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)營的一線實(shí)戰(zhàn)洞察。

BERT+知識(shí)圖譜構(gòu)建問答系統(tǒng):從語義解析到圖譜查詢實(shí)戰(zhàn)

BERT+知識(shí)圖譜構(gòu)建問答系統(tǒng):從語義解析到圖譜查詢實(shí)戰(zhàn) 1. 為什么選擇 BERT 知識(shí)圖譜做問答系統(tǒng)先從一個(gè)真實(shí)的場景說起。傳統(tǒng)的關(guān)鍵詞搜索和FAQ匹配用戶問“糖尿病人能喝無糖可樂嗎”和“無糖可樂適合糖尿病患者嗎”字面上差得很遠(yuǎn)但語義上完全是一個(gè)問題。如果你只是做字符串匹配或者簡單的TF-IDF相似度計(jì)算這兩條查詢永遠(yuǎn)無法關(guān)聯(lián)起來。這就是我決定用 BERT 來做問答系統(tǒng)的第一推動(dòng)力語義理解能力。知識(shí)圖譜解決的是另一個(gè)問題——實(shí)體之間的關(guān)系。比如用戶問“李白是哪個(gè)朝代的詩人”系統(tǒng)需要知道“李白”是一個(gè)詩人實(shí)體“唐朝”是他的朝代屬性“詩人”是他在圖譜中的類型節(jié)點(diǎn)。只有把“理解問句”和“查詢圖譜”這兩件事串起來才能構(gòu)建一個(gè)真正可用的問答系統(tǒng)。這兩者結(jié)合的技術(shù)鏈路大致是用戶輸入自然語言問句 → BERT 模型完成意圖識(shí)別和實(shí)體抽取 → 解析出結(jié)構(gòu)化的查詢語句如 SPARQL 或 Cypher 等各類圖查詢語言 → 在圖譜中檢索 → 將結(jié)果組織成自然語言答案返回。整條鏈路看起來并不復(fù)雜但每個(gè)環(huán)節(jié)都有不少細(xì)節(jié)坑我分章節(jié)詳細(xì)拆解。這個(gè)項(xiàng)目適合哪些人參考如果你正在做畢業(yè)設(shè)計(jì)、準(zhǔn)備搭建智能客服系統(tǒng)、或者想入門“NLP 知識(shí)圖譜”這個(gè)交叉方向這篇文章可以幫你少走很多彎路。我會(huì)把我實(shí)際跑通的方案、踩過的坑、以及調(diào)優(yōu)的經(jīng)驗(yàn)全部寫出來。2. 系統(tǒng)整體架構(gòu)與核心模塊設(shè)計(jì)任何系統(tǒng)在動(dòng)手寫代碼之前先把架構(gòu)圖畫清楚至少在心里面清楚。我這個(gè)項(xiàng)目的落地架構(gòu)比較樸素核心聚焦“最小可用”目標(biāo)。2.1 系統(tǒng)處理的完整流程用戶輸入問句 ↓ 文本預(yù)處理清洗、分詞、padding ↓ BERT 編碼 → 意圖分類 實(shí)體識(shí)別 ↓ 結(jié)構(gòu)化查詢語句生成 ↓ 知識(shí)圖譜數(shù)據(jù)庫查詢 ↓ 答案組織與返回整個(gè)系統(tǒng)分成五個(gè)核心模塊模塊名稱職責(zé)技術(shù)選型預(yù)處理模塊清洗問句統(tǒng)一格式構(gòu)建 BERT 輸入Python jieba輔助語義解析模塊意圖分類 實(shí)體抽取BERT Softmax 分類層查詢生成模塊將解析結(jié)果轉(zhuǎn)換成圖查詢語句規(guī)則模板 動(dòng)態(tài)參數(shù)填充圖譜存儲(chǔ)模塊存實(shí)體、關(guān)系、屬性Neo4j答案生成模塊將查詢結(jié)果轉(zhuǎn)成人類可讀的句子模板拼接 后處理設(shè)計(jì)的時(shí)候有一個(gè)原則知識(shí)圖譜是系統(tǒng)唯一的“事實(shí)來源”。也就是說所有答案必須從圖譜中檢索得到不允許模型自由生成內(nèi)容。這樣保證了答案的可解釋性和可控性也大幅降低了部署風(fēng)險(xiǎn)。2.2 圖譜圖結(jié)構(gòu)的設(shè)計(jì)思路一個(gè)典型的問答圖譜通常包含三類節(jié)點(diǎn)實(shí)體節(jié)點(diǎn)、類型節(jié)點(diǎn)、屬性節(jié)點(diǎn)。