• <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BERT—BiLSTM—CRF模型的中文巖石描述文本命名實體與關系聯(lián)合提取

    2022-03-28 08:09:12陳忠良袁峰李曉暉張明明合肥工業(yè)大學資源與環(huán)境工程學院合肥230009安徽省地質(zhì)調(diào)查院合肥230001
    地質(zhì)論評 2022年2期
    關鍵詞:語料命名巖石

    陳忠良, 袁峰,李曉暉, 張明明合肥工業(yè)大學資源與環(huán)境工程學院,合肥, 230009;2)安徽省地質(zhì)調(diào)查院,合肥, 230001

    內(nèi)容提要: 地質(zhì)調(diào)查正在從“數(shù)字化”走向“智能化”,需要在大數(shù)據(jù)思維的指導下,面向非結(jié)構化數(shù)據(jù)開展機器閱讀和地質(zhì)知識的自動提取。地學命名實體和關系聯(lián)合提取是當前研究的難點和核心。本文采用基于大規(guī)模預訓練中文語言模型的BERT—BiLSTM—CRF方法開展巖石描述文本命名實體與關系聯(lián)合提取。首先,通過收集數(shù)字地質(zhì)填圖工作中的剖面測量和路線地質(zhì)觀測數(shù)據(jù),建立巖石描述語料;然后,在巖石學理論指導下分析巖石知識組成,完成巖石知識圖譜命名實體與關系的模式設計,標注巖石語料;最后,開展巖石描述語料知識提取的深度學習訓練和消融試驗對比。試驗結(jié)果顯示,大規(guī)模預訓練中文語言模型(BERT)對巖石描述語料知識提取具有較高的適用性。推薦的BERT—BiLSTM—CRF模型方法對巖石命名實體與關系聯(lián)合提取的準確率(F1值)為91.75%,對巖石命名實體識別的準確率(F1值)為97.38%。消融試驗證明基于BERT的詞嵌入層對巖石描述知識提取的性能提升影響顯著,雙向長短時記憶網(wǎng)絡模型層(BiLSTM Layer)能提升實體關系聯(lián)合提取性能。

    隨著大數(shù)據(jù)思維和人工智能技術在地學研究中的不斷應用(周國玉等,2020;黃敬軍等;2020;劉傳正和陳春利,2020;周永章等,2021a),基于自然語言處理技術的機器閱讀技術(Peters et al., 2014;蔣璟鑫等,2020)和地學領域知識提取技術(Abu-Salih, 2021;周永章等,2021b)也越來越受到地學研究者的關注。

    在地學領域,針對文獻的機器閱讀技術(Geodeepdive)較早應用于以沉積學為主的地質(zhì)數(shù)據(jù)庫(Macrostrat;Peters et al., 2014)。在疊層石的時空分布研究中,機器閱讀技術成功從文獻中智能提取了疊層石詞匯及其所處巖石地層名稱(Peters et al., 2017)。對于非結(jié)構化的中文地學文獻,學者開展了基于中文分詞和詞頻統(tǒng)計的文獻關鍵字提取,采用知識圖譜的圖方式展示了文獻的內(nèi)蘊信息(Zhu Yueqin et al., 2017;Wang Chengbin et al., 2018)?;谏疃葘W習的命名實體識別技術也被應用于從文獻中提取信息構建地質(zhì)災害知識圖譜(Fan Runyu et al., 2019)。劉鵬等(2020)引入基于 BiLSTM—CRF 改進的網(wǎng)格結(jié)構模型 Lattice—LSTM 進行了煤礦領域知識提取。周永章等(2021b)依據(jù)斑巖型銅礦床概念模型,開展華南欽州—杭州成礦帶內(nèi)典型礦床的知識獲取、標注和提取。機器閱讀技術和地學領域知識提取技術關注的同為如何從非結(jié)構化的數(shù)據(jù)(如文本)中提取出事實。在知識圖譜中事實既是知識,是以實體及其關系組成的三元組(王萬良,2020;Ji Shaoxiong et al., 2021)。目前,在地學領域知識的自動獲取和圖譜構建的過程中,實體識別是其重要內(nèi)容,關系提取則是其中的難點和核心(齊浩等,2020;周永章等,2021b)。

    當前,地質(zhì)調(diào)查正在從“數(shù)字化”走向“智能化”( 李超嶺等,2015)。建設中的地質(zhì)調(diào)查智能空間以“需求+數(shù)據(jù)+知識+智能驅(qū)動”理念為指導,研發(fā)空間數(shù)據(jù)自適應感知服務、非結(jié)構化數(shù)據(jù)挖掘服務、地質(zhì)知識的流程化和智能化應用等(李豐丹等,2019)。在非結(jié)構化數(shù)據(jù)挖掘方面,現(xiàn)有智能空間平臺已開展基于位置和關鍵詞的地質(zhì)報告信息檢索技術研究,基于機器學習的非結(jié)構化數(shù)據(jù)挖掘工作是需要開展的研究內(nèi)容(Wu Liang et al., 2017)。在地質(zhì)調(diào)查智能空間平臺中,巖石描述文本是除照片、地質(zhì)報告文檔外重要的非結(jié)構化數(shù)據(jù)之一。當前,基于機器學習的巖石和礦物智能識別研究正在逐漸深入(張野等,2018;徐述騰和周永章,2018;任偉等,2021),但針對巖石描述文本的機器閱讀和知識提取技術研究卻尚未開展。巖石描述文本與地質(zhì)報告的顯著區(qū)別是其短文本特點,非常適合開展基于大規(guī)模預訓練語言模型的深度學習。如BERT預訓練語言模型的最大支持標記序列為512個字詞(Devlin et al., 2018)。同時,巖石描述文本中命名實體和關系明確,也有利于人工語料標注并開展實體和關系的聯(lián)合提取。

    本文針對地學領域知識的自動獲取,特別是關系提取這一難點問題,以智能地質(zhì)調(diào)查空間中巖石描述這一短文本為研究對象,開展基于深度學習的巖石描述文本命名實體和關系聯(lián)合提取方法研究。分為:中文語料庫與詞嵌入技術、地學命名實體識別和關系提取的相關研究工作;巖石實體與關系的模式設計、巖石描述語料的收集和標注以及基于BERT—BiLSTM—CRF模型的知識提取方法;試驗結(jié)果和討論,開展了推薦模型方法的消融試驗,比較分析了模型中各部分對巖石知識提取性能的影響。

