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

        ?

        基于時(shí)序和上下文特征的中文隱式情感分類模型

        2021-11-05 01:29:04袁景凌丁遠(yuǎn)遠(yuǎn)潘東行
        計(jì)算機(jī)應(yīng)用 2021年10期
        關(guān)鍵詞:卷積詞語(yǔ)詞匯

        袁景凌,丁遠(yuǎn)遠(yuǎn),潘東行,2*,李 琳

        (1.武漢理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,武漢 430070;2.中國(guó)建設(shè)銀行股份有限公司運(yùn)營(yíng)數(shù)據(jù)中心,武漢 430070)

        0 引言

        隨著網(wǎng)絡(luò)媒體的迅速普及,大量含有主觀評(píng)論的文本信息迅速傳播。這些評(píng)論文本信息具有數(shù)量大、涉及范圍廣、傳播速度快等特點(diǎn),給當(dāng)代社會(huì)經(jīng)濟(jì)發(fā)展帶來(lái)了深遠(yuǎn)的影響。針對(duì)網(wǎng)絡(luò)文本的情感分析,可以幫助研究人員更加細(xì)致了解用戶對(duì)日常事件的意見和情感傾向[1],幫助商家提高服務(wù)質(zhì)量以及為用戶提供個(gè)性化推薦內(nèi)容[2]。

        在文本情感分析任務(wù)中,根據(jù)表達(dá)中是否包含顯式情感詞,情感分析可分為顯式情感分析和隱式情感分析[3]。包含顯式情感詞的顯式情感分析已經(jīng)取得了豐富研究成果,而采用含蓄表達(dá)的隱式情感分析還處于起步階段。隱式情感文本在互聯(lián)網(wǎng)文本中占有較高比例的特點(diǎn)[4]使得針對(duì)隱式情感分析的研究不容忽視。中文隱式情感分類任務(wù)存在諸多困難,主要體現(xiàn)在如下幾個(gè)方面:

        1)在隱式情感分類中,句子大部分為事實(shí)型描述以及不存在關(guān)鍵情感特征[5]。隱式情感文本主要包含事實(shí)型和修辭型兩個(gè)類別,統(tǒng)計(jì)結(jié)果顯示,事實(shí)型隱式情感文本占比為70%以上[4]。顯式與隱式的情感分類任務(wù)對(duì)比如表1所示。

        表1 情感分類任務(wù)對(duì)比Tab.1 Comparison of sentiment classification tasks

        2)隱式情感分類任務(wù)對(duì)分類方法有較高要求。隱式情感句中情感詞的缺乏使得部分顯式情感分類方法不再適用,如基于情感詞典分類方法;另外,基于機(jī)器學(xué)習(xí)的情感分類方法很難獲取有效情感特征對(duì)情感類別進(jìn)行判斷[4]。

        3)與其他語(yǔ)言的隱式情感分類任務(wù)相比,中文隱式情感分類任務(wù)更加困難。在表達(dá)載體上,中文缺乏形態(tài)上的變化,只能通過(guò)字或者詞語(yǔ)的組合表達(dá)特定語(yǔ)義。在獲取文本特征表示時(shí),錯(cuò)誤的劃分會(huì)使語(yǔ)義發(fā)生改變,另外,中文的語(yǔ)義關(guān)系又和社會(huì)、文化等因素密切相關(guān)。以上因素使得中文語(yǔ)義更難獲取。

        在中文隱式情感分類任務(wù)中,已有的研究方法以卷積神經(jīng)網(wǎng)絡(luò)為主[4],缺乏循環(huán)神經(jīng)網(wǎng)絡(luò)的相關(guān)研究。卷積神經(jīng)網(wǎng)絡(luò)的最大池化層會(huì)丟失詞語(yǔ)的位置特征。而在隱式情感分類中,詞語(yǔ)的位置特征對(duì)分類結(jié)果有重要影響,如隱式情感句“你們公司一年的銷售額也趕不上我們一個(gè)月的?!卑x情感色彩。當(dāng)調(diào)換“你們”和“我們”兩個(gè)主語(yǔ)位置時(shí),句子包含貶義情感色彩。卷積神經(jīng)網(wǎng)絡(luò)在處理該特征文本時(shí),僅能保留主語(yǔ)編碼后的特征,無(wú)法獲得主語(yǔ)的位置特征。循環(huán)神經(jīng)網(wǎng)絡(luò)在處理距離較長(zhǎng)的特征時(shí),容易丟失關(guān)鍵信息。在已有的隱式情感分類任務(wù)中,分類模型的輸入僅包含情感句本身[4]。相關(guān)研究顯示,隱式情感句的上下文語(yǔ)句往往蘊(yùn)含較為明顯的情感色彩,對(duì)隱式情感的判別有重要指導(dǎo)作用[6]。

        針對(duì)中文隱式情感分類任務(wù)更加困難和已有研究?jī)?nèi)容存在的部分缺陷,本文采用門控卷積神經(jīng)網(wǎng)絡(luò)(Gated Convolutional Neural Network,GCNN)對(duì)局部特征進(jìn)行提取和篩選,在此基礎(chǔ)上采用門控循環(huán)單元(Gated Recurrent Unit,GRU)獲取單詞之間的時(shí)序關(guān)系及更高層的語(yǔ)義特征??紤]到上下文語(yǔ)句在隱式情感判別的重要作用,采用雙向門控循環(huán)單元(Bidirectional Gated Recurrent Unit,BiGRU)和注意力(Attention)機(jī)制從上下文語(yǔ)句中提取重要情感特征,在融合層將提取到的上下文特征融入到隱式情感判別中,提出了一種融合詞語(yǔ)時(shí)序和上下文特征的中文隱式情感分類模型GGBA(GCNN-GRU-BiGRU-Attention)。本文的主要貢獻(xiàn)如下:

        1)對(duì)隱式情感句文本特征和情感詞匯資源進(jìn)行了分析。隱式情感文本存在字符分布集中、語(yǔ)句長(zhǎng)度與數(shù)量之間滿足冪律分布等特點(diǎn)。隱式情感句缺乏情感詞匯資源,上下文語(yǔ)句蘊(yùn)含豐富的情感詞匯資源,并且情感詞匯情感傾向和隱式情感句情感傾向相同占比達(dá)63%以上。

