• <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 ?

    融合密度和劃分的文本聚類算法?

    2024-04-17 07:29:02蔡林杰
    關(guān)鍵詞:中心點(diǎn)文檔聚類

    劉 龍 劉 新 蔡林杰 唐 朝

    (湘潭大學(xué)計(jì)算機(jī)學(xué)院·網(wǎng)絡(luò)空間安全學(xué)院 湘潭 411105)

    1 引言

    近幾十年來(lái),隨著計(jì)算機(jī)技術(shù)的快速發(fā)展,人們獲取的信息和采集的數(shù)據(jù)越來(lái)越多,但是海量的數(shù)據(jù)缺乏有效的處理,人們就很難得到有效且有用的信息?;诖朔N情況,作為數(shù)據(jù)挖掘的一種有效工具,聚類算法[1]可以幫助人們高效分析數(shù)據(jù)之間的關(guān)系。

    本文研究文檔聚類[2],文檔聚類的首要任務(wù)是文本向量化,將文檔轉(zhuǎn)換為高維向量再進(jìn)行聚類。2013 年,谷歌推出了基于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的Word2vec[3]詞向量模型,極大地促進(jìn)了自然語(yǔ)言處理的發(fā)展;谷歌在2018 年再次發(fā)布了基于深度學(xué)習(xí)的BERT[4]模型,該模型刷新了自然語(yǔ)言處理領(lǐng)域中多個(gè)方向的記錄。

    文檔聚類的核心任務(wù)是研究聚類算法,但是密度聚類算法[5]在高維數(shù)據(jù)集上的表現(xiàn)非常差。劃分算法中的K-均值算法[6]效果一般,主要原因是算法的初始化[7]是隨機(jī)生成的。近年來(lái),為了克服選取中心點(diǎn)為離群點(diǎn),李武等[8]提出一種啟發(fā)式算法來(lái)逐步選取初始類中心點(diǎn),選取的原則是初始類中心點(diǎn)差異度高且與其他初始類中心點(diǎn)差異度高,實(shí)驗(yàn)表明該算法聚類效果正確率高,收斂速度快。賈瑞玉等[9]提出利用局部密度和決策樹來(lái)確定K-均值算法的類簇中心點(diǎn)的數(shù)量和位置,該方法可以有效地排除特殊點(diǎn),在低維上有著不錯(cuò)的效果。王思杰等[10]提出基于距離的離群點(diǎn)檢測(cè)技術(shù),對(duì)中心點(diǎn)進(jìn)行篩選,避免離群點(diǎn)成為中心點(diǎn)。張國(guó)峰等[11]提出逐步選取類簇中心點(diǎn),在更新中心點(diǎn)的同時(shí)判斷簇點(diǎn)的合理性并及時(shí)做出修改,這種方法確保了不會(huì)出現(xiàn)空簇。Rodriguez等[12]在Science上提出了一種新的密度聚類算法,該算法的思想是聚類中心的密度高于其鄰近的中心且距其他高密度點(diǎn)相對(duì)較遠(yuǎn)。

    本文使用BERT 模型來(lái)處理文本向量化,并且與其他方法進(jìn)行實(shí)驗(yàn)比較,BERT 模型的確具有出色的性能。本文還提出了一種結(jié)合密度和劃分的文本聚類算法,與其他幾種聚類算法相比,該算法對(duì)高維數(shù)據(jù)集具有更好的聚類效果。

    2 相關(guān)工作

    2.1 文本向量化表示

    文本聚類一個(gè)重要過(guò)程就是文本的向量化。文本向量方法有傳統(tǒng)的向量空間模型[13](VSM)和Word2vec 方法,兩者需要結(jié)合文本特征提取TF-IDF[14]方法來(lái)進(jìn)行文本聚類。Word2vec 方法優(yōu)點(diǎn)是簡(jiǎn)單、快捷、易懂,但也存在著比較嚴(yán)重的問(wèn)題,它非常依賴語(yǔ)料庫(kù),需要選取質(zhì)量較高且和所處理文本相符的語(yǔ)料庫(kù)進(jìn)行訓(xùn)練。

    本文使用BERT 模型來(lái)處理文本的向量化,BERT 模型作為Word2vec 的替代者,它的網(wǎng)絡(luò)架構(gòu)使 用 了 多 層 帶 有Attention[15]的Transformer[16]結(jié)構(gòu)。本文使用的是BERT-Base 中文模型,模型有12 層Transformer 編碼器,隱藏層的維度是768,自注意頭的個(gè)數(shù)為12,其中BERT 模型中一個(gè)Transformer編碼器的計(jì)算過(guò)程如下:

    1)文本向量:通過(guò)詞向量化將單詞變成向量x1、x2…xm,文本向量X的維度是m×768,m為句子的最大分詞數(shù);

    2)計(jì)算Q、K、V:這里我們通過(guò)模型的參數(shù)WO、WK、WV結(jié)合輸入向量X來(lái)計(jì)算出來(lái)向量Q、K、V:

    3)單頭自注意力層的輸出矩陣Z:這里首先計(jì)算詞在上下文中的意義以及詞之間的影響QK,得到之后進(jìn)行歸一化處理,最后加權(quán)平均得到單頭注意力層輸出矩陣Z:

    4)融合所有注意力頭信息的矩陣Zsum:BERT模型使用了12個(gè)注意力頭,經(jīng)過(guò)步驟3)后,我們可以得到12 個(gè)不同的Z 矩陣,乘上附加的權(quán)重矩陣WO可得到Zsum,Zsum的維度為m×768,最后經(jīng)過(guò)殘差連接和求和歸一化即為下一層下面Transformer 編碼器的輸入。公式中concat(Zi)表示為12 個(gè)注意力頭輸出矩陣的拼接:

    2.2 文本距離計(jì)算

    文本聚類過(guò)程中需要計(jì)算文本間的差異,本文使用歐氏距離來(lái)計(jì)算文本距離,歐氏距離可以有效防止過(guò)擬合,還可以讓距離優(yōu)化求解快速和穩(wěn)定。文本距離計(jì)算公式如下:

    注:D(X,Y)表示文本X與文本Y的歐氏距離。該值越小代表著兩個(gè)文本屬于同一類別的可能性越高。反之,該值越大則說(shuō)明文本相似度越小。xi與yi分別表示文本X、Y的某一向量維度值。

    3 文本聚類算法

    3.1 K-means算法

    K-means算法屬于劃分聚類算法,該算法是將數(shù)據(jù)集n個(gè)數(shù)據(jù)對(duì)象劃分成K類,其具體步驟是:

    1)任意選擇K 個(gè)樣本點(diǎn)當(dāng)做初始類中心點(diǎn),每個(gè)初始類中心點(diǎn)作為一個(gè)聚類中心;

    2)對(duì)于數(shù)據(jù)集中的所有樣本點(diǎn),計(jì)算其與每個(gè)聚類中心的距離,將其歸為距離最近的聚類中心類簇;

    3)將各個(gè)類簇樣本點(diǎn)的均值作為該類簇新的聚類中心,得到新的K個(gè)聚類中心;

    4)重復(fù)步驟2)~3),并在每次迭代后計(jì)算是否滿足停止條件,若達(dá)到條件之一,則輸出結(jié)果。

    K-means算法的停止條件一般為以下三種:聚類中心與前一次聚類中心相差極??;重新劃分給其他類簇的樣本點(diǎn)極少;目標(biāo)函數(shù)極小,即數(shù)據(jù)集的誤差平方和(SSE)局部最小。誤差平方和計(jì)算如式(7)至式(8)所示:

    注:SSE 參數(shù)計(jì)算表示當(dāng)前的聚類情況的所有樣本點(diǎn)到各自劃分類的聚類中心的距離總和,這個(gè)值越小表示當(dāng)前的聚類效果越好。K表示聚類類別。Ci表示單個(gè)類簇,共K 個(gè)類簇。p 表示樣本點(diǎn)向量。mi表示類中心點(diǎn)向量,是類Ci的均值向量,也稱質(zhì)心。x表示類簇Ci中的向量。

    3.2 K-means++算法

    K-means++算法[17]主要解決K-means 算法受初始化影響大的問(wèn)題,在選擇初始類中心點(diǎn)方面做了改進(jìn),保證初始點(diǎn)足夠離散。算法初始化類中心點(diǎn)的具體步驟如下:

    1)任選某一樣本點(diǎn)當(dāng)做初始類中心點(diǎn);

    2)計(jì)算其余樣本點(diǎn)與最近初始類中心點(diǎn)的距離,用D(x)表示;

    3)通過(guò)樣本點(diǎn)的D(x)來(lái)表示其成為初始類中心點(diǎn)的概率P;

    4)最后輪盤法選擇出下一個(gè)初始類中心點(diǎn);

    5)重復(fù)步驟2)~4)直至得到K 個(gè)初始類中心點(diǎn)。

    關(guān)于K-means++算法的初始化過(guò)程中參數(shù)D(x)和P,D(x)為文本向量的歐氏距離,具體計(jì)算見(jiàn)式(6),概率P計(jì)算如式(9)所示:

    K-means++算法的初始化有效地改善了隨機(jī)初始化的不穩(wěn)定性,選取下一個(gè)聚類中心點(diǎn)的概率與距離掛鉤,使得初始類中心點(diǎn)離散。

    3.3 最大距離法

    2014 年,翟海東等[18]提出使用最大距離法來(lái)選取初始類中心點(diǎn)。采用最遠(yuǎn)距離的逐步選取類中心點(diǎn),最大距離法選取類中心點(diǎn)流程如下:

    1)計(jì)算n 個(gè)樣本點(diǎn)兩兩之間的距離,找到滿足D(c1,c2)≥D(ci,cj)(i,j=1,2,…,n)的兩個(gè)樣本點(diǎn)c1和c2,并將它們作為兩個(gè)初始類中心點(diǎn);

    2)在剩余的(n-2)個(gè)樣本點(diǎn)中,選取滿足D(c1,c3)×D(c2,c3)≥D(c1,ci)×D(c2,ci)的樣本點(diǎn)c3,將c3 作為第三個(gè)初始簇中心,ci 是除c3 外的任一樣本點(diǎn);

    3)依此類推,直至選取K個(gè)中心點(diǎn)。

    最大距離法屬于K-means++算法的優(yōu)化,聚類的初始化簇中心點(diǎn)確實(shí)有效地囊括所有數(shù)據(jù),促使所選中心點(diǎn)的分布離散且合理。但是該方法極易選中離群點(diǎn),導(dǎo)致聚類效果不理想。關(guān)于此類方法,還有基于子空間的K-means++優(yōu)化算法[19]和K-meansⅡ算法[20]。

    3.4 融合密度和劃分的聚類算法

    本文提出了一種結(jié)合密度和劃分的文本聚類算法(CDP 算法)。首先通過(guò)距離計(jì)算來(lái)定義樣本點(diǎn)的密度,然后通過(guò)密度來(lái)選擇適合作為中心點(diǎn)的樣本,然后通過(guò)最遠(yuǎn)距離方法逐漸選擇初始聚類中心點(diǎn),最后根據(jù)距離對(duì)整個(gè)數(shù)據(jù)集進(jìn)行劃分。算法具體步驟如下:

    1)使用文檔距離計(jì)算模型計(jì)算n 個(gè)樣本集兩兩之間的距離dij;并計(jì)算所有樣本之間的平均距離dc,給出dc計(jì)算如式(10)所示:

