亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        大數(shù)據(jù)智能算法范式下的用戶(hù)黏性研究

        2019-05-10 06:41:42李蘭馨
        新媒體研究 2019年4期
        關(guān)鍵詞:大數(shù)據(jù)算法

        李蘭馨

        摘 ?要 ?在大數(shù)據(jù)時(shí)代,數(shù)據(jù)的收集、分析、再運(yùn)用被各平臺(tái)強(qiáng)調(diào),基于數(shù)據(jù)挖掘的算法推薦能更好地滿(mǎn)足用戶(hù)需求。網(wǎng)易云音樂(lè)是算法推薦平臺(tái)的典型案例,文章以網(wǎng)易云音樂(lè)為例,探析大數(shù)據(jù)和智能算法對(duì)用戶(hù)黏性的作用,并針對(duì)不足提出改進(jìn)措施。

        關(guān)鍵詞 ?算法;大數(shù)據(jù);用戶(hù)黏性;網(wǎng)易云音樂(lè)

        中圖分類(lèi)號(hào) ?G206 ? ? ?文獻(xiàn)標(biāo)識(shí)碼 ?A ? ? ?文章編號(hào) ?2096-0360(2019)04-0004-03

        1 ?大數(shù)據(jù)與智能算法

        數(shù)據(jù)成為了電子平臺(tái)改進(jìn)服務(wù)功能的入口,幾乎所有平臺(tái)都會(huì)獲取用戶(hù)數(shù)據(jù),如基本信息、實(shí)時(shí)動(dòng)態(tài)、使用痕跡、互動(dòng)反饋等。值得注意的是,大數(shù)據(jù)不僅僅是數(shù)據(jù)的“多”,更是數(shù)據(jù)的“全”,在這種數(shù)量極多且全面的情況下,數(shù)據(jù)的質(zhì)量(精確度)顯得不那么重要,樣本容量極大,單個(gè)數(shù)據(jù)樣本對(duì)整個(gè)數(shù)據(jù)結(jié)果的影響就微乎其微,從而形成整體準(zhǔn)確的用戶(hù)大數(shù)據(jù)。

        算法是將用戶(hù)大數(shù)據(jù)通過(guò)運(yùn)算轉(zhuǎn)化為結(jié)果的編碼程序。在信息過(guò)載時(shí)代,平臺(tái)會(huì)根據(jù)已獲得的用戶(hù)數(shù)據(jù),利用算法構(gòu)建一套推薦系統(tǒng),以幫助用戶(hù)高效、精準(zhǔn)地篩選信息。Resnick等人曾給出了推薦系統(tǒng)的定義:推薦系統(tǒng)由三部分組成,包括用戶(hù)模型、產(chǎn)品模型和推薦算法[1]。

        用戶(hù)模型是平臺(tái)了解用戶(hù)興趣點(diǎn)的渠道。用戶(hù)每使用一次,平臺(tái)就會(huì)更新一次用戶(hù)模型,久而久之,用戶(hù)模型能構(gòu)建和現(xiàn)實(shí)用戶(hù)相似度較高的“電子用戶(hù)畫(huà)像”,反映出特定時(shí)期用戶(hù)在該平臺(tái)上的行為特征與興趣偏好。

        產(chǎn)品模型是平臺(tái)用歸類(lèi)產(chǎn)品的渠道。平臺(tái)在上傳新產(chǎn)品時(shí)會(huì)根據(jù)上傳者、產(chǎn)品內(nèi)容、產(chǎn)品風(fēng)格等因素,給新產(chǎn)品貼上多種簡(jiǎn)短、易識(shí)別的標(biāo)簽。同時(shí),產(chǎn)品標(biāo)簽會(huì)隨著產(chǎn)品使用者的行為(轉(zhuǎn)發(fā)、評(píng)論、刪除等)進(jìn)行更新,修正產(chǎn)品標(biāo)簽的錯(cuò)誤,覆蓋產(chǎn)品的潛在受眾,從而構(gòu)建能全面反映產(chǎn)品特征的產(chǎn)品模型。

        推薦算法是推薦系統(tǒng)的關(guān)鍵環(huán)節(jié),為用戶(hù)模型和產(chǎn)品模型提供“橋梁”作用。推薦算法的實(shí)質(zhì)是匹配,當(dāng)匹配度達(dá)到一定程度時(shí),推薦算法就認(rèn)定目標(biāo)用戶(hù)感興趣,從而將產(chǎn)品推薦給目標(biāo)用戶(hù)。

