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

        ?

        基于改進(jìn)LDA主題模型的個(gè)性化新聞推薦算法

        2021-08-12 17:54:51丁正祁彭余輝孫剛
        關(guān)鍵詞:推薦算法

        丁正祁 彭余輝 孫剛

        摘 要:結(jié)合用戶興趣與新聞時(shí)效性的特點(diǎn),對傳統(tǒng)推薦算法和標(biāo)準(zhǔn)LDA主題模型進(jìn)行思考,提出一種基于LDA(Latent Dirichlet Allocation)的文檔-主題-詞的三層貝葉斯概率模型結(jié)合時(shí)間函數(shù)的推薦算法,采用Gibbs Sampling進(jìn)行超參數(shù)推導(dǎo),提升推薦效果。實(shí)驗(yàn)結(jié)果表明,該算法在適當(dāng)參數(shù)設(shè)定下的推薦結(jié)果比協(xié)同過濾及標(biāo)準(zhǔn)的基于改進(jìn)LDA模型的算法有更小的預(yù)測誤差,向用戶推薦偏好新聞更有效率。

        關(guān)鍵詞:LDA主題模型;貝葉斯模型;推薦算法;時(shí)間函數(shù)

        中圖分類號:TP391;O212.8 ?文獻(xiàn)標(biāo)識碼:A ?文章編號:1673-260X(2021)06-0028-05

        在網(wǎng)絡(luò)迅速發(fā)展的今天,隨著各種新聞網(wǎng)站的出現(xiàn),報(bào)紙等紙質(zhì)新聞已經(jīng)逐漸離開人們的視線,給人們帶來了極大的方便,人們能夠通過網(wǎng)絡(luò)來了解自己所偏好的新聞信息,但隨著新聞信息井噴式的增加與高速的更新效率,海量的信息帶來了大量的無用新聞以及重復(fù)新聞,甚至無法使今日新聞及時(shí)準(zhǔn)確地推薦給用戶,導(dǎo)致用戶的需求無法及時(shí)滿足,失去用戶對新聞網(wǎng)站的友好度[1]。但隨著推薦系統(tǒng)的使用與普及,各大新聞網(wǎng)站通過適當(dāng)?shù)耐扑]算法對用戶的偏好、瀏覽記錄、點(diǎn)擊率等信息進(jìn)行分析整合,通過預(yù)測用戶的興趣計(jì)算出相應(yīng)的推薦列表,將靠前的新聞信息推薦給用戶。

        當(dāng)前在新聞推薦中主流的推薦算法包括基于內(nèi)容的推薦和協(xié)同過濾推薦算法?;趦?nèi)容的推薦算法是通過對用戶瀏覽新聞歷史進(jìn)行提取關(guān)鍵詞,進(jìn)行統(tǒng)計(jì)整合,判斷用戶對新聞?lì)悇e的偏好,再將與用戶偏好新聞信息內(nèi)容相似的新聞推薦給該用戶,并且無冷啟動(dòng)問題?;谟脩舻膮f(xié)同過濾推薦是通過獲取不同用戶的瀏覽記錄來找到和目標(biāo)用戶相似的用戶集合,并通過相似計(jì)算將用戶集合中的偏好新聞相似的但目標(biāo)用戶未瀏覽過的新聞推薦給目標(biāo)新聞。

