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

        ?

        基于自組織映射網(wǎng)絡(luò)與時間權(quán)重的電力企業(yè)大學(xué)資源快速精準(zhǔn)檢索方法研究

        2022-09-07 06:38:20郝騰飛郭建龍馮偉夏
        科技創(chuàng)新與應(yīng)用 2022年25期
        關(guān)鍵詞:正確率檢索權(quán)重

        郝騰飛,郭建龍,劉 曉,馮偉夏,熊 山

        (廣東電網(wǎng)有限責(zé)任公司培訓(xùn)與評價中心,廣州 510520)

        近年來,在線學(xué)習(xí)獲得了飛躍的發(fā)展,2020 年新冠肺炎疫情的爆發(fā)更是讓線上學(xué)習(xí)成為了一種不可或缺的學(xué)習(xí)方式。線上學(xué)習(xí)具有獲取知識便捷、節(jié)約學(xué)習(xí)時間和價格成本低等優(yōu)點,但在線學(xué)習(xí)還存在一些不足,如視頻內(nèi)容快速檢索困難、回放定位輔助操作不清楚、知識點與視頻幀無關(guān)聯(lián)等,從而不利于知識信息在視頻中的注入和檢索生成,導(dǎo)致學(xué)習(xí)者難以快速精準(zhǔn)獲取適合自身的個性化學(xué)習(xí)資源[1-4]。

        針對MOOC(Massive Open Online Course,MOOC)教學(xué)視頻內(nèi)容檢索不便和知識點與視頻幀無法關(guān)聯(lián)的問題,許鄧艷等[5]基于知識注釋的MOOC 視頻快速檢索系統(tǒng)探究了視頻快速分割方法,但在視頻檢索并未考慮用戶的個性化信息。針對在線學(xué)習(xí)個性化欠缺的問題,朱曉云[6]認為應(yīng)當(dāng)研究用戶群需求,進而從數(shù)據(jù)龐大的資源中提取真正滿足用戶需求的資源;張莉萍[7]強調(diào)知識整合,認為應(yīng)當(dāng)著眼用戶需要,積極為其提供完善的知識信息服務(wù)。劉愛琴等[8-10]提出在在線學(xué)習(xí)中利用自組織映射網(wǎng)絡(luò)(Self-Organizing Feature Map,SOM)神經(jīng)網(wǎng)絡(luò)算法對用戶個人特征信息、行為數(shù)據(jù)及文獻數(shù)據(jù)庫進行聚類分析,進而提出一種自適應(yīng)學(xué)習(xí)框架,用來滿足用戶學(xué)習(xí)的個性化需要。上述文獻中提出的方法都在一定程度上提高了檢索速度或精度,但均未考慮不同歷史時間段瀏覽內(nèi)容與本次用戶檢索內(nèi)容的關(guān)聯(lián)性,對新的搜索特征缺乏敏感性,無法根據(jù)用戶搜索內(nèi)容及時調(diào)整對應(yīng)的資源快速推薦庫,導(dǎo)致資源檢索的快速性和精準(zhǔn)性較低。

        針對上述問題,本文提出了一種基于SOM 和時間權(quán)重的資源快速精準(zhǔn)檢索方法。該方法首先基于員工基本信息和歷史瀏覽記錄構(gòu)建用戶特征集并進行SOM 聚類,得到不同特征用戶組成的用戶集群,并將利用該用戶集群得到的關(guān)聯(lián)資源集生成的資源快速推薦庫供用戶檢索,檢索內(nèi)容被采納后則生成瀏覽歷史記錄;再檢索時,根據(jù)用戶瀏覽歷史記錄與本次搜索時間的遠近賦予時間權(quán)重,根據(jù)所賦時間權(quán)重更新用戶特征集并再聚類,獲得新的關(guān)聯(lián)資源集群,并進而得到新的資源快速推薦庫,依此類推。仿真結(jié)果顯示本文提出的方法提高了檢索精確度,縮短了檢索時間。