        2)針對(duì)基礎(chǔ)分類模型容易忽略目標(biāo)句子中的時(shí)序信息的缺陷,本文通過(guò)GCNN 對(duì)目標(biāo)句子中的局部特征信息進(jìn)行提取與篩選后,將輸出通過(guò)GRU 提取句子中的時(shí)序信息,提出了一種融合局部信息和時(shí)序信息的中文隱式情感分類模型GCNN-GRU,該模型為未融合上下文特征的中間模型。

        3)針對(duì)隱式情感分類任務(wù)依賴隱式情感句上下文的特點(diǎn),在采用GCNN-GRU 模型提取隱式情感句基礎(chǔ)上,使用BiGRU+Attention 的組合對(duì)提取句子的上下文重要特征,提出了一種融合時(shí)序和上下文特征的中文隱式情感分類模型GGBA(GCNN-GRU-BiGRU-Attention),并在中文隱式情感分析評(píng)測(cè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示,在3 個(gè)評(píng)價(jià)指標(biāo)上,本文提出的模型均取得了最優(yōu)的綜合分類性能。

        1 相關(guān)工作

        情感分類是指根據(jù)文本所表達(dá)的含義和情感信息將文本劃分成褒揚(yáng)的或貶義的兩種或幾種類型,是對(duì)文本作者傾向性和觀點(diǎn)、態(tài)度的劃分[7]。觀點(diǎn)態(tài)度可以包括常見的褒、貶、中情感傾向或者喜、怒和哀等多個(gè)情緒類別[8]?,F(xiàn)有的文本情感分類技術(shù)主要分為3 類:基于詞典的情感分類方法、基于機(jī)器學(xué)習(xí)的情感分類方法和基于深度學(xué)習(xí)的情感分類方法[9]。

        基于詞典的情感分類方法主要是指,通過(guò)文本中情感詞典和規(guī)則的組合判斷整個(gè)句子的情感類別。這種方法依賴于人工設(shè)計(jì)的本體知識(shí)庫(kù)和判斷規(guī)則,無(wú)法解決不同領(lǐng)域的類似問(wèn)題[10]。基于機(jī)器學(xué)習(xí)的情感分類方法從文本中提取不同特征組合,通過(guò)訓(xùn)練機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)情感的分類。這種方法不易提取文本特征,難以處理文字長(zhǎng)短不一的問(wèn)題且模型不容易擴(kuò)展?;谝陨辖Y(jié)論,本文在開展中文隱式情感分類研究時(shí)舍棄了基于詞典和機(jī)器學(xué)習(xí)的情感分類方法。

        基于深度學(xué)習(xí)的情感分類方法主要包括3 個(gè)類別,分別為擅長(zhǎng)局部特征提取的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)、擅長(zhǎng)時(shí)序特征提取的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)以及相關(guān)的變體結(jié)構(gòu),相關(guān)研究如下:

        1)CNN。CNN采用了局部連接、權(quán)值共享及池化操作,在局部特征提取、魯棒性和容錯(cuò)能力上更具備優(yōu)勢(shì)[11]。Kim[12]首次將CNN 應(yīng)用于文本情感分類任務(wù),采用多個(gè)窗口的卷積核提取句子的局部特征,提出了用于句子情感分類的卷積神經(jīng)網(wǎng)絡(luò)。Zhang 等[13]對(duì)卷積神經(jīng)網(wǎng)絡(luò)中單層CNN 的敏感性進(jìn)行了分析,研究了超參數(shù)對(duì)分類的影響。Dauphin等[14]在對(duì)長(zhǎng)文本建模時(shí),提出了一種包含門控機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)。

        2)RNN。在網(wǎng)絡(luò)結(jié)構(gòu)上,RNN 適合處理不定長(zhǎng)文本序列。在反向傳播計(jì)算梯度時(shí),基礎(chǔ)循環(huán)神經(jīng)網(wǎng)絡(luò)會(huì)出現(xiàn)梯度消失或梯度爆炸的問(wèn)題。Wang 等[15]采用LSTM 結(jié)構(gòu)實(shí)現(xiàn)了Twitter的情感預(yù)測(cè)。

        3)CNN 和RNN 的融合結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)可以有效提取句子局部特征,但無(wú)法獲取詞語(yǔ)的時(shí)序關(guān)系以及詞語(yǔ)間依賴關(guān)系。循環(huán)神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)獲取特征的長(zhǎng)短期依賴關(guān)系。合理利用兩種網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)點(diǎn),可以實(shí)現(xiàn)更好的分類效果。Wang[16]針對(duì)CNN 和RNN 存在的缺陷,提出中斷循環(huán)神經(jīng)網(wǎng)絡(luò)(Disconnected Recurrent Neural Network,DRNN)。實(shí)驗(yàn)結(jié)果表明,DRNN 可以同時(shí)獲取長(zhǎng)距離依賴關(guān)系和關(guān)鍵短語(yǔ)信息。

        4)融合注意力機(jī)制的深度學(xué)習(xí)模型。當(dāng)文本序列較長(zhǎng)和文本較為復(fù)雜時(shí),深度學(xué)習(xí)模型會(huì)丟失重要關(guān)鍵信息。Devlin 等[17]采用自注意力機(jī)制(Self-Attention)、Mask 方法和Transformer 編碼結(jié)構(gòu)設(shè)計(jì)了具備更高泛化能力的BERT 模型。Liu 等[18]改進(jìn)了BERT 模型在預(yù)訓(xùn)練時(shí)的策略,提出了RoBERTa 隱式情感分類模型。Yang 等[19]采用雙向門控循環(huán)單元(BiGRU)和層級(jí)注意力機(jī)制,提出了用于文檔情感分類的模型,其中注意力機(jī)制包括詞語(yǔ)級(jí)和句子級(jí)兩個(gè)部分。

        綜上所述,CNN、RNN以及變體結(jié)構(gòu)在特征提取上具有不同的優(yōu)勢(shì),合理組合兩種結(jié)構(gòu)在特征提取上的優(yōu)勢(shì)可以提升情感分類效果。注意力機(jī)制可以為句子中的重要情感特征賦予更大權(quán)重。深度學(xué)習(xí)模型更容易擴(kuò)展,可以容納更多特征信息。

