• <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MuGNN模型的互聯(lián)網(wǎng)醫(yī)療知識融合研究

    2022-01-26 08:23:22廖開際
    河南科學(xué) 2021年12期
    關(guān)鍵詞:圖譜注意力實(shí)體

    廖開際, 王 瑩

    (華南理工大學(xué)工商管理學(xué)院,廣州 510641)

    隨著人們健康意識的不斷提高,現(xiàn)有醫(yī)療服務(wù)水平已不能滿足人們的需求,醫(yī)療系統(tǒng)智能化刻不容緩.智能醫(yī)療的建立需要科學(xué)強(qiáng)大的知識體系來支撐,于是醫(yī)療知識庫應(yīng)運(yùn)而生. 醫(yī)療知識庫的應(yīng)用使得非結(jié)構(gòu)化的知識被有效地管理和利用,簡化了患者看病的流程,減輕了醫(yī)生的工作量,提高了醫(yī)生的工作效率.醫(yī)療知識庫常用于疾病診斷決策、醫(yī)療知識檢索等. 由于醫(yī)療知識分布廣泛,且不同數(shù)據(jù)源所獲取的知識也是有差異的,因此多來源醫(yī)療知識庫中的知識冗余問題比較嚴(yán)重. 為了減少醫(yī)療知識庫中的知識冗余,知識融合工作不可或缺.

    知識融合是將來自多個(gè)數(shù)據(jù)源的屬于同一實(shí)體或者概念的描述信息融合起來,以獲得較單一數(shù)據(jù)源更加完全、準(zhǔn)確、可靠的知識庫. 知識融合目前已在各個(gè)領(lǐng)域得到應(yīng)用,如Freebase[1]、Google知識圖譜[2]等,它們通過知識的鏈接和融合來實(shí)現(xiàn)知識庫的大規(guī)?;?,從而使知識發(fā)揮最大的價(jià)值.

    知識圖譜是一個(gè)結(jié)構(gòu)化存儲知識的知識庫,其保存的知識是以三元組的形式存在的. 知識圖譜KG由實(shí)體E、關(guān)系R、關(guān)系三元組Tr構(gòu)成,即KG=(E,R,Tr),其中Tr=(h,r,t),h和t代表實(shí)體,r代表實(shí)體間的關(guān)系. 對來自多個(gè)數(shù)據(jù)源的知識圖譜進(jìn)行實(shí)體對齊的目的是找出多個(gè)知識圖譜中所有語義相同的實(shí)體,即為KG生成實(shí)體修剪后的鄰接矩陣A,其中A=(ei,ej),ei∈KG1,ej∈KG2,ei=ej,ei和ej分別代表KG1和KG2中的實(shí)體.

    實(shí)體對齊是指從異構(gòu)數(shù)據(jù)源的知識圖譜中,找出表述不同但對應(yīng)現(xiàn)實(shí)世界同一指代的實(shí)體,是知識融合最主要的工作. 現(xiàn)有的實(shí)體對齊方法分為以下三種:一是基于概率模糊匹配的方法,如支持向量機(jī)SVM[3];二是基于距離度量的方法,如計(jì)算字符串余弦相似度[4];三是基于嵌入式的方法,如2013年Bordes等[5]提出的將實(shí)體關(guān)系看作頭實(shí)體到尾實(shí)體間翻譯的TransE模型.

    早期實(shí)體對齊方法主要是以概率匹配和字符串相似度作為對齊依據(jù). Monge 和Elkan[6]在2014年提出了通過計(jì)算實(shí)體對字符的編輯距離來判斷兩者是否為同一實(shí)體的方法. Volz等[4]在2009年制定了一套計(jì)算相似度的度量標(biāo)準(zhǔn),包括數(shù)字相似度、字符串相似度、URL相似度等. 但是這類方法都需要依賴人工定義的標(biāo)簽,應(yīng)用場景范圍狹窄,無法遷移至其他場景,而隨著數(shù)據(jù)的大規(guī)?;?,其準(zhǔn)確率及效率都逐漸下降.

    目前,基于嵌入式的實(shí)體對齊方法已成為研究主流,其主要思想是將不同的知識圖譜的實(shí)體和關(guān)系均映射到同一向量空間后計(jì)算實(shí)體間的距離. 除了基礎(chǔ)的翻譯模型TransE外,IPTransE模型[7]和BootEA模型[8]都是采用迭代的方式來提高對齊效果,前者是對置信度較低的對齊實(shí)體賦予低權(quán)重,后者是對可能錯(cuò)誤的對齊實(shí)體標(biāo)簽進(jìn)行重新編輯標(biāo)記. JAPE 模型[9]則是通過引入屬性三元組填補(bǔ)信息來增強(qiáng)實(shí)體表示的. 雖然以上這些翻譯模型的性能都不錯(cuò),但是超參數(shù)過多,訓(xùn)練過程較繁瑣.

    隨著圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network,GNN)的興起,許多學(xué)者開始根據(jù)GNN模型進(jìn)行實(shí)體結(jié)構(gòu)建模.圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network,GNN)模型是由Scarselli等[10]提出的一種作用于圖結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),該模型通過迭代更新節(jié)點(diǎn)的隱藏狀態(tài)來捕捉圖中每個(gè)鄰居節(jié)點(diǎn)的狀態(tài). 為了增強(qiáng)GNN模型對結(jié)構(gòu)特征提取的能力,Thomas和Kipf[11]提出了利用卷積核抽取特征的圖卷積神經(jīng)網(wǎng)絡(luò)(Graph Convolutional Network,GCN)模型,該模型將卷積操作定義在節(jié)點(diǎn)的連接關(guān)系上. 為了放大圖結(jié)構(gòu)中最重要部分的作用,Veliokovie等[12]在2018年首次提出圖注意力網(wǎng)絡(luò)(Graph Attention Network,GAN)模型,現(xiàn)已被廣泛應(yīng)用在眾多領(lǐng)域. 基于圖神經(jīng)網(wǎng)絡(luò)的方法在利用圖神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)體表示的同時(shí)可直接進(jìn)行實(shí)體對齊. Wang等[13]提出的GCN-Align模型是應(yīng)用圖卷積神經(jīng)網(wǎng)絡(luò)對實(shí)體之間的等價(jià)關(guān)系進(jìn)行建模,在利用關(guān)系三元組的基礎(chǔ)上加入實(shí)體屬性特征信息生成實(shí)體嵌入. GMNN模型[14]是將初始化矩陣定義為實(shí)體名稱的詞向量矩陣,而不是隨機(jī)進(jìn)行初始化,因此該模型的性能大大提升. HMAN模型[15]則是將實(shí)體的多個(gè)視圖進(jìn)行統(tǒng)一并提出新的框架來進(jìn)行實(shí)體表示.