        1 SOM 神經(jīng)網(wǎng)絡(luò)聚類算法

        所謂聚類系指基于一定特征的相似程度分組,實現(xiàn)組內(nèi)相似度最大,組間相似度最小的過程[11-12]。鑒于自組織特征映射神經(jīng)網(wǎng)絡(luò)SOM 算法具有無導(dǎo)師自組織學(xué)習(xí)、無參數(shù)、精準(zhǔn)化和穩(wěn)定性強的特點,廣泛應(yīng)用于智慧神經(jīng)網(wǎng)絡(luò)構(gòu)建分析、大數(shù)據(jù)分析處理和用戶個性化服務(wù),在聚類時間和聚類效果上比其它算法更好。因此,本文采用自組織特征映射神經(jīng)網(wǎng)絡(luò)SOM 算法實施用戶聚類。

        1.1 SOM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        如圖1 所示,SOM 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)通常由輸入層和輸出層構(gòu)成,神經(jīng)網(wǎng)絡(luò)沒有隱含層。由圖1 可見,一維輸入層與二維輸出層所有神經(jīng)元之間存在縱向全權(quán)連接關(guān)系,輸入層中各個神經(jīng)元之間彼此獨立,不存在權(quán)連接關(guān)系;輸出層各神經(jīng)元之間存在雙向權(quán)連接關(guān)系。本文所采用的SOM 神經(jīng)網(wǎng)絡(luò)框架,其輸入層由m 個神經(jīng)元組成,對應(yīng)輸入為m 維向量x1,x2,…,xi,…,xm記作x=[x1,x2,…,xi,…xm]T,i=1,2,…,m。輸出層由n 個神經(jīng)元組成,任一輸入向量xi與輸出向量縱向全權(quán)連接權(quán)值向量為wi1,wi2,…,wij,…,win記作wi=[wi1,wi2,…,wij,…,win],j=1,2,…,n。

        圖1 SOM 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

        對SOM 神經(jīng)網(wǎng)絡(luò)而言,一旦網(wǎng)絡(luò)結(jié)構(gòu)、輸入向量及輸出向量確定后,其關(guān)鍵是通過訓(xùn)練對神經(jīng)網(wǎng)絡(luò)的輸入與輸出、輸出向量之間的連接權(quán)值向量進行調(diào)整,以提高SOM 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度和速度。

        1.2 SOM 算法原理

        自組織特征神經(jīng)網(wǎng)絡(luò)算法實質(zhì)是對各神經(jīng)元之間連接權(quán)值向量調(diào)整和優(yōu)化過程,該過程分為粗學(xué)習(xí)與粗調(diào)整和精學(xué)習(xí)與細調(diào)2 個階段。粗學(xué)習(xí)與粗調(diào)整階段,常用歐式距離法或余弦法計算輸入向量和輸出向量之間相似程度,大致確定輸入向量在輸出層所對應(yīng)的影射位置[13]。精學(xué)習(xí)與細調(diào)整階段,在粗調(diào)整階段所建立的輸入和輸出拓撲關(guān)系基礎(chǔ)上,在小范圍內(nèi)對連接權(quán)值進行調(diào)整。

        SOM 算法流程如圖2 所示,介紹如下。

        圖2 SOM 算法流程圖

        (1)權(quán)值向量的歸一化。對全連接權(quán)值向量wi=[wi1,wi2,…,wij,…,win]賦予初值,假設(shè)權(quán)值向量值wij線性無關(guān),則可歸一化為

        式中:j 為輸出向量個數(shù),j=1,2,…,n。

        (2)輸入向量的歸一化。對輸入向量x=[x(1t),x2(t),…,x(it),…x(mt)]T進行歸一化,即

        式中:xi(t)為第t 次學(xué)習(xí)優(yōu)化得到的輸入向量;t 為優(yōu)化次數(shù),t=0,1,2,…。

        (3)計算任一輸入向量xi(t)與第j 個輸出向量之間權(quán)值向量的歐式距離,即

        選擇歐式距離dj最小的對應(yīng)的輸出向量為獲勝神經(jīng)元j*。

        (4)選擇優(yōu)勝鄰域。以獲勝神經(jīng)元j*作為中心,根據(jù)優(yōu)化次數(shù)t 來確定優(yōu)化鄰域半徑。初始鄰域范圍Sj*(0)最大,隨著優(yōu)化次數(shù)的增加,鄰域范圍Sj*(t)逐步收縮。本文采用指數(shù)衰減法來縮減鄰域范圍,即