    1 相關工作

    開展地學領域知識提取方法研究主要涉及:① 中文地學語料庫與地學領域詞嵌入技術; ② 地學命名實體識別與關系提取。

    1.1 中文地學語料庫與詞嵌入技術

    向量是理解和表示文本數(shù)據(jù)的數(shù)學方法。詞嵌入技術(Word Embeddings),是將文本的每個字(單詞)封裝成向量表述的一種技術,是機器學習算法開展自然語言處理的基礎。當前,地學領域詞嵌入技術主要有GeoVec,其與通用詞嵌入技術相比,在多項地學英文語言處理任務中取得了更好的效果(Padarian and Fuentes, 2019; Fuentes et al., 2020)。然而,地學領域中文語料庫和中文地學領域詞嵌入技術卻相對匱乏。由于本次以中文地學知識提取作為研究對象,在地學領域詞嵌入技術缺乏的情況,通用中文詞嵌入技術成為可選方案,如Word2Vec(Mikolov et al., 2013)、BERT(Devlin et al., 2018)等。特別是后者作為一個Word2Vec的替代者,在自然語言處理領域的多個方向大幅刷新了精度。通用中文詞嵌入技術在地學知識提取中的應用效果成為本次研究的內(nèi)容之一。

    1.2 地學命名實體識別與關系提取

    目前地學領域命名實體識別主要有基于詞典及規(guī)則的方法和基于機器學習的方法。對于非結(jié)構化的中文地學文獻,學者開展了基于擴展地質(zhì)詞典及規(guī)則的地質(zhì)知識提取(Zhu Yueqin et al., 2017)。而傳統(tǒng)的機器學習方法應用于地學命名實體提取的主要為條件隨機場模型(CRF)。Wang Chengbin 等(2018)基于地質(zhì)詞典采用CRF模型開展了地學文獻的中文分詞和詞頻統(tǒng)計。條件隨機場模型對災害領域命名實體提取實現(xiàn)F1值72.55%的識別結(jié)果(杜志強等,2020)。近年,深度學習方法提取特征逐漸成為主流(周永章等,2018),如DBN、BiLSTM—CRF、Lattice—LSTM、BiGRU—CRF、ELMO—CNN—BiLSTM—CRF模型等。DBN模型在小規(guī)模礦產(chǎn)資源地質(zhì)調(diào)查報告語料的地質(zhì)實體識別評估中,各項評估指標(P,R,F(xiàn)1)均取得了90%以上(張雪英等,2018)。BiLSTM—CRF 模型及其改進的Lattice—LSTM模型對煤礦領域命名實體分別取得了F1值91.94%和94.04%的識別結(jié)果(劉鵬等,2020)。BiGRU—CRF模型對地質(zhì)災害命名實體識別也取得了F1值94.19的識別結(jié)果(Fan Runyu et al., 2019)。

    基于深度學習的方法對地學命名實體識別展現(xiàn)了較好的識別效果,但地學命名實體與關系聯(lián)合提取目前工作開展較少。隨著大規(guī)模預訓練語言模型BERT在自然語言處理領域眾多任務中取得最優(yōu)結(jié)果(Devlin et al., 2018),其對地學數(shù)據(jù)集的命名實體識別特別是實體與關系的聯(lián)合提取的適應性研究尚未開展。

    2 材料與方法

    2.1 巖石命名實體與關系的模式設計

    巖石觀察和描述的內(nèi)容一般包括顏色、構造、結(jié)構、礦物成分的種類和含量,以及依據(jù)巖石的分類命名原則對巖石命名。巖石知識圖譜是節(jié)點和邊(有向邊)組成的知識三元組表現(xiàn)形式。節(jié)點,即實體,內(nèi)容包含巖石、地層代號、顏色、結(jié)構、構造、礦物、第四紀沉積物、接觸關系等。邊,即關系,是各節(jié)點之間廣泛的知識關聯(lián),如主要礦物、次要礦物、新鮮色、風化色等。圖1為巖石知識命名實體與關系的模式設計元圖。接觸關系為巖石之間的接觸關系,多為巖石描述語句之外單獨語句描述。本次考慮描述語句字數(shù)限制,暫對接觸關系描述語句只做命名實體設計。

    圖1 巖石知識圖譜命名實體與關系的模式設計元圖Fig. 1 Meta-graph for named entities and relations of the domain—specific knowledge graph of petrology

    2.2 數(shù)據(jù)來源及語料標注

    巖石知識來源眾多,可分為結(jié)構化數(shù)據(jù)、半結(jié)構化數(shù)據(jù)和非結(jié)構化數(shù)據(jù)。其中,非結(jié)構化數(shù)據(jù)以巖石學文獻和巖石描述文本為主,是巖石知識提取的主要研究對象之一。特別是巖石描述文本,其是數(shù)字填圖系統(tǒng)和研發(fā)中的智能地質(zhì)調(diào)查系統(tǒng)(李超嶺等,2015;李豐丹等,2019)野外采集人員輸入的主要數(shù)據(jù),成為了本次巖石知識提取的主要語料資源。本次巖石描述文本所描述的巖石類型涵蓋了巖漿巖、沉積巖、變質(zhì)巖和第四紀沉積物。

    巖石描述語料標注為“BIO+命名實體”方式。其中,B代表命名實體片段的開始;I代表實體片段的中間;O代表字符不為任何實體。由于巖石描述多為圍繞某種巖石或第四紀沉積物展開,本次巖石描述語料中的實體關系同樣采用“BIO+關系”的標注方式。標注工具采用開源的BRAT(Stenetorp et al., 2012)。采用這種方式,實體與關系聯(lián)合提取任務將轉(zhuǎn)換成序列標注任務。圖2為巖石描述語料命名實體和關系標注示例。對于“風化色”這一“巖石”與“顏色”命名實體間的關系,一般巖石描述中均在顏色實體前有“風化”字詞,具有一定的前后文語義特征。其它實體關系,如主要礦物、次要礦物等,均具有類似的前后文語義特征。

    圖2 巖石描述語料命名實體和關系標注示例Fig. 2 A example for the annotations of the named entities and relations on lithological description corpus

    最終選取了300個地質(zhì)點的巖石描述開展了標注工作。BIO標注語料771個句子。為了測試命名實體識別和實體與關系聯(lián)合提取的差異,本次對語料分為兩個版本,V1版為只標注巖石命名實體,V2版則是巖石命名實體與關系同步標注。兩版語料均以8∶1∶1的比例劃分為訓練集、驗證集和測試集。V1版巖石命名實體提取語料共標記771個句子。其中,629個句子訓練集,66個句子驗證集,76個句子測試集。V2版巖石命名實體與關系聯(lián)合提取語料同樣標記771個句子。其中,620個句子訓練集,73個句子驗證集,78個句子測試集。

    2.3 基于BERT—BiLSTM—CRF模型的巖石命名實體識別與關系提取

    本次采用基于大規(guī)模預訓練中文語言模型的BERT—BiLSTM—CRF模型開展巖石描述文本命名實體與關系聯(lián)合提取。模型結(jié)構如圖3所示。主要包含基于BERT的詞嵌入層(BERT-Embedding Layer),雙向長短時記憶網(wǎng)絡模型層(BiLSTM Layer)和條件隨機場模型層(CRF Layer)。

    圖3 BERT—BiLSTM—CRF模型結(jié)構示意圖Fig. 3 The schematic diagram of the BERT—BiLSTM—CRF model architecture