        2 ?用戶(hù)黏性的定義、重要性與影響因素

        用戶(hù)黏性(viscosity of users)是常常被網(wǎng)絡(luò)平臺(tái)提及的一個(gè)詞,雖然它還沒(méi)有一個(gè)統(tǒng)一的定義。關(guān)于用戶(hù)黏性的概念,中國(guó)臺(tái)灣的學(xué)者林娟娟認(rèn)為用戶(hù)黏性是網(wǎng)站留住在線客戶(hù)和延長(zhǎng)每次停留時(shí)間的能力[2]。清華大學(xué)教授彭蘭認(rèn)為,“用戶(hù)黏性”一詞在傳統(tǒng)媒體時(shí)代是“忠實(shí)讀者”,在新媒體時(shí)代,“用戶(hù)黏性”這個(gè)詞有了平等的意識(shí),甚至是俯下身服務(wù)的思維[3]。不論定義如何,“用戶(hù)黏性”一詞的內(nèi)核都包含在新媒體時(shí)代下用戶(hù)對(duì)提供產(chǎn)品和服務(wù)方的使用慣性與偏好,主要表現(xiàn)為長(zhǎng)久地使用某一平臺(tái)且使用頻率高、使用程度深。

        在新媒體時(shí)代,同類(lèi)型的產(chǎn)品和平臺(tái)不勝枚舉,如果一個(gè)平臺(tái)有良好的用戶(hù)黏性,就意味著它有可靠的用戶(hù)群,用戶(hù)代表著流量,而流量能帶來(lái)曝光率和變現(xiàn)率,從而讓平臺(tái)從知名度和美譽(yù)度上都得到提升,最終賺取收益,形成品牌。把握好用戶(hù)黏性能讓一個(gè)平臺(tái)脫穎而出,當(dāng)然這也是一個(gè)日積月累,多因素共同作用的過(guò)程,那么究竟有哪些因素對(duì)用戶(hù)黏性的起塑造作用呢?

        根據(jù)期望確認(rèn)理論(ECT)可知,消費(fèi)者對(duì)產(chǎn)品或服務(wù)的滿(mǎn)意度會(huì)成為下次再度購(gòu)買(mǎi)或使用(Repurchase Intention)的參考。使用頻率高是用戶(hù)黏性的核心內(nèi)涵,因此可以將用戶(hù)黏性的首要影響因素歸為用戶(hù)對(duì)產(chǎn)品或服務(wù)的滿(mǎn)意度。

        為更好地理解不同策略對(duì)用戶(hù)黏性的影響程度,本文引入卡諾模型(Kano model)劃分用戶(hù)黏性的影響因素。卡諾模型是由日本教授狩野紀(jì)昭(Noriaki Kano)于1984年提出的,是根據(jù)用戶(hù)對(duì)產(chǎn)品或服務(wù)質(zhì)量的感知度,把產(chǎn)品性能劃分為五個(gè)層次,分別為基本質(zhì)量(Basic Quality)、期望質(zhì)量(Performance Quality)、魅力質(zhì)量(Attractive Quality)、無(wú)差異質(zhì)量(Indifferent Quality)、逆向質(zhì)量(Reverse Quality)。前三種能提升用戶(hù)黏性,而后兩種是無(wú)差別或不滿(mǎn)意的因素,不能提升用戶(hù)黏性。

        3 ?網(wǎng)易云音樂(lè)的大數(shù)據(jù)與智能算法運(yùn)用

        算法作為數(shù)據(jù)與人工智能的節(jié)點(diǎn),發(fā)揮著構(gòu)造流量入口、捕捉用戶(hù)黏性的關(guān)鍵作用[4]。本文聚焦于網(wǎng)易云音樂(lè)如何有效利用大數(shù)據(jù)和智能算法,實(shí)現(xiàn)其在音樂(lè)產(chǎn)品上基本質(zhì)量、期望質(zhì)量和魅力質(zhì)量的提升,從而塑造用戶(hù)黏性。

