• <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 ?

    超邊約束的異質(zhì)超網(wǎng)絡(luò)表示學(xué)習(xí)方法

    2024-01-09 04:01:20王可可朱宇王曉英黃建強曹騰飛
    計算機應(yīng)用 2023年12期
    關(guān)鍵詞:元組集上異質(zhì)

    王可可,朱宇,王曉英,黃建強,曹騰飛

    超邊約束的異質(zhì)超網(wǎng)絡(luò)表示學(xué)習(xí)方法

    王可可,朱宇*,王曉英,黃建強,曹騰飛

    (青海大學(xué) 計算機技術(shù)與應(yīng)用系,西寧 810000)(?通信作者電子郵箱zhuyu@qhu.edu.cn)

    與普通網(wǎng)絡(luò)相比,超網(wǎng)絡(luò)具有復(fù)雜的元組關(guān)系(超邊),然而現(xiàn)有的大多數(shù)網(wǎng)絡(luò)表示學(xué)習(xí)方法并不能捕獲元組關(guān)系。針對上述問題,提出一種超邊約束的異質(zhì)超網(wǎng)絡(luò)表示學(xué)習(xí)方法(HRHC)。首先,引入一種結(jié)合團擴展和星型擴展的方法,從而將異質(zhì)超網(wǎng)絡(luò)轉(zhuǎn)換為異質(zhì)網(wǎng)絡(luò);其次,引入感知節(jié)點語義相關(guān)性的元路徑游走方法捕獲異質(zhì)節(jié)點之間的語義關(guān)系;最后,通過超邊約束機制捕獲節(jié)點之間的元組關(guān)系,從而獲得高質(zhì)量的節(jié)點表示向量。在3個真實世界的超網(wǎng)絡(luò)數(shù)據(jù)集上的實驗結(jié)果表明,對于鏈接預(yù)測任務(wù),所提方法在drug、GPS和MovieLens數(shù)據(jù)集上都取得了較好的結(jié)果;對于超網(wǎng)絡(luò)重建任務(wù),當(dāng)超邊重建比率大于0.6時,所提方法在drug數(shù)據(jù)集上的準確性(ACC)優(yōu)于次優(yōu)的Hyper2vec(biased 2nd order random walks in Hyper-networks),同時所提方法在GPS數(shù)據(jù)集上的ACC超過其他基線方法中次優(yōu)的基于關(guān)聯(lián)圖的超邊超邊約束的異質(zhì)超網(wǎng)絡(luò)表示學(xué)習(xí)方法(HRHC-關(guān)聯(lián)圖)15.6個百分點。

    網(wǎng)絡(luò)表示;超網(wǎng)絡(luò);超邊約束;鏈接預(yù)測;超網(wǎng)絡(luò)重建

    0 引言

    網(wǎng)絡(luò)在日常生活中無處不在,例如,社會網(wǎng)絡(luò)、生物網(wǎng)絡(luò)、大腦網(wǎng)絡(luò)等。為了挖掘網(wǎng)絡(luò)中蘊含的豐富的數(shù)據(jù)信息,網(wǎng)絡(luò)表示學(xué)習(xí)[1]方法被提出并受到了廣泛關(guān)注。網(wǎng)絡(luò)表示學(xué)習(xí),也稱為網(wǎng)絡(luò)嵌入,它的目的是為網(wǎng)絡(luò)節(jié)點學(xué)習(xí)低維表示向量。節(jié)點表示向量可用于節(jié)點分類[2]、鏈接預(yù)測[3]和社區(qū)檢測[4]等網(wǎng)絡(luò)分析任務(wù)。具體地,節(jié)點分類預(yù)測節(jié)點的類別和標簽,在網(wǎng)絡(luò)安全中檢測網(wǎng)絡(luò)中的欺詐實體就屬于節(jié)點分類問題;鏈接預(yù)測即預(yù)測節(jié)點之間是否存在潛在的鏈接(邊),它的常見應(yīng)用有社交網(wǎng)站的好友推薦、預(yù)測蛋白質(zhì)之間的相互影響、預(yù)測犯罪嫌疑人的關(guān)系和商品推薦等;社區(qū)檢測將節(jié)點劃分為集群,它在生物信息領(lǐng)域被用來發(fā)現(xiàn)相同功能或結(jié)果的生物分子。

    現(xiàn)有的大多數(shù)網(wǎng)絡(luò)表示學(xué)習(xí)方法僅具有節(jié)點之間成對關(guān)系的普通網(wǎng)絡(luò)設(shè)計,然而現(xiàn)實世界中的物體之間存在復(fù)雜的元組關(guān)系(超邊),此時可以使用超網(wǎng)絡(luò)對復(fù)雜的元組關(guān)系建模。根據(jù)超網(wǎng)絡(luò)表示學(xué)習(xí)方法的特點,可以將它分為譜分析方法、神經(jīng)網(wǎng)絡(luò)方法和其他方法,按照建模思路再細分為展開式方法和非展開式方法[5]。其中:展開式譜分析方法的典型算法包括SE(Star Expansion)[6]、CE(Clique Expansion)[6]等;展開式神經(jīng)網(wǎng)絡(luò)方法將超圖拉普拉斯矩陣代入傳統(tǒng)圖卷積神經(jīng)網(wǎng)絡(luò),典型算法有HGNN(HyperGraph Neural Network)[7]。非展開式方法有非展開式譜分析方法和非展開式神經(jīng)網(wǎng)絡(luò)方法,其中,將非展開式神經(jīng)網(wǎng)絡(luò)方法進一步又劃分為3種方法:基于自編碼器、自注意力機制和卷積的方法,典型算法有Hyper2vec (biased 2nd order random walks in Hyper-networks)[8]、DHNE (Deep Hyper-Network Embedding)[9]、Hyper-SAGNN(a Self-Attention based Graph Neural Network for Hypergraphs)[10]、DHGNN (Dynamic HyperGraph Neural Networks)[11]等。

    展開式方法和非展開式方法都各有優(yōu)劣。展開式方法雖然直觀靈活,但會丟失超網(wǎng)絡(luò)結(jié)構(gòu)信息;非展開式方法雖然沒有分解超邊,但也會有各自的缺點。例如Hyper2vec雖然在Skip-gram[12]框架中將有偏二階隨機游走策略應(yīng)用于超網(wǎng)絡(luò),可以靈活地應(yīng)用于各種類型的超網(wǎng)絡(luò),但是它沒有充分考慮超邊;DHNE通過結(jié)合多層感知器捕獲元組關(guān)系,但它很難擴展到任意規(guī)模的超網(wǎng)絡(luò);Hyper-SAGNN相較于DHNE有更好的泛化性,但該模型計算的復(fù)雜度較高;DHGNN是動態(tài)超圖構(gòu)造模塊和超圖卷積模塊的堆疊,然而該方法使用的數(shù)據(jù)集是由傳統(tǒng)網(wǎng)絡(luò)數(shù)據(jù)集構(gòu)造的超網(wǎng)絡(luò)數(shù)據(jù)集,因此該數(shù)據(jù)集并不算真正意義上的超網(wǎng)絡(luò)數(shù)據(jù)集。