我用一個(gè)健康領(lǐng)域的例子來說明實(shí)體節(jié)點(diǎn)比如“糖尿病”“胰島素”“二甲雙胍”類型節(jié)點(diǎn)比如“疾病”“藥物”“癥狀”關(guān)系邊(糖尿病)-[屬于]-(疾病)(二甲雙胍)-[治療]-(糖尿病)設(shè)計(jì)圖譜時(shí)核心原則是“查詢友好”。意思是你在設(shè)計(jì)實(shí)體和關(guān)系時(shí)就要提前想好未來問答系統(tǒng)可能收到的問法。比如用戶可能會(huì)問“治療糖尿病的藥物有哪些”那你就需要設(shè)計(jì)(藥物)-[治療]-(疾病)這樣的關(guān)系方向如果用戶問“這個(gè)藥治什么病”那反向查詢也要支持。關(guān)系設(shè)計(jì)得不好后續(xù)查詢語句生成階段就會(huì)很痛苦。3. BERT 模型選型與語義解析模塊實(shí)現(xiàn)這一章是項(xiàng)目的中樞環(huán)節(jié)。語義解析是整個(gè)問答系統(tǒng)的“理解大腦”它負(fù)責(zé)把自然語言問句拆成機(jī)器可執(zhí)行的結(jié)構(gòu)化意圖。3.1 為什么要用 BERT 而不是傳統(tǒng)方法傳統(tǒng)做法通常是對問句做分詞然后基于詞典規(guī)則做關(guān)鍵詞匹配。你聽起來是不是覺得也挺簡單對但它的天花板很低。舉個(gè)例子“哪些抗生素對肺炎鏈球菌敏感”和“肺炎鏈球菌感染用什么藥”傳統(tǒng)關(guān)鍵詞提取會(huì)得到完全不同的關(guān)鍵詞集合因?yàn)椤翱股亍薄八帯薄懊舾小薄案腥尽边@些詞在字面上沒有任何重疊但語義上是強(qiáng)關(guān)聯(lián)的。BERTBidirectional Encoder Representations from Transformers能捕捉雙向上下文信息它會(huì)把“抗生素”和“藥”映射到語義空間中相近的位置從而理解這兩個(gè)問句是在問同一件事。準(zhǔn)確說BERT 幫我們解決的是“同義異形”和“指代消解”層面的問題。3.2 意圖分類模塊的代碼實(shí)現(xiàn)意圖分類本質(zhì)是一個(gè)文本多分類任務(wù)。我把常見問句分成以下幾類query_disease_symptom疾病有哪些癥狀query_drug_disease藥物治療什么疾病query_disease_drug疾病用什么藥物治療query_entity_attribute實(shí)體屬性查詢greeting問候語BERT 分類模型的 PyTorch 實(shí)現(xiàn)代碼如下import torch import torch.nn as nn from transformers import BertModel, BertTokenizer class BertIntentClassifier(nn.Module): def __init__(self, num_labels, model_namebert-base-chinese): super(BertIntentClassifier, self).__init__() self.bert BertModel.from_pretrained(model_name) self.dropout nn.Dropout(0.3) self.classifier nn.Linear(self.bert.config.hidden_size, num_labels) def forward(self, input_ids, attention_mask): outputs self.bert(input_idsinput_ids, attention_maskattention_mask) pooled_output outputs[1] # [CLS] token 對應(yīng)的輸出 pooled_output self.dropout(pooled_output) logits self.classifier(pooled_output) return logits注意代碼中的outputs[1]這是 BERT 輸出中[CLS]token 對應(yīng)的向量。在分類任務(wù)中我們習(xí)慣使用這個(gè)向量作為整句話的語義表示再喂給全連接層做分類。