        1 相關(guān)文獻(xiàn)概述

        隨著國內(nèi)外學(xué)者對推薦算法的深入研究,越來越多的因素被考慮進(jìn)推薦算法中,使推薦算法越來越復(fù)雜,準(zhǔn)確率也越來越高。在關(guān)于新聞信息方面的推薦,隨著對推薦算法的不斷研究和探討,其推薦效率也在逐漸提高。通過對用戶的喜好和需求來進(jìn)行推薦新聞內(nèi)容,將有可能是用戶偏好的新聞列表推薦給用戶,解決了用戶盲目尋找的問題[2],但推薦效率和準(zhǔn)確率仍有待提高。一種對推薦列表進(jìn)行增量更新并融合潛在語義分析的方法來將新聞文章的相關(guān)性保持正相關(guān),解決了用戶偏好的不確定性問題,但存在語義分歧的狀況[3]。根據(jù)社交和時(shí)間因素提出了一種融合社交網(wǎng)絡(luò)和時(shí)間函數(shù)的主題模型[4],更多地考慮用戶特征來增加推薦效率,但卻忽略了內(nèi)容本身。使用LDA聚類的方法對數(shù)據(jù)進(jìn)行主題簇的劃分,快速給出合理的推薦列表[5]。在LDA模型基礎(chǔ)上加入了對用戶行為的分析來提高推薦的有效性和實(shí)時(shí)性[6]。為解決數(shù)據(jù)稀疏性,通過評分信息和每個(gè)時(shí)間段的訪問量來構(gòu)建LDA模型,從召回率、F1值等方面進(jìn)行了充分地優(yōu)化[7]。Basilico J等[8-10]也充分說明了時(shí)間在推薦算法中的重要性。同樣為了防止出現(xiàn)詞義的混淆、模糊提出了將文本交互信息作為數(shù)據(jù)基礎(chǔ)源來提高推薦準(zhǔn)確率的TIN-LDA模型[11]。通過設(shè)置用戶排序主題模型來反映文檔主題的重要性,進(jìn)而提高用戶對推薦算法的滿意度[12]。通過構(gòu)建LDA模型來發(fā)現(xiàn)用戶對與部分主題的偏好及興趣分布,極大地滿足了用戶對推薦算法的需求[13]。通過LDA結(jié)合多標(biāo)記源分類器得到性能更高的主題模型,并利用主動(dòng)學(xué)習(xí)思想來提高推薦的準(zhǔn)確度[14]。

        基于以上主題模型的研究,通過分析新聞信息的更新速度以及時(shí)效性,本文通過構(gòu)造改進(jìn)的LDA主題模型(NR_TLDA)來進(jìn)行推薦,將用戶瀏覽過的新聞文本信息轉(zhuǎn)化成容易建模的數(shù)字信息,通過新聞主題分布及關(guān)鍵詞分布來判斷用戶的興趣偏好,并結(jié)合時(shí)間衰減函數(shù)緩解因時(shí)間跨度較大帶來的興趣遷移的影響,將更準(zhǔn)確地推薦列表推薦給目標(biāo)用戶,減少預(yù)測誤差。

        2 NR_TLDA推薦算法

        通過分析用戶瀏覽的新聞文本信息及其時(shí)效性特點(diǎn),本文在LDA模型提取新聞主題的同時(shí)考慮到新聞發(fā)表時(shí)間,在建模過程中,對距離當(dāng)前時(shí)間更近的關(guān)鍵詞給予更大的時(shí)間權(quán)重,通過對時(shí)間的限制來優(yōu)化用戶偏好主題模型,如圖1所示。

        2.1 LDA主題模型

        LDA模型于2003年由Blei等人提出,是包含document-topic-word的無監(jiān)督貝葉斯概率模型[15],訓(xùn)練集不需要手工標(biāo)注。該模型也是典型的詞袋模型[16],認(rèn)為document由互不關(guān)聯(lián)且無先后順序的詞匯組成,根據(jù)詞在文中的概率分布來反映document中的主題分布信息,相對于提取關(guān)鍵詞技術(shù)[17],LDA模型更注重語義信息,通過對文檔進(jìn)行建模,挖掘出文檔集中潛在的主題信息。

        LDA三層貝葉斯模型如圖2所示。其中?琢→?酌m→Zm,n組成Dirichlet-multi共軛,表示從先驗(yàn)Dirichlet分布?琢中取樣生成文檔m的主題分布?酌m,再從?酌m中取樣生成文檔m中第n個(gè)詞的doc-word分布Zm,n;

        ?茁→?啄k→Wm,n組成Dirichlet-multi共軛,表示從先驗(yàn)Dirichlet分布?茁中取樣生成topic-word分布?啄k,再從?啄k中采樣生成詞Wm,n。

        doc-topic分布和topic-word分布是相互獨(dú)立的,這是因?yàn)橹黝}產(chǎn)生詞時(shí)不依賴任何文檔。

        根據(jù)LDA原理及貝葉斯公式可得:

        其中p(w|m)表示文檔m中單詞n的分布概率, ?p(w|Zk)表示第k個(gè)主題Z中單詞w的分布概率,p(Zk|m)表示文檔m中第k個(gè)主題的分布概率。

        Gibbs采樣是當(dāng)前LDA模型中主流的采樣方法,適用于長文本信息例如新聞,通過多次迭代得出doc-topic分布矩陣?酌m和topic-word分布矩陣?啄k,其估算公式如下:

        Gibbs Sampling是MCMC(馬爾科夫鏈蒙特卡洛)算法的一種,其在LDA模型中的物理意義是在k條doc-topic-word路徑中進(jìn)行采樣,路徑圖如圖3所示。通過迭代收斂即可得到所有word的主題z,然后統(tǒng)計(jì)topic-word關(guān)系矩陣,即可得到LDA模型。為了得到質(zhì)量更好的主題模型,本文取Gibbs采樣后的所有結(jié)果取平均值來做參數(shù)估計(jì)。

        2.2 構(gòu)造結(jié)合時(shí)間因子的用戶權(quán)重矩陣

        統(tǒng)計(jì)每個(gè)用戶中由LDA模型中得出的預(yù)測值大于0.4的主題個(gè)數(shù),構(gòu)造user-topic矩陣,用戶在具體某一時(shí)間段的偏好被認(rèn)為是相對固定的,當(dāng)其對新聞信息進(jìn)行瀏覽或評論時(shí)具有時(shí)間屬性,用戶對同一類型新聞的瀏覽時(shí)間越接近,說明其在此時(shí)間段的興趣偏好越相似,由此可以加入時(shí)間因子來計(jì)算用戶偏好矩陣。

        時(shí)間衰減因子函數(shù)常用指數(shù)衰減函數(shù),其時(shí)間因子權(quán)重公式:

        tu,i=exp{-?子(tn-thu,i)} ?(4)

        其中tu,i表示時(shí)間權(quán)重,tn表示當(dāng)前時(shí)間點(diǎn),thu,i表示用戶u瀏覽新聞i的時(shí)間點(diǎn),?子表示權(quán)重參數(shù)。

        在計(jì)算相似度的過程中,用戶對某類新聞主題的評分用該類新聞主題的個(gè)數(shù)來代替,在這里使用Pearson系數(shù)來計(jì)算相似度,可得結(jié)合時(shí)間因子的用戶相似度為:

        其中sim(u,v)指用戶u和v間考慮時(shí)間因子后的相似度,tui指用戶u瀏覽某類新聞i的時(shí)間權(quán)重,rui指用戶瀏覽某類新聞的次數(shù)(以下均以評分對待)。

        根據(jù)sim(u,v)值按照順序排列選出用戶的最近鄰,然后使用平均偏差法對相應(yīng)新聞進(jìn)行預(yù)測評分,公式為:

        其中qui表示用戶u對新聞i的預(yù)測評分,N(u)k表示與用戶u相似度最大的前k個(gè)用戶,ru表示用戶已有評分的平均值,rvi指用戶v對新聞i的評分,由此可得user-topic的偏好矩陣。

        2.3 通過對user-topic矩陣加權(quán)處理產(chǎn)生推薦

        根據(jù)上式得到的預(yù)測值進(jìn)行排序,取排在前N名的新聞推薦給用戶,針對推薦過程中的新用戶問題,對其推薦熱門物品來解決冷啟動(dòng)問題。

        2.4 NR_TLDA推薦算法描述

        算法:基于改進(jìn)LDA主題模型的個(gè)性化新聞推薦算法;輸入:分詞后的新聞信息文本集、主題數(shù)K、超參數(shù)?琢和?茁;輸出:doc-topic概率分布?酌、topic-word分布?啄、目標(biāo)用戶對新聞信息的預(yù)測評分pre。

        步驟1 對爬取的新聞信息文本集D進(jìn)行數(shù)據(jù)預(yù)處理,通過LDA模型進(jìn)行建模處理,生成doc-topic和topic-word分布。

        步驟2 通過Gibbs采樣得到最終收斂的?啄,?酌參數(shù)估計(jì)值(采樣結(jié)果取平均值),得到標(biāo)準(zhǔn)LDA模型。

        步驟3 將預(yù)處理后的用戶新聞信息瀏覽記錄集d導(dǎo)入LDA模型,生成user-topic概率模型,每當(dāng)用戶瀏覽一條新聞信息文本,該概率模型會(huì)更新一次。

        步驟4 根據(jù)步驟3中得到的主題模型,統(tǒng)計(jì)pre>0.4的主題數(shù)目,得到user-topic列表。

        步驟5 加入時(shí)間權(quán)重tu,i,通過Pearson系數(shù)進(jìn)行相似度計(jì)算,得到user-topic矩陣。

        步驟6 將步驟3和步驟5中的用戶偏好矩陣進(jìn)行加權(quán)處理,得到最終的偏好矩陣(即輸出目標(biāo)用戶對新聞信息的預(yù)測評分pre),將生成的Top-N列表推薦給用戶,并將用戶所瀏覽的記錄加入用戶新聞信息瀏覽記錄集d中。

