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

        ?

        基于稀疏子空間聚類的多層網(wǎng)絡(luò)社團(tuán)檢測

        2021-10-15 10:07:54孫登第丁轉(zhuǎn)蓮
        計算機(jī)工程 2021年10期
        關(guān)鍵詞:社團(tuán)聚類矩陣

        孫登第,凌 媛,丁轉(zhuǎn)蓮,羅 斌

        (1.安徽大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,合肥 230601;2.安徽大學(xué) 互聯(lián)網(wǎng)學(xué)院,合肥 230039)

        0 概述

        社團(tuán)檢測的目的是對復(fù)雜網(wǎng)絡(luò)中的節(jié)點進(jìn)行劃分,使同類節(jié)點屬于相同的社團(tuán)。通過社團(tuán)檢測可以更好地理解復(fù)雜網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和功能特性,因此其對網(wǎng)絡(luò)分析與數(shù)據(jù)挖掘至關(guān)重要,目前被廣泛應(yīng)用于機(jī)器學(xué)習(xí)[1]、計算機(jī)視覺[2]、圖像處理[3-4]等領(lǐng)域中。

        近年來,已出現(xiàn)較多針對社團(tuán)檢測問題的研究,如文獻(xiàn)[5]提出一種基于網(wǎng)絡(luò)拓?fù)渑c節(jié)點元數(shù)據(jù)的社團(tuán)檢測算法,文獻(xiàn)[6]進(jìn)行了局部優(yōu)先的動態(tài)網(wǎng)絡(luò)重疊社團(tuán)及其演變模式檢測,文獻(xiàn)[7]基于網(wǎng)絡(luò)社團(tuán)檢測實現(xiàn)了電信客戶細(xì)分,文獻(xiàn)[8]提出了帶偏置信號傳播隨機(jī)游走的社團(tuán)檢測算法,但這些工作主要集中于單層網(wǎng)絡(luò),即網(wǎng)絡(luò)節(jié)點之間只存在一種關(guān)系的情況。然而在現(xiàn)實環(huán)境中,網(wǎng)絡(luò)可能同時具備多種連接類型,例如:在通信網(wǎng)絡(luò)中,存在用戶之間不同的通信方式,如電話、微信、微博等;在貿(mào)易網(wǎng)絡(luò)中,國家之間會有不同商品的貿(mào)易往來,如食品、衣服等。如果不考慮連接的多種形式而將這些網(wǎng)絡(luò)簡化為單一類型的交互,將無法捕獲系統(tǒng)、豐富而全面的內(nèi)部結(jié)構(gòu)。為了涵蓋這些關(guān)系的多類型特性,利用相同的節(jié)點集合分層描述不同連接,以形成多層網(wǎng)絡(luò)(也稱為多重網(wǎng)絡(luò)或復(fù)合網(wǎng)絡(luò)),并對其進(jìn)行社團(tuán)檢測顯然具有更強(qiáng)的科學(xué)意義。因此,此項技術(shù)引起了廣泛關(guān)注[9-11]。

        多層網(wǎng)絡(luò)具有維度高、結(jié)構(gòu)復(fù)雜、層間差異大的特點,許多算法無法有效地檢測其社團(tuán)結(jié)構(gòu)。隨著稀疏學(xué)習(xí)研究的不斷深入,各種子空間表示方法不斷涌現(xiàn)。2009 年,ELHAMIFAR 等[12]提出了稀疏子空間聚類模型,該模型的解具有塊對角結(jié)構(gòu),同一個塊的數(shù)據(jù)屬于同一子空間。然而,該方法單獨考慮每個數(shù)據(jù)的稀疏表示,缺乏對數(shù)據(jù)集全局結(jié)構(gòu)的描述。2010年,LIU等[13]提出了基于低秩表示的子空間聚類方法(LRR),以捕獲數(shù)據(jù)集的全局結(jié)構(gòu)。2018 年,F(xiàn)ANG 等[14]通過將高斯場與調(diào)和函數(shù)合并到LRR 框架中,提出一種非負(fù)低秩表示方法,其在一個優(yōu)化步驟中同時完成了相似度矩陣構(gòu)建和子空間聚類。同年,WANG 等[15]提出一種局部與結(jié)構(gòu)正則化的低秩表示方法(LSLRR),同時考慮了數(shù)據(jù)的局部幾何結(jié)構(gòu)和全局塊對角線結(jié)構(gòu),改進(jìn)了經(jīng)典LRR 方法。2020 年,陶洋等[16]提出將對稱約束和結(jié)構(gòu)約束融合到高維數(shù)據(jù)表示的低秩屬性中,同時捕獲高維數(shù)據(jù)的全局對稱結(jié)構(gòu)和子空間的加權(quán)局部線性結(jié)構(gòu),以提高聚類性能。