訓(xùn)練階段用交叉熵?fù)p失函數(shù)和 AdamW 優(yōu)化器這個(gè)組合在實(shí)際項(xiàng)目中表現(xiàn)穩(wěn)定from transformers import AdamW from transformers import get_linear_schedule_with_warmup optimizer AdamW(model.parameters(), lr2e-5) total_steps len(train_dataloader) * epochs scheduler get_linear_schedule_with_warmup( optimizer, num_warmup_stepsint(0.1 * total_steps), num_training_stepstotal_steps )學(xué)習(xí)率設(shè)置為 2e-5 是關(guān)鍵。BERT 預(yù)訓(xùn)練模型本身已經(jīng)收斂得比較好微調(diào)階段如果學(xué)習(xí)率設(shè)得太大會(huì)破壞預(yù)訓(xùn)練學(xué)到的通用語義知識(shí)。這個(gè)值我做過對比實(shí)驗(yàn)2e-5 在大多數(shù)中文數(shù)據(jù)集上都表現(xiàn)最優(yōu)。3.3 實(shí)體抽取的策略與實(shí)現(xiàn)實(shí)體抽取我采用的是基于 BERT 序列標(biāo)注的方案用 BIO 標(biāo)注體系來定位問句中的實(shí)體邊界。B 表示實(shí)體開始I 表示實(shí)體內(nèi)部O 表示非實(shí)體。舉個(gè)例子李 白 是 哪 個(gè) 朝 代 的 詩 人 B I O O O O O O O這樣模型就能識(shí)別出“李白”這個(gè)完整實(shí)體。SeqLabeling 的 PyTorch 實(shí)現(xiàn)和分類模型類似只是輸出層從num_labels維變成了num_labels * 2 1維B、I、O 三類然后對序列中每個(gè) token 做預(yù)測。不過我的實(shí)測經(jīng)驗(yàn)是對于知識(shí)圖譜問答這種限定域場景直接上序列標(biāo)注模型可能有點(diǎn)“殺雞用牛刀”。更高效的替代方案是先把圖譜中所有實(shí)體名稱構(gòu)建成詞典然后用最大匹配算法從問句中提取實(shí)體詞配合 BERT 做候選實(shí)體消歧。原因是圖譜中實(shí)體的命名通常比較規(guī)范、有限比如“糖尿病”“胰島素”“李白”這類專有名詞靠詞典匹配已經(jīng)有較高準(zhǔn)確率。只有當(dāng)用戶使用別名、口語化表達(dá)時(shí)比如“消渴癥”指代糖尿病才需要引入模型做指代歸一。推薦做法是詞典優(yōu)先、模型兜底先用最大匹配跑一遍覆蓋率高的問題直接走少量匹配不上的問句再用序列標(biāo)注模型做補(bǔ)充抽取。這樣既控制了計(jì)算開銷又保證了準(zhǔn)確率。3.4 數(shù)據(jù)處理自己造訓(xùn)練數(shù)據(jù)并做增強(qiáng)模型訓(xùn)練最缺的就是標(biāo)注數(shù)據(jù)。我當(dāng)時(shí)快速構(gòu)建訓(xùn)練集的三個(gè)來源基于圖譜關(guān)系手工編寫種子問句比如“糖尿病的癥狀有哪些”“治療肺炎的藥物有哪些”用同義詞替換做數(shù)據(jù)增強(qiáng)如“治療”換成“醫(yī)治”“用藥”將簡單問句排列組合成復(fù)合結(jié)構(gòu)擴(kuò)充問法多樣性最終訓(xùn)練集約 5000 條驗(yàn)證集 1000 條。這個(gè)規(guī)模對 BERT 微調(diào)來說基本夠用。另外要提醒一點(diǎn)數(shù)據(jù)和模型的輸出標(biāo)簽體系必須對齊。如果你在訓(xùn)練意圖分類模型時(shí)定義了 5 個(gè)意圖類別那么查詢生成模塊也必須對每一個(gè)意圖都有對應(yīng)的查詢模板否則訓(xùn)練完模型后才發(fā)現(xiàn)某個(gè)意圖沒有后續(xù)處理邏輯整個(gè)流程就斷了。這兩邊在設(shè)計(jì)階段就要同步規(guī)劃好。4. 