    基于BERT的詞嵌入層,首先利用基于大規(guī)模中文語料預訓練BERT中文語言模型輸出的字典文件,將輸入的巖石描述語句逐字映射轉(zhuǎn)換為字符編碼。然后字符編碼進入預訓練參數(shù)初始化的BERT模型層轉(zhuǎn)換為詞向量輸出。本層主要學習輸入的巖石描述語句中每個字和符號到對應的巖石命名實體和關系標簽的規(guī)律(Devlin et al., 2018)。

    雙向長短時記憶網(wǎng)絡模型層由一個正向和一個反向長短時記憶網(wǎng)絡(LSTM)組成。該層主要學習巖石描述語句的上下文信息(劉鵬等,2020)。本層輸出為巖石語句中每一個字屬于不同巖石命名實體和關系的概率。

    條件隨機場模型層則是學習巖石描述句子中相鄰巖石命名實體和關系標簽之間的轉(zhuǎn)移規(guī)則(Wang Chengbin et al., 2018),如“B—巖石”為巖石實體的開頭,一般后面會是“I—巖石”。句子的開頭應為“B—”或“O—”。“ I—”只出現(xiàn)在句中和句尾。轉(zhuǎn)移規(guī)律的學習能夠提高預測的準確度。

    模型訓練實驗均在配置有Quadro P3200顯卡的移動工作站上完成。機器學習平臺采用Tensorflow-gpu 1.13.1。模型訓練參數(shù)見表1所示。批處理尺寸為2。輸入語句最大長度設定為500(實際語料句子最大長度為424)。LSTM 模型的隱藏層神經(jīng)元數(shù)量設置為 128。詞向量大小設置為 768。模型訓練參數(shù)中,編譯優(yōu)化器選擇Ruder(2016)推薦的Adam自適應優(yōu)化器,初始學習率為0.00002,Dropout設置為0.5。

    表1 BERT—BiLSTM—CRF模型訓練參數(shù)Table 1 The experiment settings for the training of the BERT—BiLSTM—CRF model

    3 結(jié)果和討論

    3.1 評估指標

    試驗結(jié)果評估指標采用(Goutte and Gaussier, 2005)定義的三個測試指標:查準率(precision,P)、召回率(recall,R)和F1值。根據(jù)模型在測試集上的預測結(jié)果,其中TP為能正確識別巖石命名實體和關系標簽的個數(shù)、FP為能識別出巖石命名實體和關系但標簽類別判定出現(xiàn)錯誤的個數(shù)、FN為應該但沒被識別的巖石命名實體和關系個數(shù)。按照公式(1~3)可以得到P、R和F1(β=1)值。

    (1)

    (2)

    (3)

    3.2 測試結(jié)果

    BERT—BiLSTM—CRF模型在V2版語料上,訓練集損失函數(shù)loss值和驗證集損失函數(shù)loss值均逐漸減小,趨于收斂,未見明顯過擬合(圖4a)。訓練后的模型在測試集上查準率P為91.83%,召回率R為91.67%,F(xiàn)1值為91.75%(表4),表現(xiàn)出較好的實體和關系聯(lián)合提取效果。表2為BERT—BiLSTM—CRF模型在V2版語料上對主要巖石關系的分項提取準確率。在“沉積物顏色”、“新鮮色”、“所具結(jié)構”、“所具構造”、“主要礦物”等關系提取方面均實現(xiàn)了超過95%的F1值。在“基質(zhì)與膠結(jié)物成分”、“斑晶成分”、“生物碎屑成分”等關系提取方面F1值均低于80%,明顯效果不理想。這些巖石與礦物之間的關系多存在于斑狀結(jié)構、陸源碎屑結(jié)構和粒屑結(jié)構的巖石描述之中。

    圖4 BERT—BiLSTM—CRF模型損失函數(shù)訓練曲線: (a)V2版語料訓練曲線;(b)V1版語料訓練曲線Fig. 4 Training loss curves of the BERT—BiLSTM—CRF model: (a) training loss curves on the second version corpus; (b) training loss curves on the first version corpus

    表2 BERT—BiLSTM—CRF模型在V2版語料上對主要巖石關系的分項提取準確率Table 2 Performance of the proposed BERT—BiLSTM—CRF model which was used to extract the major relations from the second version corpus

    表4 不同模型對測試集的預測結(jié)果

    為了與復雜的關系提取做對比,本次對BERT—BiLSTM—CRF模型在V1版語料上進行了主要巖石命名實體的識別試驗。訓練集損失函數(shù)loss值和驗證集損失函數(shù)loss值同樣逐漸減小,趨于收斂,未見明顯過擬合(圖4b)。訓練后的模型在測試集上查準率P為96.79%,召回率R為97.97%,F(xiàn)1值為97.38%。表3為BERT—BiLSTM—CRF模型在V1版語料上對主要巖石命名實體的分項提取準確率結(jié)果。所有命名實體均取得了超過95%的F1值,說明BERT—BiLSTM—CRF模型對現(xiàn)有語料中巖石命名實體表現(xiàn)出非常好的識別效果。也進一步說明模型是對復雜的巖石物質(zhì)成分描述知識的提取仍然存在不足。

    3.3 消融試驗

    為了檢驗BERT—BiLSTM—CRF模型中不同部分的作用,本次還開展了針對本文所提模型方法的消融試驗。消融試驗分別去掉雙向長短時記憶網(wǎng)絡模型層(BiLSTM Layer)和基于BERT的詞嵌入層(BERT—Embedding Layer),在V1版和V2版數(shù)據(jù)集上執(zhí)行BiLSTM—CRF模型和BERT—CRF模型的實體識別和巖石命名實體與關系聯(lián)合提取任務。消融試驗中的3 種模型的性能對比見表4所示。雙向長短時記憶網(wǎng)絡模型層(BiLSTM Layer)的去除對V2數(shù)據(jù)集上的實體關系聯(lián)合提取任務性能稍有影響,F(xiàn)1值從91.75%降低到89.45%。但該層的刪除對V1版數(shù)據(jù)集上的實體識別任務性能影響不大。去除基于BERT的詞嵌入層后的BiLSTM—CRF模型在兩項任務性能上均明顯降低,說明此層非常重要。由此可推斷,在小規(guī)模的地學語料庫上,模型中加入大規(guī)模預訓練中文語言模型BERT,能夠豐富詞向量語義,更好的學習巖石描述語句中每個字和符號到對應的巖石命名實體和關系標簽的規(guī)律,可以很好的提升模型的性能。

    4 結(jié)論

    地質(zhì)調(diào)查正在從“數(shù)字化”走向“智能化”,需要在大數(shù)據(jù)思維的指導下,面向非結(jié)構化數(shù)據(jù)開展機器閱讀和地質(zhì)知識的自動提取。在地質(zhì)調(diào)查智能空間平臺中,巖石描述文本是除照片、地質(zhì)報告文檔外重要的非結(jié)構化數(shù)據(jù)之一。巖石描述文本中巖石命名實體的識別,特別是關系提取是本次的研究對象。由于中文地學領域詞嵌入技術尚未發(fā)布,本文采用通用中文詞嵌入技術,針對中文巖石描述語料,開展了基于大規(guī)模預訓練中文語言模型BERT—BiLSTM—CRF方法的巖石領域命名實體識別以及實體與關系聯(lián)合提取試驗研究。試驗結(jié)果顯示,大規(guī)模預訓練中文語言模型(BERT)對巖石語料知識提取具有較高的適用性,特別是針對巖石描述語料中巖石命名實體提取表現(xiàn)出了較好的識別效果。