        子空間表示方法能夠準(zhǔn)確描述數(shù)據(jù)分布,并通過子空間聚類自適應(yīng)地將數(shù)據(jù)劃分到不同的子空間中,在網(wǎng)絡(luò)嵌入與聚類中體現(xiàn)出重要的應(yīng)用價值。但現(xiàn)有的子空間聚類模型大多只適用于單層網(wǎng)絡(luò),亟需將其推廣到多層網(wǎng)絡(luò),深入挖掘?qū)娱g的互補(bǔ)信息,實現(xiàn)多層融合與協(xié)同聚類。本文針對多層網(wǎng)絡(luò)的社團(tuán)檢測問題,提出一種多層網(wǎng)絡(luò)稀疏子空間聚類方法。引入結(jié)構(gòu)化的稀疏約束l2,1范數(shù),并在迭代過程中更新不同層的權(quán)重,以描述各層網(wǎng)絡(luò)對社團(tuán)檢測的重要程度。在此基礎(chǔ)上,設(shè)計交替方向乘子方法ADMM[17],聯(lián)合優(yōu)化層權(quán)重、節(jié)點稀疏表示和圖結(jié)構(gòu)的魯棒性。

        1 基于稀疏子空間聚類的社團(tuán)檢測模型

        如圖1 所示,本文研究的多層網(wǎng)絡(luò)是M個單層網(wǎng)絡(luò)的集合,表示為Gi(V,Ei),i=1,2,…,M。每層網(wǎng)絡(luò)中的節(jié)點數(shù)相同(n=|V|),但是連通模式和鏈路分布不同(mi=|Ei|)。該多層網(wǎng)絡(luò)可以用一組鄰接矩陣來進(jìn)行表示,即A={A1,A2,…,AM},其中,Ai??n×n表示第i層的鄰接矩陣。多層網(wǎng)絡(luò)中社團(tuán)檢測的目的是推斷出最適合所有給定層共享的潛在社團(tuán)分配??紤]每層包含的信息具有互補(bǔ)性,通過整合來自所有層的信息查找共享社團(tuán)的過程也稱為網(wǎng)絡(luò)集成(融合)[18]。

        圖1 多層網(wǎng)絡(luò)示意圖Fig.1 Schematic diagram of multi-layer network

        1.1 節(jié)點相似性度量

        與現(xiàn)有方法不同,本文提出的子空間聚類方法不直接作用在鄰接矩陣上,而是通過計算每個節(jié)點相對于網(wǎng)絡(luò)中所有其他節(jié)點的測地距離矢量來表示該節(jié)點。對于未加權(quán)的網(wǎng)絡(luò),測地距離是沿最短路徑的2 個節(jié)點之間的鏈路數(shù);對于加權(quán)圖,測地距離是沿最短路徑的鏈路的權(quán)重的總和。這樣就可以將每個節(jié)點都嵌入到高維幾何空間中。由于社團(tuán)定義為具有更多組內(nèi)鏈接和更少組間鏈接的節(jié)點組,因此同一社團(tuán)中2 個節(jié)點之間的測地距離的期望值將小于2 個不同社團(tuán)中2 個節(jié)點的測地距離的期望值。所以,在映射的幾何空間中,每個社團(tuán)將分布于一個獨立的子空間中。盡管節(jié)點的嵌入維度與網(wǎng)絡(luò)中的節(jié)點數(shù)相同,但由于數(shù)據(jù)聚類的低秩特性,實際維度卻要小得多,具體取決于節(jié)點所在社團(tuán)的大小。例如對于一個包含2 個社團(tuán)的未加權(quán)無向網(wǎng)絡(luò),節(jié)點標(biāo)記為{1,2,3}和{4,5,6},每個社團(tuán)內(nèi)部的3 個節(jié)點兩兩相連。在此網(wǎng)絡(luò)中,每個節(jié)點由測地距離矩陣P的1 列表示,如式(1)所示:

        令pi為vi與所有vj?G的測地距離的集合,所有這些向量的集合為矩陣P??n×n,P=[p1,p2,…,p n]。P(i,j)是vi與vj之間的距離,并且P的所有對角線項均為零(P(i,i)=0),即網(wǎng)絡(luò)沒有任何自環(huán)。進(jìn)一步地,使用高斯核函數(shù)將測地距離向量pi轉(zhuǎn)換為相似性向量,如式(2)所示:

