日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

基于Spark與Hadoop的協(xié)同過(guò)濾電影推薦系統(tǒng)實(shí)戰(zhàn)解析

基于Spark與Hadoop的協(xié)同過(guò)濾電影推薦系統(tǒng)實(shí)戰(zhàn)解析 簡(jiǎn)介本資源是一套基于Python、Spark與Hadoop技術(shù)棧構(gòu)建的用戶(hù)畫(huà)像驅(qū)動(dòng)型電影推薦系統(tǒng)畢業(yè)設(shè)計(jì)源碼案例面向大數(shù)據(jù)與人工智能方向的本科生、研究生及初階工程師解決個(gè)性化推薦系統(tǒng)從數(shù)據(jù)采集、清洗、建模到前端展示的全鏈路實(shí)踐問(wèn)題。壓縮包共802個(gè)文件含60個(gè)核心Python腳本含Spark MLlib協(xié)同過(guò)濾、用戶(hù)畫(huà)像特征工程及Hadoop數(shù)據(jù)接入邏輯、340個(gè)JavaScript與21個(gè)HTML文件構(gòu)成完整Web交互界面、151個(gè)CSS樣式文件含semantic、bootstrap等主流UI框架以及SQL建表語(yǔ)句、日志與文檔類(lèi)文件整體大小為16.2MB。已有79人學(xué)習(xí)下載資源結(jié)構(gòu)清晰分層后端算法模塊、分布式計(jì)算任務(wù)、數(shù)據(jù)庫(kù)腳本與響應(yīng)式前端頁(yè)面均獨(dú)立組織附帶可直接運(yùn)行的配置說(shuō)明與典型用戶(hù)行為模擬數(shù)據(jù)便于快速部署調(diào)試、理解用戶(hù)畫(huà)像構(gòu)建邏輯及多策略混合推薦實(shí)現(xiàn)機(jī)制。1. 項(xiàng)目緣起從畢業(yè)設(shè)計(jì)到實(shí)戰(zhàn)的跨越最近在整理硬盤(pán)時(shí)翻到了一個(gè)塵封已久的壓縮包名字叫“PythonSparkHadoop大數(shù)據(jù)基于用戶(hù)畫(huà)像電影推薦系統(tǒng)畢業(yè)源碼案例設(shè)計(jì).zip”。這讓我想起了幾年前為了完成畢業(yè)設(shè)計(jì)和應(yīng)對(duì)面試硬著頭皮啃下大數(shù)據(jù)技術(shù)棧的那段日子。當(dāng)時(shí)市面上完整的、能跑通的、結(jié)合了離線與實(shí)時(shí)處理思路的推薦系統(tǒng)案例并不多這個(gè)項(xiàng)目可以說(shuō)是我當(dāng)時(shí)知識(shí)體系的集大成者也是后來(lái)我進(jìn)入大數(shù)據(jù)領(lǐng)域的一塊重要敲門(mén)磚。今天我想把這個(gè)“古董”項(xiàng)目重新拆解、升級(jí)并分享出來(lái)。它不僅僅是一個(gè)畢業(yè)設(shè)計(jì)的源碼更是一個(gè)理解用戶(hù)畫(huà)像構(gòu)建、協(xié)同過(guò)濾算法實(shí)現(xiàn)以及大數(shù)據(jù)平臺(tái)Spark, Hadoop如何協(xié)同工作的絕佳實(shí)戰(zhàn)案例。無(wú)論你是正在為大數(shù)據(jù)課程設(shè)計(jì)、畢業(yè)設(shè)計(jì)尋找靈感的在校生還是希望通過(guò)一個(gè)完整項(xiàng)目來(lái)串聯(lián)Hadoop生態(tài)技術(shù)棧的入門(mén)開(kāi)發(fā)者亦或是想了解推薦系統(tǒng)基礎(chǔ)架構(gòu)的數(shù)據(jù)愛(ài)好者這個(gè)內(nèi)容都能為你提供一個(gè)清晰的、可復(fù)現(xiàn)的路線圖。這個(gè)系統(tǒng)的核心邏輯并不復(fù)雜收集用戶(hù)對(duì)電影的行為數(shù)據(jù)如評(píng)分、點(diǎn)擊、收藏利用HadoopHDFS進(jìn)行海量數(shù)據(jù)的原始存儲(chǔ)通過(guò)Spark進(jìn)行高效的數(shù)據(jù)清洗、特征計(jì)算和模型訓(xùn)練最終構(gòu)建出用戶(hù)的興趣畫(huà)像并基于此為用戶(hù)推薦其可能喜歡的電影。整個(gè)過(guò)程涵蓋了數(shù)據(jù)采集、存儲(chǔ)、計(jì)算、建模到服務(wù)的基本閉環(huán)。接下來(lái)我將拋開(kāi)當(dāng)年青澀的文檔以一個(gè)過(guò)來(lái)人的視角重新梳理這個(gè)系統(tǒng)的技術(shù)選型、架構(gòu)設(shè)計(jì)、核心實(shí)現(xiàn)以及那些當(dāng)年讓我掉進(jìn)去又爬出來(lái)的“坑”。2. 技術(shù)棧深度剖析為什么是PythonSparkHadoop在開(kāi)始動(dòng)手之前我們必須先搞清楚技術(shù)選型的邏輯。為什么是這個(gè)組合它們各自扮演什么角色理解了這些才能避免“為了用而用”的尷尬讓技術(shù)真正服務(wù)于業(yè)務(wù)目標(biāo)。2.1 Hadoop HDFS數(shù)據(jù)湖的基石Hadoop特別是其分布式文件系統(tǒng)HDFS在這個(gè)項(xiàng)目中扮演著數(shù)據(jù)倉(cāng)庫(kù)或數(shù)據(jù)湖的角色。它的核心價(jià)值在于“存”。為什么選HDFS我們的電影評(píng)分?jǐn)?shù)據(jù)比如從MovieLens、豆瓣等公開(kāi)數(shù)據(jù)集獲取的動(dòng)輒GB甚至TB級(jí)單機(jī)磁盤(pán)根本無(wú)法承受。HDFS通過(guò)將大文件切塊Block并分布式存儲(chǔ)在多臺(tái)機(jī)器上提供了高容錯(cuò)性和高吞吐量的數(shù)據(jù)訪問(wèn)能力。對(duì)于推薦系統(tǒng)前期的原始數(shù)據(jù)、清洗后的中間數(shù)據(jù)以及最終生成的用戶(hù)畫(huà)像模型數(shù)據(jù)HDFS提供了一個(gè)可靠、廉價(jià)的海量存儲(chǔ)底座。具體做什么在這個(gè)項(xiàng)目里我們會(huì)將原始的ratings.csv用戶(hù)-電影-評(píng)分、movies.csv電影信息等文件上傳至HDFS。例如路徑可能是hdfs://localhost:9000/user/hadoop/input/ratings.csv。Spark任務(wù)在計(jì)算時(shí)會(huì)直接從HDFS讀取這些數(shù)據(jù)計(jì)算完成后也可能將結(jié)果如用戶(hù)特征向量寫(xiě)回HDFS持久化。避坑點(diǎn)很多初學(xué)者在單機(jī)偽分布式環(huán)境下搭建Hadoop后習(xí)慣用本地路徑file://。務(wù)必養(yǎng)成使用HDFS路徑hdfs://的習(xí)慣這是理解分布式計(jì)算的第一步。另外HDFS不適合存儲(chǔ)大量小文件因?yàn)槊總€(gè)小文件都會(huì)對(duì)應(yīng)一個(gè)元數(shù)據(jù)會(huì)給NameNode帶來(lái)巨大壓力。我們的數(shù)據(jù)文件通常是合并后的大文件。2.2 Apache Spark分布式計(jì)算的引擎如果說(shuō)HDFS是倉(cāng)庫(kù)那么Spark就是倉(cāng)庫(kù)里最智能、最高效的“搬運(yùn)工”和“加工廠”。它的核心價(jià)值在于“算”。為什么選Spark傳統(tǒng)的MapReduce計(jì)算模型Hadoop自帶磁盤(pán)IO開(kāi)銷(xiāo)巨大速度慢。Spark基于內(nèi)存計(jì)算通過(guò)彈性分布式數(shù)據(jù)集RDD以及更高級(jí)的DataFrame/Dataset API將中間結(jié)果盡可能保存在內(nèi)存中使得迭代計(jì)算機(jī)器學(xué)習(xí)算法就是典型的迭代計(jì)算性能提升數(shù)十倍乃至百倍。我們的協(xié)同過(guò)濾算法需要進(jìn)行大量的矩陣運(yùn)算和相似度計(jì)算Spark MLlib庫(kù)提供了現(xiàn)成的、優(yōu)化過(guò)的分布式算法實(shí)現(xiàn)是完美選擇。具體做什么Spark在這里承擔(dān)了絕大部分的重任數(shù)據(jù)清洗與預(yù)處理讀取HDFS上的原始數(shù)據(jù)處理缺失值、異常值將數(shù)據(jù)轉(zhuǎn)換為算法需要的格式。特征工程從用戶(hù)行為中提取特征。例如計(jì)算用戶(hù)對(duì)電影類(lèi)型的平均評(píng)分偏好將電影標(biāo)簽轉(zhuǎn)化為特征向量等為構(gòu)建用戶(hù)畫(huà)像做準(zhǔn)備。模型訓(xùn)練使用Spark MLlib中的ALS交替最小二乘法算法進(jìn)行矩陣分解這是實(shí)現(xiàn)協(xié)同過(guò)濾的核心。ALS會(huì)分解出用戶(hù)因子矩陣和物品電影因子矩陣。生成推薦利用訓(xùn)練好的模型為指定用戶(hù)計(jì)算其對(duì)所有未評(píng)分電影的預(yù)測(cè)評(píng)分并排序取Top-N作為推薦結(jié)果。避坑點(diǎn)Spark程序開(kāi)發(fā)時(shí)最常遇到的是OutOfMemoryError。