    由于BERT—BiLSTM—CRF模型在斑狀結(jié)構、陸源碎屑結(jié)構和粒屑結(jié)構的巖石描述命名實體和關系的聯(lián)合提取任務上表現(xiàn)出不足,同時模型在單一命名實體識別任務上的良好性能,后續(xù)需要繼續(xù)開展基于流水線模式的實體與關系聯(lián)合提取研究,并與聯(lián)合模型方法開展對比。巖石描述標注語料庫的數(shù)據(jù)規(guī)模也需要后續(xù)進一步提升。大規(guī)模中文地學語料庫的欠缺制約著地學領域中文詞向量技術的開發(fā)。共建共享中文地學語料庫也是行業(yè)內(nèi)研究者與管理者需要積極推動的工作方向之一。

    致謝:感謝審稿專家周永章教授和責任編輯章雨旭研究員提出的寶貴修改意見。感謝安徽省地質(zhì)調(diào)查院王翔高級工程師、吳衡高級工程師、鄧佳良高級工程師和黃蒙高級工程師在巖石描述語料收集和標注工作中提供的大力幫助。

    (The literature whose publishing year followed by a “&” is in Chinese with English abstract; The literature whose publishing year followed by a “#” is in Chinese without English abstract)

    杜志強,李鈺,張葉廷,譚玉琪,趙文豪. 2020. 自然災害應急知識圖譜構建方法研究. 武漢大學學報(信息科學版), 45(9):1344~1355.

    黃敬軍,趙增玉,姜素,楊磊,高立,許書剛.2020.自然資源管理視角下江蘇城市地質(zhì)調(diào)查工作新思考. 地質(zhì)論評,66(6):1609~1618.

    蔣璟鑫,李超,胡修棉.2020.沉積學數(shù)據(jù)庫建設與沉積大數(shù)據(jù)科學研究進展:以Macrostrat數(shù)據(jù)庫為例. 高校地質(zhì)學報,26(1):27~43.

    李超嶺,李豐丹,呂霞,李健強,劉暢,劉園園.2015.地質(zhì)調(diào)查智能空間體系與架構. 測繪學報,44(增刊1):143~151,159.

    李豐丹,劉暢,劉園園,呂霞.2019.地質(zhì)調(diào)查智能空間框架構建與實踐. 地質(zhì)論評,65(增刊1):317~320.

    齊浩,董少春,張麗麗,胡歡,樊雋軒.2020.地球科學知識圖譜的構建與展望. 高校地質(zhì)學報,26(1):2~10.

    劉傳正,陳春利.2020.中國地質(zhì)災害成因分析. 地質(zhì)論評,66(5):1334~1348.

    劉鵬,葉帥,舒雅,鹿曉龍,劉明明.2020.煤礦安全知識圖譜構建及智能查詢方法研究. 中文信息學報,34(11):49~59.

    任偉,張盛,喬計花,黃金明.2021.基于深度學習的巖石礦物智能識別. 地質(zhì)論評,67(增刊1):281~282.

    王萬良.2020.人工智能及其應用(第4版). 北京:高等教育出版社:1~66.

    徐述騰,周永章.2018.基于深度學習的鏡下礦石礦物的智能識別實驗研究. 巖石學報,34(11):3244~3252.

    張雪英,葉鵬,王曙,杜咪.2018.基于深度信念網(wǎng)絡的地質(zhì)實體識別方法. 巖石學報,34(2):343~351.

    張野,李明超,韓帥.2018.基于巖石圖像深度學習的巖性自動識別與分類方法. 巖石學報,34(2):333~342.

    周國玉,張明明,沈樂,張淑虹,袁峰,李曉暉,季斌,周宇章.2020.銅陵礦集區(qū)姚家?guī)X鋅金多金屬礦床深部地質(zhì)空間信息相關性數(shù)據(jù)挖掘. 大地構造與成礦學,44(2):242~250.

    周永章,王俊,左仁廣,肖凡,沈文杰,王樹功.2018.地質(zhì)領域機器學習、深度學習及實現(xiàn)語言. 巖石學報,34(11):3173~3178.

    周永章,左仁廣,劉剛,袁峰,毛先成,郭艷軍,肖凡,廖杰,劉艷鵬.2021a.數(shù)學地球科學跨越發(fā)展的十年:大數(shù)據(jù)、人工智能算法正在改變地質(zhì)學. 礦物巖石地球化學通報,40(3):556~573,777.

    周永章,張前龍,黃永健,楊威,肖凡,吉俊杰,韓楓,唐磊,歐陽沖,沈文杰.2021b.欽杭成礦帶斑巖銅礦知識圖譜構建及應用展望. 地學前緣,28(3):67~75.

    Abu-Salih B. 2021. Domain—specific knowledge graphs: A survey[J][OL]. Journal of Network and Computer Applications, 185: 103076; https://doi.org/https://doi.org/10.1016/j.jnca.2021.103076

    Devlin J, Chang Mingwei, Lee K, Toutanova K. 2018. BERT: Pre-training of deep bidirectional transformers for language understanding[OL]. Retrieved from http://arxiv.org/abs/1810.04805.

    Du Zhiqiang, Li Yu Zhang Yeting, Tan Yuqi, Zhao Wenhao. 2020&. Knowledge graph construction method on natural disaster emergency. Geomatics and Information Science of Wuhan University, 45(9):1344~1355.

    Fan Runyu, Wang Lizhe, Yan Jining, Song Weijing, Zhu Yingqian, Chen Xiaodao. 2019. Deep learning-based named entity recognition and knowledge graph construction for geological hazards[J][OL]. ISPRS international Journal of Geo-Information, 9(1); https://doi.org/10.3390/ijgi9010015.

    Fuentes I, Padarian J, Iwanaga T, Willem Vervoort R. 2020. 3D lithological mapping of borehole descriptions using word embeddings[J][OL]. Computers & Geosciences, 141: 104516; https://doi.org/https://doi.org/10.1016/j.cageo.2020.104516.

    Goutte C, Gaussier E. 2005. A probabilistic interpretation of precision, recall and F-score, with implication for evaluation. In: Losada D E, Fernández-Luna J M. eds. Advances in Information Retrieval. ECIR 2005. Lecture Notes in Computer Science, vol 3408. Berlin: Springer; https://doi.org/10.1007/978-3-540-31865-1_25.

    Huang Jingjun, Zhao Zengyu, Jiang Su, Yang Lei, Gao Li, Xu Shugang. 2020&. New thoughts on urban geological survey concerning natural resource management in Jiangsu Province. Geological Review, 66(6): 1609~1618.