    為了解決上述問題,本文提出一種超邊約束的異質(zhì)超網(wǎng)絡(luò)表示學(xué)習(xí)方法(Heterogeneous hypernetwork Representation learning method with Hyperedge Constraint, HRHC),綜合考慮節(jié)點之間的成對關(guān)系和元組關(guān)系。相較于基于平移約束的異質(zhì)超網(wǎng)絡(luò)表示學(xué)習(xí)(Heterogeneous hypernetwork Representation learning with the Translation Constraint, HRTC)[13],本文方法可以看作拓撲派生模型、集合約束模型和平移約束模型的有機統(tǒng)一,它有效地將超邊信息融合到超網(wǎng)絡(luò)表示學(xué)習(xí)中,以學(xué)習(xí)高質(zhì)量的節(jié)點表示向量。異質(zhì)超網(wǎng)絡(luò)的節(jié)點表示向量擁有廣泛的應(yīng)用場景,如趨勢預(yù)測[14]、事件監(jiān)測[15]和推薦系統(tǒng)[16]等各種在線應(yīng)用,具有實際的應(yīng)用價值。

    本文的主要工作為:首先結(jié)合團擴展和星型擴展的方法,實現(xiàn)了異質(zhì)超網(wǎng)絡(luò)到異質(zhì)網(wǎng)絡(luò)的轉(zhuǎn)換;其次通過感知節(jié)點語義相關(guān)性的元路徑游走方法獲取異質(zhì)節(jié)點序列;最后提出了超邊約束的異質(zhì)超網(wǎng)絡(luò)表示學(xué)習(xí)方法,將超邊融入超網(wǎng)絡(luò)表示學(xué)習(xí)過程。

    1 問題定義

    圖1 異質(zhì)超網(wǎng)絡(luò)

    2 預(yù)備知識

    受文獻[17]啟發(fā),文獻[18]中提出將超圖轉(zhuǎn)換為2-截圖+關(guān)聯(lián)圖和感知節(jié)點語義相關(guān)性的元路徑游走方法,同時,本文還引用了文獻[19]中的TransE(Translating Embeddings)模型。

    2.1 超圖轉(zhuǎn)換為2-截圖、關(guān)聯(lián)圖、2-截圖+關(guān)聯(lián)圖

    本節(jié)介紹超圖轉(zhuǎn)換為2-截圖、關(guān)聯(lián)圖的詳細策略[17]。

    2.1.12-截圖

    2)與超邊關(guān)聯(lián)的任意兩個節(jié)點之間兩兩相連。

    圖2是圖1對應(yīng)的2-截圖。

    圖2 2-截圖

    2.1.2關(guān)聯(lián)圖

    圖3為圖1對應(yīng)的關(guān)聯(lián)圖。

    圖3 關(guān)聯(lián)圖

    2.1.32-截圖+關(guān)聯(lián)圖

    2)若超邊內(nèi)部節(jié)點之間全部語義相關(guān)、全部語義不相關(guān)、部分節(jié)點之間語義相關(guān),則2-截圖+關(guān)聯(lián)圖分別為2-截圖和關(guān)聯(lián)圖的完全組合圖、關(guān)聯(lián)圖、關(guān)聯(lián)圖加上具有語義相關(guān)性節(jié)點之間的邊[18]。

    圖4 二-截圖+關(guān)聯(lián)圖

    2.2 感知節(jié)點語義相關(guān)性的元路徑游走

    2.3 TransE模型

    圖5 TransE模型

    3 HRHC

    圖6 HRHC的框架

    3.1 拓撲派生目標函數(shù)

    基于拓撲派生目標函數(shù)的模型學(xué)習(xí)了節(jié)點之間的成對關(guān)系。

    因此,式(2)可以寫為:

    式(1)重新表示為:

    3.2 集合約束目標函數(shù)

    3.3 平移約束目標函數(shù)

    此外,受TransE模型中平移機制的啟發(fā),通過引入平移機制為目標節(jié)點增加關(guān)系約束,即超邊約束。

    3.4 聯(lián)合約束目標函數(shù)

    HRHC細節(jié)如算法1所示。

    算法1 HRHC。

    /*將節(jié)點對應(yīng)的向量進行初始化*/

    7) end for

    8) end for

    9) end for

    /*優(yōu)化拓撲派生目標函數(shù)*/

    14) end for

    16) end for

    /*優(yōu)化集合約束目標函數(shù)*/

    20) end for

    /*優(yōu)化平移約束目標函數(shù)*/

    24) end for

    26) end for

    27) end for

    4 實驗與結(jié)果分析

    4.1 數(shù)據(jù)集

    一個藥物網(wǎng)絡(luò)、一個全球定位系統(tǒng)網(wǎng)絡(luò)和一個電影網(wǎng)絡(luò)被用來評估HRHC的性能。數(shù)據(jù)集詳情如表1所示。

    1)drug(https://www.fda.gov/drugs)。該數(shù)據(jù)集來自食品藥品監(jiān)督管理局(Food and Drug Administration, FDA)不良事件報告系統(tǒng)(FDA Adverse Event Reporting System, FAERS)。它包括提交給FDA的不良事件和用藥錯誤報告的信息。(用戶,藥物,反應(yīng))關(guān)系被看作超邊,以構(gòu)建超網(wǎng)絡(luò),即用戶吃了具有一些副作用的藥品將導(dǎo)致不良事件。

    2)GPS(Global Positioning System)[20]。該數(shù)據(jù)集描述了用戶在某個位置參加活動。(用戶,位置,活動)關(guān)系被看作超邊,用于超網(wǎng)絡(luò)的構(gòu)建。

    3)MovieLens[21]。該數(shù)據(jù)集描述了MovieLens的用戶標記活動。(用戶,電影,標簽)關(guān)系被看作超邊,以構(gòu)建超網(wǎng)絡(luò)。

    表1 數(shù)據(jù)集詳情

    4.2 基線方法

    DeepWalk[22]。是一個經(jīng)典的網(wǎng)絡(luò)表示學(xué)習(xí)方法,被用來學(xué)習(xí)節(jié)點表示向量。

    node2vec[23]。引入深度優(yōu)先和廣度優(yōu)先策略學(xué)習(xí)節(jié)點表示向量。

    metapath2vec[24]。采用元路徑的隨機游走策略,來捕獲異質(zhì)節(jié)點之間的語義關(guān)系,以便于學(xué)習(xí)節(jié)點表示向量。