這通常不是因?yàn)閮?nèi)存真的不夠而是數(shù)據(jù)傾斜Data Skew導(dǎo)致的。例如某個(gè)熱門(mén)電影被幾乎所有用戶(hù)評(píng)分導(dǎo)致處理這部電影數(shù)據(jù)的Task負(fù)載遠(yuǎn)高于其他Task。解決方案包括使用repartition增加分區(qū)數(shù)、使用salting技術(shù)給鍵添加隨機(jī)前綴等。在ALS算法中合理設(shè)置rank隱語(yǔ)義因子數(shù)、maxIter迭代次數(shù)和regParam正則化參數(shù)對(duì)模型效果和訓(xùn)練速度至關(guān)重要需要多次調(diào)試。2.3 Python (PySpark)靈活高效的粘合劑Python是整個(gè)項(xiàng)目的“大腦”和“指揮中心”。通過(guò)PySpark我們能夠用Python語(yǔ)法調(diào)用Spark的強(qiáng)大能力。為什么選Python生態(tài)豐富、語(yǔ)法簡(jiǎn)潔、開(kāi)發(fā)效率高。對(duì)于算法原型驗(yàn)證、數(shù)據(jù)分析和特征探索可以使用Pandas配合PySparkPython有著無(wú)與倫比的優(yōu)勢(shì)。PySpark使得數(shù)據(jù)科學(xué)家可以用熟悉的Python工具鏈如Jupyter Notebook進(jìn)行大數(shù)據(jù)分析降低了學(xué)習(xí)成本。具體做什么我們用Python編寫(xiě)主程序腳本通過(guò)PySpark API提交Spark作業(yè)。同時(shí)一些輕量級(jí)的邏輯如推薦結(jié)果的格式化輸出、簡(jiǎn)單的規(guī)則過(guò)濾如過(guò)濾掉用戶(hù)已看過(guò)的電影、與前端服務(wù)如果項(xiàng)目包含的接口對(duì)接也由Python完成。避坑點(diǎn)PySpark在執(zhí)行時(shí)Python函數(shù)例如在rdd.map(lambda x: ...)中的lambda函數(shù)會(huì)被序列化并發(fā)送到各個(gè)Worker節(jié)點(diǎn)執(zhí)行。如果函數(shù)中引用了復(fù)雜的Python對(duì)象或第三方庫(kù)如自定義的類(lèi)、某些C擴(kuò)展庫(kù)可能會(huì)導(dǎo)致序列化錯(cuò)誤或性能問(wèn)題。盡量使用Spark SQL的內(nèi)置函數(shù)或UDF用戶(hù)自定義函數(shù)來(lái)完成復(fù)雜操作并確保所有Worker節(jié)點(diǎn)上的Python環(huán)境一致。這個(gè)“鐵三角”組合HDFS存、Spark算、Python控構(gòu)成了當(dāng)前大數(shù)據(jù)領(lǐng)域最經(jīng)典、最實(shí)用的技術(shù)架構(gòu)之一非常適合處理像推薦系統(tǒng)這類(lèi)需要海量數(shù)據(jù)訓(xùn)練迭代的計(jì)算任務(wù)。3. 系統(tǒng)架構(gòu)與數(shù)據(jù)處理流程全景光說(shuō)不練假把式我們直接來(lái)看這個(gè)推薦系統(tǒng)是如何運(yùn)轉(zhuǎn)的。下圖清晰地展示了從原始數(shù)據(jù)到最終推薦結(jié)果的完整數(shù)據(jù)流與核心組件你可以把它當(dāng)作閱讀后續(xù)詳細(xì)章節(jié)的“地圖”。整個(gè)流程可以清晰地劃分為離線計(jì)算和在線服務(wù)兩個(gè)部分我們首先聚焦于離線部分這是系統(tǒng)的核心。3.1 離線計(jì)算管道用戶(hù)畫(huà)像的鍛造爐離線管道是推薦系統(tǒng)的“大腦訓(xùn)練營(yíng)”它周期性地如每天凌晨運(yùn)行利用全量歷史數(shù)據(jù)訓(xùn)練出最新的推薦模型和用戶(hù)畫(huà)像。這個(gè)過(guò)程計(jì)算量大但對(duì)實(shí)時(shí)性要求不高。數(shù)據(jù)源與采集數(shù)據(jù)通常來(lái)源于業(yè)務(wù)數(shù)據(jù)庫(kù)的增量同步如通過(guò)Sqoop、DataX導(dǎo)入或用戶(hù)行為日志如Flume收集的Nginx日志。在我們的畢業(yè)設(shè)計(jì)案例中為了簡(jiǎn)化我們直接使用公開(kāi)數(shù)據(jù)集文件如MovieLens的ratings.dat通過(guò)HDFS命令手動(dòng)上傳到HDFS指定目錄模擬數(shù)據(jù)采集的結(jié)果。數(shù)據(jù)清洗與標(biāo)準(zhǔn)化Spark作業(yè)從HDFS讀取原始數(shù)據(jù)。清洗工作包括去重刪除完全重復(fù)的記錄。處理缺失值對(duì)于用戶(hù)ID、電影ID、評(píng)分等關(guān)鍵字段的缺失通常選擇刪除該條記錄。異常值處理比如評(píng)分范圍是1-5分出現(xiàn)0或6分即為異常需要修正或刪除。數(shù)據(jù)轉(zhuǎn)換將時(shí)間戳轉(zhuǎn)換為日期格式將電影類(lèi)型字符串如“Action|Crime|Drama”進(jìn)行分割和編碼。特征工程與用戶(hù)畫(huà)像構(gòu)建這是賦予系統(tǒng)“智能”的關(guān)鍵一步。我們不僅使用ALS這樣的協(xié)同過(guò)濾模型還會(huì)融入更多內(nèi)容特征來(lái)豐富用戶(hù)畫(huà)像。用戶(hù)行為統(tǒng)計(jì)特征計(jì)算用戶(hù)歷史平均評(píng)分、評(píng)分次數(shù)、最喜愛(ài)的電影類(lèi)型基于評(píng)分加權(quán)、最近活躍時(shí)間等。電影內(nèi)容特征提取電影的導(dǎo)演、演員、類(lèi)型、標(biāo)簽等并轉(zhuǎn)化為數(shù)值向量如TF-IDF。畫(huà)像存儲(chǔ)將計(jì)算得到的用戶(hù)特征如ALS模型產(chǎn)出的用戶(hù)因子向量、統(tǒng)計(jì)特征和電影特征以結(jié)構(gòu)化的形式如JSON、Parquet格式寫(xiě)回HDFS或存入便于快速查詢(xún)的數(shù)據(jù)庫(kù)中如HBase、Redis供在線服務(wù)使用。模型訓(xùn)練使用清洗后的(userId, movieId, rating)數(shù)據(jù)調(diào)用Spark MLlib的ALS.train()方法進(jìn)行訓(xùn)練。訓(xùn)練完成后會(huì)得到用戶(hù)因子矩陣和電影因子矩陣。這個(gè)模型對(duì)象可以序列化后保存到HDFS。離線評(píng)估與調(diào)優(yōu)將數(shù)據(jù)集按時(shí)間或隨機(jī)劃分為訓(xùn)練集和測(cè)試集在訓(xùn)練集上訓(xùn)練模型在測(cè)試集上計(jì)算評(píng)估指標(biāo)如均方根誤差RMSE、平均絕對(duì)誤差MAE或更貼近業(yè)務(wù)的精確率/召回率Precision/Recall。根據(jù)評(píng)估結(jié)果調(diào)整ALS算法的參數(shù)rank,maxIter,regParam等迭代優(yōu)化模型。3.2 在線推薦服務(wù)瞬間響應(yīng)的智慧在線服務(wù)是推薦系統(tǒng)的“肌肉”它需要毫秒級(jí)響應(yīng)用戶(hù)的請(qǐng)求。在我們的畢業(yè)設(shè)計(jì)項(xiàng)目中這部分通常被簡(jiǎn)化但理解其架構(gòu)至關(guān)重要。服務(wù)接口提供一個(gè)簡(jiǎn)單的RESTful API例如GET /recommend/{userId}?topN10。實(shí)時(shí)畫(huà)像獲取當(dāng)接收到為用戶(hù)U推薦電影的請(qǐng)求時(shí)服務(wù)首先從畫(huà)像存儲(chǔ)如Redis中讀取U的離線計(jì)算好的用戶(hù)因子向量和偏好特征。召回與排序召回從全量電影中快速篩選出幾百個(gè)候選電影。策略可以多樣基于用戶(hù)最近點(diǎn)擊的類(lèi)型召回、基于ALS模型計(jì)算用戶(hù)與所有電影的興趣得分并取TopK、基于熱門(mén)榜單召回等。多種召回策略的結(jié)果合并后形成候選集。排序?qū)φ倩睾蟮膸装賯€(gè)候選電影進(jìn)行精準(zhǔn)排序。這里可以使用更復(fù)雜的模型如深度學(xué)習(xí)排序模型但在我們的基礎(chǔ)項(xiàng)目中可以直接使用ALS預(yù)測(cè)的評(píng)分進(jìn)行排序。結(jié)果過(guò)濾與返回過(guò)濾掉用戶(hù)已經(jīng)有過(guò)行為的電影如已評(píng)分、已購(gòu)買(mǎi)然后將排序后的Top-N電影ID列表結(jié)合電影元數(shù)據(jù)名稱(chēng)、海報(bào)等封裝成JSON格式返回給前端。在我們的源碼案例中為了簡(jiǎn)化可能會(huì)將離線訓(xùn)練好的模型直接加載到一個(gè)常駐的Spark Context中或者使用MatrixFactorizationModel的recommendProductsForUsers方法為所有用戶(hù)預(yù)計(jì)算好推薦結(jié)果并存入數(shù)據(jù)庫(kù)在線服務(wù)直接查詢(xún)數(shù)據(jù)庫(kù)返回結(jié)果。