    嵌入式的實(shí)體對齊方法通常是假設(shè)兩個(gè)知識圖譜的同種實(shí)體具有相同或相似的鄰居結(jié)構(gòu),然而現(xiàn)實(shí)生活中它們是存在結(jié)構(gòu)異質(zhì)性的,這就給實(shí)體對齊帶來了一定的難度. 另外,嵌入式的實(shí)體對齊方法認(rèn)為實(shí)體的所有關(guān)系鄰居在對齊過程中都發(fā)揮著同樣的作用,但是在知識圖譜中某些實(shí)體的共有鄰居的區(qū)別并不夠大,因此這些方法可能會忽略對對齊真正有影響的實(shí)體.

    有部分學(xué)者對圖結(jié)構(gòu)的異質(zhì)性問題進(jìn)行了深入研究并提出了一些新的模型,如MuGNN模型、AliNet模型、NMN模型. MuGNN模型[16]利用AMIE+誘導(dǎo)出規(guī)則增加關(guān)系三元組以補(bǔ)全圖結(jié)構(gòu),同時(shí)還引入了跨圖注意力機(jī)制以修剪圖結(jié)構(gòu). AliNet 模型[17]通過引入遠(yuǎn)距離鄰居對實(shí)體鄰居結(jié)構(gòu)的重疊部分進(jìn)行擴(kuò)展,并使用門機(jī)制對直接鄰居和遠(yuǎn)距離鄰居信息進(jìn)行聚合. NMN 模型[18]先采用圖采樣方法為實(shí)體提取有判別力的鄰居,然后采用基于注意力的交叉圖鄰居匹配模塊對實(shí)體子圖進(jìn)行魯棒對齊,最終取得了較好的實(shí)體對齊效果.

    本研究首先構(gòu)建了基于不同醫(yī)療網(wǎng)站的乳腺疾病實(shí)體關(guān)系庫,然后采用MuGNN模型進(jìn)行實(shí)體對齊,并與JAPE模型、GCN-Align模型的實(shí)體對齊效果進(jìn)行了對比,之后完成了互聯(lián)網(wǎng)醫(yī)療實(shí)體關(guān)系庫的知識融合,最后通過Neo4j圖數(shù)據(jù)庫對融合后的互聯(lián)網(wǎng)醫(yī)療知識圖譜進(jìn)行可視化處理. 本研究可為多源知識圖譜的構(gòu)建與補(bǔ)全提供一定的參考.

    1 互聯(lián)網(wǎng)醫(yī)療知識融合的流程

    互聯(lián)網(wǎng)醫(yī)療知識融合的流程如圖1所示,具體分為以下兩個(gè)階段:

    圖1 互聯(lián)網(wǎng)醫(yī)療知識融合的流程Fig.1 Process of internet medical knowledge fusion

    1)實(shí)體對齊階段. 首先從不同醫(yī)療網(wǎng)站中爬取并抽取得到實(shí)體,然后構(gòu)建基于不同醫(yī)療網(wǎng)站的實(shí)體關(guān)系庫,最后采用實(shí)體對齊模型進(jìn)行實(shí)體對齊.

    2)知識融合階段. 首先將基于不同醫(yī)療網(wǎng)站構(gòu)建的實(shí)體關(guān)系庫進(jìn)行知識融合,然后通過Neo4j圖數(shù)據(jù)庫對融合后的互聯(lián)網(wǎng)醫(yī)療知識圖譜進(jìn)行可視化處理,以知識圖譜的形式將疾病、癥狀、藥物等實(shí)體類別及其關(guān)系進(jìn)行關(guān)聯(lián).

    2 實(shí)體對齊階段

    2.1 實(shí)體對齊模型

    本研究采用的實(shí)體對齊模型為MuGNN 模型,實(shí)體對齊步驟如下:首先,將跨圖注意力引入到圖卷積神經(jīng)網(wǎng)絡(luò)中以修剪多余的實(shí)體;然后,為區(qū)分鄰居實(shí)體的重要性,采用圖注意力網(wǎng)絡(luò)對實(shí)體關(guān)系進(jìn)行賦權(quán);最后,將進(jìn)行上述處理后的兩種實(shí)體進(jìn)行嵌入聚合,并基于對齊種子訓(xùn)練對齊. MuGNN模型由輸入層、跨圖注意力GCN層、圖注意力網(wǎng)絡(luò)GAT層、池化層和對齊層五個(gè)部分組成,該模型的整體結(jié)構(gòu)如圖2所示.

    圖2 MuGNN模型的結(jié)構(gòu)示意圖Fig.2 Structure diagram of MuGNN model

    2.1.1 輸入層 輸入層主要負(fù)責(zé)將多個(gè)不同數(shù)據(jù)來源的知識圖譜輸入到模型中.

    2.1.2 跨圖注意力GCN層 跨圖注意力GCN層主要負(fù)責(zé)將使用跨圖注意力機(jī)制進(jìn)行實(shí)體修剪后的圖譜輸入到圖卷積神經(jīng)網(wǎng)絡(luò)中以得到增強(qiáng)的實(shí)體嵌入. 受人類視覺注意力機(jī)制(即當(dāng)人類觀察某事物時(shí),通常不會觀察該事物的整體而是把目光聚焦在其重要的部分)的啟發(fā),許多學(xué)者開始對注意力機(jī)制進(jìn)行研究. 注意力機(jī)制允許模型動態(tài)地去關(guān)注對決策更有幫助的信息,可降低模型對其余信息的關(guān)注、忽略噪聲信息,從而使模型更為高效地完成任務(wù). 注意力機(jī)制最早被應(yīng)用于圖像識別領(lǐng)域[19],隨著自然語言處理的興起,其相關(guān)模型被大量應(yīng)用于機(jī)器翻譯、情感分析問題當(dāng)中[20].

    由于結(jié)構(gòu)異質(zhì)性的存在,兩個(gè)不同數(shù)據(jù)來源的知識圖譜的對齊實(shí)體不一定具有相似的鄰居結(jié)構(gòu). 以實(shí)體“乳腺癌”為例,圖3分別給出了來自醫(yī)療網(wǎng)站“39健康網(wǎng)”(http://www.39.net/)和“尋醫(yī)問藥網(wǎng)”(https://www.xywy.com/)的部分關(guān)系子圖,可以看到KG1和KG2擁有不同的鄰居實(shí)體以及關(guān)系結(jié)構(gòu). 結(jié)構(gòu)異質(zhì)性的存在會給實(shí)體對齊過程引入大量噪聲實(shí)體,降低對齊效果. 但是通過使用跨圖注意力機(jī)制[16],選取兩個(gè)圖譜中具有公共部分的關(guān)系子圖就可以忽略對對齊任務(wù)有負(fù)面影響的噪聲鄰居,最終可為KG生成實(shí)體修剪后的鄰接矩陣A1,實(shí)現(xiàn)結(jié)構(gòu)調(diào)節(jié). 鄰接矩陣A1的計(jì)算公式如式(1)所示.