    CoarSAS2hvec (Self-Avoid short sequence Sampling with the hin Coarsening procedure)[25]。通過HIN粗化和自避免短序列采樣過程捕獲異質(zhì)網(wǎng)絡(luò)的豐富信息,從而學(xué)習(xí)節(jié)點表示向量。

    HRTC[13]。通過引入知識表示學(xué)習(xí)中的平移機制捕獲節(jié)點之間的元組關(guān)系,從而學(xué)習(xí)節(jié)點表示向量。

    Hyper2vec[8]。在超邊上進行有偏二階隨機游走采樣高階關(guān)系,從而學(xué)習(xí)節(jié)點表示向量。

    HPSG(Hyper-Path-based random walks + Skip-Gram)[26]。首先通過基于超路徑的隨機游走保留異質(zhì)超網(wǎng)絡(luò)的拓撲結(jié)構(gòu)信息,其次通過Skip-gram模型學(xué)習(xí)節(jié)點表示向量。

    HPHG(Hyper-Path-based random walks + Hyper-Gram)[26]。首先通過基于超路徑的隨機游走保留異質(zhì)超網(wǎng)絡(luò)的拓撲結(jié)構(gòu)信息,其次通過Hyper-gram模型學(xué)習(xí)節(jié)點表示向量。

    Event2vec[27]。將一個事件表示為多個對象之間的關(guān)系,然后利用事件嵌入學(xué)習(xí)對象嵌入。

    4.3 鏈接預(yù)測

    鏈接預(yù)測比較流行,例如個性化推薦、推薦系統(tǒng)是鏈接預(yù)測的典型應(yīng)用。本節(jié)在GPS、MovieLens和drug這3個超網(wǎng)絡(luò)數(shù)據(jù)集上進行鏈接預(yù)測實驗。通過AUC(Area Under Curve)[28]評估HRHC的鏈接預(yù)測性能。

    在鏈接預(yù)測中,在學(xué)習(xí)到節(jié)點和的表示向量和后,使用表2所列的二元算子[23]獲取節(jié)點對的成對相似性。

    表2 二元算子

    從表2可以得到以下結(jié)果:

    1)HRHC、HRTC、DeepWalk、node2vec、metapath2vec和CoarSAS2hvec分別在2-截圖、關(guān)聯(lián)圖和2-截圖+關(guān)聯(lián)圖上都進行了鏈接預(yù)測實驗。因為HRHC針對超網(wǎng)絡(luò)設(shè)計,所以該方法在3個超網(wǎng)絡(luò)數(shù)據(jù)集上的鏈接預(yù)測效果均好于普通網(wǎng)絡(luò)表示學(xué)習(xí)方法,即DeepWalk、node2vec、metapath2vec和CoarSAS2hvec。

    2)在drug和GPS數(shù)據(jù)集上,HRHC優(yōu)于超網(wǎng)絡(luò)表示學(xué)習(xí)方法Hyper2vec和HPSG,接近超網(wǎng)絡(luò)表示學(xué)習(xí)方法HPHG和Event2vec。原因是Hyper2vec和HPSG主要訓(xùn)練了節(jié)點之間的成對關(guān)系,而HRHC綜合訓(xùn)練了節(jié)點之間的成對關(guān)系和元組關(guān)系(超邊)。HPHG和Event2vec均適用于具有較高不可分解性的drug和GPS超網(wǎng)絡(luò)。在MovieLens數(shù)據(jù)集上,HRHC優(yōu)于特定訓(xùn)練節(jié)點之間的元組關(guān)系的超網(wǎng)絡(luò)表示學(xué)習(xí)方法HPHG和Event2vec,接近特定訓(xùn)練節(jié)點之間的成對關(guān)系的超網(wǎng)絡(luò)表示學(xué)習(xí)方法HPSG,原因是MovieLens超網(wǎng)絡(luò)具有較低程度的不可分解性,即節(jié)點之間具有較強的相關(guān)性。

    3)在3個超網(wǎng)絡(luò)數(shù)據(jù)集上,HRHC優(yōu)于超網(wǎng)絡(luò)表示學(xué)習(xí)方法HRTC。原因是HRHC相較于HRTC方法增加了集合約束目標函數(shù),并通過隨機梯度上升算法使得式(10)達到平衡最優(yōu)解,融入了更多有效的超邊信息,因此HRHC較好地保留了超網(wǎng)絡(luò)結(jié)構(gòu)信息,從而獲得了高質(zhì)量的節(jié)點表示向量。

    綜上所述,通過綜合考慮節(jié)點之間的成對關(guān)系和元組關(guān)系,HRHC學(xué)習(xí)了高質(zhì)量的節(jié)點表示向量,可以較好地預(yù)測未知鏈接。

    注:加粗表示最優(yōu)值,下畫線表示次優(yōu)值。

    4.4 超網(wǎng)絡(luò)重建

    節(jié)點的良好表示應(yīng)該很好地保留原始網(wǎng)絡(luò)的結(jié)構(gòu)信息。評估節(jié)點表示質(zhì)量的典型方法是重建網(wǎng)絡(luò)。本節(jié)在GPS和drug數(shù)據(jù)集上進行超網(wǎng)絡(luò)重建實驗。

    超網(wǎng)絡(luò)重建[8]的準確性(ACCuracy, ACC)評價指標如式(25)所示:

    由圖7可知,在drug和GPS數(shù)據(jù)集上,HRHC在2-截圖+關(guān)聯(lián)圖上的超網(wǎng)絡(luò)重建效果均優(yōu)于2-截圖和關(guān)聯(lián)圖,特別地,在GPS超網(wǎng)絡(luò)重建中,對基于2-截圖+關(guān)聯(lián)圖的HRHC方法從=0.1到=1的ACC值求平均,以同樣的區(qū)間對HRHC-關(guān)聯(lián)圖的ACC值求平均,兩項差值為15.6,即HRCH-2-截圖+關(guān)聯(lián)圖超過其他基線方法中次優(yōu)的HRHC-關(guān)聯(lián)圖15.6個百分點。這說明了2-截圖+關(guān)聯(lián)圖能夠更好地保留超網(wǎng)絡(luò)結(jié)構(gòu)信息。在drug數(shù)據(jù)集上,在超邊重建比率大于0.6時,HRHC的超網(wǎng)絡(luò)重建效果優(yōu)于其他基線方法;在GPS數(shù)據(jù)集上,HRHC整體都優(yōu)于其他基線方法;此外,HRHC相較于其他基線方法,在增大超邊重建比率時,HRHC的ACC值下降較為緩慢。上述結(jié)果表明超邊約束機制能夠充分考慮到超邊,較好地保留超網(wǎng)絡(luò)結(jié)構(gòu)信息。