這是一種“離線計(jì)算在線查詢(xún)”的經(jīng)典架構(gòu)雖不是完全實(shí)時(shí)但足以滿(mǎn)足大多數(shù)畢業(yè)設(shè)計(jì)或初級(jí)項(xiàng)目的需求。4. 核心代碼實(shí)現(xiàn)協(xié)同過(guò)濾算法與Spark MLlib實(shí)戰(zhàn)理論講得再多不如一行代碼。讓我們深入到最核心的部分如何使用PySpark和MLlib實(shí)現(xiàn)協(xié)同過(guò)濾推薦。我會(huì)結(jié)合當(dāng)年源碼中的關(guān)鍵片段并附上現(xiàn)在看來(lái)更優(yōu)的實(shí)踐和解釋。4.1 環(huán)境準(zhǔn)備與數(shù)據(jù)加載首先確保你的環(huán)境已經(jīng)安裝了Java、Hadoop、Spark并正確配置了SPARK_HOME等環(huán)境變量。PySpark可以通過(guò)pip install pyspark安裝。# 導(dǎo)入必要的庫(kù) from pyspark.sql import SparkSession from pyspark.sql.types import IntegerType, FloatType from pyspark.ml.evaluation import RegressionEvaluator from pyspark.ml.recommendation import ALS from pyspark.sql import Row # 創(chuàng)建SparkSession這是Spark 2.0的入口點(diǎn) spark SparkSession.builder \ .appName(MovieRecommendation) \ .config(spark.executor.memory, 4g) \ # 根據(jù)你的機(jī)器配置調(diào)整 .config(spark.driver.memory, 2g) \ .getOrCreate() # 從HDFS加載數(shù)據(jù)如果是本地文件系統(tǒng)測(cè)試可以用 file:// 路徑 ratings_df spark.read \ .option(header, true) \ .option(inferSchema, true) \ .csv(hdfs://localhost:9000/user/hadoop/input/ratings.csv) # 查看數(shù)據(jù)結(jié)構(gòu)和前幾行 ratings_df.printSchema() ratings_df.show(5)注意inferSchema在生產(chǎn)中慎用因?yàn)閽呙钄?shù)據(jù)推斷類(lèi)型有開(kāi)銷(xiāo)。最好使用.schema(your_defined_schema)明確定義字段類(lèi)型例如StructType([StructField(userId, IntegerType()), StructField(movieId, IntegerType()), StructField(rating, FloatType()), StructField(timestamp, LongType())])。4.2 數(shù)據(jù)預(yù)處理與劃分?jǐn)?shù)據(jù)加載后需要進(jìn)行簡(jiǎn)單的清洗和劃分訓(xùn)練集、測(cè)試集。# 1. 數(shù)據(jù)清洗去除評(píng)分為空或無(wú)效的用戶(hù)/電影 ratings_df ratings_df.dropna(subset[userId, movieId, rating]) # 確保ID是整數(shù)類(lèi)型 ratings_df ratings_df.withColumn(userId, ratings_df[userId].cast(IntegerType())) ratings_df ratings_df.withColumn(movieId, ratings_df[movieId].cast(IntegerType())) # 2. 劃分訓(xùn)練集和測(cè)試集 (80%訓(xùn)練20%測(cè)試) # 使用randomSplit可以設(shè)置seed保證每次劃分一致便于調(diào)試 (train_df, test_df) ratings_df.randomSplit([0.8, 0.2], seed42) print(f訓(xùn)練集數(shù)量: {train_df.count()}) print(f測(cè)試集數(shù)量: {test_df.count()})4.3 ALS模型訓(xùn)練與參數(shù)解讀這是整個(gè)推薦算法的核心。ALS是一種矩陣分解技術(shù)它將用戶(hù)-物品評(píng)分矩陣R分解為兩個(gè)低維矩陣用戶(hù)特征矩陣P和物品特征矩陣Q使得R ≈ P * Q^T。# 初始化ALS模型 # 關(guān)鍵參數(shù)詳解 # rank: 隱語(yǔ)義因子的數(shù)量??梢岳斫鉃閷⒂脩?hù)和電影映射到一個(gè)多少維的特征空間。太小模型表達(dá)能力不足太大會(huì)過(guò)擬合且計(jì)算慢。通常從10, 50, 100開(kāi)始嘗試。 # maxIter: 最大迭代次數(shù)。ALS是迭代優(yōu)化算法通常10-20次迭代已足夠收斂。 # regParam: 正則化參數(shù)。防止過(guò)擬合值越大正則化強(qiáng)度越大。典型值在0.01到0.1之間。 # implicitPrefs: 是否為隱式反饋數(shù)據(jù)如點(diǎn)擊、瀏覽時(shí)長(zhǎng)。我們這里是顯式評(píng)分設(shè)為False。 # coldStartStrategy: 冷啟動(dòng)策略。對(duì)于訓(xùn)練集中未出現(xiàn)過(guò)的用戶(hù)或電影預(yù)測(cè)時(shí)如何處理。drop會(huì)直接丟棄無(wú)法預(yù)測(cè)的條目。 als ALS( rank50, maxIter10, regParam0.01, userColuserId, itemColmovieId, ratingColrating, coldStartStrategydrop, # 在評(píng)估時(shí)丟棄冷啟動(dòng)條目 seed42 ) # 訓(xùn)練模型 model als.fit(train_df)參數(shù)調(diào)優(yōu)心得rank因子數(shù)是最重要的參數(shù)。一個(gè)實(shí)用的方法是用訓(xùn)練集訓(xùn)練在測(cè)試集上計(jì)算RMSE畫(huà)一個(gè)rank-RMSE的曲線選擇RMSE開(kāi)始趨于平緩或拐點(diǎn)處的rank值。過(guò)高的rank不僅增加計(jì)算量還容易在稀疏數(shù)據(jù)上過(guò)擬合。4.4 模型評(píng)估與預(yù)測(cè)訓(xùn)練完成后我們需要知道模型的好壞。# 在測(cè)試集上進(jìn)行預(yù)測(cè)會(huì)過(guò)濾掉冷啟動(dòng)的用戶(hù)或電影 predictions model.transform(test_df) predictions.show(10) # 評(píng)估模型計(jì)算RMSE均方根誤差 evaluator RegressionEvaluator( metricNamermse, labelColrating, predictionColprediction ) rmse evaluator.evaluate(predictions) print(f模型的RMSE誤差為: {rmse}) # 也可以計(jì)算MAE evaluator_mae RegressionEvaluator(metricNamemae, labelColrating, predictionColprediction) mae evaluator_mae.evaluate(predictions) print(f模型的MAE誤差為: {mae})RMSE值越小越好。在MovieLens 1M數(shù)據(jù)集上一個(gè)不錯(cuò)的基線模型RMSE大概在0.85-0.90左右。如果你的結(jié)果遠(yuǎn)大于1可能需要檢查數(shù)據(jù)清洗、參數(shù)設(shè)置或代碼邏輯。4.5 為指定用戶(hù)生成推薦模型評(píng)估沒(méi)問(wèn)題后就可以用它來(lái)為真實(shí)用戶(hù)做推薦了。