    圖3 從兩個(gè)不同醫(yī)療網(wǎng)站獲得的部分關(guān)系子圖的結(jié)構(gòu)差異Fig.3 Structural differences of partial relationship subgraphs obtained from two different medical websites

    圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)由多層圖卷積層堆積而成(圖4),其作用是從圖中提取特征后得到圖嵌入表示.GCN模型通過級聯(lián)的層來感知鄰居的特征,層與層之間的參數(shù)共享. GCN 模型以圖的節(jié)點(diǎn)特征矩陣XN×D和圖的結(jié)構(gòu)特征鄰接矩陣A1作為輸入,N代表圖中的節(jié)點(diǎn)數(shù)量,D代表特征維度. 與GNN 模型相比,GCN 模型通過增加單位矩陣來將節(jié)點(diǎn)對自己的作用考慮進(jìn)去,并通過引入拉普拉斯矩陣對鄰接矩陣A1進(jìn)行歸一化. GCN模型中l(wèi)+1層的輸出公式如下:

    圖4 圖卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖Fig.4 Structure diagram of graph convolutional neural network

    2.1.3 圖注意力網(wǎng)絡(luò)GAT層 圖注意力網(wǎng)絡(luò)GAT層主要負(fù)責(zé)使用GAT模型進(jìn)行圖譜結(jié)構(gòu)的構(gòu)建,并為每個(gè)實(shí)體關(guān)系賦予權(quán)重. 實(shí)體對齊中每個(gè)鄰居節(jié)點(diǎn)的重要性不同,比如治療“乳腺癌”的藥物“枸櫞酸他莫昔芬”同樣對疾病“乳腺增生”起作用,但與專門治療“乳腺癌”的藥物在實(shí)體對齊中的作用是不一樣的. 為了更好地區(qū)別各個(gè)實(shí)體在實(shí)體對齊中的作用,MuGNN模型采用圖注意力網(wǎng)絡(luò)賦予每個(gè)實(shí)體關(guān)系不同的權(quán)重值,并為每個(gè)實(shí)體捕獲到信息最豐富、最有判別力的鄰居.

    GAT模型是在GCN模型的基礎(chǔ)上引入帶有掩碼的隱藏自注意力層對圖結(jié)構(gòu)進(jìn)行處理,它由多層圖注意力層堆積而成,通過計(jì)算鄰居節(jié)點(diǎn)的特征對當(dāng)前節(jié)點(diǎn)的影響來為每個(gè)實(shí)體關(guān)系分配權(quán)重. 與GCN 模型相比,GAT模型對不同的鄰居節(jié)點(diǎn)的重要性進(jìn)行預(yù)測,它不依賴對全局圖結(jié)構(gòu)的預(yù)先訪問,不需要對其進(jìn)行人工先驗(yàn),也無需繁瑣的矩陣計(jì)算,降低了算法的復(fù)雜度,因此它可使MuGNN模型具有更好的性能.

    GAT 模型中鄰接矩陣A2的計(jì)算方式如式(4)所示. 為了使注意力互相關(guān)系數(shù)易于計(jì)算和比較,引入softmax函數(shù)對所有節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)j進(jìn)行正則化.

    為了防止過擬合現(xiàn)象的產(chǎn)生,利用GAT模型計(jì)算多個(gè)相互獨(dú)立的注意力后進(jìn)行集成. GAT模型中l(wèi)+1層的輸出計(jì)算公式如下:

    2.1.4 池化層 池化層主要負(fù)責(zé)將通過跨圖注意力GCN層和圖注意力網(wǎng)絡(luò)GAT層建模得到的增強(qiáng)實(shí)體嵌入分別進(jìn)行平均池化聚合. MuGNN 模型通過跨圖注意力GCN 層和圖注意力網(wǎng)絡(luò)GAT 層進(jìn)行圖結(jié)構(gòu)的構(gòu)建,為了降低卷積層(跨圖注意力GCN層、圖注意力網(wǎng)絡(luò)GAT層)輸出的特征向量維度,防止過擬合現(xiàn)象的發(fā)生,采用平均池化將跨圖注意力GCN 層和圖注意力網(wǎng)絡(luò)GAT 層建模得到的增強(qiáng)實(shí)體嵌入進(jìn)行聚合.MuGNN模型中l(wèi)+1層的聚合實(shí)體嵌入的計(jì)算公式如下:

    2.1.5 實(shí)體對齊層 實(shí)體對齊層負(fù)責(zé)通過對齊種子和最小化代價(jià)函數(shù)將兩個(gè)知識圖譜嵌入同一空間進(jìn)行訓(xùn)練. 首先利用對齊種子將兩個(gè)知識圖譜(KG1和KG2)的實(shí)體和關(guān)系嵌入到同一個(gè)低維度的向量空間中并計(jì)算實(shí)體之間的距離,然后利用最小化等價(jià)實(shí)體距離、最大化非等價(jià)實(shí)體距離的思想來訓(xùn)練模型.采用L2范數(shù)計(jì)算實(shí)體之間的距離,計(jì)算公式如下:

    式中:ei和ej分別代表兩個(gè)圖譜(KG1和KG2)中的實(shí)體;h(ei)和h(ej)分別代表實(shí)體ei和ej的特征向量,D(ei,ej)代表實(shí)體ei和ej之間的距離.

    采用最小化實(shí)體對齊損失函數(shù)來訓(xùn)練模型,最小化實(shí)體對齊損失函數(shù)計(jì)算公式如下:

    式中:L代表損失函數(shù),當(dāng)損失函數(shù)趨近于0時(shí),模型性能最優(yōu);e′i和e′j是隨機(jī)替換ei和ej得到的負(fù)樣例;ε代表正樣例與負(fù)樣例間的最小間隔.