        2 特征分析

        在已有的中文隱式情感分類任務(wù)研究中,隱式情感句缺乏關(guān)鍵情感特征、隱式情感句和上下文語(yǔ)句在情感類別上具有高度一致性特點(diǎn)備受相關(guān)學(xué)者的關(guān)注,本文從文本長(zhǎng)度和情感詞匯資源的角度對(duì)隱式文本的特征進(jìn)行了分析。

        2.1 文本特征

        句子長(zhǎng)度對(duì)不同分類模型情感分類效果有較大影響[20],本節(jié)對(duì)隱式情感句的句子長(zhǎng)度進(jìn)行了統(tǒng)計(jì)分析。首先,本文將測(cè)評(píng)任務(wù)公布的訓(xùn)練集和驗(yàn)證集文本進(jìn)行了合并;其次,從合并后的文本中根據(jù)句子的標(biāo)簽信息提取了隱式情感句;最后,統(tǒng)計(jì)了隱式情感句的句子長(zhǎng)度信息,統(tǒng)計(jì)結(jié)果如表2所示。

        表2 句子長(zhǎng)度統(tǒng)計(jì)結(jié)果Tab.2 Sentence length statistics

        為了更加直觀地觀察句子的文本特征,繪制了隱式情感句句子長(zhǎng)度和頻數(shù)的分布圖。將句子長(zhǎng)度和頻數(shù)取以10 為底的對(duì)數(shù)后,采用機(jī)器學(xué)習(xí)庫(kù)(Sklearn)的線性回歸模型對(duì)句子長(zhǎng)度和頻數(shù)關(guān)系進(jìn)行了擬合,擬合結(jié)果如圖1 所示,其中,黑色圓點(diǎn)代表句子長(zhǎng)度對(duì)應(yīng)的頻數(shù)。在對(duì)數(shù)坐標(biāo)系下,隱式情感句長(zhǎng)度和頻數(shù)滿足冪律分布,函數(shù)關(guān)系式為y=-1.983 3x+4.834 8,指標(biāo)R2為0.582 3。

        圖1 句子長(zhǎng)度和頻數(shù)關(guān)系Fig.1 Relationship between sentence length and frequency

        由圖1可以發(fā)現(xiàn):情感句長(zhǎng)度分布較為集中,由圖1(a)可以看出,本文隱式情感句子長(zhǎng)度多數(shù)集中在[20,160],在部分子區(qū)間內(nèi)會(huì)出現(xiàn)峰值,句子長(zhǎng)度較長(zhǎng)(>160)和較短(<20)的數(shù)量較少。在文本研究領(lǐng)域,句子長(zhǎng)度低于160 個(gè)字符被定義為短文本[21]。隱式情感句長(zhǎng)度低于160 個(gè)字符占比約為99%,因而隱式情感分類屬于短文本分類研究領(lǐng)域。在采用循環(huán)神經(jīng)網(wǎng)絡(luò)提取隱式情感特征時(shí),預(yù)測(cè)模型擅長(zhǎng)獲取句子的距離依賴和位置特征,但模型每一時(shí)刻的隱層狀態(tài)都和前面所有詞語(yǔ)相關(guān),會(huì)忽略關(guān)鍵的短語(yǔ)特征[21]。隱式情感句中詞語(yǔ)的位置特征對(duì)分類結(jié)果有重要影響。在采用卷積神經(jīng)網(wǎng)絡(luò)提取隱式情感特征時(shí),預(yù)測(cè)模型擅長(zhǎng)獲取句子的關(guān)鍵短語(yǔ)特征,但模型的池化操作會(huì)丟失句子的位置特征[22]。根據(jù)兩種模型的特點(diǎn),本文采用GCNN 和GRU 的組合提取隱式情感句特征。

        2.2 情感詞匯資源特征

        本文采用如下步驟對(duì)隱式情感句和上下文語(yǔ)句詞匯資源進(jìn)行分析:

        步驟1 構(gòu)建表情符號(hào)詞典。微博平臺(tái)用戶會(huì)使用表情符號(hào)來(lái)表達(dá)部分隱式情感[23]。在采用分詞工具對(duì)句子進(jìn)行切分時(shí),表情符號(hào)作為新詞會(huì)被錯(cuò)誤切分,如表情符號(hào)“[嘻嘻]”會(huì)被分成“[”“嘻嘻”“]”三部分。在隱式情感研究中,本文將完整的表情符號(hào)作為單獨(dú)詞語(yǔ)。在分詞工具中,本文通過(guò)自定義表情符號(hào)詞典的方式將表情符號(hào)進(jìn)行完整保留。本文從微博平臺(tái)上收集了常用的1 691個(gè)表情符號(hào),具有代表性的表情符號(hào)與情緒類別對(duì)應(yīng)關(guān)系如圖2所示。

        圖2 表情符號(hào)與情緒類別對(duì)應(yīng)Fig.2 Emoticons correspond to emotional categories

        步驟2 將隱式情感句與上下文情感詞匯進(jìn)行分詞。采用帶有自定義表情符號(hào)詞典的jieba 分詞工具將隱式情感句劃分為單獨(dú)的詞語(yǔ)。

        步驟3 查詢與統(tǒng)計(jì)。查詢?cè)~語(yǔ)組中的詞語(yǔ)在詞匯本體庫(kù)中是否出現(xiàn),統(tǒng)計(jì)出現(xiàn)過(guò)詞語(yǔ)的情感類別和強(qiáng)度等信息。

        采用算法1 對(duì)隱式情感句與上下文進(jìn)行識(shí)別,統(tǒng)計(jì)結(jié)果如表3所示。

        在表3 中,“句子總數(shù)”代表隱式情感句(上下文)的總數(shù);“含有情感詞匯的句子總數(shù)”代表隱式情感句(上下文)中含有情感詞匯的句子。由于并非所有的隱式情感句(上下文)都含有情感詞匯,“含有情感詞匯”代表隱式情感句(上下文)中含有情感詞匯的句子數(shù)?!半[式情感類別/情感詞匯類別”用于記錄隱式情感句(上下文)情感詞匯與句子情感傾向相同的數(shù)量。

        表3 隱式情感句與上下文詞匯資源統(tǒng)計(jì)結(jié)果Tab.3 Statistical results of implicit sentiment sentences and context lexical resources

