<button id="ysiwy"><noscript id="ysiwy"></noscript></button>
    <input id="ysiwy"></input>
  • <input id="ysiwy"></input>
  • <del id="ysiwy"></del>
    <s id="ysiwy"><kbd id="ysiwy"></kbd></s>
    <del id="ysiwy"></del>
      • 實體關系抽取研究綜述(上)

        編輯:現代服務產業技術創新戰略聯盟2019-11-12 15:01:16 關鍵字:the,in,and,實體,綜述,關系,of,Entity,領域,深度

        原標題:實體關系抽取研究綜述(上)

        軟件學報ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn

        Journal of Software, [doi: 10.13328/j.cnki.jos.000000]

        ?中國科學院軟件研究所版權所有. Tel: +86-10-62562563

        深度學習實體關系抽取研究綜述?

        鄂海紅1,2, 張文靜1,2, 肖思琪1,2, 程 瑞1,2, 胡鶯夕1,2, 周筱松1,2, 牛佩晴1,2

        1(北京郵電大學 計算機學院數據科學與服務中心,北京 北京 100876)

        2(教育部信息網絡工程研究中心 (北京郵電大學),北京 北京 100876)

        通訊作者: 鄂海紅, E-mail: ehaihong@bupt.edu.cn

        摘 要:實體關系抽取作為信息抽取、自然語言理解、信息檢索等領域的核心任務和重要環節,能夠從文本中抽取實體對間的語義關系。近年來,深度學習在聯合學習、遠程監督等方面上的應用,使關系抽取任務取得了較為豐富的研究成果。目前,基于深度學習的實體關系抽取技術,在特征提取的深度和模型的精確度上已經逐漸超過了傳統基于特征和核函數的方法。本文圍繞有監督和遠程監督兩個領域,系統總結了近幾年來中外學者基于深度學習的實體關系抽取研究進展,并對未來可能的研究方向進行了探討和展望。

        關鍵詞:實體關系抽??;深度學習;聯合學習;遠程監督;生成對抗網絡

        Abstract: Entity relation extraction is a core task and an important part in the fields of information extraction, natural language understanding, and information retrieval. It can extract the semantic relationships between entity pairs from the texts. In recent years, the application of deep learning in the fields of joint learning, remote supervision has resulted in relatively abundant research results in relation extraction tasks. At present, entity relationship extraction technology based on deep learning has gradually exceeded the traditional methods which are based on features and kernel functions in terms of the depth of feature extraction and the accuracy. This paper focuses on the two fields of supervision and remote supervision. It systematically summarizes the research progress of Chinese and foreign scholars' deep relationship-based entity relationship extraction in recent years, and discusses and prospects future possible research directions.

        Key words: entity relationship extraction; deep learning; joint learning; remote supervision; generative adversarial networks

        隨著互聯網技術日新月異的發展,人們需要處理的數據量激增,領域交叉現象突出,如何快速高效地從這些開放領域的文本中抽取出有效信息,成為擺在人們面前的重要問題。實體關系抽取作為文本挖掘和信息抽取[1]的核心任務,其主要通過對文本信息建模,自動抽取出實體對之間的語義關系,提取出有效的語義知識。其研究成果主要應用在文本摘要、自動問答[2]、機器翻譯[3]、語義網標注、知識圖譜[4]等。隨著近年來對信息抽取的興起,實體關系抽取問題進一步得到廣泛關注和深入研究,一些研究成果及時出現在近幾年人工智能、自然語言處理等相關領域的頂級國際會議上,如ACL[5-13]、EMNLP[14-22]、ICLR[23, 24]AAAI[25]KDD[26]NAACL[27]、ECML-PKDD[28]等。

        經典的實體關系抽取方法主要分為有監督、半監督、弱監督和無監督四類。有監督的實體關系抽取主要分為基于特征和基于核函數的方法。Zhou[29]和郭喜躍[6]等人利用 SVM 作為分類器,分別研究詞匯、句法和語義特征對實體語義關系抽取的影響。有監督方法需要手工標注大量的訓練數據,浪費時間精力,因此人們繼而提[30]出了基于半監督[31]、弱監督和無監督的關系抽取方法來解決人工標注語料問題。其中Brin[32]利用Bootstrapping方法對命名實體之間的關系進行抽取。Craven等人[33]在研究從文本中抽取結構化數據、建立生物學知識庫的過程中首次提出了弱監督機器學習思想。Hasegawa等人[34]ACL會議上首次提出了一種無監督的命名實體之間關系抽取方法。