    4.5 參數(shù)敏感度

    圖7 超網(wǎng)絡(luò)重建

    圖8 參數(shù)敏感度分析

    5 結(jié)語

    為了應(yīng)對超網(wǎng)絡(luò)表示學(xué)習(xí)面臨的挑戰(zhàn),本文提出超邊約束的異質(zhì)超網(wǎng)絡(luò)表示學(xué)習(xí)方法,該方法綜合考慮節(jié)點之間的成對關(guān)系和元組關(guān)系以學(xué)習(xí)高質(zhì)量的節(jié)點表示向量。在3個超網(wǎng)絡(luò)數(shù)據(jù)集上的實驗結(jié)果表明,HRHC整體性能優(yōu)于其他基線方法。盡管該方法通過超圖到圖的轉(zhuǎn)換策略開展了超網(wǎng)絡(luò)表示學(xué)習(xí)研究,并嘗試在表示學(xué)習(xí)過程中融入超邊,但是仍然會丟失一部分超網(wǎng)絡(luò)結(jié)構(gòu)信息,因此,今后的研究將不再對超邊進行分解,而是將超邊看成一個整體進行超網(wǎng)絡(luò)表示學(xué)習(xí)研究。

    [1] ZHU Y, YE Z L, ZHAO H X, et al. Text-enhanced network representation learning [J]. Frontiers of Computer Science, 2020, 14(6): 146322.

    [2] SHEIKH N, KEFATO Z T, MONTRESOR A. Semi-supervised heterogeneous information network embedding for node classification using 1D-CNN [C]// Proceedings of the 2018 Fifth International Conference on Social Networks Analysis, Management and Security. Piscataway: IEEE, 2018:177-181.

    [3] 劉昱陽,李龍杰,單娜,等.融合聚集系數(shù)的鏈接預(yù)測方法[J]. 計算機應(yīng)用, 2020, 40(1): 28-35.(LIU Y Y, LI L J, SHAN N, et al. Link prediction method fusing clustering coefficients [J]. Journal of Computer Applications, 2020, 40(1): 28-35.)

    [4] 陳吉成,陳鴻昶.基于張量建模和進化均值聚類的社區(qū)檢測方法[J]. 計算機應(yīng)用, 2021, 41(11): 3120-3126.(CHEN J C, CHEN H C. Community detection method based on tensor modeling and evolutionary-means clustering [J]. Journal of Computer Applications, 2021, 41(11): 3120-3126.)

    [5] 胡秉德,王新根,王新宇,等. 超圖學(xué)習(xí)綜述:算法分類與應(yīng)用分析[J]. 軟件學(xué)報, 2022, 33(2): 498-523.(HU B D, WANG X G, WANG X Y, et al. Survey on hypergraph learning: algorithm classification and application analysis [J]. Journal of Software, 2022, 33(2):498-523.)

    [6] AGARWAL S, BRANSON K, BELONGIE S. Higher order learning with graph [C]// Proceedings of the 23rd International Conference on Machine Learning. New York: ACM, 2006: 17-24.

    [7] FENG Y, YOU H, ZHANG Z, et al. Hypergraph neural networks [C]// Proceedings of the 33rd AAAI Conference on Artificial Intelligence and 31st Innovative Applications of Artificial Intelligence Conference and 9th AAAI Symposium on Educational Advances in Aritificial Intelligence. Palo Alto: AAAI Press, 2019: 3558-3565.

    [8] HUANG J, CHEN C, YE F, et al. Hyper2vec: biased random walk for hyper-network embedding [C]// Proceedings of the 2019 International Conference on Database Systems for Advanced Applications. Cham: Springer, 2019: 273-277.

    [9] TU K, CUI P, WANG F, et al. Structural deep embedding for hyper-networks [C]// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2018: 426-433.

    [10] ZHANG R, ZOU Y, MA J. Hyper-SAGNN: a self-attention based graph neural network for hypergraphs [EB/OL]. [2019-11-06]. https:// arxiv.org/pdf/1911.02613.pdf.

    [11] JIANG J, WEI Y, FENG Y, et al. Dynamic hypergraph neural networks [C]// Proceedings of the 28th International Joint Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2019: 2635-2641.

    [12] MIKOLOV T, SUTSKEVER I, CHEN K, et al. Distributed representations of words and phrases and their compositionality [C]// Proceedings of the 26th International Conference on Neural Information Processing Systems. Palo Alto: AAAI Press, 2013,2: 3111-3119.

    [13] 劉貞國,朱宇,趙海興,等.基于平移約束的異質(zhì)超網(wǎng)絡(luò)表示學(xué)習(xí)[J]. 中文信息學(xué)報, 2022, 36(12): 74-84.(LIU Z G, ZHU Y, ZHAO H X, et al. Heterogeneous hypernetwork representation learning with the translation constraint [J]. Journal of Chinese Information Processing, 2022, 36(12): 74-84.)

    [14] HONG S, ZHOU Z, ZIO E, et al. An adaptive method for health trend prediction of rotating bearings [J]. Digital Signal Processing, 2014, 35: 117-123.

    [15] MATHIOUDALKIS M, KOUDAS N. TwitterMonitor: trend detection over the twitter stream [C]// Proceedings of the 29th ACM SIGMOD International Conference on Management of Data. New York: ACM, 2010: 1155-1158.

    [16] JANNACH D, ZANKER M, FELFERNIG A, et al. Recommender Systems: An Introduction [M]. New York: Cambridge University Press, 2010:1-10.

    [17] BRETTO A. Hypergraph Theory: An Introduction [M]. Cham: Springer, 2013: 43-49.

    [18] 劉貞國,朱宇,劉連照,等.基于轉(zhuǎn)化策略的異質(zhì)超網(wǎng)絡(luò)表示學(xué)習(xí)[J].計算機應(yīng)用研究, 2022, 39(11): 3333-3339.(LIU Z G, ZHU Y, LIU L Z, et al. Heterogeneous hypernetwork representation learning with transformation strategy [J]. Application Research of Computers, 2022, 39(11): 3333-3339.)

    [19] BORDES A, USUNIER N, GARCIA-DURáN A. Translating embeddings for modeling multi-relational data [C]// Proceedings of the 26th International Conference on Neural Information Processing Systems. Cham: Springer, 2013,2: 2787-2795.

    [20] ZHENG V W, CAO B, ZHENG Y, et al. Collaborative filtering meets mobile recommendation: a user-centered approach [C]// Proceedings of the 24th AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2010: 236-241.

    [21] HARPER F M, KONSTAN J A. The MovieLens datasets: history and context [J]. ACM Transactions on Internet and Information Systems, 2016, 5(4): 19.