    2.2 互聯(lián)網(wǎng)醫(yī)療知識實(shí)體關(guān)系庫的構(gòu)建及實(shí)體對齊

    2.2.1 互聯(lián)網(wǎng)醫(yī)療知識實(shí)體關(guān)系庫的構(gòu)建 首先對互聯(lián)網(wǎng)醫(yī)療知識的文本特點(diǎn)進(jìn)行分析,然后根據(jù)文獻(xiàn)[21]中的分類規(guī)則,將互聯(lián)網(wǎng)醫(yī)療知識的實(shí)體類別分為7 大類(表1),實(shí)體關(guān)系類別分為14 大類(表2). 由于互聯(lián)網(wǎng)醫(yī)療知識包含的疾病種類很多,為了能簡單地說明問題,本研究僅選取與乳腺疾病相關(guān)的互聯(lián)網(wǎng)醫(yī)療知識進(jìn)行研究. 首先從醫(yī)療網(wǎng)站“39 健康網(wǎng)(http://www.39.net/)”和“尋醫(yī)問藥網(wǎng)(https://www.xywy.com/)”的乳腺疾病板塊中對文本進(jìn)行爬取清洗,然后依次進(jìn)行實(shí)體識別和關(guān)系抽取操作,最后得到兩個(gè)網(wǎng)站中與乳腺疾病相關(guān)的實(shí)體集和實(shí)體關(guān)系集,并構(gòu)建來源于兩個(gè)不同醫(yī)療網(wǎng)站的乳腺疾病實(shí)體關(guān)系庫.

    表1 互聯(lián)網(wǎng)醫(yī)療知識的實(shí)體類別Tab.1 Entity categories of internet medical knowledge

    表2 互聯(lián)網(wǎng)醫(yī)療知識的實(shí)體關(guān)系類別Tab.2 Entity relationship categories of internet medical knowledge

    2.2.2 互聯(lián)網(wǎng)醫(yī)療知識實(shí)體關(guān)系庫的實(shí)體對齊 對本文2.2.1 小節(jié)構(gòu)建的乳腺疾病實(shí)體關(guān)系庫進(jìn)行數(shù)據(jù)統(tǒng)計(jì),如表3 所示. 分別采用MuGNN 模型、JAPE 模型和GCN-Align 模型對構(gòu)建的兩個(gè)乳腺疾病實(shí)體關(guān)系庫進(jìn)行實(shí)體對齊. 首先以比例seeds_ratio 抽取部分已對齊實(shí)體作為對齊種子,然后隨機(jī)生成錯(cuò)誤的對齊實(shí)體和關(guān)系三元組以更好地訓(xùn)練模型,最后隨機(jī)選取70%的對齊實(shí)體作為訓(xùn)練集,其余30%的對齊實(shí)體作為測試集.

    表3 乳腺疾病實(shí)體關(guān)系庫的數(shù)據(jù)統(tǒng)計(jì)Tab.3 Data statistics of entity relationship databases of breast diseases

    在Windows10平臺下使用Python3.7.9語言在pytorch1.6.0深度學(xué)習(xí)框架下進(jìn)行實(shí)體對齊. 三種實(shí)體對齊模型均采用相同的參數(shù),模型的主要參數(shù)設(shè)置如表4所示.

    表4 實(shí)體對齊模型的參數(shù)設(shè)置Tab.4 Parameter setting of entity alignment model

    采用前n項(xiàng)命中率Hits@n和平均倒數(shù)排名MRR 作為評價(jià)指標(biāo),計(jì)算公式如下:

    式中:Hits@n表示目標(biāo)實(shí)體排在前n位的比例,Hits@n的值越大表示命中率越高;MRR 表示目標(biāo)實(shí)體排名倒數(shù)和的平均值,MRR 的值越大表示實(shí)體對齊效果越好;Ranki表示第i個(gè)目標(biāo)實(shí)體在結(jié)果列表中的排位;I(?)代表指示函數(shù),當(dāng)輸入為True時(shí),I(?)=1,當(dāng)輸入為False時(shí),I(?)=0;N表示目標(biāo)實(shí)體數(shù)量.

    根據(jù)式(9)和式(10)求得測試集在各模型上的Hits@1、Hits@10、Hits@50、MRR,結(jié)果如表5所示.

    表5 測試集在各模型上的Hits@1、Hits@10、Hits@50和MRRTab.5 Hits@1,Hits@10,Hits@50 and MRR of the test set on each model

    由表5 可知,測試集在MuGNN 模型上的Hits@n和MRR 的值均比在JAPE 模型和GCN-Align 模型上的大,其中測試集在MuGNN 模型上的Hits@1 的值分別比在JAPE 模型和在GCN-Align 模型上的高16.43%和8.51%. 以上結(jié)果表明,無論是以前n項(xiàng)命中率Hits@n作為評價(jià)指標(biāo),還是以平均倒數(shù)排名MRR作為評價(jià)指標(biāo),綜合多種注意力機(jī)制和圖卷積神經(jīng)網(wǎng)絡(luò)的MuGNN模型的實(shí)體對齊效果均優(yōu)于JAPE模型和GCN-Align模型的實(shí)體對齊效果.

    圖5為通過MuGNN 模型得到的乳腺疾病各實(shí)體類別的Hits@n和MRR. 由圖5可知,疾病Disease 和藥物Medicine這兩個(gè)實(shí)體類別的Hits@n和MRR均相對較低,分析原因可能是實(shí)驗(yàn)數(shù)據(jù)中這兩個(gè)實(shí)體類別的數(shù)量相對較少,關(guān)系矩陣較為稀疏,給實(shí)體對齊效果帶來了一定的負(fù)面影響.

    圖5 通過MuGNN模型得到的乳腺疾病各實(shí)體類別的Hits@n和MRRFig.5 Hits@n and MRR of entity categories of breast diseases obtained by MuGNN model

    3 知識融合階段

    3.1 知識融合及知識圖譜的可視化

    知識融合是將多數(shù)據(jù)源中指向同一實(shí)體或者概念的描述融合起來的過程,是在實(shí)體對齊的基礎(chǔ)上,通過沖突檢測以及沖突消解對知識進(jìn)行關(guān)聯(lián)和合并,最終形成一個(gè)完整一致的知識庫. 知識融合過程具體分為數(shù)據(jù)層融合和數(shù)據(jù)模式層融合兩部分. 數(shù)據(jù)層融合多指實(shí)體間的知識融合;數(shù)據(jù)模式層融合則包括概念和屬性的融合. 知識融合可豐富完善已有的語義信息、挖掘更多圖譜知識、提高知識表示的性能,進(jìn)而可以提供更優(yōu)質(zhì)的知識服務(wù). 通過Neo4j圖數(shù)據(jù)庫對知識圖譜進(jìn)行可視化處理后,可將知識庫中的實(shí)體和關(guān)系以圖形化的方式展示出來,用戶則可通過簡單的查詢語句來獲得具體實(shí)體之間的關(guān)系,可增強(qiáng)知識庫的可理解性.