知識(shí)圖譜存儲(chǔ)與查詢語句生成語義解析模塊把問句拆成了意圖和實(shí)體接下來要做的就是把“用戶想干什么”翻譯成“圖譜能執(zhí)行什么查詢”。4.1 Neo4j 圖數(shù)據(jù)庫的建庫操作我選用的圖數(shù)據(jù)庫是 Neo4jCommunity Edition。為什么不用關(guān)系型數(shù)據(jù)庫因?yàn)橹R(shí)圖譜的本質(zhì)是多跳關(guān)系查詢比如“糖尿病的并發(fā)癥有哪些”“治療這些并發(fā)癥的藥物是什么”這類跨兩跳以上的查詢在 MySQL 里要寫一堆 JOIN而在圖數(shù)據(jù)庫里只需要遍歷邊性能和維護(hù)成本都更優(yōu)。建庫的核心語句用 Cypher 編寫CREATE (d:Disease {name: 糖尿病, description: 一種代謝性疾病}) CREATE (m:Medicine {name: 二甲雙胍, dosage: 500mg/次}) CREATE (s:Symptom {name: 多飲多尿}) CREATE (d)-[:HAS_SYMPTOM]-(s) CREATE (m)-[:TREATS]-(d)批量導(dǎo)入時(shí)用的是 Neo4j 的LOAD CSV命令將實(shí)體表和關(guān)系表以 CSV 形式導(dǎo)入。這個(gè)命令比逐個(gè) CREATE 快了一個(gè)數(shù)量級(jí)數(shù)據(jù)量在幾十萬級(jí)別時(shí)基本可接受。4.2 查詢模板的設(shè)計(jì)策略對于不同意圖類型我預(yù)定義了對應(yīng)的查詢模板。舉個(gè)例子意圖模板說明query_disease_drugMATCH (m:Medicine)-[:TREATS]-(d:Disease {name:$entity}) RETURN m.name查詢治療某疾病的藥物query_disease_symptomMATCH (d:Disease {name:$entity})-[:HAS_SYMPTOM]-(s:Symptom) RETURN s.name查詢疾病癥狀query_entity_attributeMATCH (n {name:$entity}) RETURN properties(n)返回實(shí)體所有屬性這里的$entity是參數(shù)占位符由 Python 端在運(yùn)行時(shí)注入實(shí)體名稱避免字符串拼接注入風(fēng)險(xiǎn)。4.3 Python 端動(dòng)態(tài)生成 Cypher 語句關(guān)鍵代碼如下from neo4j import GraphDatabase class QueryGenerator: def __init__(self, uri, user, password): self.driver GraphDatabase.driver(uri, auth(user, password)) def generate_sql(self, intent, entity): template_map { query_disease_drug: ( MATCH (m:Medicine)-[:TREATS]-(d:Disease {{name: {entity}}}) RETURN m.name ), query_disease_symptom: ( MATCH (d:Disease {{name: {entity}}})-[:HAS_SYMPTOM]-(s:Symptom) RETURN s.name ), query_entity_attribute: ( MATCH (n {{name: {entity}}}) RETURN properties(n) ) } return template_map[intent].format(entityentity) def query(self, intent, entity): cypher self.generate_sql(intent, entity) with self.driver.session() as session: result session.run(cypher) records [record.values() for record in result] return records這道工序有個(gè)非常隱蔽的坑Cypher 模板中已經(jīng)包含花括號(hào){}Python 的format()方法也會(huì)用花括號(hào)做占位符。