# 假設(shè)我們要為用戶(hù)ID為100的用戶(hù)推薦10部電影 user_id 100 # 獲取該用戶(hù)尚未評(píng)分的所有電影在實(shí)際項(xiàng)目中需要從全量電影中排除已評(píng)分的 # 這里簡(jiǎn)化處理我們直接為這個(gè)用戶(hù)對(duì)所有電影進(jìn)行預(yù)測(cè)然后取TopN # 首先獲取訓(xùn)練集中所有的電影ID all_movies train_df.select(movieId).distinct() # 構(gòu)建一個(gè)該用戶(hù)對(duì)所有電影的DataFrame user_movies all_movies.withColumn(userId, lit(user_id)) # 使用模型進(jìn)行預(yù)測(cè) user_predictions model.transform(user_movies) # 過(guò)濾掉可能存在的NaN預(yù)測(cè)值冷啟動(dòng)問(wèn)題 user_predictions user_predictions.dropna(subset[prediction]) # 按預(yù)測(cè)評(píng)分降序排列取前10 top_10_recommendations user_predictions.orderBy(col(prediction).desc()).limit(10) top_10_recommendations.show() # 為了結(jié)果更可讀可以關(guān)聯(lián)電影信息表 movies_df spark.read.option(header, true).csv(hdfs://localhost:9000/user/hadoop/input/movies.csv) recommendations_with_title top_10_recommendations.join(movies_df, movieId, left).select(movieId, title, prediction) recommendations_with_title.show(truncateFalse)這段代碼演示了最基本的推薦生成。在實(shí)際系統(tǒng)中你需要一個(gè)高效的機(jī)制來(lái)避免為每個(gè)用戶(hù)都計(jì)算與所有電影的得分O(N)復(fù)雜度。通常的做法是使用模型向量?jī)?nèi)積保存好用戶(hù)的特征向量和電影的特征向量推薦時(shí)只需計(jì)算用戶(hù)向量與候選電影向量的內(nèi)積并通過(guò)一些索引技術(shù)如局部敏感哈希LSH或預(yù)計(jì)算為每個(gè)用戶(hù)離線計(jì)算好Top-N來(lái)加速。5. 項(xiàng)目進(jìn)階與生產(chǎn)化思考一個(gè)畢業(yè)設(shè)計(jì)級(jí)別的項(xiàng)目跑通只是萬(wàn)里長(zhǎng)征第一步。要讓這個(gè)系統(tǒng)真正具備實(shí)用價(jià)值或者說(shuō)在面試中能讓你脫穎而出你需要思考并嘗試解決以下更深入的問(wèn)題。5.1 冷啟動(dòng)問(wèn)題新用戶(hù)和新電影怎么辦協(xié)同過(guò)濾嚴(yán)重依賴(lài)歷史行為數(shù)據(jù)。一個(gè)新用戶(hù)沒(méi)有評(píng)分記錄或新電影沒(méi)有被評(píng)分過(guò)到來(lái)時(shí)ALS模型無(wú)法為其生成有效的特征向量這就是冷啟動(dòng)問(wèn)題。在我們的代碼中coldStartStrategydrop只是簡(jiǎn)單地丟棄了這些預(yù)測(cè)在實(shí)際產(chǎn)品中不可行。解決方案探索熱門(mén)推薦/榜單推薦對(duì)于新用戶(hù)直接推薦當(dāng)前最熱門(mén)的電影、評(píng)分最高的電影或最新上映的電影。這是一種簡(jiǎn)單有效的策略。基于內(nèi)容的推薦對(duì)于新電影利用其元數(shù)據(jù)類(lèi)型、導(dǎo)演、演員、簡(jiǎn)介??梢杂?jì)算新電影與已有電影的內(nèi)容相似度推薦給喜歡相似電影的用戶(hù)。對(duì)于新用戶(hù)可以在注冊(cè)時(shí)讓其選擇感興趣的類(lèi)型顯式畫(huà)像基于此進(jìn)行推薦?;旌贤扑]將協(xié)同過(guò)濾的推薦結(jié)果與基于內(nèi)容、基于熱門(mén)的推薦結(jié)果以一定權(quán)重混合。例如新用戶(hù)初期熱門(mén)和內(nèi)容推薦的權(quán)重大隨著用戶(hù)行為積累協(xié)同過(guò)濾的權(quán)重逐漸增加。利用上下文信息如用戶(hù)的地理位置、設(shè)備、訪問(wèn)時(shí)間等。例如在周末晚上推薦喜劇片在工作日午休推薦短片。在項(xiàng)目中的實(shí)踐你可以在推薦API的邏輯中加入判斷。如果檢測(cè)到用戶(hù)是全新用戶(hù)在ratings_df中不存在則從一個(gè)預(yù)計(jì)算好的“熱門(mén)電影Top100”列表中隨機(jī)選取或按規(guī)則選取一部分返回。同時(shí)記錄新用戶(hù)的首次點(diǎn)擊行為快速納入模型更新。5.2 用戶(hù)畫(huà)像的豐富與實(shí)時(shí)更新我們之前的畫(huà)像主要基于ALS模型產(chǎn)生的隱式因子向量。一個(gè)更強(qiáng)大的畫(huà)像系統(tǒng)應(yīng)該包含更多維度人口統(tǒng)計(jì)學(xué)屬性年齡、性別、地域如果可獲得。行為偏好通過(guò)統(tǒng)計(jì)計(jì)算用戶(hù)對(duì)不同電影類(lèi)型、導(dǎo)演、演員的偏好強(qiáng)度?;钴S度與生命周期近期活躍頻率、用戶(hù)價(jià)值分層。實(shí)時(shí)興趣最近1小時(shí)或15分鐘的點(diǎn)擊、搜索行為反映用戶(hù)的即時(shí)意圖。實(shí)時(shí)更新挑戰(zhàn)ALS模型全量重新訓(xùn)練耗時(shí)很長(zhǎng)無(wú)法做到實(shí)時(shí)。業(yè)界常用的是增量學(xué)習(xí)或在線學(xué)習(xí)與離線訓(xùn)練結(jié)合的“Lambda架構(gòu)”或“Kappa架構(gòu)”。離線層每天用全量數(shù)據(jù)訓(xùn)練一個(gè)穩(wěn)定的基準(zhǔn)模型ALS。近線/在線層使用流處理框架如Spark Streaming, Flink處理實(shí)時(shí)行為流更新用戶(hù)的短期興趣向量例如用一個(gè)簡(jiǎn)單的衰減加權(quán)平均模型并與離線畫(huà)像融合。當(dāng)用戶(hù)請(qǐng)求推薦時(shí)將長(zhǎng)短期興趣向量共同用于召回和排序。對(duì)于畢業(yè)設(shè)計(jì)你可以簡(jiǎn)化實(shí)現(xiàn)一個(gè)“準(zhǔn)實(shí)時(shí)”更新定期如每小時(shí)將新的用戶(hù)行為數(shù)據(jù)追加到HDFS然后觸發(fā)一個(gè)Spark作業(yè)只基于最近一段時(shí)間如7天的數(shù)據(jù)訓(xùn)練一個(gè)小的、快速的ALS模型或更新用戶(hù)特征并與全量模型的結(jié)果進(jìn)行加權(quán)融合。5.3 系統(tǒng)性能優(yōu)化與監(jiān)控當(dāng)數(shù)據(jù)量變大或者需要服務(wù)更多用戶(hù)時(shí)性能成為瓶頸。Spark作業(yè)優(yōu)化數(shù)據(jù)傾斜處理使用df.approxQuantile檢查關(guān)鍵ID的分布如果發(fā)現(xiàn)傾斜使用前文提到的salt技術(shù)。緩存中間結(jié)果對(duì)于被多次使用的DataFrame使用df.cache()或df.persist()將其持久化在內(nèi)存中避免重復(fù)計(jì)算。合理設(shè)置分區(qū)數(shù)通過(guò)spark.sql.shuffle.partitions參數(shù)控制Shuffle后的分區(qū)數(shù)通常設(shè)置為核心數(shù)的2-3倍。使用廣播變量當(dāng)需要將一個(gè)較小的查找表如電影信息表分發(fā)到所有節(jié)點(diǎn)時(shí)使用broadcast避免Shuffle。推薦服務(wù)性能模型預(yù)加載與緩存在線服務(wù)啟動(dòng)時(shí)將訓(xùn)練好的用戶(hù)和電影特征向量全量加載到內(nèi)存如Redis或本地緩存中。推薦計(jì)算變成內(nèi)存中的向量?jī)?nèi)積運(yùn)算速度極快。結(jié)果緩存為每個(gè)用戶(hù)的推薦結(jié)果設(shè)置一個(gè)短暫的緩存如5分鐘在緩存有效期內(nèi)直接返回減少重復(fù)計(jì)算。異步計(jì)算對(duì)于非實(shí)時(shí)性要求極高的推薦可以采用“離線計(jì)算在線查詢(xún)”模式提前為所有活躍用戶(hù)計(jì)算好推薦列表。監(jiān)控與評(píng)估業(yè)務(wù)指標(biāo)點(diǎn)擊率CTR、轉(zhuǎn)化率、推薦結(jié)果的多樣性、新穎性。系統(tǒng)指標(biāo)API響應(yīng)時(shí)間P99、Spark作業(yè)執(zhí)行時(shí)間、資源利用率CPU、內(nèi)存。模型指標(biāo)離線評(píng)估的RMSE/MAE需要監(jiān)控其穩(wěn)定性如果持續(xù)惡化可能意味著數(shù)據(jù)分布發(fā)生變化數(shù)據(jù)漂移需要重新訓(xùn)練模型。將這個(gè)畢業(yè)設(shè)計(jì)項(xiàng)目向生產(chǎn)環(huán)境推進(jìn)的過(guò)程正是你從“學(xué)生開(kāi)發(fā)者”向“工業(yè)界工程師”蛻變的關(guān)鍵。思考并嘗試解決這些問(wèn)題會(huì)讓你對(duì)這個(gè)領(lǐng)域的理解深刻得多。6. 從源碼到部署手把手搭建你的推薦系統(tǒng)紙上得來(lái)終覺(jué)淺絕知此事要躬行。讓我們拋開(kāi)理論聚焦于如何讓這個(gè)系統(tǒng)在你的機(jī)器上真正跑起來(lái)。