        其中:σs控制衰減率;?表示點乘運算符。如果無法從節(jié)點vj到達(dá)節(jié)點vi,則P(i,j)=∞,S(i,j)=0。

        1.2 多層網(wǎng)絡(luò)的聯(lián)合稀疏表示

        基于上述表示形式,本文提出如下的聯(lián)合稀疏表示模型。受到稀疏聚類算法[12,19]的啟發(fā),相同社團(tuán)的節(jié)點在相同的稀疏子空間中,因此,每個節(jié)點都可以由剩余節(jié)點的線性組合稀疏地表示,即Sm=Sm Zm,Zm是稀疏表示系數(shù)矩陣。由于網(wǎng)絡(luò)中的數(shù)據(jù)會受到不同程度噪聲的干擾,因此為提高模型的魯棒性,本文引入噪聲矩陣,融合所有層的聯(lián)合稀疏表示如式(3)所示:

        在現(xiàn)實世界中,通常不同層具有不同的信息量,因此,為每層分配一個自適應(yīng)權(quán)重,從而使得本文方法能夠自適應(yīng)地整合不同層的節(jié)點數(shù)據(jù)。將這些層權(quán)加到式(3)中,自適應(yīng)權(quán)重的多層網(wǎng)絡(luò)聯(lián)合稀疏表示模型如式(4)所示:

        其中:r=[r1,r2,…,rΜ]Τ是層權(quán)向量,rm表示第m層的權(quán)重;Γ表示rm的正則化,當(dāng)允許它們單獨指定時,它可以避免rm的退化解,Γ是一個自適應(yīng)參數(shù),在第1 次迭代之后確定。

        1.3 正則化的聯(lián)合稀疏表示學(xué)習(xí)

        現(xiàn)有多數(shù)方法使用表示系數(shù)矩陣來定義圖的親和性:W=(|Z|+|ZΤ|)/2。雖然這種親和力在某種程度上是有效的,但它表示的含義已經(jīng)不同于圖原始的定義[20]。該方法獲得的親和性圖矩陣會不可避免地存在一些元素是負(fù)數(shù)的情況,而矩陣中的元素對應(yīng)圖中邊的權(quán)重,即節(jié)點間的關(guān)聯(lián),所以,當(dāng)出現(xiàn)邊權(quán)是負(fù)數(shù)時不能做出有意義的解釋。本文通過式(5)所示約束,直接學(xué)習(xí)出一個統(tǒng)一的、更能描述多層網(wǎng)絡(luò)中節(jié)點子空間一致性分布的協(xié)同親和圖G。

        在式(5)中:δ和ω是平衡參數(shù);1 表示單位矢量;G??n×n為期望的親和度矩陣,即要學(xué)習(xí)的協(xié)同親和圖;Gij為第i和第j節(jié)點來自同一社團(tuán)的概率,通過計算跨層聯(lián)合表示Zi和Zj之間的距離來衡量;約束GΤ1=1 和G≥0 用于保證Gi概率性質(zhì);用于避免過擬合。

        結(jié)合式(4)和式(5)可得到本文最終的模型,如式(6)所示。該模型框架如圖2 所示。

        圖2 本文模型框架Fig.2 Framework of the proposed model

        2 模型優(yōu)化與求解

        針對式(6)所示模型,本文設(shè)計了如下的優(yōu)化求解算法。雖然式(6)具有較多變量,整體上非凸的,但是固定其他變量時,其每個變量的子問題都是凸的,并且具有閉合解。因此,本文使用交替方向乘子算法(ADMM)[17]將模型函數(shù)分離成具有閉合解的獨立子問題。引入輔助變量Qm??n×n和Pm??n×n,使得式(6)是可分離的,得到式(7)所示形式:

        其 中:P=[P1,P2,…,PM];Q=[Q1,Q2,…,QM]。將式(7)中的約束條件進(jìn)一步轉(zhuǎn)化為式(8)所示的增廣拉格朗日函數(shù):

        3 實驗與結(jié)果分析

        為驗證本文方法的有效性,采用多種數(shù)據(jù)集設(shè)計實驗。

        3.1 數(shù)據(jù)集

        在10 個現(xiàn)實世界的網(wǎng)絡(luò)上測試本文方法,以證明其在廣泛領(lǐng)域中的適用性。這些數(shù)據(jù)集的相關(guān)信息如下:

        1)引文數(shù)據(jù)集,包括Citeseer、CoRA 數(shù)據(jù)集,分別有6 類3 312 份論文和7 類2 708 份論文。這2 個數(shù)據(jù)集都使用同樣的方法構(gòu)建為兩層網(wǎng)絡(luò),其中引文層表示論文之間的引用關(guān)系,相似層表示論文之間的文本相似性。

        2)推特數(shù)據(jù)集,包括Football、Olympics、Politics數(shù)據(jù)集。Football 數(shù)據(jù)由推特上活躍的248 個足球運動員數(shù)據(jù)組成,根據(jù)所屬俱樂部劃為20 個類,這些球員的社交網(wǎng)絡(luò)被分為3 層,分別代表推特用戶之間的3 種交互方式;Olympics數(shù)據(jù)涵蓋了參與2012 年倫敦夏季奧運會的464 位運動員和組織數(shù)據(jù),按28 個大項分類,本文使用與Football 數(shù)據(jù)集相同的方法來構(gòu)造3 層;Politics 數(shù)據(jù)集為419 位來自英國的國會議員數(shù)據(jù),依據(jù)政黨劃分為5 類,同樣構(gòu)建3 層。

        3)手機(jī)數(shù)據(jù)集MPD,由3 層組成,代表麻省理工學(xué)院中87 個用戶之間不同的聯(lián)系,包括物理位置、藍(lán)牙掃描和電話。

        4)社交網(wǎng)絡(luò)數(shù)據(jù)集SND,由律師事務(wù)所的71 個員工數(shù)據(jù)組成,3 層網(wǎng)絡(luò)表示他們之間的3 種交互方式。

        5)腦蟲網(wǎng)絡(luò)WBN,由代表神經(jīng)元的279 個節(jié)點組成,通過5 種不同類型的鏈接相連,代表5 種不同類型的突觸,本文使用神經(jīng)元類型作為真實標(biāo)簽。

        6)世界貿(mào)易網(wǎng)絡(luò)WTN,包含214 個國家之間的貿(mào)易關(guān)系,分別使用地理區(qū)域和經(jīng)濟(jì)貿(mào)易類別作為標(biāo)簽,因此產(chǎn)生WTN(reg)和WTN(cat)2 種網(wǎng)絡(luò)。

        實驗中使用的數(shù)據(jù)集的節(jié)點數(shù)目、層數(shù)目和真實類數(shù)目如表1 所示。

        表1 多層網(wǎng)絡(luò)數(shù)據(jù)集Table 1 Multi-layer network datasets

        3.2 參數(shù)設(shè)置

        由于式(8)中的參數(shù)較多,并且對于不同的數(shù)據(jù)集各參數(shù)都會相應(yīng)變化,因此在實驗中反復(fù)調(diào)整力求結(jié)果較優(yōu),不同數(shù)據(jù)集中的參數(shù)設(shè)置如表2 所示。為了便于調(diào)參,在實驗中將λ和γ設(shè)置為相同的值,并且在所有的數(shù)據(jù)集中設(shè)置ξ=3。此外,通過實驗驗證參數(shù)的選取。

        表2 各數(shù)據(jù)集中的參數(shù)設(shè)置Table 2 Parameter settings in each dataset

        3.3 比較方法

        選取單層網(wǎng)絡(luò)和多層網(wǎng)絡(luò)2 類方法進(jìn)行比較。

        1)單層網(wǎng)絡(luò)方法。為了與已有的子空間聚類方法進(jìn)行比較,選擇最具有代表性的SSC[12]、LRR[13]、和SSCF[22]方法,但是子空間聚類方法目前僅應(yīng)用于單層網(wǎng)絡(luò)中,為了將它們應(yīng)用于多層網(wǎng)絡(luò),首先將所有網(wǎng)絡(luò)層合并為一個由以下鄰接矩陣描述的單層網(wǎng)絡(luò):A=。此外,還與Ncut[23]方法進(jìn)行比較,以驗證本文方法的有效性。

        2)多層網(wǎng)絡(luò)方法。將本文方法與當(dāng)前具有代表性的多層網(wǎng)絡(luò)社團(tuán)檢測方法進(jìn)行比較,分別是基于矩陣分解的CSNMF 方法[24]和LMF 方法[25]、基于信息融合的SNF 方法[26]、基于譜聚類的SC-ML 方法[27],為了展現(xiàn)公平性,所有的實驗以最佳結(jié)果進(jìn)行對比。