    [22] PEROZZI B, AL-RFOU R, SKIENA S. DeepWalk: online learning of social representations [C] // Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2014: 701-710.

    [23] GROVER A, LESKOVEC J. node2vec: scalable feature learning for networks [C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016: 855-864.

    [24] DONG Y, CHAWLA N V, SWAMI A. metapath2vec: scalable representation learning for heterogeneous networks [C]// Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2017: 135-144.

    [25] ZHAN L, JIA T. CoarSAS2hvec: heterogeneous information network embedding with balanced network sampling [J]. Entropy, 2022, 24(2): 276.

    [26] HUANG J, LIU X, SONG Y. Hyper-path-based representation learning for hyper-networks [C]// Proceedings of the 28th ACM International Conference on Information and Knowledge Management. New York: ACM, 2019: 449-458.

    [27] FU G, YUAN B, DUAN Q, et al. Representation learning for heterogeneous information networks via embedding events [C]// Proceedings of the 26th International Conference on Neural Information Processing Systems. Cham: Springer, 2019: 327-339.

    [28] 杜航原,郝思聰,王文劍.結(jié)合圖自編碼器與聚類的半監(jiān)督表示學(xué)習(xí)方法[J]. 計算機應(yīng)用, 2022, 42(9): 2643-2651.(DU H Y, HAO S C, WANG W J. Semi-supervised representation learning method combining graph auto-encoder and clustering [J]. Journal of Computer Applications, 2022, 42(9): 2643-2651.)

    Heterogeneous hypernetwork representation learning method with hyperedge constraint

    WANG Keke, ZHU Yu*, WANG Xiaoying, HUANG Jianqiang, CAO Tengfei

    (,,810000,)

    Compared with ordinary networks, hypernetworks have complex tuple relationships, namely hyperedges. However, most existing network representation learning methods cannot capture the tuple relationships. To solve the above problem, a Heterogeneous hypernetwork Representation learning method with Hyperedge Constraint (HRHC) was proposed. Firstly, a method combining clique extension and star extension was introduced to transform the heterogeneous hypernetwork into the heterogeneous network. Then, the meta-path walk method that was aware of semantic relevance among the nodes was introduced to capture the semantic relationships among the heterogeneous nodes. Finally, the tuple relationships among the nodes were captured by means of the hyperedge constraint to obtain high-quality node representation vectors. Experimental results on three real-world datasets show that, for the link prediction task, the proposed method obtaines good results on drug, GPS and MovieLens datasets. For the hypernetwork reconstruction task, when the hyperedge reconstruction ratio is more than 0.6, the ACCuracy (ACC) of the proposed method is better than the suboptimal method Hyper2vec(biased 2nd order random walks in Hyper-networks), and the average ACC of the proposed method outperforms the suboptimal method, that is heterogeneous hypernetwork representation learning method with hyperedge constraint based on incidence graph (HRHC-incidence graph) by 15.6 percentage points on GPS dataset.

    network representation; hypernetwork; hyperedge constraint; link prediction; hypernetwork reconstruction

    This work is partially supported by National Natural Science Foundation of China (62166032), Natural Science Foundation of Qinghai Province (2022-ZJ-961Q).

    WANG Keke, born in 1999, M. S. candidate. Her research interest is network representation learning.

    ZHU Yu, born in 1986, Ph. D., lecturer. His research interests include machine learning, network representation learning.

    WANG Xiaoying, born in 1982, Ph. D., professor. Her research interests include high-performance computing, green computing.

    HUANG Jianqiang, born in 1985, Ph. D., professor. His research interests include high-performance computing, performance analysis.

    CAO Tengfei, born in 1987, Ph. D., associate professor. His research interests include edge computing, privacy protection.

    TP181

    A

    1001-9081(2023)12-3654-08

    10.11772/j.issn.1001-9081.2022121908

    2022?12?30;

    2023?03?23;

    2023?03?28。

    國家自然科學(xué)基金資助項目(62166032);青海省自然科學(xué)基金資助項目(2022?ZJ?961Q)。

    王可可(1999—),女,河南濮陽人,碩士研究生,主要研究方向:網(wǎng)絡(luò)表示學(xué)習(xí);朱宇(1986—),男,山東菏澤人,副教授,博士,CCF會員,主要研究方向:機器學(xué)習(xí)、網(wǎng)絡(luò)表示學(xué)習(xí);王曉英(1982—),女,吉林雙遼人,教授,博士,CCF高級會員,主要研究方向:高性能計算、綠色計算;黃建強(1985—),男,陜西西安人,教授,博士,CCF高級會員,主要研究方向:高性能計算、性能分析;曹騰飛(1987—),男,湖北鐘祥人,副教授,博士,CCF高級會員,主要研究方向:邊緣計算、隱私保護。