        式中:T 為衰減常數(shù),直接影響學(xué)習(xí)優(yōu)化迭代次數(shù)。

        (5)權(quán)值向量優(yōu)化學(xué)習(xí)調(diào)整。對權(quán)值向量進行優(yōu)化調(diào)整,調(diào)整函數(shù)為

        式中:βt為第t 次優(yōu)化的學(xué)習(xí)率,粗學(xué)習(xí)階段βt=β0e-t/T,精學(xué)習(xí)階段βt=β0(1-t/T);hij(t)為第t 次優(yōu)化學(xué)習(xí)時輸出層獲勝神經(jīng)元j*調(diào)整的鄰域程度;β0為初始學(xué)習(xí)率。

        調(diào)整后的權(quán)值向量為

        重復(fù)以上步驟,直至優(yōu)化學(xué)習(xí)率小于設(shè)定值或達到設(shè)定的優(yōu)化學(xué)習(xí)次數(shù),模型優(yōu)化結(jié)束。

        2 時間權(quán)重

        目前,基于用戶特征的個性化資源推薦策略中,往往只考慮了用戶瀏覽歷史記錄特征出現(xiàn)的的頻率,而忽視了其時間相關(guān)性。實際上,用戶搜索的內(nèi)容具有時間有效性,用戶興趣會隨時間流逝而變化[14],過去某個時間段出現(xiàn)頻率較高的關(guān)鍵詞,在當(dāng)前階段搜索中并不一定密切相關(guān),而用戶近期內(nèi)頻繁搜索或者檢索內(nèi)容與當(dāng)前搜索內(nèi)容更具延續(xù)性和關(guān)聯(lián)性,對當(dāng)前搜索內(nèi)容更具影響?;谶@一考慮,本文依據(jù)用戶歷史瀏覽資源距當(dāng)前檢索時間的遠近而賦予不同的權(quán)重,即考慮時間權(quán)重的方法,將其納入基于用戶特征的個性化資源推薦策略中。時間權(quán)重主要涉及有效歷史時間跨度t、周期劃分及權(quán)重函數(shù),即

        (1)有效歷史時間跨度t 的確定

        有效歷史時間跨度系指所選取的有效瀏覽歷史記錄涵蓋的時間長度,由用戶學(xué)習(xí)同一領(lǐng)域相關(guān)內(nèi)容的周期長度決定。用戶學(xué)習(xí)同一領(lǐng)域相關(guān)內(nèi)容的周期越長,則有效歷史時間跨度越大,反之亦然。如果學(xué)習(xí)同一領(lǐng)域相關(guān)內(nèi)容的周期長,有效歷史時間跨度選取較小,則會導(dǎo)致用戶有效信息被遺漏。反之,如果學(xué)習(xí)同一領(lǐng)域相關(guān)內(nèi)容的周期短,有效歷史時間跨度設(shè)置過大,則會極大增加平臺的數(shù)據(jù)處理量。有效歷史時間跨度應(yīng)結(jié)合實際情況,根據(jù)用戶學(xué)習(xí)同一領(lǐng)域內(nèi)容的周期來確定。

        (2)權(quán)重周期的劃分

        將有效歷史時間跨度t 劃分為不同的權(quán)重周期T,同一權(quán)重周期內(nèi)的歷史瀏覽資源取相同時間權(quán)重值。有效時間跨度t 與權(quán)重周期的關(guān)系可表示為

        式中:Ti為有效歷史時間跨度t 內(nèi)的第i 個權(quán)重周期,與本次檢索的時間排序由近及遠為T1,T2,…,Ti,…,Tn。

        權(quán)重周期的選取與用戶的學(xué)習(xí)頻率密切相關(guān),學(xué)習(xí)頻率越高,則T 的長度越短,反之亦然。權(quán)重周期長度的劃分基于以下2 點原則:其一要保證能夠及時提取用戶的新特征,其二要確保系統(tǒng)能夠濾除偶然因素對用戶特征的干擾。這2 點原則具有矛盾性,因此,權(quán)重周期的劃分需要權(quán)衡并通過測試達到最優(yōu)。