        經典方法存在特征提取誤差傳播問題,極大影響實體關系抽取效果。隨著近些年深度學習的崛起,學者逐漸將深度學習應用到實體關系抽取任務中[7]?;跀祿瘶俗⒘考壍牟町悾谏疃葘W習的實體關系抽取任務分為有監督和遠程監督兩類?;谏疃葘W習的有監督實體關系抽取方法,是近年來關系抽取的研究熱點。該方法能避免經典方法中人工特征選擇等步驟,減少并改善特征抽取過程中的誤差積累問題。根據實體識別及關系分類兩個子任務完成的先后順序不同,基于深度學習的有監督實體關系抽取方法可以分為流水線(Pipeline)方法和聯合學習(Joint Learning)方法。Zeng等人[20]2014年首次提出了使用CNN進行關系分類,Katiyar等人[13]2017年首次將注意力機制attention與遞歸神經網絡Bi-LSTM一起用于聯合提取實體和分類關系,神經網絡模型在有監督領域的拓展皆取得不錯效果。同時基于深度學習的遠程監督實體關系抽取方法因具有緩解經典方法中錯誤標簽和特征抽取誤差傳播問題的能力而成為研究熱點,主要基礎方法包括CNN、RNN、LSTM等網絡結構[35, 36]。近年來,學者們在基礎方法之上提出了多種改進,如:PCNN與多示例學習的融合方法[37]、PCNN與注意力機制的融合方法[10]等。Ji等人[38]提出在PCNNAttention的基礎上添加實體的描述信息來輔助學習實體的表示, Ren等人[39]提出的COTYPE模型、Huang[40]提出的殘差網絡皆增強了關系提取效果。

        為了能夠系統綜述相關研究成果,我們查閱了近年來的綜述論文[30, 35, 41-43],從中可看出基于深度學習的實體關系抽取方法與經典抽取方法相比,其主要優勢在于:深度學習的神經網絡模型可以自動學習句子特征,無需復雜的特征工程。所以本文重點圍繞深度學習來深入探討實體關系抽取方法。

        本文首先在第1節給出了實體關系抽取的問題定義和解決框架,著重在第2、3節介紹了基于深度學習的有監督和遠程監督領域的實體關系抽取研究進展,之后在第4節介紹基于深度學習的實體關系抽取新模型與新思路,并在第5節介紹了基于深度學習的實體關系抽取在領域知識圖譜構建中的研究進展,最后在67節給出數據集、評測效果以及對未來研究方向的展望。

        1 深度學習實體關系抽取的問題定義和解決框架1.1 問題定義

        實體關系抽取作為信息抽取的重要任務,是指在實體識別的基礎上從非結構化文本中抽取出預先定義的實體關系。實體對的關系可被形式化描述為關系三元組< >,其中和是實體,屬于目標關系集。關系抽取的任務是從自然語言文本中抽取出關系三元組< >,從而提取文本信息。

        基于深度學習實體關系抽取主要分為有監督和遠程監督兩類。在有監督中解決實體關系抽取的方法可以分為流水線學習和聯合學習兩種,流水線學習方法是指在實體識別已經完成的基礎上直接進行實體之間關系的抽?。宦摵蠈W習方法主要是基于神經網絡的端到端模型,同時完成實體的識別和實體間關系的抽取。和有監督實體關系抽取相比,遠程監督方法缺少人工標注數據集,因此遠程監督方法比有監督多一步遠程對齊知識庫給無標簽數據打標的過程。而構建關系抽取模型的部分,與有監督領域的流水線方法差別不大。

        基于深度學習的實體關系抽取、實體關系識別、實體關系分類是三個任務相近、彼此有關聯的概念。具體而言,關系抽取[7]在其流水線處理場景中與關系分類處理著相同的任務,此時關系抽取具體是指:在句子中的命名實體對已經被識別的情況下,直接進行實體對的關系分類。而關系抽取在聯合學習場景中是將關系分類作為自己的一個子任務,此時關系抽取具體是指:將實體關系抽取任務分為命名實體識別和關系分類兩個子任務,用聯合學習模型同時解決這兩個子任務。而實體關系識別任務與關系抽取任務相同,在實際處理時也是發現和識別實體間的語義關系[44, 45],因此在部分中外綜述文獻里,實體關系抽取有時也被稱作實體關系識別。

        1.2 解決問題框架

        針對實體關系抽取任務,基于深度學習的抽取框架如圖1所示:

        實體關系抽取研究綜述(上)