        3.1 ?基本質(zhì)量:精準(zhǔn)的算法推薦——“每日推薦”歌單

        基本質(zhì)量是產(chǎn)品或服務(wù)的硬性條件,也是用戶(hù)的剛性需求,如果平臺(tái)沒(méi)有提供這方面的服務(wù),用戶(hù)會(huì)有大概率放棄使用此產(chǎn)品。一款電子音樂(lè)平臺(tái)的基本質(zhì)量來(lái)源于音樂(lè)產(chǎn)品本身,包含音樂(lè)資源、音樂(lè)質(zhì)量、音樂(lè)效果、音樂(lè)推薦等因素。網(wǎng)易云音樂(lè)的音樂(lè)推薦功能是其主打的硬性服務(wù),也是形成用戶(hù)黏性的基本質(zhì)量。

        推薦系統(tǒng)的算法主要有以下幾類(lèi):基于流行度的算法、協(xié)同過(guò)濾的算法、基于內(nèi)容的算法、混合算法等[5]。

        基于流行度的推薦,即以?xún)?nèi)容的點(diǎn)擊率、轉(zhuǎn)發(fā)量、評(píng)論數(shù)等為依據(jù),自動(dòng)推送關(guān)注度高的內(nèi)容。在網(wǎng)易云音樂(lè)中表現(xiàn)為“熱歌榜”“新歌榜”“原創(chuàng)榜”等帶有統(tǒng)計(jì)性質(zhì)的排行榜歌單,推薦這些歌單是因?yàn)槠脚_(tái)假定目標(biāo)用戶(hù)喜愛(ài)大部分人都喜愛(ài)的歌曲,固然有統(tǒng)計(jì)學(xué)上的可行依據(jù),但也有不足。

        基于協(xié)同過(guò)濾推薦(collaboration filtering),主要通過(guò)計(jì)算用戶(hù)之間的興趣相似度,將相似度高的用戶(hù)匹配起來(lái),形成具有相似興趣的用戶(hù)集群,并向目標(biāo)用戶(hù)推薦集群中用戶(hù)所喜愛(ài)的內(nèi)容。網(wǎng)易云音樂(lè)中的“音樂(lè)密友”就會(huì)根據(jù)收藏單曲和日推歌曲的相同概率,為用戶(hù)匹配“音樂(lè)口味相似度”較高的其他用戶(hù)進(jìn)行關(guān)注;還有一首單曲的“相似推薦”中,就會(huì)推薦“喜歡這首歌的人也聽(tīng)”的歌單。

        基于內(nèi)容的推薦(content-based filtering),指基于音樂(lè)內(nèi)容本身的特點(diǎn),比如音樂(lè)節(jié)奏、曲調(diào)風(fēng)格、人聲特點(diǎn)等。平臺(tái)記錄跟蹤用戶(hù)的聽(tīng)歌行為,分析出用戶(hù)對(duì)某些音頻特征的興趣愛(ài)好圖譜,建立用戶(hù)模型和用戶(hù)標(biāo)簽,并將具有相似標(biāo)簽的用戶(hù)和音樂(lè)產(chǎn)品匹配起來(lái),從而將匹配度最高的音樂(lè)產(chǎn)品推薦給用戶(hù)。比如網(wǎng)易云音樂(lè)的“歌單”中,就有“民謠”“電子”等不同風(fēng)格的劃分。

        但是,推薦平臺(tái)在實(shí)踐中往往采取混合推薦算法,即賦予多種算法不同的權(quán)重,加權(quán)計(jì)算后向用戶(hù)推薦歌單,如網(wǎng)易云音樂(lè)的“每日推薦”“私人FM”皆是采用復(fù)雜的混合推薦算法。

        3.2 ?期望質(zhì)量:冷啟動(dòng)問(wèn)題的處理

        期望質(zhì)量沒(méi)有基本質(zhì)量苛刻,并不是必需的產(chǎn)品屬性或服務(wù)行為,即沒(méi)有期望質(zhì)量并不會(huì)使用戶(hù)大概率放棄此產(chǎn)品或服務(wù)。但是,期望質(zhì)量也在用戶(hù)渴求范圍,如果產(chǎn)品提升了期望質(zhì)量,能讓用戶(hù)滿(mǎn)意度成比例關(guān)系地增加。

        在算法推薦過(guò)程中,冷啟動(dòng)問(wèn)題是一大難題。如何在沒(méi)有大量用戶(hù)數(shù)據(jù)的前提下,設(shè)計(jì)出個(gè)性化的推薦系統(tǒng),并且使得推薦的結(jié)果精準(zhǔn)化,這就是冷啟動(dòng)問(wèn)題[6]。