    3.2 互聯(lián)網(wǎng)醫(yī)療知識實(shí)體關(guān)系庫的知識融合及知識圖譜的可視化

    為了研究MuGNN 模型對互聯(lián)網(wǎng)醫(yī)療知識融合的效果,對本文2.2 小節(jié)中構(gòu)建的乳腺疾病實(shí)體關(guān)系庫(已完成實(shí)體對齊)進(jìn)行知識融合. 為了提升融合的準(zhǔn)確率,在實(shí)體對齊的基礎(chǔ)上加以人工校正,消除語義重復(fù)的實(shí)體及對應(yīng)的關(guān)系三元組,實(shí)現(xiàn)多源知識的融合. 同時(shí),使用Java語言將融合后得到的實(shí)體集和關(guān)系三元組集輸入到Neo4j圖數(shù)據(jù)庫中,以實(shí)現(xiàn)乳腺疾病知識圖譜的可視化.

    圖6a 是在Neo4j 圖數(shù)據(jù)庫中通過match 語句查詢疾病“乳腺癌”所得到的癥狀,圖6b是在Neo4j 圖數(shù)據(jù)庫中通過match語句查詢檢查項(xiàng)目“乳腺B超”所得到的疾病. 其中,不同顏色代表不同類別的實(shí)體,如紅色代表“疾病Disease”,黃色代表“癥狀Symptom”,藍(lán)色代表“檢查項(xiàng)目Check”. 通過知識圖譜的可視化,我們可以清晰簡明地看到實(shí)體之間一對一以及一對多的聯(lián)系.

    圖6 乳腺疾病知識圖譜可視化結(jié)果的示例Fig.6 Example of visualization results of breast disease knowledge map

    通過Neo4j圖數(shù)據(jù)庫結(jié)構(gòu)化存儲乳腺疾病的實(shí)體及關(guān)系,不僅可以使用戶高效快速地了解與乳腺疾病預(yù)防和飲食習(xí)慣等相關(guān)的知識,也可以使用戶根據(jù)癥狀查詢自己可能患有的疾病以及對應(yīng)的檢查方式,同時(shí)還可以為用戶的初步自我診斷提供輔助手段.

    4 結(jié)論

    以乳腺疾病為例,首先構(gòu)建了基于不同醫(yī)療網(wǎng)站的乳腺疾病實(shí)體關(guān)系庫,然后利用MuGNN模型完成了實(shí)體對齊,同時(shí)與JAPE模型和GCN-Align模型的實(shí)體對齊效果進(jìn)行了對比,最后通過Neo4j圖數(shù)據(jù)庫對融合后的互聯(lián)網(wǎng)醫(yī)療知識圖譜進(jìn)行可視化處理,得出結(jié)論如下:

    1)綜合多種注意力機(jī)制和圖卷積神經(jīng)網(wǎng)絡(luò)的MuGNN模型首先利用跨圖注意力機(jī)制和GCN模型對圖結(jié)構(gòu)進(jìn)行表示學(xué)習(xí),然后利用GAT模型對實(shí)體關(guān)系進(jìn)行賦權(quán),最后將實(shí)體嵌入進(jìn)行聚合后對齊. MuGNN模型不僅可以有效解決圖結(jié)構(gòu)的異質(zhì)性問題,還可以為每個(gè)實(shí)體捕獲到信息最豐富、最有判別力的鄰居.2)無論是以前n項(xiàng)命中率Hits@n作為評價(jià)指標(biāo),還是以平均倒數(shù)排名MRR作為評價(jià)指標(biāo),綜合多種注意力機(jī)制和圖卷積神經(jīng)網(wǎng)絡(luò)的MuGNN 模型的實(shí)體對齊效果均優(yōu)于JAPE 模型和GCN-Align 模型的實(shí)體對齊效果.3)通過MuGNN模型成功實(shí)現(xiàn)了基于不同醫(yī)療網(wǎng)站的乳腺疾病實(shí)體關(guān)系庫的知識融合,并利用Neo4j圖數(shù)據(jù)庫對融合后的知識圖譜進(jìn)行了可視化處理. 知識圖譜的可視化可將實(shí)體類別和實(shí)體關(guān)系以圖形化的方式展示出來,通過簡單的查詢語句即可獲得具體實(shí)體之間的關(guān)系,可增強(qiáng)知識庫的可理解性,有助于提供更優(yōu)質(zhì)的知識服務(wù).本研究雖然取得了一定的成果,但是也存在一些不足之處,如僅選取了與乳腺疾病有關(guān)的互聯(lián)網(wǎng)醫(yī)療知識作為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行研究,其關(guān)系三元組不夠多,存在一定的數(shù)據(jù)稀疏問題. 下一步研究可以考慮擴(kuò)大疾病的選取范圍,同時(shí)可以嘗試?yán)迷~向量作為神經(jīng)網(wǎng)絡(luò)的初始矩陣,以進(jìn)一步提高M(jìn)uGNN模型的性能.