我會(huì)基于一個(gè)典型的單機(jī)偽分布式環(huán)境所有服務(wù)裝在一臺(tái)機(jī)器上來(lái)講解這是學(xué)習(xí)和開(kāi)發(fā)的最佳起點(diǎn)。6.1 基礎(chǔ)環(huán)境搭建Hadoop Spark 單機(jī)偽分布式這是最基礎(chǔ)也最容易卡住新手的一步。請(qǐng)嚴(yán)格按照以下步驟操作。前置條件確保你的機(jī)器Linux或MacWindows建議使用WSL2已安裝Java 8或11并配置好JAVA_HOME環(huán)境變量。Hadoop 偽分布式安裝從Apache官網(wǎng)下載Hadoop穩(wěn)定版如3.3.6。解壓編輯etc/hadoop/core-site.xml配置HDFS的默認(rèn)地址configuration property namefs.defaultFS/name valuehdfs://localhost:9000/value /property /configuration編輯etc/hadoop/hdfs-site.xml配置副本數(shù)偽分布式設(shè)為1configuration property namedfs.replication/name value1/value /property /configuration配置SSH免密登錄localhostssh-keygen -t rsa然后cat ~/.ssh/id_rsa.pub ~/.ssh/authorized_keys。格式化HDFSbin/hdfs namenode -format。啟動(dòng)HDFSsbin/start-dfs.sh。通過(guò)jps命令查看是否有NameNode、DataNode、SecondaryNameNode進(jìn)程。訪問(wèn)http://localhost:9870應(yīng)能看到HDFS管理界面。Spark 環(huán)境安裝與集成從Apache官網(wǎng)下載Spark選擇與Hadoop版本對(duì)應(yīng)的預(yù)編譯包如spark-3.5.0-bin-hadoop3.tgz。解壓編輯conf/spark-env.sh如果沒(méi)有復(fù)制spark-env.sh.template添加export JAVA_HOME/your/java/home export HADOOP_CONF_DIR/your/hadoop/etc/hadoop將Spark的bin目錄加入PATH。啟動(dòng)Spark Shell測(cè)試bin/spark-shell應(yīng)能成功啟動(dòng)。6.2 數(shù)據(jù)準(zhǔn)備與上傳獲取數(shù)據(jù)從GroupLens網(wǎng)站下載MovieLens數(shù)據(jù)集如ml-latest-small.zip。解壓后我們主要用到ratings.csv和movies.csv。在HDFS上創(chuàng)建目錄并上傳數(shù)據(jù)# 在HDFS上創(chuàng)建輸入目錄 hdfs dfs -mkdir -p /user/hadoop/input # 上傳本地?cái)?shù)據(jù)文件到HDFS hdfs dfs -put /本地路徑/ratings.csv /user/hadoop/input/ hdfs dfs -put /本地路徑/movies.csv /user/hadoop/input/ # 檢查文件是否上傳成功 hdfs dfs -ls /user/hadoop/input6.3 項(xiàng)目代碼組織與運(yùn)行一個(gè)清晰的項(xiàng)目結(jié)構(gòu)有助于管理。建議如下movie-recommendation/ ├── data/ # 存放本地測(cè)試數(shù)據(jù) │ ├── ratings.csv │ └── movies.csv ├── src/ # 源代碼 │ ├── data_processor.py # 數(shù)據(jù)清洗與預(yù)處理 │ ├── model_trainer.py # ALS模型訓(xùn)練與評(píng)估 │ ├── recommender.py # 推薦生成邏輯 │ └── utils.py # 工具函數(shù) ├── configs/ # 配置文件 │ └── spark_config.yaml ├── output/ # 本地輸出目錄模型、結(jié)果 ├── requirements.txt # Python依賴(lài) └── main.py # 主程序入口核心運(yùn)行腳本示例 (main.py)import sys from src.data_processor import DataProcessor from src.model_trainer import ModelTrainer from src.recommender import Recommender def main(): # 1. 初始化Spark Session (配置可以從文件讀取) from pyspark.sql import SparkSession spark SparkSession.builder \ .appName(MovieRecSys) \ .config(spark.executor.memory, 2g) \ .config(spark.driver.memory, 1g) \ .getOrCreate() # 2. 數(shù)據(jù)預(yù)處理 processor DataProcessor(spark, hdfs_pathhdfs://localhost:9000/user/hadoop/input) ratings_df, movies_df processor.load_and_clean() # 3. 模型訓(xùn)練與評(píng)估 trainer ModelTrainer() model, test_rmse trainer.train_and_evaluate(ratings_df) print(f模型訓(xùn)練完成測(cè)試集RMSE: {test_rmse}) # 4. 保存模型可選 model.save(hdfs://localhost:9000/user/hadoop/model/als_model) # 5. 為示例用戶(hù)生成推薦 recommender Recommender(spark, model, movies_df) user_id 100 recommendations recommender.recommend_for_user(user_id, top_n10) print(f為用戶(hù) {user_id} 推薦的電影) for movie in recommendations: print(f - {movie[title]} (預(yù)測(cè)評(píng)分: {movie[prediction]:.2f})) spark.stop() if __name__ __main__: main()運(yùn)行命令# 使用spark-submit提交任務(wù)到本地模式 ${SPARK_HOME}/bin/spark-submit \ --master local[4] \ # 使用本地4個(gè)核心 --py-files src/utils.py \ # 如果有額外的依賴(lài)文件 main.py6.4 常見(jiàn)問(wèn)題與排錯(cuò)指南在部署和運(yùn)行過(guò)程中你幾乎一定會(huì)遇到以下問(wèn)題問(wèn)題java.net.ConnectException: Call From ... to localhost:9000 failed原因Spark無(wú)法連接HDFS。HDFS服務(wù)未啟動(dòng)或Spark配置的HDFS地址錯(cuò)誤。解決確保HDFS已啟動(dòng) (jps查看進(jìn)程)。檢查core-site.xml中的fs.defaultFS配置并在Spark代碼或spark-submit命令中通過(guò)--conf spark.hadoop.fs.defaultFShdfs://localhost:9000明確指定。問(wèn)題OutOfMemoryError: Java heap space原因Spark Executor或Driver內(nèi)存不足。解決在spark-submit中增加內(nèi)存配置如--executor-memory 4g --driver-memory 2g。同時(shí)檢查代碼中是否有不必要的collect()操作該操作會(huì)將所有數(shù)據(jù)拉到Driver端極易OOM。問(wèn)題ALS訓(xùn)練速度極慢原因數(shù)據(jù)分區(qū)不合理或參數(shù)設(shè)置不當(dāng)。解決檢查輸入數(shù)據(jù)的分區(qū)數(shù)ratings_df.rdd.getNumPartitions()。如果分區(qū)數(shù)太少比如等于本地核心數(shù)可以嘗試repartition到一個(gè)較大的數(shù)如200。同時(shí)適當(dāng)降低ALS的rank和maxIter參數(shù)進(jìn)行快速實(shí)驗(yàn)。問(wèn)題推薦結(jié)果全是熱門(mén)電影缺乏個(gè)性化原因數(shù)據(jù)稀疏或模型欠擬合。對(duì)于行為數(shù)據(jù)很少的用戶(hù)模型無(wú)法學(xué)習(xí)到有效特征容易退化為全局平均或熱門(mén)推薦。解決嘗試提高rank值增強(qiáng)模型表達(dá)能力增加regParam防止過(guò)擬合的同時(shí)也可能需要更多數(shù)據(jù)。對(duì)于行為很少的用戶(hù)確實(shí)需要依賴(lài)“熱門(mén)推薦”或“基于內(nèi)容的推薦”作為兜底策略這在產(chǎn)品上是合理的。遵循以上步驟你應(yīng)該能夠順利搭建環(huán)境、運(yùn)行代碼并看到推薦結(jié)果。這個(gè)過(guò)程本身就是對(duì)一個(gè)大數(shù)據(jù)項(xiàng)目從開(kāi)發(fā)到部署的完整演練其價(jià)值遠(yuǎn)超代碼本身。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