        許多音樂(lè)推薦算法在解決冷啟動(dòng)問(wèn)題時(shí),大多基于流行度等數(shù)值策略,這種策略是出于考慮目標(biāo)用戶(hù)可能喜歡絕大多數(shù)用戶(hù)都喜歡的項(xiàng)目, 但是該思路只能是從統(tǒng)計(jì)學(xué)的角度說(shuō)明預(yù)測(cè)準(zhǔn)確的概率高于不準(zhǔn)確的概率[7]。網(wǎng)易云音樂(lè)被稱(chēng)為“小眾音樂(lè)愛(ài)好者的天堂”,用戶(hù)的個(gè)性化需求正是其致力滿(mǎn)足的。很多文獻(xiàn)給出了針對(duì)冷啟動(dòng)問(wèn)題類(lèi)型的解決策略,主要分為混合推薦、融合其他數(shù)據(jù)源、動(dòng)態(tài)情景敏感策略等方式[8]。

        網(wǎng)易云音樂(lè)使用了融合其他數(shù)據(jù)源的策略,主要通過(guò)引入用戶(hù)社會(huì)關(guān)系信息,幫助建立新用戶(hù)特征模型,在一定程度上緩解新用戶(hù)的冷啟動(dòng)問(wèn)題[8]。在網(wǎng)易云音樂(lè)登陸界面下方的“其他登錄方式”,如微信、QQ、微博等,這些社交軟件包含著用戶(hù)的社會(huì)關(guān)系信息。用戶(hù)如果用第三方軟件登錄,網(wǎng)易云音樂(lè)就能夠在推薦算法中引入用戶(hù)在這些社交軟件中的人口統(tǒng)計(jì)學(xué)信息以及社會(huì)網(wǎng)絡(luò)信息(包括性別、年齡、社交軟件中的好友等),社交網(wǎng)絡(luò)內(nèi)容有巨大的預(yù)測(cè)能力,比如用戶(hù)在微博上關(guān)注新上映的電影,當(dāng)用戶(hù)使用微博登錄網(wǎng)易云音樂(lè)時(shí),就為用戶(hù)推薦該電影主題曲。同時(shí),在網(wǎng)易云音樂(lè)界面點(diǎn)擊“我的好友”時(shí),會(huì)彈出“獲取通訊錄聯(lián)系人列表”的對(duì)話(huà)框,這樣就向用戶(hù)推薦現(xiàn)實(shí)生活中的朋友所聽(tīng)的音樂(lè),這些社會(huì)關(guān)系信息在冷啟動(dòng)用戶(hù)推薦方面發(fā)揮著顯著作用。

        3.3 ?魅力質(zhì)量:“年度聽(tīng)歌報(bào)告”與用戶(hù)的自我

        認(rèn)知

        平臺(tái)收集的用戶(hù)數(shù)據(jù)所生成的用戶(hù)畫(huà)像不僅能進(jìn)行精準(zhǔn)的算法推薦,也能以回饋用戶(hù)的方式,加強(qiáng)用戶(hù)的自我認(rèn)知,獲得自我肯定中的愉悅感。對(duì)網(wǎng)易云音樂(lè)而言,其“年度聽(tīng)歌報(bào)告”正是一種用大數(shù)據(jù)回饋用戶(hù)的方式,這種方式就是平臺(tái)的魅力質(zhì)量:在網(wǎng)易云音樂(lè)提供之前,用戶(hù)從未期盼過(guò)會(huì)得到這種服務(wù),因?yàn)檫@并非一個(gè)音樂(lè)平臺(tái)必須提供的,所以提供之后就會(huì)讓用戶(hù)感到驚喜,從而極大地提升滿(mǎn)意度,塑造平臺(tái)的用戶(hù)黏性。

        網(wǎng)易云音樂(lè)的年度聽(tīng)歌報(bào)告是怎樣形成的?筆者發(fā)現(xiàn),報(bào)告涉及聽(tīng)歌次數(shù)、總時(shí)長(zhǎng)、時(shí)間段、歌曲內(nèi)容、風(fēng)格等多項(xiàng)數(shù)據(jù),還會(huì)總結(jié)出用戶(hù)最?lèi)?ài)聽(tīng)的歌曲和歌手,以及分別的聽(tīng)歌次數(shù)。網(wǎng)易云音樂(lè)搜集了全面的用戶(hù)使用數(shù)據(jù),給每個(gè)用戶(hù)組成了大數(shù)據(jù)庫(kù),才形成了完整的聽(tīng)歌報(bào)告。