    Ji Shaoxiong, Pan Shirui, Cambria E, Marttinen P, Yu P S. 2021. A survey on knowledge graphs: Representation, acquisition, and applications[J〗[OL]. IEEE Transactions on Neural Networks and Learning Systems: 1~21; https://doi.org/10.1109/TNNLS.2021.3070843.

    Jiang Jingxin, Li Chao, Hu Xiumian. 2020&. Advances on sedimentary database building and related research: Macrostrat as an example. Geological Journal of China Universities, 26(1): 27~43.

    Li Chaoling, Li Fengdan, Lü Xia, Li Jianqiang, Liu Chang, Liu Yuanyuan. 2015&. The architecture of geological survey intelligent space. Acta Geodaetica et Cartographica Sinica, 44(S1): 143~151; 159.

    Li Fengdan, Liu Chang, Liu Yuanyuan, Lü Xia. 2019#. Construction and application of the geological survey intelligent space. Geological Review, 65(S1): 317~320.

    Liu Chuanzheng, Chen Chunli. 2020&. Research on the origins of geological disasters in China. Geological Review, 66(5): 1334~1348.

    Liu Peng, Ye Shuai, Shu Ya, Lu Xiaolong, Liu Minging. 2020&. Coalmine safety: Knowledge graph construction and its QA approach. Journal of Chinese Information Processing, 34(11): 49~59.

    Mikolov T, Chen Kai, Corrado G, Dean J. 2013. Efficient sstimation of word representations in vector space. In ICLR.

    Padarian J, Fuentes I. 2019. Word embeddings for application in geosciences: Development, evaluation, and examples of soil-related concepts[J][OL]. Soil, 5(2): 177~187; https://doi.org/10.5194/soil-5-177-2019.

    Peters S E, Zhang Ce, Livny M, Ré C. 2014. A machine reading system for assembling synthetic paleontological databases[J][OL]. Plos One, 9(12): e113523; https://doi.org/10.1371/journal.pone.0113523

    Peters S E, Husson J M, Wilcots J. 2017. The rise and fall of stromatolites in shallow marine environments[J][OL]. Geology, 45(6): 487~490; https://doi.org/10.1130/G38931.1.

    Qi Hao, Dong Shaochun, Zhang Lili, Hu Huan, Fan Junxuan. 2020&. Construction of earth science knowledge graph and its future perspectives. Geological Journal of China Universities, 26(1): 2~10.

    Ren Wei, Zhang Sheng, Qiao Jihua, Huang Jinming. 2021. The rock and mineral intelligence identification method based on deep learning. Geological Review, 67(S1): 281~282.

    Ruder S. 2016. An overview of gradient descent optimization algorithms[OL]. Retrieved from http://arxiv.org/abs/1609.04747.

    Stenetorp P, Pyysalo S, Topíc G, Ohta T, Ananiadou S, Tsujii J. 2012. BRAT: A web-based tool for NLP-assisted text annotation. In: EACL 2012 - Proceedings of the Demonstrations at the 13th Conference of the European Chapter of the Association for Computational Linguistics: 102~107.

    Wang Chengbin, Ma Xiaogang, Chen Jianguo, Chen Jingwen. 2018. Information extraction and knowledge graph construction from geoscience literature[J][OL]. Computers and Geosciences, 112: 112~120; https://doi.org/10.1016/j.cageo.2017.12.007.

    Wang Wanliang. 2020#. Artificial Intelligence (4th edition). Beijing: Higher Education Press: 1~66.

    Wu Liang, Xue Lei, Li Chaoling, Lv Xia, Chen Zhanlong, Jiang Baode, Guo Mingqiang, Xie Zhong. 2017. A knowledge-driven geospatially enabled framework for geological big data[J][OL]. ISPRS International Journal of Geo-Information, 6(6); https://doi.org/10.3390/ijgi6060166.

    Xu Shuteng, Zhou Yongzhang. 2018&. Artificial intelligence identification of ore minerals under microscope based on deep learningalgorithm. Acta Petrologica Sinica, 34(11): 3244~3252.

    Zhang Xueying, Ye Peng, Wang Shu, Du Mi. 2018&. Geological entity recognition method based on deep belief networks. Acta Petrologica Sinica, 34(2): 343~351.

    Zhang Ye, Li Mingchao, Han Shuai. 2018&. Automatic identification and classification in lithology based on deep learning in rock images. Acta Petrologica Sinica, 34(2): 333~342.

    Zhou Guoyu, Zhang Mingming, Shen Le, Zhang Shuhong, Yuan Feng, Li Xiaohui, Ji Bin, Zhou Yuzhang. 2020&. Data mining of deep geological spatial information of the Yaojialing Zinc—gold polymetallic deposit. Geotectonica et Metallogenia, 44(2): 242~250.

    Zhou Yongzhang, Wang Jun, Zuo Renguang, Xiao Fan, Shen Wenjie, Wang Shugong. 2018&. Machine learning, deep learning and python languagein field of geology. Acta Petrologica Sinica, 34(11): 3173~3178.

    Zhou Yongzhang, Zuo Renguang, Liu Gang, Yuan Feng, Mao Xiancheng, Guo Yanjun, Xiao Fan, Liao Jie, Liu Yanpeng. 2021a&. The great-leap-forward development of mathematical geoscience during 2010~2019 : Big Data and Artificial Intelligence Algorithm are Changing Mathematical Geoscience. Bulletin of Mineralogy,Petrology and Geochemistry, 40(3): 556~573; 777.

    Zhou Yongzhang, Zhang Qianlong, Huang Yongjian, Yang Wei, Xiao Fan, Ji Junjie, Han Feng, Tang Lei, Ouyang Chong, Shen Wenjie. 2021b&. Construction knowledge graph for the porphyry copper deposit in the Qingzhou—Hangzhou Bay area: Insight into knowledge graph based mineral resource prediction and evalution. Earth Science Frontiers (China University of Geosciences (Beijing); Peking University), 28(3): 67~75.

    Zhu Yueqin, Zhou Wenwen, Xu Yang, Liu Ji, Tan Yongjie. 2017. Intelligent learning for knowledge graph towards geological data[J][OL]. Scientific Programming; https://doi.org/10.1155/2017/5072427.