    猜你喜歡
    元組集上異質(zhì)
    Python核心語法
    電腦報(2021年14期)2021-06-28 10:46:22
    Cookie-Cutter集上的Gibbs測度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    海量數(shù)據(jù)上有效的top-kSkyline查詢算法*
    基于減少檢索的負表約束優(yōu)化算法
    復(fù)扇形指標集上的分布混沌
    隨機與異質(zhì)網(wǎng)絡(luò)共存的SIS傳染病模型的定性分析
    Ag2CO3/Ag2O異質(zhì)p-n結(jié)光催化劑的制備及其可見光光催化性能
    MoS2/ZnO異質(zhì)結(jié)的光電特性
    物理實驗(2015年10期)2015-02-28 17:36:52
    面向數(shù)據(jù)流處理的元組跟蹤方法
    最近最新免费中文字幕在线| 亚洲精华国产精华精| 久久精品国产综合久久久| 美国免费a级毛片| 国产亚洲精品久久久久久毛片| 99国产极品粉嫩在线观看| 国产精品免费一区二区三区在线| 成人午夜高清在线视频 | 成人一区二区视频在线观看| 欧美亚洲日本最大视频资源| 在线免费观看的www视频| 女性生殖器流出的白浆| 一级作爱视频免费观看| 免费在线观看成人毛片| 大型av网站在线播放| 国产成+人综合+亚洲专区| 黑人欧美特级aaaaaa片| 在线播放国产精品三级| 91麻豆av在线| 法律面前人人平等表现在哪些方面| 免费看日本二区| 久久人妻av系列| 男男h啪啪无遮挡| 女人爽到高潮嗷嗷叫在线视频| 欧美 亚洲 国产 日韩一| 日日夜夜操网爽| 精品久久久久久成人av| 国产av又大| 日韩欧美在线二视频| 欧美乱码精品一区二区三区| 国产精品亚洲一级av第二区| 老熟妇仑乱视频hdxx| 亚洲国产精品合色在线| 久久国产精品影院| 国产精品亚洲一级av第二区| 成人精品一区二区免费| 老熟妇乱子伦视频在线观看| 欧美三级亚洲精品| av天堂在线播放| 国产一区在线观看成人免费| 巨乳人妻的诱惑在线观看| 黄色女人牲交| 美女大奶头视频| 国产三级在线视频| 亚洲片人在线观看| 国产精品一区二区三区四区久久 | 1024视频免费在线观看| 黑人欧美特级aaaaaa片| 91字幕亚洲| 国产精品九九99| 国产欧美日韩一区二区精品| 亚洲av片天天在线观看| 精华霜和精华液先用哪个| 国内毛片毛片毛片毛片毛片| 女人被狂操c到高潮| 久久久久免费精品人妻一区二区 | 国产精华一区二区三区| 欧美一级a爱片免费观看看 | 亚洲狠狠婷婷综合久久图片| 精品欧美一区二区三区在线| 色老头精品视频在线观看| 人人妻人人澡欧美一区二区| 日本 av在线| 久久狼人影院| 欧美黄色淫秽网站| 亚洲精品国产一区二区精华液| 人人澡人人妻人| 欧美日本视频| 一区二区三区激情视频| 亚洲全国av大片| 免费av毛片视频| 制服丝袜大香蕉在线| 国产精品久久视频播放| 大香蕉久久成人网| 少妇被粗大的猛进出69影院| 日韩免费av在线播放| 亚洲精品在线观看二区| 国产在线观看jvid| 19禁男女啪啪无遮挡网站| 亚洲aⅴ乱码一区二区在线播放 | 男女下面进入的视频免费午夜 | 亚洲国产看品久久| 免费看a级黄色片| 黄片小视频在线播放| 嫩草影院精品99| 十八禁人妻一区二区| 国产亚洲欧美98| 很黄的视频免费| 亚洲av片天天在线观看| 亚洲精品久久成人aⅴ小说| 老鸭窝网址在线观看| www.熟女人妻精品国产| 精品国产超薄肉色丝袜足j| 日本精品一区二区三区蜜桃| 免费在线观看亚洲国产| 欧美日韩瑟瑟在线播放| 国产精品久久久人人做人人爽| 欧美成人一区二区免费高清观看 | 久久草成人影院| 老熟妇乱子伦视频在线观看| 国产av不卡久久| 欧美日韩一级在线毛片| 国产伦一二天堂av在线观看| 国产蜜桃级精品一区二区三区| 午夜免费激情av| 久久久久久久久免费视频了| 日韩精品青青久久久久久| 中国美女看黄片| 欧美中文综合在线视频| 国产黄片美女视频| 亚洲,欧美精品.| 一级作爱视频免费观看| 香蕉久久夜色| www日本黄色视频网| 亚洲精华国产精华精| 成人18禁高潮啪啪吃奶动态图| 变态另类成人亚洲欧美熟女| 久久精品影院6| 美女 人体艺术 gogo| 一级毛片高清免费大全| 啦啦啦免费观看视频1| 免费搜索国产男女视频| 国产高清videossex| 久久精品91蜜桃| 哪里可以看免费的av片| 免费在线观看亚洲国产| 侵犯人妻中文字幕一二三四区| 国产精品香港三级国产av潘金莲| 视频在线观看一区二区三区| 看片在线看免费视频| 午夜福利在线在线| 欧美黑人巨大hd| 一本精品99久久精品77| 婷婷精品国产亚洲av在线| 成人午夜高清在线视频 | 久久久国产精品麻豆| 女人被狂操c到高潮| 午夜激情av网站| 午夜免费观看网址| aaaaa片日本免费| 天天一区二区日本电影三级| 99精品欧美一区二区三区四区| 18禁黄网站禁片午夜丰满| 美国免费a级毛片| 欧美黑人精品巨大| 中文字幕人妻熟女乱码| 一本综合久久免费| 精品乱码久久久久久99久播| e午夜精品久久久久久久| 色老头精品视频在线观看| 97人妻精品一区二区三区麻豆 | 成人国语在线视频| 99国产精品99久久久久| 久久国产精品人妻蜜桃| 亚洲 欧美一区二区三区| 欧美国产精品va在线观看不卡| 在线观看免费视频日本深夜| 中文字幕人成人乱码亚洲影| 亚洲av日韩精品久久久久久密| 久久久久久久精品吃奶| 亚洲成a人片在线一区二区| 免费在线观看日本一区| 国产精品98久久久久久宅男小说| 无遮挡黄片免费观看| 日韩欧美免费精品| 久久草成人影院| 在线十欧美十亚洲十日本专区| 18禁黄网站禁片免费观看直播| 亚洲精华国产精华精| 啦啦啦韩国在线观看视频| 色在线成人网| 18禁裸乳无遮挡免费网站照片 | 久久婷婷成人综合色麻豆| 色综合亚洲欧美另类图片| 国产成人精品无人区| 欧美一级毛片孕妇| 久久久久免费精品人妻一区二区 | 午夜亚洲福利在线播放| 两人在一起打扑克的视频| 男男h啪啪无遮挡| 人人妻,人人澡人人爽秒播| 久久久水蜜桃国产精品网| 午夜福利在线观看吧| 精品欧美一区二区三区在线| 成人永久免费在线观看视频| 天天躁夜夜躁狠狠躁躁| 久久天堂一区二区三区四区| 18禁黄网站禁片免费观看直播| 熟妇人妻久久中文字幕3abv| 91在线观看av| www.