        (3)時間權(quán)重函數(shù)的確定

        對不同周期的歷史瀏覽資源賦予時間權(quán)重,決定了歷史瀏覽資源的對當(dāng)前檢索內(nèi)容有效性。因此,選取合適的權(quán)重函數(shù)對檢索結(jié)果的準(zhǔn)確性至關(guān)重要。張馳等[15]根據(jù)記憶激活理論,研究了用戶歷史行為物品對當(dāng)前物品影響的時間權(quán)重。通過對指數(shù)型函數(shù)、線性函數(shù)及二次函數(shù)的分析,指數(shù)函數(shù)具有初始遞減速度快、近期資源權(quán)重占比大的特點,更加符合資源檢索的實際情況,故選定指數(shù)型函數(shù)作為時間權(quán)重函數(shù),即

        式中:k、b 為待定系數(shù),通過測試確定。

        3 基于SOM 神經(jīng)網(wǎng)絡(luò)聚類算法電力資源快速精確檢索

        基于SOM 神經(jīng)網(wǎng)絡(luò)聚類算法電力資源快速精確檢索流程如圖3 所示。精確檢索流程圖介紹如下。

        圖3 電力企業(yè)大學(xué)資源快速精確檢索流程

        (1)用戶聚類。根據(jù)用戶的基本信息和歷史瀏覽記錄提取用戶特征集,采用SOM 神經(jīng)網(wǎng)絡(luò)算法對用戶依據(jù)標(biāo)簽進行聚類,根據(jù)聚類結(jié)果構(gòu)建構(gòu)建具有相似特征的用戶集群;對集群用戶的歷史瀏覽記錄進行統(tǒng)計處理并形成關(guān)聯(lián)資源庫,為刷新快速推薦資源庫做好準(zhǔn)備。

        (2)資源推薦。用戶登錄后,首先提取用戶所在的聚類集群信息,然后從用戶輸入信息中提取特征并與用戶特征集進行匹配。若匹配成功,則優(yōu)先從快速推薦資源庫進行資源推薦;若匹配不成功或快速推薦資源庫沒有符合用戶要求的資源,則從平臺總資源庫進行檢索并推薦。

        (3)用戶特征集更新。當(dāng)用戶采納推薦資源后,自動生成歷史瀏覽記錄。基于時間權(quán)重對用戶特征集進行更新。用戶特征集每次更新后不一定重新參與聚類,需要對用戶特征集變化與設(shè)定閾值進行比較,若超過設(shè)定閾值則重新聚類,當(dāng)用戶被重新劃分到不同的聚類集群后,相應(yīng)的快速推薦資源庫也會相應(yīng)刷新。

        3.1 基于SOM 算法的用戶聚類

        為對電力企業(yè)大學(xué)平臺用戶進行聚類,首先需根據(jù)平臺資源和用戶信息建立用戶特征集體系,用戶特征集體系主要包括是否新員工、資源類型、作業(yè)對象、業(yè)務(wù)類型和電壓等級等,見表1;然后根據(jù)用戶信息和歷史瀏覽記錄建立用戶特征集;最后,利用SOM 算法對用戶進行聚類。任一用戶特征集可用n 維特征向量表示為

        表1 用戶特征集體系

        式中:Nk為任一員工k 的特征集信息;xkn為任一號員工k 的第n 個特征,n 為正整數(shù)。

        根據(jù)式(9)所示的用戶特征集,利用SOM 算法對用戶進行聚類,將具有相似特征的用戶歸類,得到不同類族用戶的集合。

        3.2 考慮時間權(quán)重的特征集更新

        通常用戶檢索內(nèi)容與歷史瀏覽記錄具有相關(guān)性和延續(xù)性,不同時期的歷史瀏覽記錄對用戶當(dāng)前檢索的影響不同,因此對不同周期的歷史瀏覽記錄賦予時間權(quán)重,可使得檢索結(jié)果更加符合用戶的期望。因此,當(dāng)用戶產(chǎn)生新的瀏覽記錄后,重新對歷史瀏覽記錄的權(quán)重周期進行劃分,并對不同權(quán)重周期的歷史瀏覽記錄賦予時間權(quán)重,對用戶特征集進行更新,為下次用戶檢索做好準(zhǔn)備。