大屁股人妻女教师撅着屁股| 97久久视频| 8050午夜少妇无码| 激情综合网一盗摄| 久久亚洲AV无码专区首页| 亚洲色婷婷| 国产天天噜一噜久久久| 中字一区| 欧美在线综合| 精品久久无码午夜福利| 啪啪啪综合| 天天干人妇| 久久精品72| 欧美一级美片在线观看免费| 97欧美色资源| 天天爽夜夜欢视| 黄色人人| 在线黄色污污网站| 8050无码八戒| 亚洲精品色| 揉揉揉夜夜| 天天看少妇| 17c在线成人免费A片观看| 午夜欧美J进J出白浆流出久久久| 岛国视频一二三区| 欧美亚州色的图| 91精品伊人久久久大香线蕉91| 91老女人| 欧美组图日韩亚洲中文字幕| 国产 亚洲 一二三四| 国产农村妇女精品一| 强奸乱伦大香蕉| 国产又大又粗又色生活片亚洲国产精品成人久久久综合免费 | 五月婷婷激情综合| 欧美日本国产日韩激情视频| 日韩精品系列| 强奸乱伦麻豆| 爱干爱射网啊啊啊| 天堂岛av| 操操操操网黑人| 91强热人妻| 青青草好吊| 熟妇亚洲一区二区三区| www.狠狠干.coom | 国产久9| 亚洲另类色图片| 无码国产精品久久久久| 黑人白女精品一区| 岛国片在线播放| 人人人摸人人| 久久久啊啊| 99精品无码| 女人爽到高潮潮喷18禁网站| 色婷婷综合网| 正在播放:深夜激情大战,自带黑丝袜全力输出骚穴 | 操淫穴亚洲五月丁香 | 久久五月天婷婷丁香中文字幕| 天天操天天干美女网址导航| 国产热RE99久久6国产精品首| 操逼视频亚洲| 强奸乱伦αv片| 亚洲另类久操网| 欧美熟妇视频| 日本免费人成视频播放120秒| 欧美色吧综合| 亚洲蜜臀精品视频久久| 欧美宗合色| 97综合激情| 国产精品视频自拍在线| 日人妻视频91| 熟妇在线视频一区二区| 嗯嗯啊啊好大好爽| 中文字幕AV片| 黑人在线91| 九九五月天| 四季av一区二区凹凸精品小说| 久久黄黄黄| 麻豆国产97在线| 国产精品国产自产高清AV| 性爱视频无打码在线观看| 天天日日夜夜| 国产中文字幕在线| 麻豆精品A片免费观看| 97人人操人人摸人人爱| 久久9亚洲| 好爽视频在线观看| 99爱视频| 色噜噜国产精品视频一区二区| 狼天天狼天天大香蕉| 欧美青青草视频| 一区操逼| 中文字幕在线第二页| 欧美爱三级日韩久久| 近亲乱伦一区二区| 懂色影视久久| 在线v中文字幕一区二区三区| 91亚洲丝袜| 蜜乳AV.COM| 亚洲精品1区| 麻豆久久一区二区三区| 少妇蜜汁| 日本国产欧美高清在线| 欧美日韩小说| 亚洲国产精品成人久久蜜臀| 人妻加勒比东京热| JuliaAnn丝袜熟女系列| 夜夜高潮夜夜爽| 国产欧美日韩一区二区三区| 国产丁香精品露脸视频 | 日本不卡五区| 超碰97男人| 精品视频一区二区| 熟妇艹鸡八| 成人三一级一片aaa| 亚洲激情欧美色图| 中文久久一区| 欧洲无码一区二区| 久久久久久久国产视频| 激情综合婷婷| 亚洲资源吧| 亚洲人妻av| 国产毛片毛片4p懂色| 一区二区亚州激情久婷婷欧美| 超碰av在线| WWW啪啪的com| 久久性爱视频免费看| 亚洲老司机123专区| 九九九九久久久| 综合操逼| 不卡一区二区日本视频| 久久在肏| 91成人亚洲色图| 综合伊人激情| 青青草在线视频播放器| 亚洲啪啪啪啪视香蕉| 日韩AV熟女乱伦| 色在线亚洲视频www| 中文一区二区三区影院| 色777999综合| 婷婷九月国产| 99精品综合久久久久五月天| 国产女人9999| 亚洲污污网站| av日韩中文字幕| 色网综合网| 精品96久久| 人人搡人人肉久久精品| 久久同城AV| 日韩一级二级三级免费看完整版国语版 | 日韩兔费看黄片| 97伊人网| 韩国黄片aaaa| 激情小说图片亚洲首页| 久久久A∨| 欧美精品丝袜久久久中文字幕| 男人天堂导航| 操人妻少妇中文| 国产 日韩,欧美 自拍| 中文字幕二区日韩天堂| AV有码在线| 国产精品久久久久久久久AV大片 | 天堂俺去俺来也www久久婷婷| 男人的天堂在线2| 国产二区三区免费视频| 日韩中文字幕2020| 天天做日日做天天欢。| 大香蕉AV丝袜| 碰超人人在线一区二区三区| 日韩操啪| 精品人妻一区二区三区视频| 99热| 久久久久婷婷精品av电影| 97干97色| 久久高清欧美国产| 亚洲十八禁止| 中出789在线视频| 色婷婷一区二区三区久久午夜成人不| 91nbbbbbb| 国产真实野战在线视频| 曰韩av中文字幕专区| 色色色色色色色色色色色色色色综合 | 欧美性生活男人的天堂| 欧亚在线视频| 亚州色图片在线色| 偷拍三区| 人妻精品一区二区全免费| 天天影视射综合网| 操一操摸一摸| 91美乳| 亚洲欧美另类图片| 嗯啊不要在线| 欧美激情在线观看视频| 欧美亚洲小说| 久久9久9久99久9久9| 校园春色AV天堂| 久久免费精品视频免一| 美女网站黄页| 国内精品久久久久影院亚洲| 伊人久日| 久久一二三四五六七八九区区区 | 日本久久999| 无码高清国产AV| 亚洲欧美日韩国产丝袜自拍中文| 国产精品麻豆免费视频| 丝袜内射| 国产精品人妻无码久久久老鸭窝| 日日骚 av| 狠狠色伊人亚洲综合网站色| 99热精品国产| 超碰人人干| 日本幼女18+| 七久久久| 日本精品网站在线中文| 超碰1024久久| 中文字幕在线日亚洲9| 草久在线| 久操网在线| 欧美日本国产日韩激情视频| 国产精品一区在线播放| 日本一区99| 八人操人人摸人人看| 啊啊啊操死我了| 亚洲熟妇极品| 欧美性爱一级操| 乱欲视频| 色网亚洲人| 久久久久久久78| 人妻在线视频| 岛国毛片在线观看免费| 亚洲色棕合| 四虎免费看黄| 宅男91视频在线播放| 岛国成人av在线播放网址| 亚洲影院成人| 新精精品久久精品| 国产亚卅97| 色啪网| 加勒比在线观看一区二区| 91欧美综合在线| 黄色小说亚洲| www.操| 国产乱码久久| 超碰久热| www色婷婷| 中文字幕交换人妻| 精品一区二区成人| 亚欧无码在线| 口爆吞精在线观看| 久久精品国产99精品亚洲蜜... | 男人天堂网手机版婷婷| 96免费视频在线| 欧美少妇第一页| 激情综合97| 亚洲情色第一页| 婷婷五月天AV| 亚洲男人bt天堂| 9 9精品一区二区三区| 日韩欧美亚洲一区二区三区影院| 岛国色情视频在线观看| 日本黄色大片一级视频免费麻豆| 成人激情无码在线视频| 亚洲天堂无码| 亚洲影视综合网| 日韩成人精品中文字幕| 六月婷婷综合| 日韩二三区| 欧美性暴力猛交XXXX | 超碰碰碰碰| 亚洲精品无码久久AV| 久久一区,青青青青草视频在线播放| 欧美日日操| 亚洲欧洲小说图片视频| 在线视频一区二区传媒| 亚洲无码国产探花在线观看| 区一二区日韩亚洲乱码av电影| 中文字幕精品资源在线| 岛国在线免费视频| 操人妻逼91| 国产黄色影片在线观看| 91男人天堂网| 极品极品色影院| 69久久| 婷婷丁香五月综合| 91综合在线| 国产不卡中文字幕免费avi| 91精品亚洲内射孕妇| 校园春色亚洲无码| 亚洲激情AV| 国产真乱mangent| 老鸭窝成人| 男人下部插入女人下部| 91成人在线免费视频| 91男人综合| 熟妇视频一区二区三区在线观看| 国产精品ⅴ无码大片在线看.| 亚州色阁| 久久久久78| 95人妻爽爽人人做人人澡| 欧美性爱免费短视频| 天堂亚洲欧美| 校园春色综合香蕉| xxx亚洲午夜天堂| 操操逼视频| 天天摸天天舔天天操| 人妻加勒比东京热| 深夜激情无码| 日韩中文字幕精品一区在线| 综合色久欲| 台湾大香蕉99热| 欧美熟女少妇| 日韩精品国产精品五码一区二区| 亚洲国产美女久久久久| 熟妇xxxxx性春色| 久久产精品一区二区三区电影| 国产精品国产亚洲区艳妇糸列| 干干干天天| 狂操嫩妻视频一区二区三区| 国产精品网站www| 亚洲在线A| 一区在线国产播放| 欧美亚洲一区二区久久久婷精品大包诱| 乱码人妻一区二区三区| av一区二区三区不卡| 狠狠色狠狠色狠狠五月| 白嫩白嫩的午夜九久久久久久久久久久久成人剧场 | 91白虎| 国产亚洲精品A在线观看下载| 六月婷婷综合| 91美女国产在线| 日本乱人伦片中文三区| 男人的天堂在线有码| 99 国产丝袜在线| 久操视频免费在线观看| 99久久国产精品免费高潮| 久久日本熟女精品一区| 大香蕉 222| 99精品在线| 中国人高清www色视频免费| 破处bbq| 久久久久久久六六| 成人性爱电影一区二区| 樱花蜜乳av| 亚洲色人| 国产福利合集| 亚洲男人电影天堂| 97色碰| 久久久久久久强迫| 97视频在线看| 中文字幕国产在线天堂| 亚洲AV无码秘 蜜桃臀国精产品| 九九碰九九爱97超碰| 综合网少妇| 蜜臀99久久精品| 强乱老妇中文字幕| 中文字幕一区二区三区四五区| 亚洲AV不卡在线观看| 91精品婷婷国产综合久久| 国产成人精品午夜福利| 另类成人首页一区| 蜜臀久久久99久久久久 | 91亚州欧美| 在线啊啊啊啊| 蜜桃臀一区二区aV| 亚洲欧洲日韩中文字幕一区| 欧美春色| 亚洲第一无码播放立川理惠| 国产综合久久久鬼色| 婷婷午夜清品久久久久久久性色视频观| 欧美黄页| 亚洲欧美一区二区三区在钱蜜桃| 十八禁电影伊人网| 97精品全部| 人妻干天天| 丁香五月影院| 天天综合网入口~91| 激情四射五月天| 97超碰欧美精品| 久久男人精品| 亚洲夜夜欢无码一区二区| 嗯嗯啊中文字幕| 九九热在线精品视频| 欧美少妇内射| 欧美天堂在线| 国产一进一出视频网站| 欧美一区二区三区互相| AVE乱伦| 日本护士高潮| 不卡人妻少妇精品毛片一区23区视频 | 天天做日日爱夜夜爽| 亚洲熟女中文字幕在线| 99re综合伊人| 日韩欧美偷拍美女视频| 男女国产精品| 久久美女国产| 操逼999| 91天天| 黄色十八禁网站| 蜜桃久久久久久久久久久久| 久久精品国产欧美日韩亚洲欧美日韩中文久久国产一区 | 曰韩操B| 欧美日韩黄色片一区二区三区四区人与兽做爱 | 久久极品伊人| 精品久久久久久中文字幕视频免费| 99啪| 91色图片| 婷婷三区| 岛国片在线视频网站| 99热线麻豆 | 国产黄色视频久久| 88xx成人精品视频| 亚洲图片小说欧洲| 99ri在线视频| 九九九九免费视频| 凹凸久久人人| 日本性一区| 操逼操逼逼操操逼91| 日韩少妇无吗| 天天躁日日躁AAA片李宗瑞| 天美一区在线| 美女写真| 操熟女91| 久久婷婷在线观看视频| 无码直播久久久| 熟女一区二区| 人人操人人插人人摸人人干| 欧美精品,四区。