如果在模板里直接寫{name:{entity}}運(yùn)行時(shí)會(huì)直接報(bào) KeyError。解決辦法是模板中的普通花括號(hào)寫成雙花括號(hào){{}}需要替換的位置保留單花括號(hào)。上面代碼已經(jīng)做了處理但如果你照抄時(shí)看漏了就會(huì)踩上這個(gè)坑。這是我的實(shí)操經(jīng)驗(yàn)如果你不想糾結(jié)花括號(hào)轉(zhuǎn)義干脆用純字符串拼接 參數(shù)化查詢cypher MATCH (m:Medicine)-[:TREATS]-(d:Disease {name: $entity}) RETURN m.name result session.run(cypher, entityentity)Neo4j 官方驅(qū)動(dòng)支持參數(shù)化查詢這樣既規(guī)避了轉(zhuǎn)義問題也更安全。5. 部署環(huán)境的完整搭建方案說句實(shí)話這個(gè)項(xiàng)目寫代碼本身不是最難的最難的是把環(huán)境配好。熱詞搜索里“python安裝”“pip安裝庫失敗”這類問題出現(xiàn)頻率極高說明新手大量時(shí)間都耗在環(huán)境配置上。這里我給出我驗(yàn)證過的完整方案。5.1 Python 環(huán)境與依賴版本選擇強(qiáng)烈建議使用 Anaconda 創(chuàng)建獨(dú)立虛擬環(huán)境不要直接裝在系統(tǒng) Python 里。conda create -n kgqa python3.9 conda activate kgqa版本選擇上有幾個(gè)硬性約束我直接列一個(gè)經(jīng)過驗(yàn)證可行的組合表依賴庫推薦版本說明Python3.9兼容性最穩(wěn)3.10 以上部分庫有編譯問題PyTorch1.13.1和 CUDA 11.7 配套的版本transformers4.30.2穩(wěn)定且 API 友好neo4j5.9.0官方 Python 驅(qū)動(dòng)scikit-learn1.2.2評(píng)估指標(biāo)計(jì)算pandas1.5.3數(shù)據(jù)處理安裝 PyTorch 時(shí)要注意 CUDA 版本先運(yùn)行nvidia-smi查看驅(qū)動(dòng)支持的 CUDA 版本然后到 PyTorch 官網(wǎng)選擇對應(yīng)安裝命令。如果你只是 CPU 跑測試直接安裝 CPU 版即可BERT-base 在 CPU 上做一個(gè)推斷大約耗時(shí) 1-2 秒測試是夠用。5.2 常見安裝問題與解決方案問題1pip install 時(shí)提示 Timeout 或 SSL 錯(cuò)誤多半是網(wǎng)絡(luò)原因優(yōu)先切換到國內(nèi)鏡像源pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch問題2安裝 transformers 后 BERT 模型無法下載Hugging Face 下載模型權(quán)重時(shí)對網(wǎng)絡(luò)要求較高有兩個(gè)思路。一是手動(dòng)從 Hugging Face 模型倉庫下載bert-base-chinese的所有文件放到本地目錄然后改用from_pretrained(./bert-base-chinese/)加載二是設(shè)置HF_ENDPOINT環(huán)境變量指向鏡像站。這條坑基本每個(gè)做中文 NLP 項(xiàng)目的人都會(huì)遇到。問題3Neo4j 啟動(dòng)后無法通過 localhost:7474 訪問檢查端口占用和 Neo4j 配置文件中的監(jiān)聽地址。Windows 上如果默認(rèn)dbms.connectors.default_listen_addresslocalhost被改過會(huì)導(dǎo)致 7687Bolt 協(xié)議端口不可訪問。改回 localhost 再重啟服務(wù)即可。