        根據(jù)權(quán)重周期數(shù)量均勻地從時間權(quán)重函數(shù)中取權(quán)重向量y=[y1,y2,…,yj,…,yn],任一用戶k 第j 個權(quán)重周期權(quán)重值ykj的歸一化為

        于是,任一用戶k 的第i 個特征值可表示為

        式中:xki為用戶k 的第i 個特征值,i=1,2,…,m;wkj為用戶k 第j 個權(quán)重周期的歸一化權(quán)重,j=1,2,…,n;Nji為第j 個權(quán)重周期中用戶第i 個特征出現(xiàn)的次數(shù)。

        用戶特征集是否更新的述判據(jù)可表示為

        式中:xki(j)為用戶k 第i 個特征第j 個周期的特征值;xki(j+1)為用戶k 第i 個特征第j+1 個周期的特征值;Xit為第i 個特征的設(shè)定閾值。當(dāng)用戶的特征值發(fā)生改變且滿足式(12)時,則對用戶特征集重新聚類更新;反之,維持原有聚類結(jié)果,不對用戶特征集進行更新。

        4 應(yīng)用驗證及結(jié)果分析

        以某電網(wǎng)電力企業(yè)大學(xué)在線學(xué)習(xí)平臺為例,對本文所提出的資源檢索方法的快速性和精準(zhǔn)性進行了驗證。

        4.1 基于SOM 算法的用戶聚類結(jié)果及分析

        建立電力企業(yè)大學(xué)在線學(xué)習(xí)平臺用戶特征集體系。從中隨機抽取600 條員工信息;將每個用戶按照“是否新員工”“瀏覽資源類型(視頻、PPT、AR 和VR)”“作業(yè)對象(變壓器、線路設(shè)備、斷路器、隔離開關(guān)和工程項目)”“業(yè)務(wù)類型(運行、維護、檢修、調(diào)度、巡視和財務(wù)結(jié)算)”“電壓等級(10、35、110、220 kV)”20 個特征作為輸入神經(jīng)元,以及輸出神經(jīng)元10×10 構(gòu)建SOM 神經(jīng)網(wǎng)絡(luò);利用SOM 聚類算法對用戶特征集進行聚類,聚類結(jié)果如圖4 所示。圖中“·”代表具有相似特征的用戶類,“+”代表用戶。

        圖4 聚類結(jié)果

        由圖4 可見,共有95 個輸出神經(jīng)元被激活,表明600 名員工被劃分為95 個聚類簇。其中大的聚類簇有十幾個用戶,小的聚類簇僅有幾個用戶。之所以出現(xiàn)這種情況,是因為聚類群體總量較小,隨著聚類群體數(shù)量的增加,聚類簇內(nèi)用戶的數(shù)量會隨之增加。

        4.2 資源檢索結(jié)果及分析

        在上述用戶聚類的基礎(chǔ)上,假設(shè)新員工沒有聚類群組和關(guān)聯(lián)資源集群,老員工有聚類群組和關(guān)聯(lián)資源集群;隨機從平臺中提取多名新員工和老員工連續(xù)的歷史數(shù)據(jù)(包含檢索信息和與被采納的資源信息)各300 條;時間權(quán)重函數(shù)的待定系數(shù)由試驗確定。通過統(tǒng)計分析,得到新老員工資源檢索的正確率變化趨勢分別如圖5、圖6、表2 及表3 所示。

        表2 新員工平均正確率 %

        表3 老員工平均正確率 %

        圖5 新員工用戶資源檢索準(zhǔn)確率

        圖6 老員工用戶資源檢索準(zhǔn)確率

        由圖5 和表2 可見:①由于新員工沒有歷史瀏覽記錄,未能形成聚類群組和關(guān)聯(lián)資源集群,其資源檢索正確率較低,隨著檢索次數(shù)的增加,歷史瀏覽記錄增加,資源檢索的正確率逐漸提高;②不考慮時間權(quán)重時,資源檢索正確率較低,且資源檢索次數(shù)與資源檢索正確率的關(guān)聯(lián)性弱;③采用指數(shù)時間權(quán)重函數(shù)時,能夠更快地提取歷史瀏覽記錄中新出現(xiàn)的特征,加速聚類并更新快速推薦資源庫,因此,采用指數(shù)時間權(quán)重函數(shù)的資源檢索的正確率最高。