        Fig.1 Entity relationship extraction framework based on deep learning

        1 基于深度學習的實體關系抽取框架

        1)獲取有標簽數據:有監督方法通過人工標記獲取有標簽數據集。遠程監督方法通過自動對齊遠程知識庫獲取有標簽數據集。

        2)構建詞語向量表示:將有標簽句子分詞,將每個詞語編碼成計算機可以接受的詞向量,并求出每個詞語與句子中實體對的相對位置,作為這個詞語的位置向量,將詞向量與位置向量組合作為這個詞語的最終向量表示。

        3)進行特征提?。簩⒕渥又忻恳粋€詞語的向量表示輸入神經網絡中,利用神經網絡模型提取句子特征,進而訓練一個特征提取器。

        4)關系分類:測試時根據預先定義好的關系種類,將特征提取出的向量放入非線性層進行分類,提取最終的實體對關系。

        5)評估分類性能:最后對關系分類結果進行評估,評測指標和相關數據集詳見第6節。

        2 基于深度學習的有監督實體關系抽取方法2.1 有監督實體關系抽取框架演化流程

        基于深度學習方法中的有監督方法進行關系抽取,是近年來關系抽取的研究熱點內容,其能解決經典方法中存在的人工特征選擇、特征提取誤差傳播兩大主要問題,將低層特征進行組合,形成更加抽象的高層特征,用來尋找數據的分布式特征表示。從基于監督學習的神經網絡模型來看,研究主要集中在融合多種自然語言特征來提高識別精確度。有監督的實體關系抽取框架的演化流程如圖2所示?;谏疃葘W習的有監督實體關系抽取可以分為:1)流水線(Pipeline)方法;2)聯合學習(Joint Learning)方法。這兩種方法都基于CNN、RNN、LSTM這三種框架進行擴展優化。

        流水線方法中,基于RNN模型的擴展包括在RNN基礎之上增加依存分析樹信息、詞依存矩陣信息;基于CNN模型的擴展包括在CNN基礎之上增加類別排名信息、依存分析樹、注意力機制;基于LSTM模型的擴展包括在LSTM基礎之上增加最短依存路徑(SDP)或將LSTMCNN結合。流水線方法存在錯誤累積傳播、忽視子任務間關系依賴、產生冗余實體等問題,因此聯合模型逐漸開始受到重視。

        聯合學習方法根據其建模對象不同,可分為參數共享和序列標注兩類子方法。參數共享方法的編碼層均使用Bi-LSTM,解碼層則基于Bi-LSTM、依賴樹和注意力機制等方法紛紛進行優化擴展。序列標注方法則用一種新標注策略的端到端模型解決流水線模型中冗余實體的問題。

        下面依照流水線方法(基于RNN模型的實體關系抽取方法、基于CNN模型的實體關系抽取方法、基于LSTM模型的實體關系抽取方法)、聯合學習方法(基于參數共享的實體關系抽取方法、基于序列標注的實體關系抽取方法)的順序來介紹有監督領域實體關系抽取方法。

        實體關系抽取研究綜述(上)

        Fig.2 The solution framework based on supervised entity relationship extraction

        2 基于有監督的實體關系抽取的解決框架

        2.2 流水線(Pipeline) 方法2.2.1 主要流程

        基于流水線的方法進行關系抽取的主要流程可以描述為:針對已經標注好目標實體對的句子,進行關系抽取,最后把存在實體關系的三元組作為預測結果輸出。一些基于流水線方法的關系抽取模型被陸續提出,其中,采用基于RNN、CNN、LSTM及其改進模型的網絡結構因其高精度獲得了學術界的大量關注。

        2.2.2 主流方法介紹

        1) 基于RNN模型的實體關系抽取方法

        RNN在處理單元之間既有內部的反饋連接又有前饋連接,可以利用其內部的記憶來處理任意時序的序列信息,具有學習任意長度的各種短語和句子的組合向量表示的能力,已成功應用在多種NLP任務中。

        基于RNN模型進行關系抽取的方法由Socher等人[46]2012年首次提出,論文中為分析樹中的每個節點分配一個向量和一個矩陣,其中向量捕獲組成部分的固有含義,而矩陣捕捉它如何改變相鄰單詞或短語的含義。這種矩陣向量RNN可以在命題邏輯和自然語言中學習操作符的含義,解決了單詞向量空間模型(Single-word vector space models)無法捕捉到長短語的構成意義,阻礙了它們更深入地理解語言的問題。