    2)根據(jù)樣本之間距離與樣本平均距離大小計(jì)算出每個(gè)樣本的密度?i,并計(jì)算所有樣本的密度ρi,給出ρi和ρc計(jì)算如式(11)~(13)所示:

    3)將所有滿足ρi>ρc的樣本點(diǎn)歸入適合作為初始類中心點(diǎn)集合M,核心點(diǎn)集M 的個(gè)數(shù)m 必須滿足n>m>K;

    4)在M 集合中隨機(jī)選取一點(diǎn)c1 作為初始類中心點(diǎn);

    5)在(m-1)個(gè)點(diǎn)中,選擇滿足D(c1,c2)≥D(c1,ci)的樣本點(diǎn)c2,ci是M集合中除c2的任一點(diǎn);

    6)在(m-2)個(gè)點(diǎn)中,選擇滿足D(c1,c3)×D(c2,c3)≥D(c1,ci)×D(c2,ci)的樣本點(diǎn)c3,ci 是M 集合中c3的任一點(diǎn);

    7)依此類推,直至得到K個(gè)初始類中心點(diǎn);

    8)根據(jù)距離計(jì)算將所有樣本點(diǎn)分配至與其相距最小類簇里;

    9)重新計(jì)算中心點(diǎn),類簇中全部樣本的均值就是新中心點(diǎn);

    10)重復(fù)步驟8)~9),直至數(shù)據(jù)集的SSE目標(biāo)函數(shù)不變或者變化極小。注:dc表示截?cái)嗑嚯x,即文檔數(shù)據(jù)集的樣本平均距離,計(jì)算數(shù)值是每一個(gè)文檔與其他文檔之間的文本距離總和平均化后得到的數(shù)值,當(dāng)數(shù)據(jù)集確定后,該值為常數(shù)。ρi表示為單個(gè)文檔Xi的密度,若兩個(gè)文本的文本距離若小于樣本平均距離dc,說(shuō)明兩個(gè)文本距離較近,即文本相似度較高,文檔Xj在文檔Xi的密度領(lǐng)域內(nèi),該值越大說(shuō)明文檔Xi的附近點(diǎn)越多。ρc表示截?cái)嗝芏?,?jì)算數(shù)值是所有文檔的密度平均值,當(dāng)文本集確定后,該值也為常數(shù)。

    4 實(shí)驗(yàn)

    4.1 數(shù)據(jù)集

    本文實(shí)驗(yàn)使用的數(shù)據(jù)集來(lái)自清華大學(xué)的的THUCNews 新聞文本分類數(shù)據(jù)集,THUCNews 數(shù)據(jù)集是根據(jù)新浪新聞2005~2011 年間的歷史數(shù)據(jù)篩選過(guò)濾生成,包含74 萬(wàn)篇新聞文檔,均為UTF-8 純文本格式。此數(shù)據(jù)集在原始新浪新聞分類體系的基礎(chǔ)上,重新整合劃分出14 個(gè)候選分類類別:財(cái)經(jīng)、彩票、房產(chǎn)、股票、家居、教育、科技、社會(huì)、時(shí)尚、時(shí)政、體育、星座、游戲、娛樂(lè)。該數(shù)據(jù)集的每篇文檔所包含的字?jǐn)?shù)在300~5000之間。

    4.2 評(píng)估標(biāo)準(zhǔn)

    此次實(shí)驗(yàn)使用的評(píng)判標(biāo)準(zhǔn)主要是F1 值,其次還有文本聚類耗時(shí)T。F1 值由精確率P(precision)和召回率R(recall)的計(jì)算得到,精確率P 值為所有“正類判定為正類”占所有“檢測(cè)是正類”的比例,召回率R值是所有“正類判定為正類”占所有“樣本是正類”的比例。P、R、F1 值的計(jì)算如式(14)~式(16),其中,TP表示“正類判定為正類”,F(xiàn)P表示“負(fù)類判定為正類”,F(xiàn)N表示為“正類判定為負(fù)類”。

    4.3 實(shí)驗(yàn)對(duì)比

    4.3.1 文本向量化實(shí)驗(yàn)

    本次實(shí)驗(yàn)?zāi)康氖菧y(cè)試不同的方法處理文檔向量化的效果。實(shí)驗(yàn)數(shù)據(jù)集是5 類文檔集,每一類文檔集有300 篇文檔。實(shí)驗(yàn)首先使用不同方法將文檔轉(zhuǎn)為向量,然后使用傳統(tǒng)的K-means算法對(duì)文檔向量集進(jìn)行聚類,將聚類的結(jié)果作為評(píng)判標(biāo)準(zhǔn),實(shí)驗(yàn)僅文檔向量化處理過(guò)程不一樣,其他均一致。實(shí)驗(yàn)的兩種文檔向量化處理方法分別是BERT 模型、Word2vec。實(shí)驗(yàn)結(jié)果如圖1所示。

    圖1 Word2vec與BERT關(guān)于文本向量化處理對(duì)比圖

    從實(shí)驗(yàn)結(jié)果可以看到在P、R、F1 值上,BERT均領(lǐng)先Word2vec,在F1 值上提高超過(guò)10%。在文檔向量化處理效果上,BERT 模型要優(yōu)于Word2vec方法。

    4.3.2 文檔關(guān)于類別數(shù)量變化實(shí)驗(yàn)

