片在线观看秒播厂| 亚洲av国产av综合av卡| 久热久热在线精品观看| 在线观看三级黄色| 亚洲在久久综合| 高清欧美精品videossex| 蜜臀久久99精品久久宅男| 内地一区二区视频在线| 精品久久久久久久久av| 色综合色国产| 国产成人aa在线观看| 少妇被粗大猛烈的视频| 国产精品久久久久久久久免| 国产真实伦视频高清在线观看| 国产中年淑女户外野战色| 国产免费福利视频在线观看| 一个人观看的视频www高清免费观看| 熟女av电影| 国产精品一及| 久热久热在线精品观看| 久久国产乱子免费精品| 人妻系列 视频| 自拍偷自拍亚洲精品老妇| 免费看av在线观看网站| 少妇被粗大猛烈的视频| 久久精品国产a三级三级三级| 99久久中文字幕三级久久日本| 精品久久久噜噜| 久久久久久伊人网av| 亚洲国产精品国产精品| 亚洲怡红院男人天堂| 久久久久久久久久久丰满| 国产成人精品婷婷| 久久精品国产亚洲av涩爱| 亚洲av免费高清在线观看| 91午夜精品亚洲一区二区三区| 免费黄色在线免费观看| 亚洲精品久久久久久婷婷小说| 国产淫片久久久久久久久| 永久网站在线| 久久国内精品自在自线图片| 三级经典国产精品| videossex国产| 99精国产麻豆久久婷婷| 少妇猛男粗大的猛烈进出视频 | 成人特级av手机在线观看| 小蜜桃在线观看免费完整版高清| 国产成人91sexporn| 极品少妇高潮喷水抽搐| 国产一区亚洲一区在线观看| 欧美一级a爱片免费观看看| 亚洲av电影在线观看一区二区三区 | a级毛片免费高清观看在线播放| .国产精品久久| 在线免费十八禁| 国产极品天堂在线| 免费看av在线观看网站| 看非洲黑人一级黄片| 干丝袜人妻中文字幕| 黄片无遮挡物在线观看| 天堂俺去俺来也www色官网| 日韩欧美 国产精品| 亚洲四区av| 大话2 男鬼变身卡| 丝袜脚勾引网站| 国产免费一级a男人的天堂| 国产精品99久久99久久久不卡 | 欧美日韩视频精品一区| 观看免费一级毛片| 男女国产视频网站| 免费大片黄手机在线观看| 能在线免费看毛片的网站| 免费av不卡在线播放| 一区二区三区乱码不卡18| 在线天堂最新版资源| 国语对白做爰xxxⅹ性视频网站| 美女脱内裤让男人舔精品视频| av卡一久久| 国产高清不卡午夜福利| 王馨瑶露胸无遮挡在线观看| 三级男女做爰猛烈吃奶摸视频| 国内精品宾馆在线| 亚洲av欧美aⅴ国产| 男人爽女人下面视频在线观看| 日韩av不卡免费在线播放| 女人被狂操c到高潮| 色吧在线观看| 亚洲最大成人中文| 少妇人妻精品综合一区二区| 亚洲精品乱久久久久久| 人妻一区二区av| 男男h啪啪无遮挡| 亚洲第一区二区三区不卡| 久久久久国产精品人妻一区二区| 亚洲激情五月婷婷啪啪| 成人二区视频| 免费播放大片免费观看视频在线观看| 欧美成人午夜免费资源| 亚洲av.av天堂| 国产在线一区二区三区精| 日韩三级伦理在线观看| av专区在线播放| 精品少妇久久久久久888优播| 老司机影院毛片| 亚洲欧美一区二区三区国产| 亚洲真实伦在线观看| 亚洲久久久久久中文字幕| 大码成人一级视频|