        Hashimoto等人[19]2013年提出了一個基于句法樹的遞歸神經網絡(RNN)模型,與Socher等人提出的模型不同的是,Hashimoto沒有使用需要昂貴計算成本的詞依存矩陣,而是使用了詞性(POS)標簽,短語類別和句法頭等附加特征,并向RNN模型中引入平均參數,為目標任務的重要短語增加權重,Hashimoto的模型證明了增加特征及引入平均參數的有效性。

        RNN相比于前饋網絡更適合處理序列化輸入,但RNN也存在著以下兩個缺點:(1)在網絡訓練時RNN容易出現梯度消失、梯度爆炸的問題,因此傳統RNN在實際中很難處理長期依賴,這一點在LSTM網絡中有所改進;(2)由于RNN的內部結構復雜,網絡訓練周期較長,而CNN結構相對簡單,主要包括前置的卷積層和后置的全連接層,訓練更快速。這一小節的其余部分將對基于CNN、LSTM模型的實體關系抽取方法分別展開介紹。

        2) 基于CNN模型的實體關系抽取方法

        CNN的基本結構包括兩層,其一為特征提取層,每個神經元的輸入與前一層的局部接受域相連,并提取該局部的特征。其二是特征映射層,網絡的每個計算層由多個特征映射組成,每個特征映射是一個平面,平面上所有神經元的權值相等,減少了網絡中自由參數的個數。由于同一特征映射面上的神經元權值相同,所以CNN網絡可以并行學習。

        Zeng等人[20]2014年首次提出了使用CNN進行關系抽取,利用卷積深度神經網絡(CDNN)來提取詞匯和句子層次的特征,將所有的單詞標記作為輸入,而無需復雜的預處理,解決從預處理系統中提取的特征可能會導致錯誤傳播并阻礙系統性能的問題。圖3描述了該論文用于關系分類的神經網絡的體系結構。網絡對輸入句子提取多個級別的特征向量,它主要包括以下三個組件:詞向量表示,特征提取和輸出。圖3右部分顯示了句子級特征向量構建過程:每個詞語向量由詞特征(WF)和位置特征(PF)共同組成,將詞語向量放入卷積層提取句子級特征。圖3左上部分為提取詞匯級和句子級特征的過程,然后直接連接以形成最終的句子特征向量。最后如圖3左下部分,通過隱藏層和Softmax層得到最終的分類結果。

        Sf

        實體關系抽取研究綜述(上)

        Fig.3 Relationship extraction framework based on convolutional deep neural network

        3 基于DNN的關系抽取框架

        Xu等人[47] 2015 年在Zeng等人工作的基礎上提出了一種基于依存分析樹的卷積神經網絡的實體關系抽取模型,該模型與Zeng 等人的CNN模型不同的是將輸入文本經過了依存分析樹,同時提出了一種負采樣策略,首先利用依存路徑來學習關系的方向性,然后使用負采樣方法來學習主體和對象的位置分配,采用從對象到主體的最短依存路徑作為負樣本,并將負樣本送到模型中學習,以解決實體對距離較遠時,依存分析樹引入的無關信息問題,同時顯著提高了關系抽取的性能。

        Santos等人[21]2015年提出了CR-CNN模型,與Zeng等人的模型相比,CR-CNN將最后的Softmax輸出層替換為利用排名進行分類輸出:對于給定的輸入文本段,網絡使用卷積層產生文本的分布向量表示,并將其與文本表示進行比較,以便為每個類生成分數;同時提出了一種新的排名損失函數,能夠給予正確的預測類更高的評分,錯誤的預測類更低的評分。與Xu等人的模型相比,本文僅將詞向量作為輸入特征而不需要依存分析樹等附加特征,因此可以降低NLP工具中提取到錯誤特征的影響并提升模型的效果。

        Vu等人[48]2016年提出了一種新的基于CNN網絡的上下文表示(擴展的中間上下文),與作為BaselineZeng等人的標準CNN網絡不同的是,Vu提出的CNN模型沒有額外的全連接隱藏層。其次,Vu也嘗試使用雙向RNN進行關系抽取,并為其優化引入Santos[21]提出的排名損失,改善關系抽取結果。基于兩個實體位置可以將上下文分成三個不相交的區域:左上下文,中間上下文和右上下文。 由于在大多數情況下中間上下文包含關系的最相關信息,因此該文提出了使用兩個上下文:(1)左上下文、左實體和中間上下文的組合; 2)中間上下文,右實體和右上下文的組合。通過重復中間上下文,迫使網絡特別關注它。最后使用簡單的投票機制結合CNNRNN網絡,并達到了當時的最新技術。