自偷自拍.com| 哪里可以看免费的av片| 后天国语完整版免费观看| 亚洲国产精品久久男人天堂| 手机成人av网站| 亚洲精品色激情综合| 两人在一起打扑克的视频| 少妇 在线观看| 久久久久久久午夜电影| 正在播放国产对白刺激| 亚洲自拍偷在线| 母亲3免费完整高清在线观看| 啦啦啦韩国在线观看视频| 18禁黄网站禁片免费观看直播| 久久性视频一级片| 国产伦一二天堂av在线观看| 国产精品九九99| www.精华液| 精品电影一区二区在线| 国产成人影院久久av| 亚洲中文日韩欧美视频| 午夜a级毛片| 人成视频在线观看免费观看| 成人亚洲精品av一区二区| 欧美国产精品va在线观看不卡| 村上凉子中文字幕在线| 亚洲av日韩精品久久久久久密| 青草久久国产| xxx96com| 黄网站色视频无遮挡免费观看| 亚洲,欧美精品.| 久久久久国内视频| 精品久久久久久久人妻蜜臀av| 亚洲片人在线观看| av福利片在线| 日本黄色视频三级网站网址| 久久亚洲真实| 成人永久免费在线观看视频| 国产亚洲欧美在线一区二区| 亚洲天堂国产精品一区在线| 亚洲自拍偷在线| tocl精华| 午夜两性在线视频| 亚洲欧美一区二区三区黑人| 亚洲中文日韩欧美视频| 天堂√8在线中文| 亚洲男人的天堂狠狠| 自线自在国产av| 日韩大码丰满熟妇| 亚洲av五月六月丁香网| 黑丝袜美女国产一区| 久久人妻av系列| 国产精品久久久av美女十八| 国产日本99.免费观看| 日韩中文字幕欧美一区二区| 在线看三级毛片| 欧美乱色亚洲激情| 露出奶头的视频| 精品久久久久久成人av| 亚洲美女黄片视频| 国产极品粉嫩免费观看在线| 亚洲 欧美 日韩 在线 免费| 国产精品久久久久久人妻精品电影| 成人一区二区视频在线观看| 在线免费观看的www视频| 日本撒尿小便嘘嘘汇集6| 成人特级黄色片久久久久久久| 久久中文字幕一级| 99国产精品99久久久久| 老汉色av国产亚洲站长工具| 国产又黄又爽又无遮挡在线| 亚洲欧美日韩无卡精品| 非洲黑人性xxxx精品又粗又长| 国产视频一区二区在线看| 黄频高清免费视频| 丁香六月欧美| 波多野结衣高清作品| 国产精品久久电影中文字幕| 午夜福利在线在线| 女警被强在线播放| 每晚都被弄得嗷嗷叫到高潮| 一区二区三区精品91| 757午夜福利合集在线观看| 国产精品日韩av在线免费观看| 成人18禁在线播放| 午夜福利欧美成人| 亚洲成国产人片在线观看| 免费在线观看影片大全网站| 欧美成狂野欧美在线观看| 美女国产高潮福利片在线看| 亚洲人成77777在线视频| 精品久久久久久久久久免费视频| 婷婷六月久久综合丁香| 91麻豆av在线| 久久精品人妻少妇| 真人一进一出gif抽搐免费| 亚洲精品一卡2卡三卡4卡5卡| a级毛片a级免费在线| 国产成人av激情在线播放| 在线观看一区二区三区| 可以免费在线观看a视频的电影网站| 天天躁夜夜躁狠狠躁躁| 操出白浆在线播放| 国产精品综合久久久久久久免费| 国产欧美日韩一区二区精品| 久久久久久免费高清国产稀缺| 久久久久久久精品吃奶| 日本熟妇午夜| 18禁美女被吸乳视频| 亚洲av中文字字幕乱码综合 | 99热这里只有精品一区 | 欧美乱码精品一区二区三区| or卡值多少钱| 男男h啪啪无遮挡| www.999成人在线观看| 国产精品 欧美亚洲| 亚洲第一av免费看| 性欧美人与动物交配| 男人舔奶头视频| 后天国语完整版免费观看| 黑人巨大精品欧美一区二区mp4| 亚洲一码二码三码区别大吗| 亚洲自偷自拍图片 自拍| 亚洲av电影在线进入| 中文字幕久久专区| 变态另类丝袜制服| 看免费av毛片| 19禁男女啪啪无遮挡网站| 日本一本二区三区精品| 国产91精品成人一区二区三区| 精品欧美一区二区三区在线| 美女午夜性视频免费| 免费在线观看亚洲国产| 亚洲真实伦在线观看| 久久香蕉激情| 每晚都被弄得嗷嗷叫到高潮| 欧美日韩一级在线毛片| 亚洲全国av大片| 麻豆国产av国片精品| 亚洲人成网站在线播放欧美日韩| 国产成人影院久久av| 国产精品1区2区在线观看.| 成人午夜高清在线视频 | 一本久久中文字幕| 久久精品91蜜桃| 久久久久国内视频| 日韩中文字幕欧美一区二区| 成人手机av| 一级黄色大片毛片| 中国美女看黄片| 国产乱人伦免费视频| 国内毛片毛片毛片毛片毛片| 国产熟女xx| www.999成人在线观看| 亚洲欧美精品综合久久99| 精品一区二区三区视频在线观看免费| 精品国产一区二区三区四区第35| 最近在线观看免费完整版| 免费看十八禁软件| 高潮久久久久久久久久久不卡| 亚洲精品在线观看二区| 日本 欧美在线| 一级毛片精品| 国产高清激情床上av| 国产真实乱freesex| 手机成人av网站| 国产精品日韩av在线免费观看| 精品久久久久久成人av| 欧美一区二区精品小视频在线| 搡老妇女老女人老熟妇| 我的亚洲天堂| 一级a爱片免费观看的视频| 禁无遮挡网站| av电影中文网址| 日韩欧美三级三区| 成人三级做爰电影| 午夜视频精品福利| 夜夜爽天天搞| 国产亚洲精品一区二区www| 亚洲第一青青草原| 女人被狂操c到高潮| 国产精品综合久久久久久久免费| 99国产精品一区二区蜜桃av| 可以在线观看毛片的网站| 两性午夜刺激爽爽歪歪视频在线观看 | 99热只有精品国产| 亚洲男人的天堂狠狠| 免费看a级黄色片| 99精品久久久久人妻精品| 黄色成人免费大全| 欧美激情高清一区二区三区| 一级毛片女人18水好多| 久久国产精品男人的天堂亚洲| 午夜精品久久久久久毛片777| 白带黄色成豆腐渣| 18禁国产床啪视频网站| 91国产中文字幕| 又黄又爽又免费观看的视频| 国产精品二区激情视频| 校园春色视频在线观看| 国产野战对白在线观看| 麻豆成人午夜福利视频| 日本成人三级电影网站| 国产成人精品久久二区二区91| 久久精品国产综合久久久| 免费av毛片视频| 99热这里只有精品一区 | 老司机靠b影院| 午夜福利在线观看吧| 99国产精品一区二区三区| 亚洲av电影在线进入| 久久青草综合色| 久久中文看片网| 久久久久精品国产欧美久久久| 