        由圖6 和表3 可見:①由于老員工已有聚類群組和關(guān)聯(lián)資源集群,其資源檢索正確率較高,受偶然性因素的影響,資源檢索正確率可能在小范圍內(nèi)波動;②不考慮時間權(quán)重時,資源檢索正確率較低,且資源檢索次數(shù)與資源檢索正確率的關(guān)聯(lián)性弱;③相較線性時間權(quán)重函數(shù)及二次時間權(quán)重函數(shù)而言,采用指數(shù)時間權(quán)重函數(shù)的資源檢索的正確率最高。

        5 結(jié)論

        提高在線學(xué)習(xí)平臺用戶資源檢索的快速性和精準(zhǔn)性,本文提出了一種基于SOM 和時間權(quán)重的電力企業(yè)大學(xué)資源快速精準(zhǔn)檢索方法。主要結(jié)論:①基于用戶基本信息和歷史瀏覽記錄建立了用戶特征集,采用SOM神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對特征相似用戶的精確聚類,生成關(guān)聯(lián)資源集群并建立了用戶資源快速推薦庫。②提出了時間權(quán)重的概念,利用時間權(quán)重函數(shù)對用戶特征集進行更新,并對更新的用戶特征集再聚類,有效地提高了檢索資源推薦的快速性和精準(zhǔn)性。③本文所提出的方法應(yīng)用于某供電公司電力企業(yè)大學(xué)在線學(xué)習(xí)平臺,驗證結(jié)果表明,采用本文所提出的資源檢索方法,用戶可快速精準(zhǔn)地檢索所需要的資源。

        猜你喜歡
        正確率檢索權(quán)重
        門診分診服務(wù)態(tài)度與正確率對護患關(guān)系的影響
        權(quán)重常思“浮名輕”
        2019年第4-6期便捷檢索目錄
        為黨督政勤履職 代民行權(quán)重擔(dān)當(dāng)
        基于公約式權(quán)重的截短線性分組碼盲識別方法
        生意
        品管圈活動在提高介入手術(shù)安全核查正確率中的應(yīng)用
        天津護理(2016年3期)2016-12-01 05:40:01
        生意
        故事會(2016年15期)2016-08-23 13:48:41
        專利檢索中“語義”的表現(xiàn)
        專利代理(2016年1期)2016-05-17 06:14:36
        層次分析法權(quán)重的計算:基于Lingo的數(shù)學(xué)模型
        河南科技(2014年15期)2014-02-27 14:12:51
        亚洲欧美日韩精品久久亚洲区 | 男女视频在线观看一区二区| 日韩美女亚洲性一区二区| 国产精品无码v在线观看| 久久人人97超碰超国产| 成人无码激情视频在线观看| 日韩亚洲在线观看视频| 丰满熟妇人妻av无码区| 一本久久a久久精品亚洲| 精品在免费线中文字幕久久| 久久精品国产亚洲av日韩精品 | 国产日韩欧美一区二区东京热| 久久久噜噜噜www成人网| 国产美女一级做a爱视频| 国产成人高清视频在线观看免费 | 欧美午夜一区二区福利视频| 国产亚洲精选美女久久久久 | 精品国产yw在线观看| 无码精品人妻一区二区三区影院| 国产欧美另类精品久久久| 麻豆国产精品伦理视频| 美女扒开屁股让男人桶| 疯狂做受xxxx高潮欧美日本| 久久亚洲aⅴ精品网站婷婷| 国产主播性色av福利精品一区| 三级全黄的视频在线观看 | 日韩精品久久久肉伦网站| 在线精品国内视频秒播| 邻居少妇张开腿让我爽视频| 国产大屁股喷水视频在线观看| 妓院一钑片免看黄大片| 午夜无码片在线观看影院y| 亚洲最大一区二区在线观看| 99视频30精品视频在线观看| 欧美亚洲综合激情在线| 国产av精品一区二区三区不卡| 亚洲综合欧美色五月俺也去| 国产剧情麻豆女教师在线观看| 国产精品女同久久免费观看| 日本一本一道久久香蕉男人的天堂| 中文字幕aⅴ人妻一区二区|