五区| 91呆哥人妻| 日韩精品一区二区人人人| 美女黄频a美女大全免费皮| 久久久9 9 9精品| 久久九色| www.av家庭乱伦| 亚洲自拍欧美国产首页网曝| 亚洲蜜桃V妇女| 91久热| 一区二区三区麻豆| 性感女人网页在线观看视频| 大香蕉日韩| 99视频内射三四| 欧美色人| 97精品在线| 91超级碰碰碰| 亚洲免费在线探花| 91美女在线| 99re3这里只有精品| 久久91视频| 久久久久久久唑| 亚洲一本色码中文字幕| 亚洲欧洲综合视频在线| 日韩欧美亚洲自拍偷拍| 国产诱惑| 亚洲激情色片| 五月天激情小说| 亚洲黄色| 超碰在97| 久久精品三级影视| 精品日韩人妻精品一二三区| 深喉吞精| 91精品免费| 精品91摸| 大香交伊人网| 自拍大香蕉乱插| 啊啊啊啊视频免费| 国产激情av女片自拍| 人人搞人人插人人操| 肉丝中文无码高清| 久久婷婷伊人| 国内精品久久久久影院亚洲| 日本黄色精品专区网站| 九九九九精| 亚洲欧美精品一区天堂久久| 无码精品蜜桃一区二区三区ww| 亚洲男人天堂AV| 亚洲综合69| 毛片17S| 欧美成人都市人妻| 丁香啪啪| 亚洲欧洲国产综合av| 国产美女自拍AV| 色综合一区二区三区| 中文字幕在线第二页| 中日无幕一二三四区| 妺妺跟我一起洗澡没忍住| wwwxxx日本爽| 国产精品不卡一区二区三区av| 久久久久久久久久9| 欧美极品色| 色欲Av人妻精品一区二| 日韩啊V| 女人18精品一区二区三区| 久久综合女优| 欧美大香蕉97| 91精品人妻一区二区-全集完整版免费正片国语-B02AV | 日韩欧美日韩| 女性91网站| 91女日逼| 中文字幕精品码亚洲| 正宗无毛一线天嫩逼| 国产后入清纯| 久久人妻一区二区三区高清| 国产欧洲精品亚洲午夜拍精品| 色大师网站www永久网站视频| 奸色色 男人天堂 天天射| 亚洲男人bt天堂| 91校园春色长篇| 女优视频第10页| 天美传媒国产原创中文字幕亚洲欧美另类 | 97视频免费播放| 超碰吊日色| 蜜臀久久99精品久久久久久成人小说| 情色图区| 青青草在线视频播放器| 久久大香蕉97| 久久久久久无码人妻中文字幕| 91劲爆| 亚洲欧美变态| 日本久久超碰| 日韩成人私密一级精品av| 97亚洲国产影视| 熟妇女人妻呻吟久久AV| 中文字幕97色| 亚洲图片欧美另类综合免费视频大大香| 日韩精品9999| 久久久专区| 亚洲色棕合| 人妻一区二区三区熟女| 久久性生大片免费观看性| 91色狼| 亚洲欧美在线观看无码| 丝袜美腿制服人妻二区中文字幕| 午夜天堂啪啪| 色诱中文字幕| 人妻 欧美亚洲| 超碰97 线线 在现| 高潮的A片激情扒开一区| 亚洲无码太久| 久久香蕉网| 宅男91视频在线播放| 麻豆 亚洲 97| 欧美综合色,www| 美国日韩黄片| 在线免费观看日韩一区| 国产精品熟女丝袜一区二区| 8050无码八戒| 久久久久久久久久久人妻| 欧美传媒一区| 无码天堂| 日本亚洲熟女视频| 久久精品72| 午夜一区| 很黄很色的视频在线观看| 亚洲欧洲另类| 亚洲情色五月天| 在线播放中文字幕| 图色综合网| 亚洲中文字幕一区| 精品一级毛片在线观看| 黄色性爱网网| 欧洲乱码视频| 四虎免费在线观看| 亚洲欧美精品福利在线| 久久9亚洲| 国产嫩草精品A88AV| 性爱综合一区二区| 夜夜中出国产| 国产日韩人人| 亚洲欧美综合| 日韩一区二区高清在线观看的| 亚洲欧美日韩综合在线尤物 | 福利五区| 日本一二区不卡| 无码抄逼网| 天天天天天天天天综合| 美女91AV| 激情五月天视频| 劲爆欧美人妖三区91| 免费看片黄| 暖暖精品二区三区观看| 超碰97COm中文| 亚洲色图亚洲无码强奸乱伦| 青女在线| 人妻 丝袜美腿 中文字幕| 亚州色图狠狠干| 97超碰碰| 嗯嗯啊啊亚欧精品| a片久久久久久久久久久久 | 再深点灬舒服灬太大了好硬好爽| 国产风韵犹存熟妇三区| 人人摸人人叼| 麻豆色99999| 日韩av乱伦| 久久久久久无码人妻中文字幕| 天天综合网日韩7799| 国产偷人妻精品一区二区在线| 老司机午夜精品视频| 日本不卡高清免v欧美日韩在线观看| 日韩精品中文字幕二区| 精品高清牛人盗摄一区二区三区中文字幕A片免费在线观看 | 免费男人的天堂| 中国东北熟女老太婆内谢| 台湾佬中文娱乐网久久久久久久久久com | 国语精品av| 丁香五月色情| 欧美极品| 夜夜爽妓女| 国产精品干干干| 九区国产| 色综合99| 亚洲一区二区三区春色| 亚洲激情天堂网| 熟女人妇一区二区三区| 青青青草原| 青青草日韩无码| 91精品丝袜久久久久久| 又黑又大又粗| 芊芊操逼视频无码| 91高清日| 亚洲中文人妻色| 最新av网站在线观看| 伊人aaa| 久99热| 中文字幕蜜乳av| 91亚洲欧美色图| 在线看片国产精品每日更新| 国产精品伦理| 一牛影视久久久一区二区三区| 国产精品成人久久一区二区三区| 久久是精品| 精品一区二区啪啪啪| 18禁止看精品中文字幕| 丰满丝袜少妇AV| 一本一道人妻久久一区二区三区| 久久精品国产亚洲粉嫩| 亚州色站 日韩电影| 女人午夜视频777| 91欧美网| 1769精品一区二区三区| 伊人一级免费黄片| 超碰伊人在线| 欧美+日产+中文| 久久riav中文精品| 五月久久HDAV| 久久鲁夜| 欧美黑人极品高潮喷吹熟女黑人性暴力日韩在线欧美极品一区二区 | 嗯嗯啊啊好大好爽| 亚洲午夜未满十八勿入网站日本又色又爽又黄 | 性交一区二区在线播放| 亚洲综合电影| 五月丁香六月激情| 亚洲怡春院| 日韩人妻有码免费视频| 免费观看有码高清视频| 肉丝中文无码高清| 久操网视频| 亚洲AV资源| 欧美高清第一页| xxx0国产在线播放| caopeng97人妻| 色99999| 伊人久久婷婷| 抽插一区二区视频| 国产精品一级片在线看| 成人熟女区| 一级岛国大片| 婷婷三区| 电家庭影院午夜69久久夜色精品国产69乱| 亚洲精品日日夜夜52| 啊嗯嗯啊好大好爽| 日韩性爱长视频免费| 欧美亚洲日韩人妻在线观看| 又黄又硬又粗又长国产视频| 亚欧无码在线| 韩国嫰模上门援交视频| 国产精品久久久久亚洲av | 亚洲免费日韩在线一区二区| 亚洲天堂男人天堂网| 国产精品久久久久av| 日韩射图| 91操人| 久久噜噜噜精品国产亚洲综合| 亚洲 欧美 偷拍 唯美| 9999伦理视频| 久久日韩精品一区二区| julia在线观看久久| 深夜福利黄片| 久久久久久亚洲精品中文字幕人妻| 亚洲色五月| 国产精品成人午夜福利| 五月婷婷大香蕉| 91宗合网| 欧美性特| 青娱乐休闲视频在线观看| 天天操女人| 2024黄色视频| 91九九九小逼| 精品国产一区二区三区香蕉欧美| 绑缚麻绳人妻寝取完整版| 亚洲精品国产专区在线观看| 亚洲视频二区| 再深点灬舒服灬太大了好硬好爽| 精品女同一区| 婷婷综合网| 东京热天堂网| 色好看av| 玖玖玖玖精品国产剧情| 天天舔九色婷婷| 啪啪AV导航| 九九这里只有精品| 久久久九97| A级片日韩欧美国产欧美视频精选观看 | 五月天色图影视| 亚洲福利影院一区久久| 欧美色天堂网在线视频| 国产色呦呦| 婷婷午夜清品久久久久久久性色视频观| 日韩人妻精品久久久久| 亚洲无码精品AV久久久| 天天插天天操天天摸天天射天天看| 亚洲AV无码黄色强奸| 极品少妇久久久| 五月婷婷综合在线| 欧美视频一| 啊啊啊啊啊好舒服视频| 91超级碰碰| Sekablack无码一区| 色偷偷男人的天堂麻豆| 91丨九色丨国产打屁股| 三级日本一区二区三区| 98福利在线视频| 天天射,天天操,天天爽-国内精品一区二区三区-成人AV | 无码在线亚洲| 精品91摸| 国产日韩欧美中文在线播放| 久久久天堂| 少妇同性| 中文字幕av乱伦| 超碰78| 2026国产精品视频| 亚洲av夫妻操穴网| 亚洲无码国产探花在线观看| 欧美精品双插| 综合激情婷婷| 久久久久久久久久久免费精品| 春色综合免费| wwe 天天干.com| 欧亚在线视频| 精品无码一区二区三区| 欧美日韩妖精91com| 久久av色| 婷婷五月综合在线| 欧美黄色大片在线观看 | 最新国产亚洲精品精品国产亚洲综合| 亚洲黑人在线| 一二视频神马久久传媒| 欧美大码在线视频| 狠狠色综合网| 免费公开人人操| 久久男人的天堂| 亚洲AV色图一区| 97色欧州| 亚州操操穴网| 日本片日本片祼观看网站在线看中文版网页在线看 | 96爱综合| 色婷婷狠狠| 日本成人电影资源网| 97在线免费观看视频| 国产精品69久久久久久久| 日本大香蕉| 狠狠中文字幕| 中文字幕成人| 97国产成人精品免费视频| .