    猜你喜歡
    語料命名巖石
    第五章 巖石小專家
    命名——助力有機化學的學習
    3深源巖石
    一種叫做煤炭的巖石
    海藻與巖石之間
    有一種男人以“暖”命名
    東方女性(2018年3期)2018-04-16 15:30:02
    為一條河命名——在白河源
    散文詩(2017年17期)2018-01-31 02:34:08
    基于語料調(diào)查的“連……都(也)……”出現(xiàn)的語義背景分析
    華語電影作為真實語料在翻譯教學中的應用
    《苗防備覽》中的湘西語料
    天天操日日干夜夜撸| 亚洲av男天堂| 夫妻性生交免费视频一级片| kizo精华| 极品少妇高潮喷水抽搐| 97在线人人人人妻| 欧美在线一区亚洲| 亚洲精品一二三| 新久久久久国产一级毛片| 精品亚洲成a人片在线观看| 嫩草影视91久久| 男人舔女人的私密视频| 最近的中文字幕免费完整| 黄网站色视频无遮挡免费观看| 国产乱来视频区| 国产精品熟女久久久久浪| 精品少妇久久久久久888优播| 一级片'在线观看视频| 亚洲国产av新网站| 麻豆av在线久日| 男女之事视频高清在线观看 | 久久精品aⅴ一区二区三区四区| 999精品在线视频| 亚洲情色 制服丝袜| 亚洲国产av新网站| 国产高清不卡午夜福利| 伊人久久大香线蕉亚洲五| 亚洲 欧美一区二区三区| 中文字幕人妻熟女乱码| 国产又色又爽无遮挡免| 国产精品一二三区在线看| 国产精品嫩草影院av在线观看| 91精品伊人久久大香线蕉| 欧美久久黑人一区二区| 国产亚洲最大av| 精品久久蜜臀av无| 日本vs欧美在线观看视频| 国产极品粉嫩免费观看在线| 亚洲精品自拍成人| 精品免费久久久久久久清纯 | 亚洲精品视频女| 1024视频免费在线观看| 国产成人免费观看mmmm| 久久韩国三级中文字幕| 建设人人有责人人尽责人人享有的| 亚洲美女搞黄在线观看| 午夜免费观看性视频| 亚洲自偷自拍图片 自拍| 国产一区二区三区av在线| 黄色一级大片看看| 无遮挡黄片免费观看| 热99国产精品久久久久久7| 中文字幕高清在线视频| 2018国产大陆天天弄谢| 免费女性裸体啪啪无遮挡网站| 高清欧美精品videossex| 亚洲av成人精品一二三区| 麻豆av在线久日| 日韩一本色道免费dvd| 肉色欧美久久久久久久蜜桃| 国产av精品麻豆| 欧美激情极品国产一区二区三区| 人妻 亚洲 视频| www.自偷自拍.com| 嫩草影视91久久| 女的被弄到高潮叫床怎么办| 侵犯人妻中文字幕一二三四区| 日日啪夜夜爽| 成年人免费黄色播放视频| 日韩av不卡免费在线播放| 精品国产乱码久久久久久小说| www.精华液| 美国免费a级毛片| 国产亚洲一区二区精品| 天天躁夜夜躁狠狠躁躁| 考比视频在线观看| 在线看a的网站| 日韩伦理黄色片| 可以免费在线观看a视频的电影网站 | av不卡在线播放| 最近最新中文字幕免费大全7| 日韩一卡2卡3卡4卡2021年| 一级毛片 在线播放| av片东京热男人的天堂| 丰满乱子伦码专区| 国产一区二区 视频在线| 免费久久久久久久精品成人欧美视频| 国产精品秋霞免费鲁丝片| 啦啦啦 在线观看视频| 1024香蕉在线观看| 国产精品国产av在线观看| 日韩 欧美 亚洲 中文字幕| 超碰97精品在线观看| 青春草国产在线视频| 免费观看性生交大片5| 国产麻豆69| 观看av在线不卡| 亚洲精品aⅴ在线观看| 久久天躁狠狠躁夜夜2o2o | 久久韩国三级中文字幕| 午夜福利视频精品| 久久久精品94久久精品| 欧美少妇被猛烈插入视频| 国产男女内射视频| 在线观看免费日韩欧美大片| 精品酒店卫生间| 免费少妇av软件| 2021少妇久久久久久久久久久| 视频区图区小说| 色94色欧美一区二区| 纯流量卡能插随身wifi吗| 国产免费视频播放在线视频| 99久久99久久久精品蜜桃| 欧美日韩国产mv在线观看视频| 精品一区在线观看国产| 一本色道久久久久久精品综合| 你懂的网址亚洲精品在线观看| 久久久久精品人妻al黑| 久久鲁丝午夜福利片| 深夜精品福利| 女性生殖器流出的白浆| 国产精品一区二区在线观看99| 岛国毛片在线播放| 国产男女超爽视频在线观看| 伦理电影大哥的女人| 成年人免费黄色播放视频| 久久精品国产亚洲av涩爱| 精品国产一区二区三区久久久樱花| 黑丝袜美女国产一区| 一区二区三区精品91| 亚洲av男天堂| 国产日韩一区二区三区精品不卡| 免费久久久久久久精品成人欧美视频| 亚洲欧洲精品一区二区精品久久久 | 国产av国产精品国产| 一边摸一边抽搐一进一出视频| 狠狠精品人妻久久久久久综合| 久久国产精品男人的天堂亚洲| 成年动漫av网址| 亚洲自偷自拍图片 自拍| 久久久精品94久久精品| 婷婷色综合大香蕉| 一区在线观看完整版| 亚洲美女黄色视频免费看| 爱豆传媒免费全集在线观看| 大片免费播放器 马上看| 青春草国产在线视频| 久久久久久人妻| 另类亚洲欧美激情| 亚洲av日韩精品久久久久久密 | 欧美日韩av久久| 999久久久国产精品视频| 久久精品aⅴ一区二区三区四区| 久久人妻熟女aⅴ| 欧美人与性动交α欧美精品济南到| 一级毛片电影观看| 欧美日韩国产mv在线观看视频| 丝袜在线中文字幕| 赤兔流量卡办理| 久久精品国产亚洲av高清一级| 国产极品粉嫩免费观看在线| 国产精品女同一区二区软件| 老汉色∧v一级毛片| 人人妻人人澡人人爽人人夜夜| 大片电影免费在线观看免费| 18禁动态无遮挡网站| 国产精品av久久久久免费| 免费久久久久久久精品成人欧美视频| www.