        在2018年度聽(tīng)歌報(bào)告出來(lái)后,微博上話(huà)題#網(wǎng)易云音樂(lè)年度總結(jié)#的閱讀量達(dá)3.5億,討論達(dá)15.9萬(wàn),微信朋友圈上也形成刷屏效應(yīng),網(wǎng)友紛紛“曬”出自己的年度聽(tīng)歌報(bào)告。誠(chéng)然,網(wǎng)易云音樂(lè)每年初的年度聽(tīng)歌報(bào)告已經(jīng)成了用戶(hù)的集體狂歡和儀式活動(dòng),許多用戶(hù)樂(lè)于獲取年度報(bào)告,也樂(lè)于分享到社交平臺(tái)上。

        用戶(hù)對(duì)年度聽(tīng)歌報(bào)告的獲取和分享行為是自我認(rèn)知需求的體現(xiàn),自我認(rèn)知是對(duì)自己的認(rèn)識(shí)和理解。社會(huì)認(rèn)同理論認(rèn)為個(gè)人的自我認(rèn)知源自對(duì)群體的認(rèn)知[9]。在年度聽(tīng)歌報(bào)告的分享互動(dòng)儀式中,這些深度用戶(hù)的自我認(rèn)知與群體認(rèn)知達(dá)成一致,形成了群體歸屬感,也提升了社交愉悅感,從而大大增強(qiáng)了用戶(hù)黏性。

        4 ?網(wǎng)易云音樂(lè)待改進(jìn)功能的路徑建議

        根據(jù)以上研究,網(wǎng)易云音樂(lè)大數(shù)據(jù)和智能算法運(yùn)用上有眾多優(yōu)異之處,但也發(fā)現(xiàn)了一些待改進(jìn)的功能。因此,為了提升用戶(hù)黏性,本文在大數(shù)據(jù)與智能算法方面提出以下建議。

        4.1 ?發(fā)展評(píng)論區(qū)的推薦功能

        網(wǎng)易云音樂(lè)的評(píng)論區(qū)是其特色功能,然而網(wǎng)易云音樂(lè)忽略了用戶(hù)評(píng)論的算法推薦功能,致使網(wǎng)易云音樂(lè)的評(píng)論區(qū)風(fēng)格比較單一,甚至不同類(lèi)型歌曲的評(píng)論都很相似,而風(fēng)格千篇一律的精選評(píng)論也會(huì)使得網(wǎng)易云音樂(lè)的受眾范圍窄化。因此,本文建議網(wǎng)易云音樂(lè)發(fā)展評(píng)論推薦功能,依據(jù)用戶(hù)的性格、興趣,緊抓用戶(hù)的需求點(diǎn),打造評(píng)論區(qū)的個(gè)性化

        推薦。

        4.2 ?冷啟動(dòng)問(wèn)題還需深入解決

        研究中發(fā)現(xiàn)“每日推薦”歌單主要是熱門(mén)榜單的歌曲,這樣雖是安全的做法,但卻沒(méi)有發(fā)揮網(wǎng)易云音樂(lè)在個(gè)性化推薦中的優(yōu)勢(shì)。

        本文建議,網(wǎng)易云音樂(lè)在冷啟動(dòng)問(wèn)題上還可加上讓游客用戶(hù)先挑選興趣點(diǎn)的環(huán)節(jié),或是做簡(jiǎn)短的興趣測(cè)試題,充分發(fā)掘冷啟動(dòng)用戶(hù)的興趣,從而實(shí)現(xiàn)更優(yōu)質(zhì)的算法推薦。

        4.3 ?創(chuàng)新用戶(hù)數(shù)據(jù)回饋形式

        年度聽(tīng)歌報(bào)告雖然是首發(fā),但是現(xiàn)在大部分應(yīng)用都推出了年度聽(tīng)歌報(bào)告,且在質(zhì)量上更勝一籌。2018年度聽(tīng)歌報(bào)告被許多網(wǎng)友貼上了“不用心”“敷衍”的標(biāo)簽,因?yàn)榕c去年的背景音樂(lè)都一樣,網(wǎng)易云音樂(lè)沒(méi)有將深入發(fā)掘的用戶(hù)數(shù)據(jù)更用心地回饋給用戶(hù)。因此,音樂(lè)平臺(tái)應(yīng)該更好地創(chuàng)新用戶(hù)數(shù)據(jù)回饋形式,將用戶(hù)數(shù)據(jù)以更精致的方式回饋給用戶(hù),給用戶(hù)帶來(lái)更多驚喜感。

        參考文獻(xiàn)

        [1]李其隆.社交網(wǎng)絡(luò)大數(shù)據(jù)下的推薦算法研究[J].通訊世界,2018(11):27-28.