    本次實(shí)驗(yàn)?zāi)康氖菧y(cè)試聚類效果關(guān)于文檔類別數(shù)量的變化。對(duì)比實(shí)驗(yàn)分成兩類:K-means 算法、本文提出的CDP算法。每一類分成七組試驗(yàn):第一組實(shí)驗(yàn)的數(shù)據(jù)集包含3 類,每一類100 篇共300 篇文檔;第二組實(shí)驗(yàn)的數(shù)據(jù)集包含4類,每一類100篇共400篇文檔;以此類推,第七組實(shí)驗(yàn)的數(shù)據(jù)集是9類共900篇文檔。每一組實(shí)驗(yàn)均采用BERT模型處理文檔向量化,每組實(shí)驗(yàn)過(guò)程一致,僅實(shí)驗(yàn)數(shù)據(jù)集不一樣。聚類指標(biāo)隨類別數(shù)量變化如圖2所示。

    圖2 聚類指標(biāo)隨類別數(shù)量變化圖

    實(shí)驗(yàn)結(jié)果中,紅色線數(shù)據(jù)為K-means 算法,采用隨機(jī)化初始化,藍(lán)色線數(shù)據(jù)為CDP算法。從實(shí)驗(yàn)結(jié)果可以知道文檔聚類的F1 值會(huì)隨著文本類別的增加而降低,當(dāng)K值較小時(shí),F(xiàn)1值很高,當(dāng)K值增加時(shí),F(xiàn)1 值逐漸降低。使用CDP 算法后,聚類效果更好且穩(wěn)定,在聚類類別小于10時(shí),文檔聚類的F1值一直超80個(gè)百分點(diǎn)。

    4.3.3 文檔關(guān)于文檔集數(shù)量變化實(shí)驗(yàn)

    實(shí)驗(yàn)三:本次實(shí)驗(yàn)?zāi)康氖菧y(cè)試聚類效果關(guān)于文檔數(shù)據(jù)集數(shù)量的變化。對(duì)比實(shí)驗(yàn)分成兩類:K-means 算法、CDP 算法。每一類分成六組對(duì)比實(shí)驗(yàn),每組實(shí)驗(yàn)都是5 類文檔,只有文檔數(shù)量不一致,實(shí)驗(yàn)分別對(duì)每組進(jìn)行聚類取平均值:第一組實(shí)驗(yàn)包含5 類,每一類100 篇共500 篇;第二組實(shí)驗(yàn)包含5類,每一類200 篇共1000 篇;以此類推,第六組是5類共3000 篇文檔。每一組實(shí)驗(yàn)均使用BERT 模型處理文檔向量化,實(shí)驗(yàn)過(guò)程一致,僅實(shí)驗(yàn)數(shù)據(jù)集不一樣。聚類指標(biāo)隨文檔數(shù)量變化如圖3所示。

    圖3 聚類指標(biāo)隨文檔數(shù)量變化圖

    實(shí)驗(yàn)結(jié)果中,紅色線數(shù)據(jù)為K-means 算法,采用隨機(jī)化初始化,藍(lán)色線數(shù)據(jù)為CDP算法。實(shí)驗(yàn)表明在文本類別不變的情況下,文檔的數(shù)量增加也會(huì)導(dǎo)致聚類的F1 值下降。數(shù)據(jù)顯示在K 值不變的情況下,兩類對(duì)比實(shí)驗(yàn)的召回率R 值都在90%左右變動(dòng),精確率P 隨著文檔數(shù)量的增加而逐漸下降,從而導(dǎo)致F1 值的下降。說(shuō)明文檔聚類會(huì)隨著文檔集數(shù)量增加而降低,兩類對(duì)比實(shí)驗(yàn)的F1 值下降程度都較為穩(wěn)定。

    4.3.4 綜合對(duì)比實(shí)驗(yàn)

    實(shí)驗(yàn)四:本實(shí)驗(yàn)選擇兩組數(shù)據(jù),第一組為5 個(gè)類別,每個(gè)類別100 篇共500 篇文章;第二類是5 個(gè)類別,每個(gè)類別有400篇共2000篇文章。測(cè)試算法有5種組合:算法1是一種傳統(tǒng)的K-means算法,使用Word2vec 做向量化處理;算法2 是K-means 加BERT 來(lái)處理文本向量化;算法3 是K-means++算法加BERT 來(lái)處理文本到向量的算法;算法4 是最大距離法(MDM)加BERT 處理向量化;算法5 是本文提出的CDP 算法,并結(jié)合BERT 處理文本向量化。每組實(shí)驗(yàn)數(shù)據(jù)集均一致,采用5 種算法,最后多次實(shí)驗(yàn)取均值作為實(shí)驗(yàn)結(jié)果。第一組實(shí)驗(yàn)結(jié)果如表1,第二組結(jié)果如表2。

    表1 綜合實(shí)驗(yàn)一

    表2 綜合實(shí)驗(yàn)二

    根據(jù)表1 和表2 的數(shù)據(jù),比較算法2、3、4 和算法5,可以判斷CDP 算法在準(zhǔn)確率P 和召回率R 方面均有提升,其F1 值高于其他三種算法;但是該算法耗時(shí)較多,原因是需要計(jì)算文檔數(shù)據(jù)集的密度。由算法1、2 可知,BERT 模型在處理文本轉(zhuǎn)向量方面更加優(yōu)秀。算法1 和算法5 的比較表明,與傳統(tǒng)的K均值文本聚類相比,本文提出的CDP聚類算法有很大的進(jìn)步。

    4.4 實(shí)驗(yàn)結(jié)論

    結(jié)合以上實(shí)驗(yàn),在文檔數(shù)據(jù)集上,使用BERT模型對(duì)文本進(jìn)行向量化轉(zhuǎn)換,極大地提高了文本聚類效果。在此基礎(chǔ)上,本文提出的融合密度和劃分的聚類算法進(jìn)一步提升了文本聚類效果。實(shí)驗(yàn)表明,本文提出的融合密度和劃分的文本聚類算法與傳統(tǒng)的K 均值文本聚類算法相比,將F1 值提高超10%,效果顯著且穩(wěn)定。