        對(duì)統(tǒng)計(jì)結(jié)果進(jìn)行分析,在占比上,隱式情感缺乏情感詞匯資源,訓(xùn)練集中含有一個(gè)及以上數(shù)量標(biāo)記詞匯的句子約占總體的29.18%,驗(yàn)證集中含有一個(gè)及以上數(shù)量標(biāo)記詞匯的句子約占總體的29.26%。而在上下文中,含有情感詞匯的句子占總數(shù)的比例較高,分別為訓(xùn)練集73.55%與驗(yàn)證集72.29%。在占比上,上下文語(yǔ)句的情感詞匯資源明顯高于隱式情感句,這一特點(diǎn)說(shuō)明了上下文語(yǔ)句中蘊(yùn)含豐富的情感詞匯資源。

        情感詞匯擁有的情感強(qiáng)度較弱,即詞匯不帶有明顯情感傾向。為了直觀衡量標(biāo)記詞傾向與句子整體傾向,本文統(tǒng)計(jì)了情感詞匯分別與隱式情感句和上下文語(yǔ)句情感傾向相同的句子,統(tǒng)計(jì)結(jié)果見表4。

        表4 情感詞匯與隱式情感句和上下文語(yǔ)句相同情感傾向統(tǒng)計(jì) 單位:%Tab.4 Statistics on the same tendency of sentimental words,implicit sentiment sentences and contextual sentences unit:%

        由表3~4 可以得出以下結(jié)論:情感詞匯占比低、情感詞匯和隱式情感句情感傾向不一致這兩個(gè)特點(diǎn)會(huì)使句子情感判別更加困難;上下文語(yǔ)句中蘊(yùn)含豐富的情感詞匯資源,并且情感傾向和情感句情感傾向相同占比平均達(dá)63%以上?;A(chǔ)模型輸入僅包括隱式情感句,未利用到上下文語(yǔ)句中豐富的情感資源,且有實(shí)驗(yàn)證明詞語(yǔ)的時(shí)序關(guān)系以及詞語(yǔ)間依賴關(guān)系對(duì)分類結(jié)果有提升作用。針對(duì)以上問(wèn)題,本文采用GRU 提取隱式情感句中的時(shí)序關(guān)系及詞語(yǔ)間的依賴關(guān)系,用BiGRU+Attention 的組合結(jié)構(gòu)提取句子外的上下文特征,在融合層使用特征向量點(diǎn)乘的方式,融合時(shí)序特征與上下文特征,從而提升中文隱式情感分類效果。

        3 隱式情感分類模型

        本章主要介紹本文提出的融合時(shí)序與上下文特征的隱式情感分類模型。

        3.1 任務(wù)定義

        隱式情感分類任務(wù)與傳統(tǒng)的情感分類任務(wù)相同。為了更加直觀地表示本文采用的上下文特征對(duì)隱式情感分類的影響,對(duì)包含上下文的隱式情感分類任務(wù)進(jìn)行了定義:

        其中:采用Sl代表任意隱式情感句,Sl可表示為Sl=(wl1,wl2,…,wlm),其中wlm表示Sl第m個(gè)詞語(yǔ)特征,m代表句子中詞語(yǔ)的數(shù)量;Sc代表隱式情感句對(duì)應(yīng)的上下文語(yǔ)句,Sc可表示為Sc=(wc1,wc2,…,wcm),其中wcm表示Sc第m個(gè)詞語(yǔ)特征。pli代表情感類別的概率,隱式情感類別可表示為Pl=(pl1,pl2,pl3),其中pl1、pl2和pl3代表中性、褒義和貶義隱式情感類別的概率。包含上下文信息的隱式情感分類任務(wù)可定義為:對(duì)于給定的任意隱式情感句Sl及其對(duì)應(yīng)的上下文語(yǔ)句Sc,判定Sl和Sc對(duì)應(yīng)的Pl,即計(jì)算Sl和Sc在Pl中各元素上的極大似然概率分布。

        3.2 模型描述

        本文提出的模型總共包含4 個(gè)部分,分別為輸入層、編碼層、融合層和輸出層。整體模型結(jié)構(gòu)分為4 層(見圖3),輸入層主要負(fù)責(zé)將隱式情感句和上下文語(yǔ)句轉(zhuǎn)換為定長(zhǎng)的特征向量并輸入進(jìn)模型;編碼層主要負(fù)責(zé)對(duì)輸入層表示的特征向量進(jìn)行編碼,并輸出編碼后的特征值;融合層為包含計(jì)算節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu),用于融合隱式情感句中的時(shí)序信息和上下文特征中重要的情感信息;輸出層根據(jù)融合后的特征計(jì)算各個(gè)情感類別的概率。

        3.2.1 輸入層

        1)對(duì)隱式情感句的處理。

        步驟1 文本預(yù)處理。由于數(shù)據(jù)來(lái)源于網(wǎng)絡(luò),文本數(shù)據(jù)包含較多的標(biāo)點(diǎn)符號(hào)和“臟數(shù)據(jù)”?!芭K數(shù)據(jù)”指和官方測(cè)評(píng)任務(wù)描述不同的語(yǔ)句,主要指標(biāo)簽后帶有“"”符號(hào)的句子。為使隱式情感句數(shù)量與官方測(cè)評(píng)任務(wù)保持一致,本文去除了“臟數(shù)據(jù)”。

        步驟2 對(duì)隱式情感句進(jìn)行分詞。采用帶有自定義表情符號(hào)詞典的jieba分詞工具將隱式情感句劃分為單獨(dú)的詞語(yǔ)。

        步驟3 定長(zhǎng)處理。為方便進(jìn)行特征編碼,設(shè)定使用句子最大長(zhǎng)度對(duì)隱式情感句進(jìn)行補(bǔ)齊或者截?cái)嗵幚?。設(shè)定最大長(zhǎng)度閾值為n,采用Sl代表任意隱式情感句,采用wlm表示Sl第m個(gè)詞語(yǔ)特征,則任意隱式情感句可表示為Sl=(wl1,wl2,…,wlm),采用式(2)對(duì)句子進(jìn)行定長(zhǎng)處理:

        其中:當(dāng)詞語(yǔ)數(shù)量大于n時(shí),對(duì)詞語(yǔ)順序大于n的詞語(yǔ)進(jìn)行截?cái)啵瑱M向拼接前n個(gè)詞語(yǔ)作為句子的特征表示;當(dāng)詞語(yǔ)數(shù)量小于n時(shí),對(duì)詞語(yǔ)進(jìn)行補(bǔ)齊,用n-m個(gè)特定標(biāo)志[padding]進(jìn)行左補(bǔ)全。