自偷自拍.com| 伊人亚洲综合成人网| xxxhd国产人妻xxx| 国产精品香港三级国产av潘金莲 | 久久人人爽av亚洲精品天堂| 免费黄频网站在线观看国产| 美女脱内裤让男人舔精品视频| 精品免费久久久久久久清纯 | 蜜桃国产av成人99| 97在线人人人人妻| 亚洲人成网站在线观看播放| 亚洲精品aⅴ在线观看| 女人精品久久久久毛片| 亚洲,一卡二卡三卡| 一区二区三区激情视频| 久久婷婷青草| 免费女性裸体啪啪无遮挡网站| 国产欧美日韩综合在线一区二区| 青青草视频在线视频观看| 亚洲国产精品成人久久小说| 最近的中文字幕免费完整| 999精品在线视频| 免费黄频网站在线观看国产| 黄片小视频在线播放| 亚洲欧美一区二区三区黑人| 欧美日韩综合久久久久久| 国产精品一二三区在线看| 18禁动态无遮挡网站| 亚洲第一av免费看| 国产精品久久久人人做人人爽| 啦啦啦 在线观看视频| 精品免费久久久久久久清纯 | 亚洲五月色婷婷综合| 欧美亚洲日本最大视频资源| 亚洲专区中文字幕在线 | 99热国产这里只有精品6| 久久久久视频综合| 欧美久久黑人一区二区| 久久韩国三级中文字幕| 亚洲自偷自拍图片 自拍| 国产精品一二三区在线看| 亚洲成人免费av在线播放| 在线观看一区二区三区激情| av视频免费观看在线观看| 老汉色av国产亚洲站长工具| 美女脱内裤让男人舔精品视频| 电影成人av| 欧美日韩一级在线毛片| 日韩中文字幕视频在线看片| 国产日韩一区二区三区精品不卡| 欧美乱码精品一区二区三区| 老司机在亚洲福利影院| 黄色 视频免费看| 久久久国产欧美日韩av| 欧美老熟妇乱子伦牲交| 亚洲av电影在线进入| 老鸭窝网址在线观看| 精品国产乱码久久久久久小说| 久久久国产一区二区| 国产99久久九九免费精品| 亚洲精品国产av成人精品| 青春草国产在线视频| 老熟女久久久| 欧美老熟妇乱子伦牲交| 99国产综合亚洲精品| 免费高清在线观看视频在线观看| 亚洲av成人精品一二三区| www.精华液| netflix在线观看网站| 一二三四在线观看免费中文在| 18禁观看日本| 欧美黑人精品巨大| 老司机影院毛片| 欧美日韩成人在线一区二区| 十分钟在线观看高清视频www| 精品一区二区三区av网在线观看 | 三上悠亚av全集在线观看| 成人三级做爰电影| 亚洲欧美激情在线| 青春草视频在线免费观看| 精品一区在线观看国产| 老司机影院成人| 久久精品国产a三级三级三级| 天天躁夜夜躁狠狠久久av| 又大又黄又爽视频免费| 久久久久精品国产欧美久久久 | 亚洲一区中文字幕在线| 秋霞在线观看毛片| 午夜福利视频在线观看免费| 99热国产这里只有精品6| 欧美变态另类bdsm刘玥| 高清视频免费观看一区二区| 伊人亚洲综合成人网| av电影中文网址| 国产精品麻豆人妻色哟哟久久| 亚洲美女黄色视频免费看| 嫩草影院入口| 日韩 亚洲 欧美在线| 女性生殖器流出的白浆| 两个人看的免费小视频| 最新的欧美精品一区二区| 国产在视频线精品| 宅男免费午夜| 日日摸夜夜添夜夜爱| 丝袜脚勾引网站| 亚洲少妇的诱惑av| 最新的欧美精品一区二区| 亚洲婷婷狠狠爱综合网| 亚洲av日韩在线播放| 黄色怎么调成土黄色| 中文字幕av电影在线播放| 久久人人爽人人片av| 九九爱精品视频在线观看| 免费女性裸体啪啪无遮挡网站| 免费黄色在线免费观看| 亚洲精品一区蜜桃| 免费高清在线观看日韩| 久久久久久久久久久久大奶| 在线观看国产h片| av视频免费观看在线观看| 亚洲av日韩在线播放| 免费观看av网站的网址| bbb黄色大片| 少妇精品久久久久久久| 熟女av电影| 亚洲综合色网址| av在线app专区| 青草久久国产| 免费黄网站久久成人精品| 国产黄频视频在线观看| 精品卡一卡二卡四卡免费| 久久亚洲国产成人精品v| 国产在视频线精品| 国产 一区精品| 精品国产一区二区三区四区第35| 日韩视频在线欧美| av在线播放精品| 日本色播在线视频| 啦啦啦啦在线视频资源| 国产av国产精品国产| 看非洲黑人一级黄片| 精品人妻熟女毛片av久久网站| 久久人人爽人人片av| 中文字幕人妻丝袜一区二区 | 国产成人a∨麻豆精品| 丝袜在线中文字幕| 国产一区二区三区av在线| 777久久人妻少妇嫩草av网站| 高清视频免费观看一区二区| 亚洲国产中文字幕在线视频| 亚洲五月色婷婷综合| 香蕉丝袜av| 在线观看国产h片| 中文字幕另类日韩欧美亚洲嫩草| 亚洲av电影在线观看一区二区三区| 韩国精品一区二区三区| 黄片无遮挡物在线观看| 午夜免费男女啪啪视频观看| 美女主播在线视频| 丰满少妇做爰视频| 色94色欧美一区二区| 老司机靠b影院| 一区二区三区四区激情视频| 国产精品久久久久久久久免| 叶爱在线成人免费视频播放| 成人影院久久| 男女无遮挡免费网站观看| 精品一区二区三区四区五区乱码 | 亚洲av成人精品一二三区| 欧美亚洲日本最大视频资源| a级片在线免费高清观看视频| 午夜免费男女啪啪视频观看| 一区二区av电影网| 国产精品免费视频内射| 亚洲国产精品国产精品| 中国三级夫妇交换| 精品人妻在线不人妻| 卡戴珊不雅视频在线播放| 日本91视频免费播放| 丰满迷人的少妇在线观看| 亚洲在久久综合| 一二三四中文在线观看免费高清| 国产亚洲一区二区精品| 亚洲精品久久久久久婷婷小说| 亚洲精品成人av观看孕妇| 哪个播放器可以免费观看大片| 亚洲国产精品成人久久小说| 狂野欧美激情性xxxx| 国产成人欧美| 国产精品偷伦视频观看了| 久久精品aⅴ一区二区三区四区| 不卡av一区二区三区| 亚洲国产av影院在线观看| 国产精品二区激情视频| 国产在视频线精品| 日韩精品有码人妻一区| 久久久国产精品麻豆| 丝袜在线中文字幕| 男女高潮啪啪啪动态图| 91精品三级在线观看| 国产成人欧美| 亚洲 欧美一区二区三区| 国产黄色免费在线视频| 欧美黑人精品巨大| 国产精品一区二区精品视频观看| 日韩中文字幕视频在线看片| 最近中文字幕2019免费版| 亚洲精品中文字幕在线视频| 少妇猛男粗大的猛烈进出视频| 亚洲国产av新网站| 国产不卡av网站在线观看| 国产av国产精品国产| 欧美 日韩 精品 国产| 黄色怎么调成土黄色| 日韩熟女老妇一区二区性免费视频| 又黄又粗又硬又大视频| 免费黄网站久久成人精品| 亚洲成色77777| 亚洲免费av在线视频| 婷婷色综合www| 亚洲成人免费av在线播放| 欧美xxⅹ黑人| 高清av免费在线| 亚洲欧美日韩另类电影网站| 国产伦理片在线播放av一区| 男人操女人黄网站| 国产成人免费无遮挡视频| 人人妻,人人澡人人爽秒播 | 亚洲精品成人av观看孕妇| 国产探花极品一区二区| 99热网站在线观看| 久久久久网色| 国产精品国产av在线观看| 一区在线观看完整版| 一二三四中文在线观看免费高清| 伊人久久国产一区二区| 国产免费福利视频在线观看| 黑人猛操日本美女一级片| 欧美成人午夜精品| 岛国毛片在线播放| 亚洲av福利一区| 999久久久国产精品视频| 国产一区二区三区av在线| 黄色毛片三级朝国网站| av在线app专区| 一区二区av电影网| 最近的中文字幕免费完整| 久久毛片免费看一区二区三区| 大码成人一级视频| 久久人人97超碰香蕉20202| 波多野结衣一区麻豆| 久久久精品区二区三区| 伊人亚洲综合成人网| 99久久99久久久精品蜜桃| 蜜桃在线观看..