    5 結(jié)語(yǔ)

    本文使用BERT 中文模型處理文檔向量化,并使用新提出的融合密度和劃分的聚類算法進(jìn)行文本聚類。與傳統(tǒng)的文本向量化處理相比,BERT 模型在處理文檔向量化方面更為出色;提出融合密度和劃分的文本聚類算法在文檔聚類問(wèn)題上有著優(yōu)秀的表現(xiàn);但該算法也有一些缺點(diǎn),聚類類別的增加或文檔數(shù)量的增加將導(dǎo)致文本聚類的效果略有下降,并且文本聚類將花費(fèi)較多時(shí)間。

    猜你喜歡
    中心點(diǎn)文檔聚類
    有人一聲不吭向你扔了個(gè)文檔
    Scratch 3.9更新了什么?
    如何設(shè)置造型中心點(diǎn)?
    電腦報(bào)(2019年4期)2019-09-10 07:22:44
    基于DBSACN聚類算法的XML文檔聚類
    基于RI碼計(jì)算的Word復(fù)制文檔鑒別
    漢字藝術(shù)結(jié)構(gòu)解析(二)中心點(diǎn)處筆畫應(yīng)緊奏
    基于改進(jìn)的遺傳算法的模糊聚類算法
    Persistence of the reproductive toxicity of chlorpiryphos-ethyl in male Wistar rat
    尋找視覺(jué)中心點(diǎn)
    大眾攝影(2015年9期)2015-09-06 17:05:41
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    国产精品秋霞免费鲁丝片| 精品亚洲成国产av| 亚洲av电影在线进入| 超色免费av| 国产男人的电影天堂91| 无限看片的www在线观看| 纯流量卡能插随身wifi吗| 日韩欧美一区视频在线观看| 最近最新中文字幕大全免费视频 | 久久久久视频综合| 亚洲欧美清纯卡通| 日本欧美视频一区| 免费观看人在逋| 日韩精品有码人妻一区| 最近中文字幕高清免费大全6| 国产老妇伦熟女老妇高清| 男人舔女人的私密视频| 久久女婷五月综合色啪小说| 男人操女人黄网站| 少妇猛男粗大的猛烈进出视频| 国产亚洲av高清不卡| 亚洲精品久久成人aⅴ小说| 免费观看av网站的网址| 国产精品人妻久久久影院| 99久久99久久久精品蜜桃| 999久久久国产精品视频| 人妻一区二区av| 亚洲精品自拍成人| 人人澡人人妻人| 亚洲熟女毛片儿| 亚洲av欧美aⅴ国产| 日韩不卡一区二区三区视频在线| 国产人伦9x9x在线观看| 一级a爱视频在线免费观看| 欧美在线黄色| 亚洲一区二区三区欧美精品| 色视频在线一区二区三区| 丰满饥渴人妻一区二区三| 人妻 亚洲 视频| 交换朋友夫妻互换小说| 国产成人啪精品午夜网站| 国产片特级美女逼逼视频| 欧美精品高潮呻吟av久久| 最近中文字幕2019免费版| 亚洲欧洲国产日韩| 精品少妇内射三级| 久久精品国产a三级三级三级| 欧美老熟妇乱子伦牲交| 别揉我奶头~嗯~啊~动态视频 | 日日撸夜夜添| 9191精品国产免费久久| av在线app专区| 久久国产精品大桥未久av| 日韩不卡一区二区三区视频在线| 男男h啪啪无遮挡| 18禁观看日本| 在线天堂中文资源库| 成人黄色视频免费在线看| 精品一区在线观看国产| 中国国产av一级| 亚洲欧美精品综合一区二区三区| 悠悠久久av| 极品少妇高潮喷水抽搐| 色网站视频免费| 午夜老司机福利片| 又黄又粗又硬又大视频| 久热这里只有精品99| 天天躁夜夜躁狠狠久久av| 免费久久久久久久精品成人欧美视频| 又黄又粗又硬又大视频| 女人被躁到高潮嗷嗷叫费观| 亚洲精华国产精华液的使用体验| 国产黄色免费在线视频| 久久青草综合色| 如何舔出高潮| 美女脱内裤让男人舔精品视频| bbb黄色大片| 久久 成人 亚洲| 国产精品蜜桃在线观看| 国产亚洲av片在线观看秒播厂| 亚洲三区欧美一区| 99久久99久久久精品蜜桃| 精品卡一卡二卡四卡免费| 久久97久久精品| 国产精品欧美亚洲77777| 久久精品亚洲熟妇少妇任你| 亚洲精华国产精华液的使用体验| 又大又爽又粗| 黄片播放在线免费| 久久久久久久大尺度免费视频| 热99久久久久精品小说推荐| av免费观看日本| 一二三四中文在线观看免费高清| 在线亚洲精品国产二区图片欧美| 91精品三级在线观看| 成人黄色视频免费在线看| 久久 成人 亚洲| 人人妻,人人澡人人爽秒播 | 永久免费av网站大全| 高清av免费在线| 最近2019中文字幕mv第一页| 深夜精品福利| 日韩不卡一区二区三区视频在线| 亚洲综合精品二区| 日韩欧美一区视频在线观看| 街头女战士在线观看网站| av国产精品久久久久影院| 天天躁夜夜躁狠狠躁躁| 满18在线观看网站| 久久久久久久精品精品| av在线老鸭窝| 