        步驟4 詞向量表示。查詢隱式情感句Sl每個(gè)詞語(yǔ)在詞嵌入模型中的向量表示,將詞語(yǔ)特征轉(zhuǎn)化為定長(zhǎng)維度的實(shí)數(shù)向量。假設(shè)預(yù)訓(xùn)練詞向量表為N∈RV×d,其中N為向量表的詞典大小,d為詞向量的維度大小。對(duì)任意隱式情感句Sl=(wl1,wl2,…,wln),采用維度為1×N的向量N(wln)∈R1×N表示wln在N中的位置,其中,wln對(duì)應(yīng)的位置數(shù)值為1,其余位置為0,采用式(3)將每一個(gè)隱式情感句Sl轉(zhuǎn)換成N×d維度的實(shí)數(shù)向量。

        對(duì)于不在詞典中的詞匯和[padding]標(biāo)志,采用相同維度大小的全0 向量進(jìn)行初始化。任意隱式情感句Sl對(duì)應(yīng)的向量表示為wl=,其中wl維度大小為n×d。

        2)對(duì)上下文語(yǔ)句的處理。

        上下文語(yǔ)句不需要進(jìn)行“臟數(shù)據(jù)”處理,其余操作同隱式情感句處理操作。

        3.2.2 編碼層

        1)對(duì)隱式情感句進(jìn)行編碼。

        隱式情感句的編碼層包括3個(gè)部分:?jiǎn)螌覩RU單元塊、門控循環(huán)單元及Dropout機(jī)制。

        與普通CNN 結(jié)構(gòu)不同的是,GCNN 結(jié)合了門控機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn),在建模時(shí)能簡(jiǎn)化學(xué)習(xí)方式,減少非線性計(jì)算量。GCNN 能分層次地對(duì)輸入的語(yǔ)言特征進(jìn)行分析,根據(jù)輸入特征建立不同粒度的句法樹結(jié)構(gòu)。本文提出了GCNNGRU 隱式情感分類模型,該模型為GGBA 未融合上下文特征的中間模型。本文對(duì)GCNN結(jié)構(gòu)進(jìn)行如下處理:

        ①由于本文數(shù)據(jù)集中的隱式情感句屬于短文本,本文采用單個(gè)門控卷積神經(jīng)網(wǎng)絡(luò)塊對(duì)隱式情感文本特征進(jìn)行提取,這樣既保留了GCNN 獨(dú)特的特征篩選和提取能力,同時(shí)又簡(jiǎn)化了模型。

        ②由于本文采用了單層GCNN 結(jié)構(gòu),分類模型不會(huì)出現(xiàn)詞表巨大的現(xiàn)象,為了使輸出層和其他分類模型保持一致,在輸出層部分采用普通的Softmax 代替Adaptive Softmax。本文采用的單層GCNN結(jié)構(gòu)如圖4所示。

        圖4 GCNN結(jié)構(gòu)示意圖Fig.4 Schematic diagram of GCNN structure

        GCNN卷積部分主要分為兩部分,卷積激活部分A和用于門控操作的B。GCNN 門控單元會(huì)對(duì)來(lái)自A和B的信息進(jìn)行如式(4)的計(jì)算:

        wl為輸入層預(yù)處理后的特征矩陣;WA和WB為A和B中取值不同的卷積核權(quán)重矩陣,WA、WB∈Rk×n×o;bA和bB為A和B中取值不同的卷積核偏置項(xiàng),n和o為輸入特征圖信息,k為卷積核信息;σ為Sigmoid 函數(shù),用于控制A部分中信息的傳遞;?為多元乘法運(yùn)算,用于求A和B兩部分各個(gè)元素乘積,結(jié)果為GCNN 提取到的特征。為便于描述,詞向量特征wl經(jīng)過(guò)單個(gè)門控卷積神經(jīng)網(wǎng)絡(luò)編碼后的特征為hg=(hg1,hg2,…,hgn)。

        門控循環(huán)單元GRU 是RNN 的一種變體結(jié)構(gòu)。GRU 具備同LSTM 相同的長(zhǎng)短期記憶能力和更簡(jiǎn)潔的結(jié)構(gòu),主要包括兩個(gè)處理信息的門控結(jié)構(gòu)。在GCNN 編碼結(jié)構(gòu)輸出部分,本文采用門控循環(huán)單元獲取更高層語(yǔ)義特征。GRU 結(jié)構(gòu)如圖5所示。

        圖5 GRU結(jié)構(gòu)示意圖Fig.5 Schematic diagram of GRU structure

        如圖5(a)所示,GRU 中線性序列的特點(diǎn)讓特征在前后計(jì)算中得以傳遞,建立了特征長(zhǎng)短期距離依賴關(guān)系。圖5(b)為GRU 單元結(jié)構(gòu),其中更新門(Update Gate)負(fù)責(zé)數(shù)據(jù)的丟棄和更新;重置門(Reset Gate)用于儲(chǔ)存遺忘信息的步長(zhǎng)。不同時(shí)間步內(nèi),GRU對(duì)輸入信息進(jìn)行式(5)~(8)的計(jì)算。

        其中:Wz、Wr、Wg分別為更新門、重置門和整個(gè)單元的權(quán)重矩陣;xt為t時(shí)刻的輸入;ht-1和ht為t-1 時(shí)刻和t時(shí)刻GRU 單元輸出;zt和rt為t時(shí)刻兩個(gè)門結(jié)構(gòu)的輸出,由式(5)和(6)計(jì)算得到為新的記憶信息,由式(7)計(jì)算得到。為了直觀展示特征處理過(guò)程,GRU編碼過(guò)程簡(jiǎn)化為式(9)~(10):

        其中:Wg為GRU 結(jié)構(gòu)的權(quán)重矩陣,經(jīng)過(guò)式(3)~(9)的計(jì)算,得到GRU結(jié)構(gòu)的輸入為前向傳播時(shí)詞語(yǔ)的隱狀態(tài)為簡(jiǎn)化的前向序列計(jì)算;實(shí)際計(jì)算過(guò)程如式(5)~(8)所示。編碼后的特征表示為Hl=[hl1,hl2,…,hln],集合內(nèi)各元素與wl內(nèi)元素一一對(duì)應(yīng)。在特征輸出部分,本文采用了Dropout機(jī)制[24]減弱分類模型中的過(guò)擬合現(xiàn)象。