6. 項(xiàng)目實(shí)測結(jié)果與性能調(diào)優(yōu)記錄模型訓(xùn)練和系統(tǒng)集成完成后我在自己構(gòu)建的中文醫(yī)療知識(shí)圖譜測試集上做了性能評(píng)估測了 800 條人工問句。6.1 各項(xiàng)指標(biāo)的實(shí)測結(jié)果評(píng)估維度準(zhǔn)確率響應(yīng)時(shí)間CPU意圖識(shí)別96.3%約 100ms實(shí)體識(shí)別詞典優(yōu)先94.8%約 5ms圖譜查詢環(huán)節(jié)100%約 30ms端到端整體問答91.5%約 200msBERT 推理為主從結(jié)果分布來看誤差主要出現(xiàn)在實(shí)體識(shí)別環(huán)節(jié)和意圖判斷邊界模糊的句子上。比如“糖尿病人吃什么藥”意圖里有“疾病”“藥物”兩個(gè)實(shí)體“吃”“藥”等詞會(huì)干擾分類器對意圖的判斷。6.2 從 91% 到 93%我把性能提升做到位的幾個(gè)手段第一個(gè)手段是給 BERT 輸入增加圖譜實(shí)體的先驗(yàn)標(biāo)記。比如做序列標(biāo)注時(shí)把詞典匹配到的實(shí)體詞直接標(biāo)記為候選實(shí)體讓模型更關(guān)注這些位置的上下文而不是從零開始找實(shí)體。這個(gè)操作讓實(shí)體識(shí)別 F1 值提升了近 2 個(gè)百分點(diǎn)。第二個(gè)手段是意圖分類的置信度閾值機(jī)制。當(dāng)模型輸出的意圖概率低于 0.7 時(shí)不立即返回結(jié)果而是同時(shí)返回 Top-2 意圖對應(yīng)查詢結(jié)果讓下游模塊用更長的規(guī)則校驗(yàn)。比如“糖尿病和高血壓能同時(shí)用藥嗎”這個(gè)問句它既包含疾病查詢意圖又帶有比較語義單標(biāo)簽分類天然無法處理。我增加了一個(gè)“復(fù)合問題”意圖專門應(yīng)對這種混合問法。第三個(gè)手段是構(gòu)建實(shí)體同義詞映射表。用戶在口語中很少使用圖譜中的標(biāo)準(zhǔn)名比如“二甲雙胍”常被說成“二甲雙胍片”“高血糖”和“糖尿病”也經(jīng)?;煊?。我在實(shí)體抽取模塊后面加了一層同義詞歸一層實(shí)現(xiàn)如下synonym_map { 二甲雙胍片: 二甲雙胍, 鹽酸二甲雙胍: 二甲雙胍, 高血糖: 糖尿病, } def normalize_entity(entity): normalized synonym_map.get(entity, entity) return normalized這一層不消耗任何模型計(jì)算資源純規(guī)則但對端到端準(zhǔn)確率的提升非常直觀。6.3 響應(yīng)延遲的優(yōu)化策略如果你的系統(tǒng)需要部署成 web 服務(wù)對響應(yīng)延遲的要求就會(huì)更高。BERT-base 在 CPU 上單條推斷大約 100-200msGPU 上能壓到 20ms 左右。如果只有 CPU 資源幾個(gè)優(yōu)化方案用torch.jit.trace將模型轉(zhuǎn)成 TorchScript 格式免去 Python 層的動(dòng)態(tài)圖開銷開啟動(dòng)態(tài) batch 處理多請求同時(shí)進(jìn)來時(shí)一次前向傳播處理多條使用 ONNX Runtime 加速BERT 這類 Transformer 結(jié)構(gòu)在 ONNX 上有專門優(yōu)化實(shí)測比 PyTorch 原版提速 20%-30%import torch model.eval() traced_model torch.jit.trace( model, example_inputs(input_ids, attention_mask), strictFalse ) traced_model.save(bert_kgqa.pt)使用torch.jit.trace時(shí)要注意如果你的模型內(nèi)部有依賴于輸入形狀的動(dòng)態(tài)分支邏輯trace 可能會(huì)固化錯(cuò)誤的計(jì)算路徑。