    猜你喜歡
    圖譜注意力實(shí)體
    讓注意力“飛”回來
    繪一張成長圖譜
    前海自貿(mào)區(qū):金融服務(wù)實(shí)體
    中國外匯(2019年18期)2019-11-25 01:41:54
    實(shí)體的可感部分與實(shí)體——兼論亞里士多德分析實(shí)體的兩種模式
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    補(bǔ)腎強(qiáng)身片UPLC指紋圖譜
    中成藥(2017年3期)2017-05-17 06:09:01
    兩會進(jìn)行時(shí):緊扣實(shí)體經(jīng)濟(jì)“釘釘子”
    振興實(shí)體經(jīng)濟(jì)地方如何“釘釘子”
    A Beautiful Way Of Looking At Things
    主動對接你思維的知識圖譜
    亚洲综合色惰| 亚洲av成人精品一二三区| 老熟女久久久| 精品一区二区三区视频在线| 亚洲av电影在线观看一区二区三区| 蜜臀久久99精品久久宅男| 99re6热这里在线精品视频| 性色av一级| 天天躁日日操中文字幕| 国产精品人妻久久久影院| 亚洲av中文av极速乱| 伦精品一区二区三区| 狠狠精品人妻久久久久久综合| 在线观看免费高清a一片| 亚洲伊人久久精品综合| 边亲边吃奶的免费视频| 亚洲av中文字字幕乱码综合| 亚洲精品456在线播放app| 一区二区三区四区激情视频| 日本wwww免费看| 中文天堂在线官网| 国产免费又黄又爽又色| 国产精品一二三区在线看| 成人影院久久| 日韩av不卡免费在线播放| 欧美人与善性xxx| 国产又色又爽无遮挡免| 国产在线男女| 成人美女网站在线观看视频| 欧美高清性xxxxhd video| 亚洲精品国产av蜜桃| 春色校园在线视频观看| 亚洲精品国产色婷婷电影| 一本色道久久久久久精品综合| 天堂中文最新版在线下载| 夫妻性生交免费视频一级片| 在线天堂最新版资源| 日本-黄色视频高清免费观看| 午夜福利网站1000一区二区三区| 日韩欧美 国产精品| 久久久午夜欧美精品| 精品久久久久久久久亚洲| 国产精品av视频在线免费观看| 国产成人91sexporn| 久久久久视频综合| 五月玫瑰六月丁香| 国产成人免费观看mmmm| 九色成人免费人妻av| 日韩三级伦理在线观看| 五月玫瑰六月丁香| 亚州av有码| 黄片无遮挡物在线观看| 国内少妇人妻偷人精品xxx网站| 在线观看av片永久免费下载| freevideosex欧美| 久久99蜜桃精品久久| 免费高清在线观看视频在线观看| 免费观看在线日韩| 久久久亚洲精品成人影院| 边亲边吃奶的免费视频| 亚洲真实伦在线观看| 国产乱人视频| 亚洲精品久久久久久婷婷小说| 日韩中字成人| 久久久久精品久久久久真实原创| 男人舔奶头视频| 久久热精品热| av播播在线观看一区| 亚洲第一区二区三区不卡| kizo精华| 精品亚洲成a人片在线观看 | 欧美成人精品欧美一级黄| 天堂8中文在线网| 成人特级av手机在线观看| 18禁在线播放成人免费| 伦理电影免费视频| 97在线视频观看| 日本猛色少妇xxxxx猛交久久| 最近最新中文字幕免费大全7| 日本与韩国留学比较| 久久99蜜桃精品久久| 日韩av在线免费看完整版不卡| h日本视频在线播放| 国产色婷婷99| 国产大屁股一区二区在线视频| 久久精品久久精品一区二区三区| 亚洲欧洲国产日韩| 最近中文字幕2019免费版| 99re6热这里在线精品视频| 日韩国内少妇激情av| 免费大片黄手机在线观看| 91精品一卡2卡3卡4卡| 一个人看视频在线观看www免费| 成年女人在线观看亚洲视频| 日韩一区二区视频免费看| 亚洲丝袜综合中文字幕| 国产色婷婷99| h视频一区二区三区| 免费少妇av软件| 亚洲人成网站高清观看| 涩涩av久久男人的天堂| 欧美 日韩 精品 国产| 久久久久久久大尺度免费视频| 精品亚洲乱码少妇综合久久| 中文字幕人妻熟人妻熟丝袜美| 少妇精品久久久久久久| 亚洲av中文字字幕乱码综合| h视频一区二区三区| 午夜免费男女啪啪视频观看| 免费看光身美女| 蜜桃在线观看..| 中国美白少妇内射xxxbb| 在线观看免费视频网站a站| 国产欧美日韩精品一区二区| 国产精品伦人一区二区| 亚洲美女搞黄在线观看| 在线观看一区二区三区激情| 亚洲性久久影院| 久久国产精品大桥未久av | 91精品一卡2卡3卡4卡| 成人免费观看视频高清| 国产av码专区亚洲av| 男的添女的下面高潮视频| 2022亚洲国产成人精品| 午夜福利高清视频| 亚洲欧美精品专区久久| 哪个播放器可以免费观看大片| 精品国产乱码久久久久久小说| 亚洲av.av天堂| 亚洲精品国产成人久久av| 国产av国产精品国产| 久久国内精品自在自线图片| 性色av一级| 国产 一区 欧美 日韩| 精品一品国产午夜福利视频| 人妻一区二区av| 欧美高清成人免费视频www| 国产精品国产av在线观看| 亚洲久久久国产精品| 国产成人一区二区在线| 日韩,欧美,国产一区二区三区| 国产欧美亚洲国产| 男的添女的下面高潮视频| 26uuu在线亚洲综合色| av又黄又爽大尺度在线免费看| 欧美一区二区亚洲| 亚洲av免费高清在线观看| 丝袜脚勾引网站| 特大巨黑吊av在线直播| 特大巨黑吊av在线直播| 夜夜爽夜夜爽视频| 伊人久久精品亚洲午夜| 精品熟女少妇av免费看| 2022亚洲国产成人精品| 深夜a级毛片| 久久99蜜桃精品久久| 少妇人妻一区二区三区视频| 亚洲怡红院男人天堂| 美女主播在线视频| 一本色道久久久久久精品综合| 欧美精品国产亚洲| 成人漫画全彩无遮挡| 一级毛片久久久久久久久女| 日日摸夜夜添夜夜爱| 高清不卡的av网站| 久久99热这里只频精品6学生| 久久国产亚洲av麻豆专区| 久久 成人 亚洲| 亚洲高清免费不卡视频| 国产免费视频播放在线视频| 丰满少妇做爰视频| 五月天丁香电影| 啦啦啦啦在线视频资源| 一级毛片久久久久久久久女| 亚洲精品久久午夜乱码| 欧美成人一区二区免费高清观看| 久久久久精品性色| 蜜桃亚洲精品一区二区三区| 在线观看人妻少妇| 