        3 實(shí)驗(yàn)結(jié)果與分析

        3.1 實(shí)驗(yàn)設(shè)置

        本實(shí)驗(yàn)數(shù)據(jù)集是通過Google瀏覽器及python爬蟲爬取今日頭條新聞網(wǎng)站50,000多條各類新聞信息及50名用戶的新聞瀏覽記錄信息9,000余條。為了確保推薦的有效性,將瀏覽記錄數(shù)低于20條新聞信息的用戶過濾。

        本文實(shí)驗(yàn)環(huán)境為Windows10操作系統(tǒng),Pycharm,Seleuimn,Python。

        本文中LDA建模過程中,根據(jù)經(jīng)驗(yàn)所得,設(shè)置超參數(shù)?琢=0.1,?茁=0.01,Gibbs采樣迭代次數(shù)為2000,設(shè)置N為10。

        3.2 數(shù)據(jù)預(yù)處理

        在進(jìn)行實(shí)驗(yàn)之前,為了保證數(shù)據(jù)的可塑性,需要對原始數(shù)據(jù)進(jìn)行預(yù)處理,通過去噪、處理缺失值、文本合并、分詞、去停用詞。選取用戶瀏覽記錄集中80%作為訓(xùn)練集,另外20%作為測試集。

        3.3 實(shí)驗(yàn)評估指標(biāo)

        通過閱讀文獻(xiàn),Herlocker等人對推薦算法中的衡量標(biāo)準(zhǔn)進(jìn)行了詳細(xì)的講解,為了使模型的效果能更好地展現(xiàn)出來,本文采用準(zhǔn)確率(Precision)、召回率(Recall)、F-Measure(F1)作為衡量NR_TLDA推薦算法效果的標(biāo)準(zhǔn)[18]。

        Precision是指命中的新聞信息數(shù)目占推薦新聞總數(shù)的比例,其公式為:

        其中|hitsu|指在推薦的新聞列表中,用戶u所瀏覽過的新聞數(shù)目,|recsetu|指推薦給用戶u的新聞列表集合的總數(shù)目。

        Recall是指命中新聞信息數(shù)目占理論上最大命中數(shù)量的比例,其公式為:

        其中|testsetu|指用戶u理論上應(yīng)該推薦相關(guān)新聞數(shù)目的最大值。

        為了觀察Precision和Recall之間的權(quán)衡變化,需要增加推薦集合的規(guī)模,命中相關(guān)新聞信息的機(jī)會(huì)就會(huì)增加,Recall就會(huì)增加,而Precision則會(huì)降低。為了有效地平衡Precision和Recall,使用F1衡量標(biāo)準(zhǔn),其公式為:

        F1值隨著Precision和Recall的變化而變化,并且當(dāng)F1值較高時(shí),模型效果更好。

        3.4 實(shí)驗(yàn)對比分析

        根據(jù)當(dāng)前的研究成果和大量文獻(xiàn)表明,在推薦算法領(lǐng)域應(yīng)用LDA主題模型的準(zhǔn)確性要比協(xié)同過濾算法高,同時(shí)時(shí)間因素也是增加準(zhǔn)確性的因素之一。因此,本文所提出的算法NR_TLDA將與基于標(biāo)準(zhǔn)的LDA主題模型推薦算法、本文算法中未增加時(shí)間因素的NR_LDA算法及協(xié)同過濾(CF)推薦算法進(jìn)行比較。

        3.4.1 LDA主題模型潛在主題個(gè)數(shù)K的確定

        為了觀察LDA隱含主題的個(gè)數(shù)對推薦算法的影響,設(shè)置推薦列表N長度為10時(shí),K值為5、10、15、20、25、30,觀察Recall值的變化,如圖5所示。

        從圖5中可以得知,當(dāng)推薦列表不變時(shí),通過設(shè)置LDA隱含主題數(shù)目,觀察Recall值變化情況可以看出,Recall值先增加然后下降到一定高度后基本保持穩(wěn)定,當(dāng)K=10時(shí),Recall值達(dá)到最大,說明此時(shí)的K值最合適,推薦效果最好,以下實(shí)驗(yàn)均采用K=10進(jìn)行實(shí)驗(yàn)。