精品人妻一区二区三| 凹凸 69堂 在线播放| 天美传媒Av在线| 久久免费中文字幕在线观看| 日本激情免费大片| 亚洲一区日韩精品中文字幕| 日韩无码第3页| 99热国产| 亚洲综合性网址| 中文字幕日韩精品一区二区三区| 亚洲精品日韩国产欧美| 韩国成人精品久久久免费看| 国产亚洲精品美女久久久| 日本不卡一区| 蜜臀久久99精品久久久久| 99re6在线视频播放免费精品| 嫩草黄页| 韩国毛片一区二区三区| 久久人妻无码毛片A片麻豆| 老汉网| 歐美性天天| 97久久精品亚洲中六字幕| av在线浏览| 天天摸夜夜摸| 中文字幕日产av人| 97欧美精品综合| 欧美精品丝袜久久久中文字幕| 欧美|91色综合| 日本熟妇熟色97一本在线观看| 超91综合网| 午夜天堂精品久久久久91| 99激情| 熟女六十路| 天天日天天干天天整| 人人做人人妻人人夜视频| 粉嫩av在线一区二区| 久久九九视频九九视频| 成人免费福利在线观看| 欧美一级美片在线观看免费| 久久的免费性爱视频| 黑人免费福利视频| 天天综合97| 青娱乐导航AV| 亚洲麻豆精品二区三区| 嗯嗯啊在线视频| 日韩精品三区四区| 丝袜天堂| 亚洲日韩东京热一区| 亚洲人妻久久久| 国产精品网站www| 伊人伊人LD| 情色五月天就去干| 凹凸 69堂 在线播放| 欧美亚洲综合高清在线| 无遮挡男女激烈动态图| 中文精品一区二去| 欧洲一级性爱视频在线观看| 六月婷婷色综合| 久久黄色网址| 黄日韩| 亚洲天堂一二| 91久久久久久久久18| 东京热视频网| 777奇米影视777四色| 丁香五月天激情综合| 人妻在线中出视频| 色妇91| 婷婷人妻激情| 色吧91| AV和黑人在线播放| 国产超碰| 人妻夜夜爽天天爽麻豆三区网站| 91黑丝少妇| 久久大陆| 香蕉精品二区二区| 欧亚无码视频| 国产一区二区三区影片| 日韩人妻资源网| www.高清无码诱惑一区.com| 免费精品AB| 日本潮催一卡操| 久久精视频美日韩在线视频| 亚洲国产欧美日韩人妻日中文| 久久天天躁日日躁狠狠躁| 日韩二区三四区五区六区在线看| 天天综合网91| 多乙久久久久久| 婷婷久草一区二区三区| 日韩午夜国产| 精品对白久久不卡| 精品久久久高清无码| 操91| 亚洲区限制级| 九九热国产| 黄色电影观看久久9| 精品久久99| 性生活久久久久久久久久| 漂亮人妻被强中文字幕hd| 亚洲性爱成人| 大香蕉黄色一区| 一区二区三区蜜桃成人撸久久东京热| 亚洲女优有码无码高清| 国产午夜福利专区综合| 五月综合久久| 免费97视频| 91在线视频国产网站| 国内自拍 日韩激情 99| 激情文学欧美| 狼人狠干| 亚洲国产午夜真人一级片中文字幕精品黄网站 | 人人爱操| 亚洲有码第一页| 日本成人在线不卡一区二区三区| 亚洲操人| 96国产污污污丝袜| 精品无码秘 人妻一区二区| · —级AA伦aa坐爱午夜极速ⅴA一区天天噪天天噪天天噪 | 一区二区三| 欧美一区二区亚洲天堂| 天美一二三在线观看Av| 大香蕉综合网| 婷婷中文字幕| 九九热午夜欧亚国产视频| 九月激情婷婷| 最新亚洲风情电影| 0755午夜福利视频| 欧美网站免费| 色网1| 综合夜夜| 熟妇在线视频一区二区| 欧美综合亚洲| 中文字幕成人理论在线| 熟妇人妻一区二区三区| 国产老女人久久毛| 九九无码| 91 偷| 立川理惠无码一区二区| 91亚.色| 淫荡熟女乱伦网| 亚洲三级网址久久最新| 国产精品久久久吖| 国产日本熟女顶级一区二区三区视频| 午夜噜噜噜| AV九九| 伊人性在线视频| 手机看片1025| 撸无码不卡免费视频| 91操人| 视频二区熟女人妻| 国产一区二区av综合| 欧美中字二区| 在线岛| 91成人在线| 97色97干| 九九视品黄色| 97超碰站| 宗合情欲网| 成人免费视瓶| 内射黑人| 一本久道在线综合视频| 欧美综合制服在线| 91人妻精华帖| 九九九草| 国产 v乱码一区二| 精品少妇一区二区| 人妻少妇一区二区| 骚鸭AV| 9 9精品一区二区三区| 久久激情婷婷| 久久夜色一区二区| 欧美探花网| 韩日精品福利视频一区不卡在线免| 亚洲色色探花| 午夜精品人妻二区三区| 日韩性爱电影一区| 日韩九九九| 91N欧美| 91白虎| 久久大香蕉手机高清视频| 日韩无码一级黄色av片| 97精品国产手机| 久久精视频美日韩在线视频| 后入式五六区| 激情五月婷婷综合| 中文字幕在线观看网址| 人妻在线大香蕉| 日本视频在线观看污污污| 午夜九九| 久久久工口| 性爱视频啪啪啪啪| 人伦四五区| 欧美黑人猛交春色影视大全| 1769成人国产精品视频| 97自拍一区| 91精品无码人妻系列| 91性片| 四虎免费看黄| 国产亚洲女v在线观看| 好涩综合| 打av高清| 极品极品色影院| 香蕉欧美| 日夜尻逼网| 久久久艹艹艹| 青椒国产97在线熟女| 亚欧美综合网| 青青青青草av在线观看| 狠狠色综合网| 中字幕人妻一区二区三区| 五十路熟女,国产欧美精品区一区二区三区| 亚洲午夜AV| www.av家庭乱伦| 精品国产综合久久福利,热99这里有精品综合久久,99热这里只有免费国产精品,精 | 中国AAAAAA黄色片| 狠狠操狠狠燥| 国产视频一区二区三区久久亚洲天堂 | 伊人女女资源在线观看| 国产精品精品系列在线观看| 一区二区三区色综合| 色99在线| 在线中文字幕极品av| 亚洲精品人体| 青青伊人加勒比海| 岛国AV一区二区电影| 翔田千里av一区二区三区| 日韩欧美大片免费高清啪啪| 欧美精品亚洲精品日韩传电影| 国产在线不卡导航| www色日本| 色色色日本| 天堂综合网| 精品国产综合久久福利,热99这里有精品综合久久,99热这里只有免费国产精品,精 | 搡老女人老妇女老妇老熟女怎么读| 一线黄色免费性爱片| 久久春色| 精品一区二区久久| 日日天天久久啊啊aaa| 国产操逼逼网| 亚洲AV成人精品网站在AV| 999久久久久久久久| 一区久久久二区| 亚洲欧洲综合视频在线| 操逼www.| 亚洲伊人久久综合97| 激情欧美97| 欧美色图片欧美色图| 欧美国产成人在线| 日韩人妻操B| 亚洲成av人片色午夜乱码| 无码日韩人妻av一| 啊啊啊在线观看| 91精品在线播放| 超碰1997| 伊人久久大香线蕉亚洲五月天,青草青草欧美日本一区二区,欧美日产欧美日产国产 | 女性91网站| 青青草依人大香蕉| 夜夜 中文视频rt| 欧美三级一级| 男人的天堂不卡一区二区| 中文字幕123| 中文色综合| 一级二级三级黑人无码| 日韩有码 一区二区三区| 91制服丝袜中文字幕| 人人妻人人爽人人精品| 亚洲影视高清三级-草1024榴社区入口-品爱AV| 久久熟女人| 亚洲国产精品久久久久久久久久| 99操视频| 亚洲人妻av| www…国产操逼| 日韩一级特黄av毛片| 国产A v无码专区| 国产熟女完整版中字| 无码人妻一区二区三区色欲aⅴ| 一区二区三区四区理论片| 99re视频在线播放青草| 色五月AV在线| 日韩人妻精品中文字幕| 噜噜噜久久亚洲精品色情| 亚州综合AⅤ| 久久久不卡区一区二区三区久久久| 人妻在线中出视频| 东北老女人的激情视频| 亚洲AV无码久久精品蜜桃小说| 亚洲AV乱码专区国产噜噜亚洲| 天天看综合网| 激情视频网址| 免费观看的av| 七久久久| 天天综合在线4| 校园春色欧美色图| 中文字幕版| 歐美性天天| 九九九精品一区二区无码| 学生妹天天看| 欧美性视频二区三区| 五月天精品| 强乱老妇中文字幕| 九热中文字幕| 天天干人人看综合| 免费av在线播放二区| 亚洲系列第一页| 亚洲最大无码中文字幕网站| 欧美黄片视频在线观看免费 | 色色色热| 九九久久首页| 欧美精品第四五页中文字幕在线观看| 精品一区二区三区四区女| 熟女自慰久久久| 亚洲国产综合久久天堂| 91欧美美女日韩国产婷婷| 欧美性视频二区三区| 久9综合在线| 97久久超碰国产精品| 东京热男人的天堂| 操逼天美3区| 伊人黄色视频免费观看| 婷婷99狠狠躁天天躁| 800zy一区二区| 老熟女中文字幕高清| 亚洲色图 综合| 久久久久久十| 国产精品一二三区18| 无码高清专| 丁香五月成人| 91欧美偷拍| 男人天堂无码| 在线αⅴ| 男女真人网18| 丰满人妻-区二区三区免费| 精品人妻一区二区三区-国产精品| 9久久9综合| 国产精品亚洲日韩骚欢乐谷最新地址发布页huanieguty性屋娱乐妖精视频 | 欧美在线第五页| 3PAV乱伦视频| 欧美强奸乱能| 91久久久久免| 秋霞福利网| 懂色Av| 无码av永久免费专区网站| 狠狠干狠狠色| 色网在线| 国产精品熟女一区二区三区| 中文人妻av高清一区| 亚欧高清v| 人妻在线中出视频| 四虎免费在线播放| 日韩AV熟女乱伦| 久草免费福利在线播放| 五月开心网| 97在线资源| 免费国产视频| 日韩女模中文造逼| 东北女人| 中文字幕在线免费观看| 曰韩操B| 国产原创精品| 一卡二卡三卡| 国产成年免费大片黄在线观看| 国产a级午夜毛片| 青青草国产亚洲精品久久| 亚洲图片 欧美电影| 日韩图区 偷拍| 伊人大香蕉在线| 超碰导航97| 91小视频| 性性久久| 亚洲最新Av| 黄色欧美性爱视频| 中美日韩毛片| 久久激情婷婷| 激情综合五月| 无码人妻毛片丰满熟妇精品区| 日韩字幕一区| 日本久操视频| 网友自拍第1页| 亚洲国产欧美中日韩成人综合视频| 极品内射| 亚洲天堂男人天堂| 99re在线观看| 男人天堂毛片| 久久精品三级影视| 97色爱| 麻豆久久一区二区三区| 婷婷综合视频| 97神马久久| 日韩国产欧美伦理在线| 宅男午夜在线视频|