        3.4 評估指標(biāo)

        采用以下3種廣泛使用的評估指標(biāo):純度(Purity)[28],規(guī)一化互信息(NMI)[29],準(zhǔn)確性(ACC)[30]。這3 個指標(biāo)都提供了一種定量方法來比較計算的社團(tuán)聚類Ω={φ1,φ2,…,φκ}和真實標(biāo)簽C={c1,c2,…,cκ}。

        正確分類的節(jié)點數(shù)的百分比如式(9)所示:

        其中:n是節(jié)點總數(shù);|φk∩cj|表示φk與cj的交集的節(jié)點數(shù)。

        為了平衡社團(tuán)聚類的質(zhì)量與數(shù)量,使用NMI 指標(biāo),其定義如式(10)所示:

        其中:I表示節(jié)點簇Ω與真實類C之間的互信息;H(Ω)和H(C)分別表示簇和類的熵。

        給定一個包含n個頂點的數(shù)據(jù)集,對于每個樣本網(wǎng)絡(luò),令ψi為通過應(yīng)用不同方法獲得的聚類標(biāo)簽,而ζi為該數(shù)據(jù)集提供的真實標(biāo)簽,被正確分配的節(jié)點的百分比如式(11)所示:

        其 中:δ(x,y) 是delta 函數(shù),即當(dāng)x和y相等時,δ(x,y)=1,否則等于0;map(ψi)是將每個社團(tuán)標(biāo)簽ψi映射到數(shù)據(jù)集中等效標(biāo)簽的映射函數(shù)。

        3.5 計算復(fù)雜度和收斂性分析

        利用O標(biāo)記簡要分析本文模型的計算復(fù)雜度。在算法1 中,當(dāng)不考慮基本的矩陣運算,如矩陣相加、矩陣相乘時,最大的計算成本是矩陣的逆運算,對于大小為n×n的矩陣,逆運算的計算復(fù)雜度為O(n3),由于在Z 和P的更新過程中存在逆運算,因此算法1 的總計算復(fù)雜度約為Ο(2τn3),其中,τ是迭代次數(shù)。

        此外,本文采用ADMM 算法求解所提出的多層網(wǎng)絡(luò)聯(lián)合稀疏表示模型。由于目標(biāo)函數(shù)較為復(fù)雜,因此基于梯度的方法不能保證找到最佳解。為驗證所得優(yōu)化路徑,在多層網(wǎng)絡(luò)上進(jìn)行收斂性實驗。對于每一個網(wǎng)絡(luò),在每次迭代后保存目標(biāo)函數(shù)l的值,并將其繪制為波形圖。SND、Football、Olympics 和WTN 網(wǎng)絡(luò)上的實驗結(jié)果如圖3 所示,從波形圖中可以發(fā)現(xiàn),目標(biāo)函數(shù)l快速收斂并趨于穩(wěn)定。因此,實驗結(jié)果驗證了本文方法的收斂性。在其他網(wǎng)絡(luò)中也具有類似的結(jié)果。

        圖3 收斂性對比Fig.3 Comparison of convergence

        3.6 參數(shù)分析

        本文方 法的參數(shù)σs、λ、δ、ω對實驗結(jié)果的影響如圖4 所示,為保持參數(shù)選取標(biāo)準(zhǔn)的一致性,選擇NMI 作為主要評估指標(biāo)??梢钥闯觯Y(jié)果與上文分析保持一致。此外還可以看出,對不同的數(shù)據(jù)庫,參數(shù)曲線在每個參數(shù)最優(yōu)值兩側(cè)較長的一段中均保持平穩(wěn),表明本文方法對參數(shù)具有一定的魯棒性。

        圖4 不同參數(shù)對實驗結(jié)果的影響Fig.4 Influence of different parameters on experimental results