        3.4.2 算法對比結(jié)果

        為了使實(shí)驗(yàn)更具有說服力,在這里對上述四種算法進(jìn)行實(shí)驗(yàn),通過多次實(shí)驗(yàn)進(jìn)而比較它們的準(zhǔn)確率、召回率、F1值。

        由圖6可知,通過對比四種算法,隨著推薦列表的增加,準(zhǔn)確率在降低,最后趨于平穩(wěn),但當(dāng)推薦列表固定時(shí),本文算法NR_LDA的準(zhǔn)確率是最高的,說明結(jié)合時(shí)間因子的LDA模型推薦算法要比未考慮時(shí)間因素的靜態(tài)LDA推薦算法(NR_LDA)及CF等推薦算法的推薦效果更好。

        召回率作為推薦算法中的一種評估方法,也可以有效評估推薦算法的推薦效果,從圖7可知,隨著Top-N的增加,召回率在增加,最后趨于平衡,本文算法NR_TLDA算法在固定推薦列表下召回率高于其他三種推薦算法,說明NR_TLDA推薦算法的效果更好。

        為了平衡準(zhǔn)確率和召回率,使用F1值來作為評估指標(biāo),由圖8可知,隨著Top-N的增加,F(xiàn)1值在增加,最后趨于平穩(wěn),而在四種算法中,NR_TLDA算法的F1值要高于其他算法,即NR_TLDA算法的推薦效果由于其他算法。

        由表1可知,本文算法在離線階段進(jìn)行矩陣處理的時(shí)長要比其他算法多,但在線階段所需時(shí)間較少,說明該算法在本數(shù)據(jù)集中有較好的推薦體驗(yàn)。

        4 實(shí)驗(yàn)總結(jié)

        在NR_TLDA算法中,將新聞文本、新聞主題、詞作為三層貝葉斯結(jié)構(gòu)來進(jìn)行建模,通過統(tǒng)計(jì)主題數(shù)目來解決用戶對每一類新聞的評分問題,再結(jié)合時(shí)間因子來完善用戶對新聞信息的偏好程度,再根據(jù)實(shí)驗(yàn)過程中用戶每一次瀏覽的新聞?dòng)涗泴DA模型進(jìn)行完善,并將兩user-topic矩陣進(jìn)行加權(quán)融合,形成最終的偏好矩陣。在此次設(shè)計(jì)與實(shí)驗(yàn)過程中,用戶的閱讀興趣會(huì)隨著時(shí)間的變化而影響推薦質(zhì)量,時(shí)間因子很好地緩解了這種問題。

        下一步可以采用矩陣分解來對LDA模型進(jìn)行分解,更加全面地考慮新聞和用戶的屬性,并結(jié)合用戶的評論來提取特征詞,更全面地建立用戶的興趣模型,來更好地提升推薦質(zhì)量。

        參考文獻(xiàn):

        〔1〕徐毅,葉衛(wèi)根,戴鑫,等.融合用戶信任度與相似度的推薦算法研究[J].小型微型計(jì)算機(jī)系統(tǒng),2018, 39(01):78-83.

        〔2〕王博.新聞內(nèi)容推薦算法研究[J].信息與電腦(理論版),2016,28(06):146-147.

        〔3〕劉輝,萬程峰,吳曉浩.基于增量協(xié)同過濾和潛在語義分析的混合推薦算法[J].計(jì)算機(jī)工程與科學(xué),2019,41(11):2033-2039.

        〔4〕高茂庭,王吉.融合用戶關(guān)系和時(shí)間因素的主題模型推薦算法[J/OL].計(jì)算機(jī)工程:1-7[2020-07-25].https://doi.org/10.19678/j.issn.1000-34 28.0054096.

        〔5〕程磊,高茂庭.結(jié)合時(shí)間加權(quán)和LDA聚類的混合推薦算法[J].計(jì)算機(jī)工程與應(yīng)用,2019,55(11):160-166.

        〔6〕李散散.基于用戶行為分析和LDA模型的數(shù)字媒體推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù),2020,43(07):146-149+154.

        〔7〕魏童童,馮鈞,唐志賢,王純.基于時(shí)序背景LDA與協(xié)同過濾的混合推薦模型[J].計(jì)算機(jī)與現(xiàn)代化,2015,31(10):1-5+9.