亚洲av中文av极速乱| 久久人人爽av亚洲精品天堂| 涩涩av久久男人的天堂| 日韩av不卡免费在线播放| 国产高清国产精品国产三级| 悠悠久久av| 色网站视频免费| av网站在线播放免费| 狂野欧美激情性bbbbbb| 精品少妇黑人巨大在线播放| av片东京热男人的天堂| 国产 精品1| 黄片小视频在线播放| 亚洲美女黄色视频免费看| 国精品久久久久久国模美| 老熟女久久久| 亚洲精品自拍成人| 亚洲成人手机| 在线观看免费视频网站a站| 免费高清在线观看视频在线观看| 精品一区二区三区av网在线观看 | 男女边摸边吃奶| 两个人看的免费小视频| 国产野战对白在线观看| 亚洲精品视频女| 亚洲精品久久午夜乱码| 天天影视国产精品| 哪个播放器可以免费观看大片| 最近中文字幕高清免费大全6| 老汉色∧v一级毛片| 看十八女毛片水多多多| 亚洲欧洲日产国产| 成年av动漫网址| av.在线天堂| √禁漫天堂资源中文www| 亚洲五月色婷婷综合| 日韩,欧美,国产一区二区三区| 69精品国产乱码久久久| 亚洲精品日本国产第一区| 午夜免费男女啪啪视频观看| 日本wwww免费看| 日本欧美国产在线视频| 成年人免费黄色播放视频| 日日撸夜夜添| 超碰97精品在线观看| videosex国产| 免费av中文字幕在线| 悠悠久久av| 肉色欧美久久久久久久蜜桃| 午夜免费鲁丝| 青春草视频在线免费观看| 亚洲欧美色中文字幕在线| 午夜日本视频在线| 一本久久精品| 亚洲欧美成人精品一区二区| 国产精品亚洲av一区麻豆 | 亚洲色图 男人天堂 中文字幕| av在线播放精品| 乱人伦中国视频| 狠狠婷婷综合久久久久久88av| 国产男女内射视频| 日韩制服丝袜自拍偷拍| 丝袜人妻中文字幕| 亚洲欧美清纯卡通| 日韩,欧美,国产一区二区三区| 国产精品秋霞免费鲁丝片| 9热在线视频观看99| 久久精品国产亚洲av涩爱| 一级毛片 在线播放| 亚洲国产精品成人久久小说| 男女床上黄色一级片免费看| 国产精品人妻久久久影院| 久久精品久久久久久久性| 免费高清在线观看日韩| 亚洲av电影在线观看一区二区三区| 晚上一个人看的免费电影| 狠狠婷婷综合久久久久久88av| 精品久久蜜臀av无| 嫩草影院入口| 日本av免费视频播放| 久久久亚洲精品成人影院| 久久天躁狠狠躁夜夜2o2o | 1024视频免费在线观看| 美女福利国产在线| 亚洲成人国产一区在线观看 | 嫩草影院入口| 欧美黑人欧美精品刺激| 高清av免费在线| 欧美 日韩 精品 国产| 亚洲国产精品一区二区三区在线| 午夜免费鲁丝| 午夜福利一区二区在线看| 久久精品久久久久久噜噜老黄| 一本久久精品| 大香蕉久久网| av一本久久久久| 男人舔女人的私密视频| 国产精品无大码| 99久国产av精品国产电影| 亚洲成av片中文字幕在线观看| 亚洲美女视频黄频| 亚洲精品在线美女| 黄频高清免费视频| 成人国语在线视频| 国产精品人妻久久久影院| 90打野战视频偷拍视频| 久久精品国产亚洲av高清一级| 亚洲欧美一区二区三区黑人| 亚洲色图 男人天堂 中文字幕| 性少妇av在线| 色视频在线一区二区三区| 777久久人妻少妇嫩草av网站| 三上悠亚av全集在线观看| 亚洲久久久国产精品| 免费人妻精品一区二区三区视频| 国产男人的电影天堂91| 亚洲自偷自拍图片 自拍| 波多野结衣av一区二区av| 丝袜美腿诱惑在线| 色吧在线观看| 亚洲婷婷狠狠爱综合网| 伊人久久大香线蕉亚洲五| 女人久久www免费人成看片| 欧美日韩福利视频一区二区| 黄色毛片三级朝国网站| 欧美 日韩 精品 国产| 国产成人精品在线电影| 丰满迷人的少妇在线观看| 丝袜喷水一区| 性少妇av在线| 熟妇人妻不卡中文字幕| av免费观看日本| 九色亚洲精品在线播放| 国产伦人伦偷精品视频| 精品卡一卡二卡四卡免费| 国产伦理片在线播放av一区| 欧美少妇被猛烈插入视频| 国产乱人偷精品视频| 男女边摸边吃奶| 无限看片的www在线观看| 捣出白浆h1v1| 黑人欧美特级aaaaaa片| 国产午夜精品一二区理论片| 国产精品亚洲av一区麻豆 | 久久久久久久久久久久大奶| av不卡在线播放| 九草在线视频观看| 91老司机精品| 精品一品国产午夜福利视频| 亚洲成国产人片在线观看| 老司机靠b影院| 精品福利永久在线观看| 2021少妇久久久久久久久久久| 国产成人一区二区在线| 国产精品三级大全| 美女午夜性视频免费| 少妇人妻 视频| 麻豆精品久久久久久蜜桃| 精品免费久久久久久久清纯 | 中文字幕亚洲精品专区| 久久性视频一级片| 国产精品国产三级国产专区5o| 99精国产麻豆久久婷婷| 男男h啪啪无遮挡| 亚洲男人天堂网一区| 国产精品免费大片| 美女中出高潮动态图| 一区二区av电影网| 黄色视频在线播放观看不卡| 亚洲少妇的诱惑av| 黄片播放在线免费| 