        3.7 社團(tuán)檢測實驗結(jié)果

        本文方法和其他8 種方法在Purity、NMI、ACC 3 種指標(biāo)下的實驗結(jié)果如表3~表5 所示,最優(yōu)結(jié)果用黑體表示??梢钥闯?,本文方法在大部分?jǐn)?shù)據(jù)集中都能達(dá)到最優(yōu)。值得注意的是,在推特數(shù)據(jù)集的3 個網(wǎng)絡(luò)中(Football、Olympics、Politics),所有方法的結(jié)果都很理想,這是因為該數(shù)據(jù)集中網(wǎng)絡(luò)層的社團(tuán)內(nèi)部連接較為緊密,社團(tuán)結(jié)構(gòu)較為清晰,有利于進(jìn)行社團(tuán)檢測。本文方法無規(guī)律地略低于某些方法,這源于優(yōu)化過程中的參數(shù)設(shè)置與迭代次數(shù)導(dǎo)致的精度誤差。但是,在網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)較差的Citeseer 和CoRA 中,本文方法明顯優(yōu)于其他所有比較方法,說明本文方法可以挖掘不同層的互補(bǔ)信息,得到更為準(zhǔn)確的一致性聯(lián)合稀疏表示。此外,從與單層的子空間分割算法(LRR、SSC、SSCF)的比較可以看出,本文方法中加入的距離正則項和自適應(yīng)權(quán)重對子空間分割產(chǎn)生了積極的作用,大幅提高了聚類性能。

        表3 不同方法檢測精度比較(Purity)Table 3 Accuracy comparison of different methods(Purity)

        表4 不同方法檢測精度比較(NMI)Table 4 Accuracy comparison of different methods(NMI)

        表5 不同方法檢測精度比較(ACC)Table 5 Accuracy comparison of different methods(ACC)

        4 結(jié)束語

        為解決多層網(wǎng)絡(luò)中的社團(tuán)檢測問題,本文提出一種基于子空間分割的多層網(wǎng)絡(luò)聯(lián)合稀疏表示方法。不同于傳統(tǒng)的單層網(wǎng)絡(luò)分割與平均疊加的思路,本文將距離正則項和非負(fù)約束條件共同集成到SSC 框架中,同時利用數(shù)據(jù)的全局和局部信息進(jìn)行圖學(xué)習(xí),并且在模型中引入l2,1范數(shù),促使學(xué)習(xí)到的協(xié)同親和圖具有更清晰的聚類結(jié)構(gòu)。此外,整合互補(bǔ)層的信息并考慮不同層的重要性,設(shè)計基于ADMM 的迭代算法來優(yōu)化模型。下一步將通過優(yōu)化算法參數(shù),擴(kuò)大本文方法的適用性。

        猜你喜歡
        社團(tuán)聚類矩陣
        繽紛社團(tuán)
        最棒的健美操社團(tuán)
        軍事文摘(2017年16期)2018-01-19 05:10:15
        基于DBSACN聚類算法的XML文檔聚類
        電子測試(2017年15期)2017-12-18 07:19:27
        K-BOT拼插社團(tuán)
        初等行變換與初等列變換并用求逆矩陣
        基于改進(jìn)的遺傳算法的模糊聚類算法
        矩陣
        南都周刊(2015年4期)2015-09-10 07:22:44
        矩陣
        南都周刊(2015年3期)2015-09-10 07:22:44
        矩陣
        南都周刊(2015年1期)2015-09-10 07:22:44
        一種層次初始的聚類個數(shù)自適應(yīng)的聚類方法研究
        国产一区二区三区av香蕉| 777精品久无码人妻蜜桃| 88久久精品无码一区二区毛片| 538在线啪在线观看| 青青草免费高清视频在线观看| 国产二级一片内射视频插放| 亚洲白白色无码在线观看| 人人妻人人澡av| 国产成年女人特黄特色毛片免| 一本久久精品久久综合| 影音先锋色小姐| 亚洲av无码一区二区三区在线| 高清高速无码一区二区| 国产伦理一区二区久久精品| 日韩中文字幕素人水野一区| 无码一区二区三区免费视频| 大学生被内谢粉嫩无套| 亚洲色欲色欲www成人网| 91l视频免费在线观看| 一本久久a久久免费综合| 国产亚洲精品久久久ai换| 精品无码AV无码免费专区| 男女视频网站免费精品播放 | 国产精品电影久久久久电影网| 男女上床免费视频网站| 国产乱人伦av在线a麻豆| 国产精品高潮呻吟av久久无吗| 亚洲伊人久久综合精品| 国产91色综合久久免费| 免费观看的av毛片的网站| 伊人久久大香线蕉在观看| 蜜桃人妻午夜精品一区二区三区| 国产成人精品免费久久久久 | 成年女人毛片免费视频| 久九九久视频精品网站| 色播视频在线观看麻豆| 婷婷色婷婷开心五月四房播播| 国产一区曰韩二区欧美三区| 亚洲综合天堂一二三区| 日本真人添下面视频免费| 欧美熟妇色ⅹxxx欧美妇|