        〔8〕Basilico J, Raimond Y. Déjà Vu: The Importance of Time and Causality in Recommender Systems[C].the Eleventh ACM Conference. 2017.

        〔9〕Jin X, Zheng Q, Sun L. An Optimization of Collaborative Filtering Personalized Recommendation Algorithm Based on Time Context Information[M]. Information and Knowledge Management in Complex Systems. Springer International Publishing, 2015.

        〔10〕Hu Y, Peng Q, Hu X, et al. Web Service Recommendation Based on Time Series Forecasting and Collaborative Filtering[C]. IEEE International Conference on Web Services. IEEE Computer Society, 2015.

        〔11〕鄭偉.基于TIN-LDA模型的微博推薦方法研究及應(yīng)用[D].安徽理工大學(xué),2019.

        〔12〕車豐.基于排序主題模型的論文推薦系統(tǒng)[D].大連海事大學(xué),2015.

        〔13〕邸亮.基于主題模型的個(gè)性化信息推薦[D].北京工業(yè)大學(xué),2014.

        〔14〕侯濤文.基于LDA的多標(biāo)記源文本分類研究[D].北京建筑大學(xué),2019.

        〔15〕Jordan M I,Blei D M. Latent Dirichlet Allocation[J]. Journal of Machine Learning Research,2003,3: 465-473.

        〔16〕陳二靜,姜恩波.文本相似度計(jì)算方法研究綜述[J].數(shù)據(jù)分析與知識發(fā)現(xiàn),2017,1(06):1-11.

        〔17〕雷琨.電子商務(wù)個(gè)性化推薦系統(tǒng)研究[D].電子科技大學(xué),2012.

        〔18〕Herlocker J L, Konstan J A, Terveen L G, et al. Evaluating collaborative filtering recommender systems[J]. ACM Transactions on Information Systems (TOIS), 2004,22(01): 5-53.

        猜你喜歡
        推薦算法
        基于內(nèi)容的互聯(lián)網(wǎng)推薦算法
        一種改進(jìn)用戶相似度的協(xié)同過濾推薦算法
        XGBoost算法在電子商務(wù)商品推薦中的應(yīng)用
        基于二分Kmeans的協(xié)同過濾推薦算法
        校園社交平臺(tái)中標(biāo)簽系統(tǒng)的研究
        基于相似傳播和情景聚類的網(wǎng)絡(luò)協(xié)同過濾推薦算法研究
        社交網(wǎng)絡(luò)推薦系統(tǒng)
        混合推薦算法在電影推薦中的研究與評述
        一種改進(jìn)的基于位置的推薦算法
        基于情景感知的高校移動(dòng)社交網(wǎng)絡(luò)平臺(tái)設(shè)計(jì)與開發(fā)
        人妻妺妺窝人体色www聚色窝| 一本久久精品久久综合| 国产精品成人无码久久久久久| 野狼第一精品社区| 亚洲欧洲日产国码无码AV一| 日韩精品中文字幕免费人妻| 一道本久久综合久久鬼色| 亚洲色欲色欲大片www无码| 欧美自拍视频在线| 亚洲精品视频免费在线| 国产精品高潮呻吟av久久黄| 免费毛片a线观看| 欧美在线专区| 中文字幕人妻少妇精品| 蜜桃视频在线看一区二区三区| 50岁熟妇大白屁股真爽| 国产精品99精品一区二区三区∴| 亚洲中文字幕一区高清在线| 亚洲 欧美 综合 在线 精品 | 日本高清一级二级三级| 天堂国精产品2023年| 91精品国产色综合久久不卡蜜| 国产盗摄一区二区三区av| 亚洲中字幕日产av片在线| 国产老熟女狂叫对白| 国产激情视频在线| 日本a级黄片免费观看| 亚洲av日韩精品久久久久久久| 亚洲精品中文字幕无乱码麻豆| 国产熟女精品一区二区| 少妇激情av一区二区三区| 少妇高潮潮喷到猛进猛出小说| 久久久久久久综合日本| 91精品国产综合久久精品密臀| 久久精品夜色国产亚洲av| 91麻豆精品激情在线观看最新| 久久夜色精品国产亚洲av老牛| 亚洲中国精品精华液| 真实国产乱啪福利露脸| 久久久久AV成人无码网站| 国产精品一区二区av不卡|