BERT 模型結(jié)構(gòu)固定基本沒有這個(gè)問題但保險(xiǎn)起見我還是建議 trace 之后跑一遍完整的評(píng)估集確認(rèn)輸出一致再部署。7. BERT 微調(diào)與模型訓(xùn)練的完整流程訓(xùn)練數(shù)據(jù)是所有模型的起點(diǎn)。很多同學(xué)在這個(gè)環(huán)節(jié)非常崩潰因?yàn)闃?biāo)注數(shù)據(jù)又累又費(fèi)時(shí)。我總結(jié)出一套半自動(dòng)的標(biāo)注流水線能大幅減少標(biāo)注工作量。7.1 訓(xùn)練數(shù)據(jù)格式與預(yù)處理訓(xùn)練數(shù)據(jù)采用 JSON 格式{ text: 糖尿病的早期癥狀有哪些, intent: query_disease_symptom, entities: [糖尿病] }意圖分類數(shù)據(jù)只需要前兩個(gè)字段實(shí)體抽取數(shù)據(jù)需要同時(shí)包含實(shí)體字段。做序列標(biāo)注時(shí)需要把問句轉(zhuǎn)成 BIO 標(biāo)簽序列。這里我用 jieba 分詞做前置分割然后用實(shí)體位置對齊到 token 級(jí)別def tokenize_and_label(text, entities, tokenizer): inputs tokenizer(text, return_tensorspt, truncationTrue, max_length64) offset_mapping tokenizer(text, return_offsets_mappingTrue)[offset_mapping] labels [O] * len(input_ids[0]) for ent in entities: start, end text.find(ent), text.find(ent) len(ent) for i, (s, e) in enumerate(offset_mapping): if e start or s end: continue labels[i] B-ENT if s start else I-ENT return input_ids, attention_mask, labels這里有個(gè)大坑tokenizer默認(rèn)會(huì)給文本兩端加[CLS]和[SEP]tokenoffset_mapping的長度和input_ids一致但對特殊 token 的起始位置標(biāo)記為 0。如果直接用原始文本的find()定位實(shí)體坐標(biāo)和 offset mapping 的對應(yīng)關(guān)系會(huì)出現(xiàn)偏差最終導(dǎo)致標(biāo)簽錯(cuò)位。保險(xiǎn)做法是去掉 offset 為 0 的無效位置或者使用return_offsets_mappingTrue后再手動(dòng)做映射對齊。7.2 基于 Hugging Face Trainer 的微調(diào)流程我最終用 Hugging Face 的 Trainer API 做微調(diào)代碼簡潔且自帶評(píng)估循環(huán)和斷點(diǎn)續(xù)訓(xùn)from transformers import Trainer, TrainingArguments training_args TrainingArguments( output_dir./results, num_train_epochs5, per_device_train_batch_size16, per_device_eval_batch_size32, warmup_steps200, weight_decay0.01, logging_dir./logs, logging_steps100, eval_steps500, save_steps500, load_best_model_at_endTrue, metric_for_best_modelaccuracy, ) trainer Trainer( modelmodel, argstraining_args, train_datasettrain_dataset, eval_dataseteval_dataset, ) trainer.train()eval_steps和save_steps設(shè)為 500 的好處是每訓(xùn)練 500 步就保存一次模型訓(xùn)練過程中如果出現(xiàn) loss 暴增或者過擬合可以從上一個(gè)保存點(diǎn)恢復(fù)繼續(xù)調(diào)參不用從頭再來。