久久久久国产精品人妻一区二区| 蜜桃国产av成人99| 女人久久www免费人成看片| 国产熟女午夜一区二区三区| 国产av国产精品国产| 欧美日韩亚洲高清精品| 黄片无遮挡物在线观看| 麻豆乱淫一区二区| 亚洲国产欧美一区二区综合| 亚洲自偷自拍图片 自拍| 久久久国产精品麻豆| 黑人欧美特级aaaaaa片| 亚洲国产精品999| 国产精品免费大片| 久久婷婷青草| 亚洲国产中文字幕在线视频| 美女中出高潮动态图| 色吧在线观看| 91成人精品电影| bbb黄色大片| 亚洲精品国产区一区二| 香蕉国产在线看| 久热爱精品视频在线9| 在线看a的网站| 色播在线永久视频| 亚洲av电影在线进入| 母亲3免费完整高清在线观看| xxxhd国产人妻xxx| 亚洲精品美女久久久久99蜜臀 | 人人澡人人妻人| 欧美变态另类bdsm刘玥| 夫妻午夜视频| av视频免费观看在线观看| 亚洲综合色网址| 国产亚洲精品第一综合不卡| 亚洲伊人久久精品综合| 国产精品久久久久久精品古装| 久久人妻熟女aⅴ| 丰满少妇做爰视频| 美女脱内裤让男人舔精品视频| 久久青草综合色| 久久亚洲国产成人精品v| 又粗又硬又长又爽又黄的视频| 熟妇人妻不卡中文字幕| 免费在线观看黄色视频的| 欧美亚洲日本最大视频资源| 观看av在线不卡| 久久久久久免费高清国产稀缺| 美女大奶头黄色视频| 久久精品亚洲熟妇少妇任你| 丝袜美腿诱惑在线| 欧美 亚洲 国产 日韩一| 大陆偷拍与自拍| 热re99久久国产66热| 看免费成人av毛片| 久久久久久久久免费视频了| 国产精品二区激情视频| 最近中文字幕高清免费大全6| 久久久欧美国产精品| 美女扒开内裤让男人捅视频| 人妻 亚洲 视频| 免费久久久久久久精品成人欧美视频| 亚洲第一av免费看| 可以免费在线观看a视频的电影网站 | 欧美激情 高清一区二区三区| 午夜激情久久久久久久| avwww免费| 亚洲av福利一区| 国产精品久久久av美女十八| 久久久国产一区二区| 在线观看一区二区三区激情| 亚洲免费av在线视频| 精品人妻一区二区三区麻豆| 七月丁香在线播放| 欧美精品高潮呻吟av久久| 国产精品亚洲av一区麻豆 | 亚洲欧洲日产国产| 亚洲人成网站在线观看播放| 丰满迷人的少妇在线观看| 尾随美女入室| 日韩成人av中文字幕在线观看| 亚洲精品一二三| 久久午夜综合久久蜜桃| 亚洲在久久综合| 我的亚洲天堂| 在线天堂中文资源库| 啦啦啦在线免费观看视频4| 啦啦啦 在线观看视频| 一区二区三区四区激情视频| 90打野战视频偷拍视频| 亚洲精品国产av成人精品| 国产av精品麻豆| 丰满少妇做爰视频| 久久精品国产亚洲av高清一级| 亚洲综合精品二区| 最近最新中文字幕大全免费视频 | 国产精品久久久av美女十八| 亚洲精品国产一区二区精华液| 国产成人系列免费观看| 亚洲免费av在线视频| 热re99久久精品国产66热6| 人体艺术视频欧美日本| 亚洲成人手机| 美女脱内裤让男人舔精品视频| 丝袜美足系列| 免费观看人在逋| 在现免费观看毛片| 1024视频免费在线观看| 在线观看www视频免费| 如日韩欧美国产精品一区二区三区| 在线免费观看不下载黄p国产| 精品福利永久在线观看| 麻豆精品久久久久久蜜桃| 国产精品偷伦视频观看了| 日韩中文字幕欧美一区二区 | 国产一区二区 视频在线| 欧美黑人欧美精品刺激| 久久国产亚洲av麻豆专区| 欧美最新免费一区二区三区| 人妻人人澡人人爽人人| 国产成人精品久久二区二区91 | 人人妻人人澡人人爽人人夜夜| 最近中文字幕高清免费大全6| 欧美人与善性xxx| 精品一区二区三区av网在线观看 | 伦理电影免费视频| 国产成人一区二区在线| 黄色毛片三级朝国网站| 国产熟女欧美一区二区| av女优亚洲男人天堂| 久久免费观看电影| 国产无遮挡羞羞视频在线观看| 十八禁人妻一区二区| 亚洲av综合色区一区| 亚洲一卡2卡3卡4卡5卡精品中文| 中文字幕亚洲精品专区| e午夜精品久久久久久久| 91成人精品电影| 成人三级做爰电影| 亚洲精华国产精华液的使用体验| 人人澡人人妻人| 大香蕉久久网| 亚洲欧美清纯卡通| 日韩一本色道免费dvd| 丰满饥渴人妻一区二区三| 别揉我奶头~嗯~啊~动态视频 | 在线观看www视频免费| 亚洲一卡2卡3卡4卡5卡精品中文| 免费黄网站久久成人精品| 日日撸夜夜添| 午夜免费观看性视频| 欧美精品av麻豆av| 九草在线视频观看| 欧美人与性动交α欧美软件| 老鸭窝网址在线观看| 日韩一区二区三区影片| 精品国产乱码久久久久久小说| 自线自在国产av| 亚洲一级一片aⅴ在线观看| 美女中出高潮动态图| 国产高清国产精品国产三级| 精品酒店卫生间| 丝袜美足系列| 交换朋友夫妻互换小说| 国产精品久久久久久精品古装| 免费观看a级毛片全部| 熟妇人妻不卡中文字幕| 国产成人欧美在线观看 | 亚洲激情五月婷婷啪啪| 丝袜在线中文字幕| 中国三级夫妇交换| 国产又色又爽无遮挡免| 国产免费视频播放在线视频| 男女之事视频高清在线观看 | 女人被躁到高潮嗷嗷叫费观| 十分钟在线观看高清视频www| 搡老岳熟女国产| 亚洲精品国产色婷婷电影| av在线app专区| 大码成人一级视频| kizo精华| 久久韩国三级中文字幕| 国产成人精品无人区| 亚洲三区欧美一区| 国产一区二区在线观看av| 精品国产一区二区三区四区第35| www.