        Zeng等人雖然使用了位置向量來表示指定詞與目標實體間的相對距離,但是位置編碼不足以完全捕獲指定詞與目標實體的關系以及它們可能對目標關系的影響,由此Wang等人[49] 2016年提出的CNN架構依賴于一種新穎的多層次注意力機制來捕獲對指定實體的注意力(首先是輸入層級對于目標實體的注意力)和指定關系的池化注意力(其次是針對目標關系的注意力)。這使得模型能夠檢測更細微的線索,盡管輸入的句子異構,但是模型還是能夠自動了解句子中的哪些部分與給定的關系類別相關。其次,模型在利用注意力機制來自動識別與關系分類相關的輸入句子的部分之后,提出了一種Attention-based Pooling的混合方法,認為利用這樣的方法會抽取出部分有意義的N-gram短語,實驗證明了在混合層上,能夠抽出對關系分類最為顯著的Trigram字段。最后,論文還引入了一種新的成對的基于邊緣的目標函數,并證明其優于標準損失函數。

        3) 基于LSTM模型的實體關系抽取方法

        由于梯度消失、梯度爆炸的問題,傳統RNN在實際中很難處理長期依賴,后面時間的節點對于前面時間的節點感知力下降,而LSTM網絡通過三個門控操作及細胞狀態解決了這些問題,能夠從語料中學習到長期依賴關系。

        Yan 等人[11]2015 年提出了基于LSTM的融合句法依存分析樹的最短路徑以及詞向量特征、詞性特征、WordNet特征、句法類型特征來進行關系抽取,該論文的模型圖如圖4所示。首先,如圖4左下部分,利用斯坦福解析器將句子解析為依賴樹并提取最短依賴路徑(SDP)作為網絡的輸入。沿著SDP,使用四種不同類型的信息(稱為通道),包括單詞,詞性標簽,語法關系和WordNet上位詞。在每個通道中(圖4右部分是每個通道的細節圖),詞語被映射成向量,捕獲輸入的基本含義。兩個遞歸神經網絡分別沿著SDP的左右子路徑獲取信息。網絡中的LSTM單元用于有效信息的傳播。之后如圖4左上部分,最大池化層從每個路徑中的LSTM節點收集信息,來自不同通道的池化層連接在一起,然后輸入到隱藏層。最后,使用Softmax輸出層用于關系分類。

        實體關系抽取研究綜述(上)

        Fig.4 Relationship extraction method based on LSTM and shortest dependency path

        4 基于LSTM及最短依存路徑的關系抽取方法

        Thien 等人[22]基于已有工作經驗,利用傳統特征工程并結合CNN、RNN網絡的優勢,在 2015 年提出一種融合傳統特征工程和神經網絡的方法,首次系統地檢測了RNN架構以及RNNCNN和傳統的基于特征的關系抽取方法相結合的工作,本文采用LSTM網絡的一種變體GRUGated Recurrent Unit)展開實驗,同時,首次提出了融合CNNRNN網絡的三種不同的方式:Ensembling(集成)、Stacking(堆疊)、Voting(投票),提高了關系抽取的精確度。

        為避免Yan等人提出的模型需要從NLP預處理工具中提取附加特征帶來的錯誤傳播問題,Li 等人[50]2016 年提出一種基于低成本序列特征的Bi-LSTM-RNN模型,利用實體對并將它們周圍的上下文分段表示來獲取更豐富的語義信息,無需詞性標注、依存句法樹等額外特征。將文本經過LSTM網絡獲得隱藏向量表示后依照兩個實體分成五段式的方式輸入池化層獲得向量表示, 再輸入分類器進行關系分類,解決了基于句法或依賴性特征等高成本結構特征問題,并證明當不使用依賴解析時,兩個目標實體之間的上下文可以用作最短依賴路徑的近似替換。

        基于Yan等人的工作,Cai等人[51]2016年提出了一種基于最短依賴路徑(SDP)的深度學習關系抽取模型:雙向遞歸卷積神經網絡模型(BRCNN),通過將卷積神經網絡和基于LSTM單元的雙通道遞歸神經網絡相結合,進一步探索如何充分利用SDP中的依賴關系信息。BRCNN模型結合了Yan等人的多通道LSTM以及Zeng等人的卷積關系抽取的特點,利用基于雙向LSTM的遞歸神經網絡對最短依存路徑中的全局模式進行編碼,并利用卷積層捕獲依存關系鏈接的兩個相鄰詞的局部特征,增強了實體對之間關系方向分類的能力。