        [2]Judy Chuan-Chuan Lin.Online stickiness: its antecedents and effect on purchasing intention[J].Behaviour & Information Technology,2007(26):507-516.

        [3]彭蘭.好內(nèi)容不一定能帶來(lái)用戶(hù)黏性——新媒體時(shí)代服務(wù)思維的轉(zhuǎn)變[J].新聞與寫(xiě)作,2015(2):1.

        [4]喻國(guó)明,楊瑩瑩,閆巧妹.算法即權(quán)力:算法范式在新聞傳播中的權(quán)力革命[J].編輯之友,2018(5):5-12.

        [5]郝雨,李林霞.算法推送:信息私人定制的“個(gè)性化”圈套[J].新聞?dòng)浾撸?017(2):35-39.

        [6]陳妍,洪蕾,李廣水,等.關(guān)于推薦系統(tǒng)中冷啟動(dòng)問(wèn)題的研究[J].中國(guó)高新區(qū),2018(14):29,31.

        [7]郭弘毅,劉功申,蘇波,等.融合社區(qū)結(jié)構(gòu)和興趣聚類(lèi)的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展,2016,53(8):1664-1672.

        [8]喬雨,李玲娟.推薦系統(tǒng)冷啟動(dòng)問(wèn)題解決策略研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2018,28(2):83-87.

        [9]Jan H.Kietzmann,Kristopher Hermken,Ian P.McCarthy&Bruno S.Silvestre.Social Media?Get Serious!Understanding the Functional Building Blocks of Social Media[J].Business Horizons,2011(54):241-251.

        猜你喜歡
        大數(shù)據(jù)算法
        基于MapReduce的改進(jìn)Eclat算法
        Travellng thg World Full—time for Rree
        進(jìn)位加法的兩種算法
        算法初步兩點(diǎn)追蹤
        基于增強(qiáng)隨機(jī)搜索的OECI-ELM算法
        大數(shù)據(jù)環(huán)境下基于移動(dòng)客戶(hù)端的傳統(tǒng)媒體轉(zhuǎn)型思路
        新聞世界(2016年10期)2016-10-11 20:13:53
        基于大數(shù)據(jù)背景下的智慧城市建設(shè)研究
        科技視界(2016年20期)2016-09-29 10:53:22
        數(shù)據(jù)+輿情:南方報(bào)業(yè)創(chuàng)新轉(zhuǎn)型提高服務(wù)能力的探索
        一種改進(jìn)的整周模糊度去相關(guān)算法
        在线播放国产女同闺蜜| 亚洲国产成人久久综合碰碰| 亚洲图片自拍偷图区| 免费无码毛片一区二区app| 无码人妻精品一区二区三区在线| 日韩在线视精品在亚洲| 国产在线精彩自拍视频| 日本成人精品在线播放| 中文字幕在线观看| 亚洲小说区图片区另类春色| 日韩欧美在线播放视频| 久久99热精品免费观看麻豆| 亚州无吗一区二区三区| 国产熟妇与子伦hd| 一区二区三区国产亚洲网站| 免费二级毛片在线播放| 一道本中文字幕在线播放| 99国产精品久久一区二区三区| 色综合久久久久综合99| 亚洲色大成网站www永久一区| 久久久www成人免费无遮挡大片| 国内精品女同一区二区三区| 国产一区二区三区三区四区精品| 免费视频爱爱太爽了| av人摸人人人澡人人超碰小说| 久久精品国产精品亚洲艾| 亚洲专区路线一路线二网| 精品偷自拍另类在线观看| 中文字幕乱伦视频| 久久露脸国产精品WWW| 国产精品美女一区二区av| 免费观看国产短视频的方法| 久久精品国产网红主播| 国产农村三片免费网站| 国产麻豆成人精品av| 青青草成人在线免费视频| 丰满少妇a级毛片野外| 无码午夜剧场| 日本熟女视频一区二区三区| 极品嫩模大尺度av在线播放| 男男啪啪激烈高潮cc漫画免费|