熟女人妻精品国产| 精品酒店卫生间| 我要看黄色一级片免费的| 你懂的网址亚洲精品在线观看| 日日爽夜夜爽网站| 国产在线免费精品| 王馨瑶露胸无遮挡在线观看| 欧美精品人与动牲交sv欧美| 欧美 日韩 精品 国产| 成人国产av品久久久| 高清av免费在线| 黄片小视频在线播放| 国产成人a∨麻豆精品| 亚洲av日韩在线播放| 一区二区三区激情视频| 免费不卡黄色视频| 午夜免费男女啪啪视频观看| 男男h啪啪无遮挡| 亚洲国产最新在线播放| 久久免费观看电影| 男人舔女人的私密视频| 熟女少妇亚洲综合色aaa.| 欧美人与善性xxx| 日韩欧美精品免费久久| 18在线观看网站| 伊人久久大香线蕉亚洲五| 又粗又硬又长又爽又黄的视频| 热99久久久久精品小说推荐| av卡一久久| 欧美精品一区二区大全| 超碰97精品在线观看| 女人精品久久久久毛片| 亚洲欧美成人精品一区二区| netflix在线观看网站| 男女之事视频高清在线观看 | 九九爱精品视频在线观看| 亚洲av福利一区| 男女床上黄色一级片免费看| 无限看片的www在线观看| 欧美亚洲 丝袜 人妻 在线| 狠狠精品人妻久久久久久综合| 桃花免费在线播放| 免费看不卡的av| 国产成人a∨麻豆精品| 欧美在线一区亚洲| 在线亚洲精品国产二区图片欧美| 一本色道久久久久久精品综合| 久久精品aⅴ一区二区三区四区| 久久人人爽av亚洲精品天堂| 你懂的网址亚洲精品在线观看| 欧美精品亚洲一区二区| 成人国产麻豆网| 美女午夜性视频免费| 精品少妇久久久久久888优播| 最近中文字幕2019免费版| 久热爱精品视频在线9| 成人国产麻豆网| 午夜免费观看性视频| 久久国产亚洲av麻豆专区| 交换朋友夫妻互换小说| 亚洲专区中文字幕在线 | 高清视频免费观看一区二区| 国语对白做爰xxxⅹ性视频网站| 母亲3免费完整高清在线观看| 蜜桃国产av成人99| 又粗又硬又长又爽又黄的视频| 亚洲第一青青草原| 婷婷色综合www| 街头女战士在线观看网站| tube8黄色片| 色视频在线一区二区三区| 国产免费福利视频在线观看| 啦啦啦啦在线视频资源| 中文字幕色久视频| 国产在线视频一区二区| 下体分泌物呈黄色| 一区二区av电影网| 国产成人午夜福利电影在线观看| 国产成人免费无遮挡视频| 伊人亚洲综合成人网| 九九爱精品视频在线观看| 国产精品欧美亚洲77777| 午夜福利免费观看在线| 九色亚洲精品在线播放| 亚洲伊人久久精品综合| 国产伦理片在线播放av一区| 老司机深夜福利视频在线观看 | 久久久亚洲精品成人影院| 自线自在国产av| 亚洲欧洲精品一区二区精品久久久 | 91aial.com中文字幕在线观看| 十八禁高潮呻吟视频| 国产日韩一区二区三区精品不卡| 人人妻人人澡人人爽人人夜夜| 亚洲精品日本国产第一区| 日韩伦理黄色片| 一区二区日韩欧美中文字幕| 精品卡一卡二卡四卡免费| 久久99精品国语久久久| 亚洲成人免费av在线播放| 天堂8中文在线网| 久久99一区二区三区| 欧美日韩亚洲高清精品| 久久久精品94久久精品| 精品国产露脸久久av麻豆| 久久久久久免费高清国产稀缺| 国产麻豆69| 精品国产一区二区三区四区第35| 大片电影免费在线观看免费| 老汉色∧v一级毛片| 国产精品二区激情视频| 黄片播放在线免费| 性高湖久久久久久久久免费观看| 黑人欧美特级aaaaaa片| 欧美日本中文国产一区发布| av国产精品久久久久影院| 国产成人精品福利久久| 午夜91福利影院| 51午夜福利影视在线观看| 男人爽女人下面视频在线观看| 丝袜美腿诱惑在线| 曰老女人黄片| 又大又爽又粗| 91成人精品电影| 亚洲色图综合在线观看| 伊人亚洲综合成人网| 精品亚洲成a人片在线观看| 国产精品女同一区二区软件| 高清黄色对白视频在线免费看| 亚洲精品中文字幕在线视频| av网站在线播放免费| 午夜福利在线免费观看网站| 建设人人有责人人尽责人人享有的| 亚洲av男天堂| 精品少妇黑人巨大在线播放| 777久久人妻少妇嫩草av网站| 精品国产一区二区久久| 午夜福利,免费看| 欧美日韩av久久| e午夜精品久久久久久久| 捣出白浆h1v1| 侵犯人妻中文字幕一二三四区| 精品一区二区免费观看| 高清视频免费观看一区二区| 777久久人妻少妇嫩草av网站| 亚洲国产av影院在线观看| 精品少妇黑人巨大在线播放|