        2)對(duì)上下文語(yǔ)句進(jìn)行編碼。

        為突出上下文語(yǔ)句中的重要情感特征和解決較長(zhǎng)上下文語(yǔ)句中關(guān)鍵詞信息丟失問(wèn)題,采用BiGRU 與注意力機(jī)制的組合對(duì)上下文重要情感特征進(jìn)行加權(quán)輸出,結(jié)構(gòu)如圖6所示。

        圖6 BiGRU+Attention網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Schematic of BiGRU+Attention network

        BiGRU 編碼部分會(huì)對(duì)上下文特征進(jìn)行雙向語(yǔ)義計(jì)算,前向計(jì)算與GRU編碼部分相同,反向計(jì)算過(guò)程如式(11):

        注意力機(jī)制層可表示為帶有特殊功能的前饋神經(jīng)網(wǎng)絡(luò),主要功能是為拼接后的特征賦予不同的權(quán)重。注意力機(jī)制層內(nèi)部主要包括3 個(gè)參數(shù),分別為權(quán)重矩陣、偏置項(xiàng)及單獨(dú)的實(shí)數(shù)序列。注意力機(jī)制層會(huì)對(duì)輸入特征進(jìn)行式(12)~(14)的計(jì)算:

        其中:Ww為注意力機(jī)制層的權(quán)重矩陣;bW為注意力機(jī)制層的偏置項(xiàng);μW為隨機(jī)初始化的實(shí)數(shù)序列;αt為每個(gè)輸入分配的獨(dú)立權(quán)重;s為分配權(quán)重后的輸出。輸出后的特征包含了上下文重要情感特征,記作hc=[hc1,hc2,…,hcn]。

        3.2.3 融合層

        融合層將含有時(shí)序特征的向量hl=[hl1,hl2,…,hln]與含有上下文情感特征的向量hc=[hc1,hc2,…,hcn]采用式(15)對(duì)隱式情感句特征和上下文特征進(jìn)行逐元素相乘。

        3.2.4 輸出層

        假設(shè)融合后的特征H∈Rn×d,輸出層則對(duì)輸入特征H進(jìn)行式(16)的計(jì)算:

        其中:softmax為歸一化函數(shù);pli為歸一化后的分類模型情感類別結(jié)果,Ws和bs分別為輸出層的權(quán)重矩陣和偏置項(xiàng)向量,取pli中的最大值作為分類模型最終預(yù)測(cè)結(jié)果,即進(jìn)行式(17)計(jì)算:

        4 實(shí)驗(yàn)與分析

        4.1 數(shù)據(jù)集

        本文所用數(shù)據(jù)集為第8 屆全國(guó)社會(huì)媒體處理大會(huì)(SMP2019)舉辦的“拓爾思杯”中文隱式情感分析評(píng)測(cè)數(shù)據(jù)集,由于無(wú)法獲得該數(shù)據(jù)集中測(cè)試集的標(biāo)注信息,本文只使用數(shù)據(jù)集中的訓(xùn)練集和驗(yàn)證集,對(duì)訓(xùn)練集重新進(jìn)行4∶1 的劃分,分別作為訓(xùn)練集與驗(yàn)證集,原驗(yàn)證集作為本文測(cè)試集。該數(shù)據(jù)集情感標(biāo)簽為褒義、中性、貶義3 種。表5 展示了標(biāo)注數(shù)據(jù)的詳細(xì)信息。

        表5 實(shí)驗(yàn)數(shù)據(jù)信息Tab.5 Experimental data information

        4.2 實(shí)驗(yàn)設(shè)置

        4.2.1 數(shù)據(jù)預(yù)處理

        對(duì)本實(shí)驗(yàn)中的數(shù)據(jù)集進(jìn)行初步的規(guī)則識(shí)別,分別提取出隱式情感句和上下文語(yǔ)句。隱式情感句中去除了“臟數(shù)據(jù)”(3.2.1 節(jié)對(duì)隱式情感句的處理)。與隱式情感句相鄰的語(yǔ)句作為上下文的輸入,對(duì)于不包含上下文的隱式情感句,采用句子本身作為上下文輸入。句子提取完成后,采用帶有自定義情感詞典的jieba分詞工具對(duì)句子進(jìn)行分詞處理。

        4.2.2 評(píng)價(jià)指標(biāo)

        本文使用SMP2019 官方提供的評(píng)價(jià)指標(biāo)測(cè)試各個(gè)模型分類性能,即宏平均準(zhǔn)確率(Macro?P)、召回率(Macro?R)及F1值(Macro?F1)。宏平均指標(biāo)的計(jì)算需要求得各個(gè)類別的準(zhǔn)確率(P)、召回率(R)及F1 值。3 個(gè)數(shù)值的計(jì)算如式(18)~(20)所示:

        其中:TP(True Positive)表示句子情感類別為正例,分類模型預(yù)測(cè)結(jié)果為正例;FP(False Positive)表示句子情感類別為負(fù)例,分類模型預(yù)測(cè)結(jié)果為正例;FN(False Negative)表示句子情感類別為正例,分類模型預(yù)測(cè)結(jié)果為負(fù)例。在隱式情感分類研究中,正例為原始情感類別,負(fù)例為其他情感類別。宏平均指標(biāo)為對(duì)3 個(gè)類別指標(biāo)求均值,僅展示宏平均準(zhǔn)確率計(jì)算方式,如式(21)所示,其中Pi與標(biāo)簽信息一一對(duì)應(yīng),分別代表隱性情感類別:中性、褒義、貶義,其余指標(biāo)計(jì)算相似。

        4.2.3 對(duì)比實(shí)驗(yàn)設(shè)置

        為直觀比較各模型特征提取特點(diǎn),本文采用Word2vec 詞向量,且在訓(xùn)練時(shí)融入Word+Character+Ngram 特征[25]。本節(jié)選取了隱式情感分類和顯式情感分類研究中常用的模型,詳細(xì)信息如下:

        1)LSTM。本文采用文獻(xiàn)[15]提出的LSTM網(wǎng)絡(luò)獲取詞語(yǔ)的時(shí)序關(guān)系及詞語(yǔ)間的依賴關(guān)系,在此基礎(chǔ)上建立了LSTM隱式情感分類模型。