国产av一区二区精品久久 | 岛国毛片在线播放| 肉色欧美久久久久久久蜜桃| 男女啪啪激烈高潮av片| 中文欧美无线码| 亚洲怡红院男人天堂| 日韩三级伦理在线观看| 欧美国产精品一级二级三级 | 又粗又硬又长又爽又黄的视频| 久久久久人妻精品一区果冻| av国产精品久久久久影院| 午夜老司机福利剧场| 人妻系列 视频| 18禁动态无遮挡网站| 又爽又黄a免费视频| 成年女人在线观看亚洲视频| 成人高潮视频无遮挡免费网站| 五月开心婷婷网| 日韩欧美 国产精品| 成人黄色视频免费在线看| 少妇人妻久久综合中文| 国国产精品蜜臀av免费| 国产黄片视频在线免费观看| 高清欧美精品videossex| 51国产日韩欧美| 欧美极品一区二区三区四区| 亚洲人成网站高清观看| 亚洲国产精品999| 美女脱内裤让男人舔精品视频| 永久免费av网站大全| 国产 一区精品| 丰满人妻一区二区三区视频av| 免费av中文字幕在线| 高清不卡的av网站| av女优亚洲男人天堂| 极品教师在线视频| 国产免费又黄又爽又色| 欧美+日韩+精品| 国产av码专区亚洲av| 国产精品国产三级专区第一集| 亚洲美女黄色视频免费看| 久久久久视频综合| 黄色怎么调成土黄色| 国产在视频线精品| 日韩一区二区三区影片| 国产乱人偷精品视频| 人人妻人人看人人澡| 夫妻性生交免费视频一级片| 国产黄色免费在线视频| av免费在线看不卡| 国产精品爽爽va在线观看网站| 99久久综合免费| 最近的中文字幕免费完整| av黄色大香蕉| 97超碰精品成人国产| 国产有黄有色有爽视频| 午夜日本视频在线| 男女下面进入的视频免费午夜| 亚洲av福利一区| 亚洲精品久久午夜乱码| 国产老妇伦熟女老妇高清| 欧美丝袜亚洲另类| 国产v大片淫在线免费观看| 黄色欧美视频在线观看| 精品酒店卫生间| 国产爱豆传媒在线观看| 日韩大片免费观看网站| 伦理电影免费视频| 国语对白做爰xxxⅹ性视频网站| 日韩一区二区三区影片| 一个人免费看片子| 久久精品国产亚洲av涩爱| 亚洲欧美精品自产自拍| 蜜臀久久99精品久久宅男| 亚州av有码| 欧美zozozo另类| 久久人人爽人人片av| 亚洲第一av免费看| 看免费成人av毛片| 黄片wwwwww| 亚洲内射少妇av| 18禁在线无遮挡免费观看视频| 少妇 在线观看| 精品人妻一区二区三区麻豆| 国产又色又爽无遮挡免| 中文天堂在线官网| 久久久久久久久大av| 国产精品一区二区在线不卡| 一级毛片我不卡| 特大巨黑吊av在线直播| 午夜视频国产福利| 夜夜看夜夜爽夜夜摸| 3wmmmm亚洲av在线观看| 视频中文字幕在线观看| 久久国内精品自在自线图片| 伊人久久国产一区二区| 国产成人一区二区在线| 男的添女的下面高潮视频| 爱豆传媒免费全集在线观看| 在线观看美女被高潮喷水网站| 精品一区二区三区视频在线| 欧美极品一区二区三区四区| 日日摸夜夜添夜夜添av毛片| 我的老师免费观看完整版| 日本wwww免费看| 91久久精品国产一区二区三区| 国产中年淑女户外野战色| 18禁动态无遮挡网站| 中文资源天堂在线| 交换朋友夫妻互换小说| 18禁裸乳无遮挡动漫免费视频| 嫩草影院入口| 91精品国产九色| 日韩在线高清观看一区二区三区| 国产女主播在线喷水免费视频网站| 一级毛片 在线播放| av在线播放精品| 少妇人妻精品综合一区二区| 日韩电影二区| 成人免费观看视频高清| 国产黄色免费在线视频| 亚洲内射少妇av| av国产久精品久网站免费入址| 久久久久久人妻| 国产又色又爽无遮挡免| 亚洲欧美精品自产自拍| 在线观看一区二区三区| 久久青草综合色| 欧美丝袜亚洲另类| 国产av一区二区精品久久 | 欧美精品一区二区免费开放| 色哟哟·www| 国产精品熟女久久久久浪| 亚洲美女搞黄在线观看| 免费大片黄手机在线观看| 少妇人妻一区二区三区视频| 日韩强制内射视频| 亚洲国产色片| 精品亚洲成a人片在线观看 | 色哟哟·www| 男人爽女人下面视频在线观看| 成年av动漫网址| 国产在线免费精品| 日日啪夜夜撸| 噜噜噜噜噜久久久久久91| a级毛色黄片| 熟女av电影| 久久久午夜欧美精品| 欧美另类一区| 亚洲国产成人一精品久久久| 制服丝袜香蕉在线| 麻豆国产97在线/欧美| 免费在线观看成人毛片| 国产在线视频一区二区| 菩萨蛮人人尽说江南好唐韦庄| 男人和女人高潮做爰伦理| 国产av一区二区精品久久 | 五月玫瑰六月丁香| 亚洲国产色片| 麻豆成人av视频| 色婷婷av一区二区三区视频| av卡一久久| 丝瓜视频免费看黄片| 制服丝袜香蕉在线| 国产视频首页在线观看| 超碰97精品在线观看| 成人亚洲欧美一区二区av| 一本色道久久久久久精品综合| 热99国产精品久久久久久7| 国产日韩欧美亚洲二区| 日本-黄色视频高清免费观看| 自拍欧美九色日韩亚洲蝌蚪91 | 最后的刺客免费高清国语| 国产高清三级在线| 1000部很黄的大片| 一级a做视频免费观看| 青春草国产在线视频| 夜夜看夜夜爽夜夜摸| 国产成人免费观看mmmm| 热99国产精品久久久久久7| av专区在线播放| 日本与韩国留学比较| 91在线精品国自产拍蜜月| 国产v大片淫在线免费观看| www.av在线官网国产| 九九久久精品国产亚洲av麻豆| 日本一二三区视频观看| 亚洲丝袜综合中文字幕| 亚洲av国产av综合av卡| 日本av手机在线免费观看| 亚洲av在线观看美女高潮| 高清黄色对白视频在线免费看 | 国产男人的电影天堂91| 狂野欧美白嫩少妇大欣赏| 一个人看视频在线观看www免费| 国产精品av视频在线免费观看| 我要看黄色一级片免费的| av专区在线播放| 自拍偷自拍亚洲精品老妇| 日日摸夜夜添夜夜爱| av在线app专区| av在线蜜桃| 一级毛片电影观看| 欧美精品亚洲一区二区| 成人高潮视频无遮挡免费网站| 黑人高潮一二区| 国产人妻一区二区三区在| 在线播放无遮挡| 黄片wwwwww| 日本欧美国产在线视频| 日韩欧美一区视频在线观看 | 亚洲欧美精品自产自拍| 精品久久久久久久久av| 水蜜桃什么品种好| 国产成人一区二区在线| 26uuu在线亚洲综合色| 亚洲欧美清纯卡通| 人妻 亚洲 视频| 国产精品福利在线免费观看| 伦理电影免费视频| 国产精品蜜桃在线观看| 