村上凉子中文字幕在线| 亚洲成人久久爱视频| 亚洲电影在线观看av| 男女之事视频高清在线观看| 国产av又大| 手机成人av网站| 18禁美女被吸乳视频| 色播在线永久视频| 在线天堂中文资源库| 国产aⅴ精品一区二区三区波| 啦啦啦免费观看视频1| 国产麻豆成人av免费视频| 久久久久久免费高清国产稀缺| 老鸭窝网址在线观看| 日韩精品中文字幕看吧| 欧美日韩亚洲综合一区二区三区_| 欧美一级a爱片免费观看看 | 哪里可以看免费的av片| 久久热在线av| 国产高清激情床上av| 亚洲精品国产一区二区精华液| 亚洲国产毛片av蜜桃av| 国产麻豆成人av免费视频| 国产99白浆流出| 亚洲精品久久国产高清桃花| 天天一区二区日本电影三级| 亚洲性夜色夜夜综合| 午夜免费鲁丝| 国产精品免费一区二区三区在线| 99久久综合精品五月天人人| 日韩欧美在线二视频| 男女做爰动态图高潮gif福利片| 午夜精品久久久久久毛片777| 国产精品亚洲一级av第二区| a级毛片在线看网站| 久久久久免费精品人妻一区二区 | 最近最新免费中文字幕在线| 成人永久免费在线观看视频| 久久久久久大精品| 久久人妻av系列| 在线永久观看黄色视频| 成熟少妇高潮喷水视频| 午夜影院日韩av| 别揉我奶头~嗯~啊~动态视频| 精品熟女少妇八av免费久了| 中文字幕另类日韩欧美亚洲嫩草| 亚洲第一欧美日韩一区二区三区| 国内少妇人妻偷人精品xxx网站 | 色在线成人网| 午夜精品久久久久久毛片777| 麻豆久久精品国产亚洲av| 久久性视频一级片| 国产精品免费视频内射| 满18在线观看网站| 欧美乱色亚洲激情| 可以在线观看毛片的网站| 亚洲久久久国产精品| 99热这里只有精品一区 | 麻豆国产av国片精品| 日本在线视频免费播放| 色av中文字幕| 亚洲中文字幕日韩| 18禁裸乳无遮挡免费网站照片 | 老熟妇仑乱视频hdxx| 久久天躁狠狠躁夜夜2o2o| 国产亚洲精品一区二区www| 亚洲中文av在线| 国产精品亚洲av一区麻豆| 午夜影院日韩av| 国产v大片淫在线免费观看| 巨乳人妻的诱惑在线观看| 成人三级做爰电影| 午夜a级毛片| 天堂影院成人在线观看| 岛国视频午夜一区免费看| 精品一区二区三区av网在线观看| 亚洲成av片中文字幕在线观看| 精品第一国产精品| 99精品欧美一区二区三区四区| 亚洲在线自拍视频| 国产精品一区二区三区四区久久 | 99久久久亚洲精品蜜臀av| 久久香蕉激情| 大型黄色视频在线免费观看| 久久久国产成人免费| 男人舔奶头视频| 老鸭窝网址在线观看| 国语自产精品视频在线第100页| av超薄肉色丝袜交足视频| 精品少妇一区二区三区视频日本电影| 视频在线观看一区二区三区| 中文亚洲av片在线观看爽| 丝袜人妻中文字幕| 熟女电影av网| www.www免费av| 手机成人av网站| cao死你这个sao货| 亚洲av五月六月丁香网| 亚洲一码二码三码区别大吗| 天天一区二区日本电影三级| 久久婷婷人人爽人人干人人爱| 欧美黄色片欧美黄色片| 首页视频小说图片口味搜索| 在线视频色国产色| 非洲黑人性xxxx精品又粗又长| ponron亚洲| 一本一本综合久久| 亚洲熟女毛片儿| 十八禁人妻一区二区| 在线观看免费视频日本深夜| 中国美女看黄片| 变态另类成人亚洲欧美熟女| 欧美在线一区亚洲| 又黄又爽又免费观看的视频| 日韩欧美免费精品| 亚洲国产精品合色在线| www.www免费av| 亚洲 欧美 日韩 在线 免费| 欧美色视频一区免费| 一进一出抽搐gif免费好疼| 1024手机看黄色片| 日本免费一区二区三区高清不卡| 在线观看免费午夜福利视频| www.自偷自拍.com| xxxwww97欧美| 亚洲欧美日韩无卡精品| 欧美丝袜亚洲另类 | 欧美日韩亚洲综合一区二区三区_| 天天一区二区日本电影三级| 久久亚洲真实| 变态另类成人亚洲欧美熟女| a在线观看视频网站| 欧美成人午夜精品| 高清毛片免费观看视频网站| 中文亚洲av片在线观看爽| 久久精品成人免费网站| 亚洲国产高清在线一区二区三 | 人人妻人人看人人澡| 性色av乱码一区二区三区2| 成年版毛片免费区| 高清毛片免费观看视频网站| 亚洲午夜理论影院| 午夜福利免费观看在线| 色播在线永久视频| 欧美成人性av电影在线观看| 久久久久国产精品人妻aⅴ院| 国产精品久久久久久人妻精品电影| 欧美精品啪啪一区二区三区| 国产精品久久久久久人妻精品电影| 久热爱精品视频在线9| 十八禁人妻一区二区| 日本免费一区二区三区高清不卡| 精品无人区乱码1区二区| 国产亚洲精品第一综合不卡| 可以免费在线观看a视频的电影网站| www日本黄色视频网| √禁漫天堂资源中文www| 久久中文看片网| 国产99久久九九免费精品| 一个人免费在线观看的高清视频| 亚洲av中文字字幕乱码综合 | 国产又黄又爽又无遮挡在线| 99在线人妻在线中文字幕| 在线观看舔阴道视频| 国产高清有码在线观看视频 | 色老头精品视频在线观看| 亚洲精华国产精华精| 日韩欧美 国产精品| 国产成人av教育| 久久人人精品亚洲av| 欧美日韩亚洲国产一区二区在线观看| 免费电影在线观看免费观看| 精品国内亚洲2022精品成人| 哪里可以看免费的av片| 国产亚洲精品一区二区www| 99久久无色码亚洲精品果冻| 欧美亚洲日本最大视频资源| 在线观看免费午夜福利视频| 久久欧美精品欧美久久欧美| 午夜久久久在线观看| 天堂动漫精品| 精品国产乱子伦一区二区三区| av欧美777| 欧美丝袜亚洲另类 | 国产亚洲av嫩草精品影院| 大型黄色视频在线免费观看| 婷婷丁香在线五月| 日韩欧美一区二区三区在线观看| 看片在线看免费视频| 国产成人精品久久二区二区91| 久久香蕉精品热| 99久久国产精品久久久| 日韩精品免费视频一区二区三区| 亚洲在线自拍视频| 精品国产乱码久久久久久男人| 变态另类成人亚洲欧美熟女| 在线观看免费午夜福利视频| 精品国产一区二区三区四区第35| 我的亚洲天堂| 叶爱在线成人免费视频播放| 久热爱精品视频在线9| 三级毛片av免费| 国产主播在线观看一区二区| 日日夜夜操网爽| 国产高清有码在线观看视频 | 欧美精品啪啪一区二区三区| 成人手机av| 欧美av亚洲av综合av国产av| 男女那种视频在线观看| 91成年电影在线观看| 色婷婷久久久亚洲欧美|