        2.2.3 流水線方法中存在的共性問題

        然而,流水線(Pipeline)方法存在著以下幾個缺點:1)錯誤傳播:實體識別模塊的錯誤會影響到接下來的關系分類性能;2)忽視了兩個子任務之間存在的關系:丟失信息,影響抽取效果;3)產生冗余信息:由于對識別出來的實體進行兩兩配對,然后再進行關系分類,那些沒有關系的實體對就會帶來多余信息,提升錯誤率。

        【余下部分將在后續推送轉載】

        責任編輯:

        相關文章
        6月中國廠商出海收入30強榜單公布:騰訊排名下滑 掌趣科技、易幻網絡跌出榜單

        6月中國廠商出海收入30強榜單公布:騰訊排名下滑 掌趣科技、易幻網絡跌出榜單

        中國網科技7月30日訊(記者 李婷)市場研究機構App Annie近日發布2020年6月中國廠商出海收入30強榜單,FunPlus(趣加)取代[詳情]

        凱迪拉克怎么了?

        凱迪拉克怎么了?

        題圖:GM authority隨著 2020 年新冠疫情逐步趨穩,很多事已經沒法再讓疫情背鍋了。先是跌入谷底,再是觸底回升,上半年國內汽[詳情]

        運載火箭可用固體燃料 美再為韓國研制彈道導彈“松綁”

        運載火箭可用固體燃料 美再為韓國研制彈道導彈“松綁”

        據韓聯社首爾7月28日報道,韓國7月28日宣布,根據與美國達成的新導彈指南,該國已能研發使用固體推進劑的火箭。他在新聞發布[詳情]

        意大利餐廳服務員確診 追蹤發現某些顧客留假信息

        意大利餐廳服務員確診 追蹤發現某些顧客留假信息

        歐聯網7月30日電,據歐聯通訊社報道,意大利坎帕尼亞大區衛生部門28日通報,當日該地區新增確診病例29例,那不勒斯省維科·埃[詳情]

        元晟溱:柯潔很有才能 他與李世石風格相似卻不同

        元晟溱:柯潔很有才能 他與李世石風格相似卻不同

        韓國棋手元晟溱九段  據韓國烏鷺網報道,韓國棋手元晟溱在10多歲的時候就已經達到了世界超一流棋手的水平。在20歲中期[詳情]

        contact us

        Copyright     2018-2020   All rights reserved.
        欧美日韩国产高清一区二区三区,国产欧美综合一区二区,欧美黑人巨大3dvideo,亚洲视频在线一区二区三区
        <button id="ysiwy"><noscript id="ysiwy"></noscript></button>
          <input id="ysiwy"></input>
        • <input id="ysiwy"></input>
        • <del id="ysiwy"></del>
          <s id="ysiwy"><kbd id="ysiwy"></kbd></s>
          <del id="ysiwy"></del>
            • 主站蜘蛛池模板: 亚洲影视自拍揄拍愉拍| 国产精品igao视频网网址| 午夜不卡av免费| 中文在线а√天堂| 精品视频vs精品视频| 日本XXXX裸体XXXX| 国产一区二区三区在线观看视频| 久久99精品九九九久久婷婷| 色噜噜狠狠一区二区三区| 护士撩起裙子让你桶的视频| 国产AV无码国产AV毛片| 中文天堂在线最新版在线www| 精品无人区一区二区三区| 小蝌蚪视频在线观看www| 全彩口工番日本漫画| freeⅹxx69性欧美按摩| 欧美高清色视频在线播放| 国产精品欧美一区二区在线看| 亚洲人成在线免费观看| 黄页网站在线观看视频| 日本一本在线视频| 又色又污又黄无遮挡的免费视| 一个人看的www免费高清 | 国产真实伦视频在线视频| 乱人伦精品视频在线观看| 香蕉视频一区二区三区| 无码成人精品区在线观看| 午夜久久久久久久| 99re热视频在线| 桃子视频在线观看高清免费视频| 国产大陆xxxx做受视频| 中文字幕被公侵犯的漂亮人妻| 精品伊人久久香线蕉| 国産精品久久久久久久| 亚洲a∨精品一区二区三区下载| 被黑化男配做到哭h| 性高湖久久久久久久久aaaaa| 任你躁欧美一级在线精品| 5060在线观看| 日本高清乱码中文字幕| 兴奋的阅读td全集视频|