久久女婷五月综合色啪小说| 丰满人妻一区二区三区视频av| 成年人午夜在线观看视频| 少妇的逼水好多| 街头女战士在线观看网站| 亚洲婷婷狠狠爱综合网| 亚洲国产精品国产精品| 1000部很黄的大片| 成人18禁高潮啪啪吃奶动态图 | 免费人成在线观看视频色| 国产爱豆传媒在线观看| 我要看日韩黄色一级片| 美女视频免费永久观看网站| 国产色爽女视频免费观看| freevideosex欧美| 亚洲国产最新在线播放| 亚洲丝袜综合中文字幕| 欧美精品一区二区免费开放| 毛片一级片免费看久久久久| 国产免费又黄又爽又色| 91aial.com中文字幕在线观看| 性色avwww在线观看| 赤兔流量卡办理| 搡女人真爽免费视频火全软件| 麻豆成人午夜福利视频| 亚洲精品一二三| 亚洲精品乱久久久久久| 人妻系列 视频| 精品酒店卫生间| 中文精品一卡2卡3卡4更新| 久久精品久久久久久久性| 免费观看在线日韩| 免费大片18禁| 成年av动漫网址| 高清黄色对白视频在线免费看 | 亚洲欧美精品自产自拍| 最近最新中文字幕免费大全7| 91精品伊人久久大香线蕉| 精品一品国产午夜福利视频| 深夜a级毛片| 亚洲欧美中文字幕日韩二区| 国产成人freesex在线| 亚洲自偷自拍三级| 韩国高清视频一区二区三区| 亚洲成色77777| 亚洲国产欧美人成| 亚洲精品国产av蜜桃| 日韩av不卡免费在线播放| 91久久精品国产一区二区成人| 国产色婷婷99| 成人黄色视频免费在线看| 日本欧美国产在线视频| 欧美激情国产日韩精品一区| 亚洲av男天堂| 国产无遮挡羞羞视频在线观看| 国产有黄有色有爽视频| 舔av片在线| 久久精品国产a三级三级三级| 亚洲av中文av极速乱| 久久韩国三级中文字幕| 国产毛片在线视频| 久久人人爽人人爽人人片va| 内地一区二区视频在线| 欧美日韩在线观看h| 精品人妻熟女av久视频| 亚洲第一区二区三区不卡| 大片免费播放器 马上看| 国产欧美亚洲国产| 丰满迷人的少妇在线观看| 韩国av在线不卡| 精品一品国产午夜福利视频| 国产精品秋霞免费鲁丝片| 热re99久久精品国产66热6| 寂寞人妻少妇视频99o| videossex国产| 欧美97在线视频| 国产成人91sexporn| 日本黄色片子视频| 日本黄大片高清| 91久久精品国产一区二区成人| 国产精品不卡视频一区二区| 日本猛色少妇xxxxx猛交久久| 97在线人人人人妻| 一区在线观看完整版| 最近的中文字幕免费完整| 久久国产精品大桥未久av | 嫩草影院新地址| 在线观看免费视频网站a站| 亚洲av男天堂| 欧美 日韩 精品 国产| av在线观看视频网站免费| av女优亚洲男人天堂| 国产av码专区亚洲av| 久久6这里有精品| 亚洲精华国产精华液的使用体验| 国产一区亚洲一区在线观看| 亚洲人成网站在线播| 日本与韩国留学比较| 国产成人aa在线观看| 一级毛片黄色毛片免费观看视频| 国产av国产精品国产| 国产伦理片在线播放av一区| 精品久久国产蜜桃| 国产一区有黄有色的免费视频| 26uuu在线亚洲综合色| 免费看av在线观看网站| 天天躁夜夜躁狠狠久久av| 日本欧美国产在线视频| 国产高清不卡午夜福利| 国产av国产精品国产| 麻豆成人av视频| 伦理电影免费视频| 大又大粗又爽又黄少妇毛片口| 精品午夜福利在线看| 涩涩av久久男人的天堂| 少妇人妻久久综合中文| 中文字幕免费在线视频6| 在线观看一区二区三区| 高清毛片免费看| 色婷婷av一区二区三区视频| 丝袜喷水一区| 2018国产大陆天天弄谢| 80岁老熟妇乱子伦牲交| a级毛片免费高清观看在线播放| 国产精品人妻久久久久久| 国产国拍精品亚洲av在线观看| 亚洲国产精品国产精品| 欧美bdsm另类| 久久久久久人妻| 搡女人真爽免费视频火全软件| 欧美 日韩 精品 国产| 欧美精品一区二区免费开放| 欧美丝袜亚洲另类| 亚洲av欧美aⅴ国产| 99久国产av精品国产电影| 老司机影院毛片| 久久国产亚洲av麻豆专区| 亚洲欧美日韩东京热| av卡一久久| 九草在线视频观看| 日本爱情动作片www.在线观看| 在线播放无遮挡| 国产精品三级大全| 男女无遮挡免费网站观看| 亚洲精品色激情综合| 国产大屁股一区二区在线视频| 国产精品秋霞免费鲁丝片| 久热久热在线精品观看| 街头女战士在线观看网站| 人妻系列 视频| 亚洲精品亚洲一区二区| 国产 精品1| 久久久久久九九精品二区国产| 色婷婷久久久亚洲欧美| 高清午夜精品一区二区三区| 美女内射精品一级片tv| www.av在线官网国产| 天美传媒精品一区二区| 久久av网站| 亚洲精品日本国产第一区| 三级经典国产精品| 91久久精品国产一区二区成人| 在线精品无人区一区二区三 | 高清在线视频一区二区三区| 亚洲伊人久久精品综合| 欧美一级a爱片免费观看看| 少妇的逼好多水| 人人妻人人看人人澡| 久久综合国产亚洲精品| 内射极品少妇av片p| 日本av手机在线免费观看| 亚洲成色77777| 2021少妇久久久久久久久久久| 22中文网久久字幕| 日韩亚洲欧美综合| 天天躁夜夜躁狠狠久久av| 最近2019中文字幕mv第一页| 日韩av在线免费看完整版不卡| 精品人妻熟女av久视频| 男女啪啪激烈高潮av片| 午夜激情福利司机影院| 成人黄色视频免费在线看| 极品少妇高潮喷水抽搐| 亚洲精品乱久久久久久| 精品一区二区三卡| 丰满乱子伦码专区| 精品少妇黑人巨大在线播放| 色视频在线一区二区三区| 精品少妇黑人巨大在线播放| 久久久久久久精品精品| 黄色配什么色好看| 91久久精品国产一区二区成人| .国产精品久久| 97热精品久久久久久| 在线看a的网站| 亚洲欧美一区二区三区国产| 国产精品偷伦视频观看了| 久久久久久久大尺度免费视频| 男女下面进入的视频免费午夜| 精品亚洲乱码少妇综合久久| 菩萨蛮人人尽说江南好唐韦庄| 又爽又黄a免费视频| 在线观看三级黄色| 99久久精品一区二区三区| 青春草亚洲视频在线观看| 久久av网站| 一二三四中文在线观看免费高清| 久久女婷五月综合色啪小说| 欧美日韩国产mv在线观看视频 | 天堂8中文在线网| www.av在线官网国产| 好男人视频免费观看在线| 日本-黄色视频高清免费观看| 水蜜桃什么品种好| 日本与韩国留学比较|