| 亚洲伊人久久精品综合| 精品少妇一区二区三区视频日本电影 | 亚洲第一av免费看| 亚洲欧美成人综合另类久久久| 欧美日韩亚洲高清精品| 亚洲精品自拍成人| 亚洲国产精品成人久久小说| 夫妻性生交免费视频一级片| 9色porny在线观看| 秋霞伦理黄片| 爱豆传媒免费全集在线观看| 国产精品久久久久久久久免| 视频在线观看一区二区三区| 中文字幕精品免费在线观看视频| 欧美激情极品国产一区二区三区| svipshipincom国产片| 丁香六月天网| 国产国语露脸激情在线看| 免费黄色在线免费观看| e午夜精品久久久久久久| 国产精品一区二区精品视频观看| 香蕉丝袜av| 中文字幕高清在线视频| 久久精品国产亚洲av涩爱| 亚洲精品国产色婷婷电影| 天天影视国产精品| 精品久久久久久电影网| 一区二区三区激情视频| 制服丝袜香蕉在线| av在线播放精品| 考比视频在线观看| 成人国语在线视频| 三上悠亚av全集在线观看| 这个男人来自地球电影免费观看 | 成人亚洲精品一区在线观看| 国产人伦9x9x在线观看| 男人添女人高潮全过程视频| 少妇被粗大猛烈的视频| 免费在线观看视频国产中文字幕亚洲 | 51午夜福利影视在线观看| 在线观看国产h片| 亚洲成人免费av在线播放| 国产精品偷伦视频观看了| 国语对白做爰xxxⅹ性视频网站| kizo精华| 最近最新中文字幕免费大全7| 在线观看www视频免费| 精品免费久久久久久久清纯 | 老司机影院毛片| 国产av国产精品国产| 亚洲第一青青草原| 欧美国产精品一级二级三级| 三上悠亚av全集在线观看| 久久免费观看电影| 午夜91福利影院| 中文字幕人妻丝袜一区二区 | 纯流量卡能插随身wifi吗| 人成视频在线观看免费观看| 久久韩国三级中文字幕| 18禁国产床啪视频网站| 在线观看三级黄色| 天天躁夜夜躁狠狠躁躁| 日韩人妻精品一区2区三区| 精品少妇内射三级| 亚洲欧美成人精品一区二区| 日韩大片免费观看网站| 久久久久久免费高清国产稀缺| 欧美xxⅹ黑人| 国产av国产精品国产| 啦啦啦 在线观看视频| 伦理电影免费视频| 精品一品国产午夜福利视频| 爱豆传媒免费全集在线观看| 亚洲伊人色综图| 视频区图区小说| 欧美 日韩 精品 国产| 两性夫妻黄色片| 黄网站色视频无遮挡免费观看| 亚洲国产欧美一区二区综合| 欧美乱码精品一区二区三区| 国产成人一区二区在线| 高清av免费在线| 新久久久久国产一级毛片| 观看av在线不卡| 国产乱来视频区| 欧美精品一区二区大全| 女人爽到高潮嗷嗷叫在线视频| 老汉色av国产亚洲站长工具| 亚洲精品国产色婷婷电影| 国产色婷婷99| 成人国产av品久久久| 国产精品久久久久久精品电影小说| 精品国产一区二区三区久久久樱花| 高清不卡的av网站| 亚洲,欧美精品.| 国产男女内射视频| 青春草亚洲视频在线观看| 国产日韩欧美亚洲二区| 久久精品久久久久久噜噜老黄| 久久久久久免费高清国产稀缺| 亚洲av国产av综合av卡| 女性被躁到高潮视频| 你懂的网址亚洲精品在线观看| 亚洲成人手机| 岛国毛片在线播放| 黄色怎么调成土黄色| 黄片小视频在线播放| 久久ye,这里只有精品| 午夜福利乱码中文字幕| av网站在线播放免费| 国产淫语在线视频| 狂野欧美激情性xxxx| 丝袜喷水一区| 极品人妻少妇av视频| 18禁动态无遮挡网站| 亚洲色图 男人天堂 中文字幕| 水蜜桃什么品种好| 久久精品国产亚洲av高清一级| 精品国产国语对白av| av有码第一页| 看免费av毛片| 一本一本久久a久久精品综合妖精| 免费av中文字幕在线| 亚洲国产看品久久| 国产97色在线日韩免费| 99久久人妻综合| 欧美人与性动交α欧美精品济南到| 黄网站色视频无遮挡免费观看| 国产精品 国内视频| 男人爽女人下面视频在线观看| 欧美日韩一区二区视频在线观看视频在线| 毛片一级片免费看久久久久| 啦啦啦 在线观看视频| 青青草视频在线视频观看| 宅男免费午夜| 搡老乐熟女国产| 久久天堂一区二区三区四区| 国产精品 欧美亚洲| avwww免费| 免费久久久久久久精品成人欧美视频| 天天影视国产精品| 成年女人毛片免费观看观看9 | 男女之事视频高清在线观看 | 十分钟在线观看高清视频www| 亚洲伊人色综图| 亚洲伊人久久精品综合| 久久精品国产a三级三级三级| 成人国产麻豆网| 嫩草影视91久久| 亚洲国产av新网站| 亚洲国产精品国产精品| 极品人妻少妇av视频| 伊人久久国产一区二区| 国产成人91sexporn| 亚洲av在线观看美女高潮| 亚洲欧洲国产日韩| 九草在线视频观看| 91精品国产国语对白视频| 久久国产精品大桥未久av| 久久久久精品性色| 91国产中文字幕| 在线亚洲精品国产二区图片欧美| 日日撸夜夜添| 精品一品国产午夜福利视频| 青青草视频在线视频观看| av有码第一页| 国产精品熟女久久久久浪| 1024视频免费在线观看| 999精品在线视频| 国产成人91sexporn| 午夜福利一区二区在线看| 中文字幕av电影在线播放| 亚洲精品美女久久av网站| 精品少妇久久久久久888优播| 美女高潮到喷水免费观看| av电影中文网址| 母亲3免费完整高清在线观看| 亚洲精品第二区| 欧美日韩视频精品一区| 亚洲国产成人一精品久久久| 日韩不卡一区二区三区视频在线| 精品视频人人做人人爽| 日韩成人av中文字幕在线观看| 亚洲av电影在线进入| 9热在线视频观看99| 最黄视频免费看| 久久国产精品男人的天堂亚洲| 亚洲欧洲精品一区二区精品久久久 | 蜜桃在线观看..| 精品少妇久久久久久888优播| 黑丝袜美女国产一区| 国产精品免费视频内射|