        2)GRU。獲取文本特征表示后,本文采用文獻(xiàn)[15]提出的GRU 網(wǎng)絡(luò)獲取詞語(yǔ)間的時(shí)序關(guān)系及依賴關(guān)系,從而建立了GRU隱式情感分類模型。

        3)GCNN。在文獻(xiàn)[14]中的GCNN 分類模型基礎(chǔ)上,采用單層門控卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行局部特征提取,通過(guò)最大池化和輸出層實(shí)現(xiàn)特征情感判別。

        4)TextCNN。本文在編碼器部分采用了文獻(xiàn)[12]提出的TextCNN模型。

        5)DRNN。本文在文獻(xiàn)[16]中DRNN 分類模型基礎(chǔ)上,采用GRU 作為中斷門控循環(huán)單元,通過(guò)全連接層、最大池化層提取更高層的特征信息。

        6)BERT。本文采用中文預(yù)訓(xùn)練BERT 模型[17]獲取詞語(yǔ)深層次語(yǔ)義信息,搭建了一個(gè)Softmax 分類器實(shí)現(xiàn)隱式情感句的判別。本文還采用了L2正則化減弱模型的過(guò)擬合程度。

        7)RoBERTa。本文采用RoBERTa 預(yù)訓(xùn)練模型[18]獲取詞語(yǔ)深層次語(yǔ)義信息,搭建了一個(gè)Softmax 分類器實(shí)現(xiàn)隱式情感句的判別。本文還采用了L2正則化減弱模型的過(guò)擬合程度。

        8)GCNN-GRU。本文提出的一種融合詞語(yǔ)時(shí)序信息的隱式情感分類模型。采用單層GCNN 提取局部特征,通過(guò)GRU網(wǎng)絡(luò)增強(qiáng)距離依賴特性,并獲取詞語(yǔ)間的時(shí)序信息及更高層的語(yǔ)義特征信息,結(jié)構(gòu)內(nèi)部設(shè)計(jì)見3.2.2節(jié)編碼層描述部分。

        4.2.4 超參數(shù)設(shè)置

        采用參考相關(guān)研究文獻(xiàn)和重復(fù)實(shí)驗(yàn)的方式確定超參數(shù)的取值,如表6所示。

        表6 分類模型統(tǒng)一超參數(shù)Tab.6 Unified hyperparameters for classification models

        分類模型主要包括兩大類:一種為循環(huán)神經(jīng)網(wǎng)絡(luò)相關(guān)的分類模型,其中隱層神經(jīng)元個(gè)數(shù)對(duì)分類結(jié)果有較大影響,如LSTM、GRU、DRNN 和GCNN-GRU;另一種為卷積神經(jīng)網(wǎng)絡(luò)相關(guān)的分類模型,如GCNN-GRU、GCNN 和TextCNN,卷積核數(shù)和窗口大小對(duì)模型分類結(jié)果有較大影響。在確定隱層神經(jīng)元最佳取值時(shí),設(shè)定取值分別為8、16、32、64、128 和256。在確定GCNN-GRU 和DRNN 隱層神經(jīng)元時(shí),本文參照文本分類任務(wù)中卷積神經(jīng)網(wǎng)絡(luò)敏感性研究,將卷積核數(shù)設(shè)定為100,窗口大小設(shè)定為1,DRNN 窗口大小設(shè)定為10。本節(jié)采用宏平均F1 值作為評(píng)價(jià)指標(biāo),在測(cè)試集上進(jìn)行一次實(shí)驗(yàn)并記錄各分類模型實(shí)驗(yàn)結(jié)果,實(shí)驗(yàn)結(jié)果如圖7所示。

        圖7 神經(jīng)元數(shù)與F1值關(guān)系Fig.7 Relationship between the number of neurons and value of F1

        對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析,當(dāng)隱層神經(jīng)元數(shù)量取值為64 時(shí),循環(huán)神經(jīng)網(wǎng)絡(luò)相關(guān)的分類模型均可以取得不錯(cuò)的分類效果。GCNN-GRU、DRNN、LSTM 和GRU隱層神經(jīng)元個(gè)數(shù)設(shè)定為64。在研究卷積神經(jīng)網(wǎng)絡(luò)相關(guān)的分類模型超參數(shù)時(shí),窗口大小分別設(shè)定為1、3、5、7、10和15。實(shí)驗(yàn)結(jié)果如圖8所示,其中,CNN窗口大小測(cè)試參考了文獻(xiàn)[17]研究?jī)?nèi)容,主要目的是測(cè)試單層CNN 在不同大小窗口的敏感性。根據(jù)單層CNN 敏感性測(cè)試結(jié)果,本文確定了CNN相關(guān)網(wǎng)絡(luò)的窗口取值。

        圖8 卷積核窗口大小與F1值關(guān)系Fig.8 Relationship between size of convolution kernel window and value of F1

        對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析,DRNN 分類模型在取值為15 時(shí)可以取得不錯(cuò)分類效果,綜合其他大型數(shù)據(jù)集實(shí)驗(yàn)結(jié)果,將DRNN 窗口大小設(shè)定為15。GCNN 和GCNN-GRU 分類模型宏平均F1 值隨著窗口增大而下降,在取值為1 時(shí)最優(yōu)。CNN 分類模型宏平均F1 值在3 時(shí)效果最優(yōu)。綜合實(shí)驗(yàn)結(jié)果,分類模型獨(dú)特的超參數(shù)設(shè)置如表7所示。

        表7 各模型參數(shù)取值Tab.7 Different parameter values of models

        4.3 實(shí)驗(yàn)結(jié)果分析

        本文對(duì)各分類模型進(jìn)行了5 次重復(fù)實(shí)驗(yàn),獲取了宏平均準(zhǔn)確率、召回率以及F1 值。為了方便對(duì)比,本文還列舉了各分類模型參與訓(xùn)練的參數(shù)量,實(shí)驗(yàn)結(jié)果詳細(xì)信息見表8。

        表8 各分類模型宏平均準(zhǔn)確率、召回率和F1值Tab.8 Macro?P,Macro?R and F1 values of each classification model

        對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析可以得到如下結(jié)論:

        1)對(duì)比GCNN-GRU、LSTM 和GRU 模型,GCNN-GRU 具備更強(qiáng)的局部特征提取和信息篩選能力。與最優(yōu)的GRU 相比,本文提出的GCNN-GRU 在宏平均準(zhǔn)確率上從73.15%提高到了73.74%,提升了0.80%;在宏平均召回率上從72.01%提高到了73.71%,提升了0.97%;在宏平均F1 值上從72.27%提高到了73.65%,提升了1.91%,驗(yàn)證了本文提出的GCNNGRU 在融合局部特征和詞語(yǔ)時(shí)序信息上的有效性。由于本文數(shù)據(jù)集中包含修辭語(yǔ)句、情感類別增多(增加中性)、情感類別數(shù)據(jù)不均衡(中性>貶義>褒義)、不同情感類別的句子不存在界限分明的情感詞、數(shù)據(jù)來(lái)源廣泛、等特點(diǎn),導(dǎo)致隱性情感分析任務(wù)比顯式情感分析任務(wù)更加困難,也導(dǎo)致了隱性情感分析的準(zhǔn)確度不可能大幅度提升。GGBA 在GCNN-GRU 基礎(chǔ)上融合了上下文特征,將宏平均準(zhǔn)確率、召回率、F1 值分別提升了1.75%、0.87%、1.33%,證明了上下文信息對(duì)隱式情感分類任務(wù)的影響。

        2)對(duì)比GGBA、GCNN、TextCNN 和DRNN 模型,GGBA 模型比效果最好的DRNN 模型在宏平均準(zhǔn)確率上提高到75.03%,提高了1.9%;召回率提高到74.35%,提升了1.5%;F1 值提高到74.63%,提升了1.6%,驗(yàn)證了本文所提模型在中文隱式情感分類任務(wù)上的有效性。

        3)對(duì)比GGBA、BERT 和RoBERTa 分類模型,RoBERTa 分類模型采用的雙向Transformer 結(jié)構(gòu)、多維度的注意力機(jī)制和動(dòng)態(tài)Masking 方法有效獲取了詞語(yǔ)的深層語(yǔ)義特征,但具備最高數(shù)量級(jí)的參數(shù)量。相對(duì)于基礎(chǔ)的BERT 模型,改進(jìn)后的RoBERTa 分類模型在隱式情感數(shù)據(jù)集上可以獲得更好的分類效果。BERT 相關(guān)模型由于其龐大的參數(shù)量導(dǎo)致預(yù)訓(xùn)練時(shí)花費(fèi)的時(shí)間更久,且對(duì)設(shè)備和內(nèi)存的要求較高[26],若需在手機(jī)等資源有限的設(shè)備上使用BERT 相關(guān)模型,必須縮減模型中的參數(shù)量,但緊湊的BERT 相關(guān)模型往往會(huì)丟失潛在的重要信息,表現(xiàn)出較低的性能。雖然知識(shí)蒸餾技術(shù)[22]在一定程度上增強(qiáng)了BERT 相關(guān)模型的可遷移性,但其性能相較于教師模型仍有所降低。本文的GGBA 模型雖然對(duì)宏平均準(zhǔn)確率、召回率和F1 值的提升不如BERT 模型和RoBERTa 模型,但其參數(shù)量驟降,更適用于資源有限設(shè)備。

        5 結(jié)語(yǔ)

        本文首先對(duì)隱式情感句文本特征和情感詞匯資源進(jìn)行了分析,然后提出了一種融合局部特征提取的隱式情感分類模型GCNN-GRU 和一種融合時(shí)序信息和上下文信息的中文隱式情感分類模型GGBA。GCNN-GRU 模型證明了局部信息與時(shí)序信息對(duì)中文隱式情感分類任務(wù)效果的提升,基于隱式情感分類對(duì)上下文信息的依賴;在GCNN-GRU 模型基礎(chǔ)上,融合了上下文信息,提出GGBA 模型,在宏平均準(zhǔn)確率、召回率和F1值上均有不錯(cuò)的表現(xiàn),效果相較于參數(shù)量級(jí)較低的模型均獲得了不同程度的提升。雖然分類效果不如BERT 和RoBERTa,但是GGBA 模型小、參數(shù)量低、遷移性高,能夠在手機(jī)等資源有限的設(shè)備上達(dá)到最好的性能。隨著互聯(lián)網(wǎng)行業(yè)的發(fā)展,人們表達(dá)感情已經(jīng)不僅僅局限于文本,圖片、聲音、視頻均可以傳達(dá)人們想要表達(dá)的感情,所以,接下來(lái)的工作也會(huì)著重研究多模態(tài)的情感分析,更加貼合人們的實(shí)際生活。

        猜你喜歡
        卷積詞語(yǔ)詞匯
        容易混淆的詞語(yǔ)
        基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
        本刊可直接用縮寫的常用詞匯
        找詞語(yǔ)
        一些常用詞匯可直接用縮寫
        本刊可直接用縮寫的常用詞匯
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        詞語(yǔ)欣賞
        一枚詞語(yǔ)一門靜
        精品久久av一区二区| 熟女人妻丰满熟妇啪啪| 久久久亚洲欧洲日产国码是AV| 国产丝袜美腿一区二区三区| 亚洲av福利天堂一区二区三| 99精品一区二区三区无码吞精| 国产日韩久久久精品影院首页| 在线看片免费人成视久网不卡| 精品人妻va一区二区三区| 国产真实强被迫伦姧女在线观看| 日韩免费一区二区三区在线| 中文字幕一区二区va| 极品尤物精品在线观看| 无码少妇精品一区二区免费动态| 日韩欧美专区| 大又黄又粗又爽少妇毛片| 亚洲av天堂在线视频| 国产精品沙发午睡系列990531| 亚洲欧洲久久久精品| 亚洲情久久久精品黄色| 九九在线中文字幕无码| 亚洲乱码国产一区三区| 亚洲av午夜成人片精品| 久久老熟女一区二区三区福利| 亚洲最大av网站在线观看| 视频一区二区在线播放| 一区二区三区四区四色av| 亚洲精品国产精品乱码视色| 日本老熟妇50岁丰满| 视频国产精品| 日本国产一区在线观看| 亚洲日韩精品一区二区三区| 久久精品岛国av一区二区无码 | 69久久夜色精品国产69| 黄色录像成人播放免费99网| av在线高清观看亚洲| 成人毛片无码一区二区三区| 国产欧美日韩综合一区二区三区| 国产成人精品一区二三区在线观看| 国产大片内射1区2区| 久久免费看少妇高潮v片特黄|