7.3 微調(diào)時(shí)經(jīng)常遇到的幾個(gè)問題過擬合的解決方式5000 條訓(xùn)練數(shù)據(jù)對 BERT 來說偏少訓(xùn)練到第 3-4 個(gè) epoch 時(shí)驗(yàn)證集 loss 就可能開始反彈。我加了早停機(jī)制并設(shè)置 dropout0.3有效緩解了這個(gè)問題。另外一個(gè)實(shí)用技巧是如果訓(xùn)練集太小只微調(diào) BERT 后 2 層 分類層凍結(jié)前面層的參數(shù)。這樣做既省顯存也能抑制過擬合。for name, param in model.bert.named_parameters(): if layer.11 not in name and layer.10 not in name: param.requires_grad False這個(gè)操作把可訓(xùn)練參數(shù)量從 1 億壓到了幾千萬單卡 8G 顯存也能順利跑完訓(xùn)練。顯存溢出OOMBERT-base 單條樣本的序列長度為 64 時(shí)batch_size32 大約需要 11G 顯存。如果你的 GPU 只有 6G 或 8G把 batch_size 降到 8 或 4同時(shí)開啟梯度累積training_args.gradient_accumulation_steps 4梯度累積 4 步再更新一次參數(shù)等價(jià)于 batch_size32 的效果只是訓(xùn)練時(shí)間延長一些。8. 查詢性能瓶頸與候選答案重排機(jī)制圖譜查詢完之后系統(tǒng)面臨一個(gè)很實(shí)際的問題候選答案可能有很多個(gè)怎么排序怎么決定哪個(gè)是用戶最想要的答案8.1 BERT 在多候選答案重排中的角色知識(shí)圖譜查詢返回的往往是滿足條件的所有實(shí)體。比如“治療糖尿病的藥物有哪些”返回 20 種藥用戶不可能全部看一遍而且其中很多藥是二線、三線用藥并不一定對每個(gè)用戶都適用。我的做法是引入第二層 BERT 分類器做候選答案排序。具體來說將用戶問句和候選答案拼接用 BERT 判斷這個(gè)答案與問句的匹配程度對候選答案按匹配分?jǐn)?shù)排序取 Top-K 返回def rank_answers(question, candidate_answers): inputs [question [SEP] ans for ans in candidate_answers] # 使用 BERT 計(jì)算每對 (問句, 答案) 的語義相似度 scores similarity_model(inputs) ranked sorted(zip(candidate_answers, scores), keylambda x: x[1], reverseTrue) return [ans for ans, score in ranked[:3]]這個(gè)做法的原理很好理解BERT 在預(yù)訓(xùn)練階段做過 Next Sentence PredictionNSP任務(wù)天然具備判斷兩個(gè)句子是否語義連貫的能力。微調(diào)后這個(gè)模型能有效區(qū)分“治療糖尿病的藥是二甲雙胍”和“治療糖尿病的藥是阿司匹林”哪個(gè)更合理。8.2 排序模型的訓(xùn)練策略排序模型的訓(xùn)練數(shù)據(jù)可以半自動(dòng)生成圖譜查詢結(jié)果中與用戶問句意圖一致、且實(shí)體關(guān)系路徑最短的答案作為正樣本隨機(jī)采樣圖譜中的無關(guān)實(shí)體作為負(fù)樣本。正負(fù)樣本比控制在 1:3 左右。訓(xùn)練策略上推薦用 pointwise 方式直接用交叉熵訓(xùn)練實(shí)現(xiàn)簡單穩(wěn)定。pairwise 方式如 RankNet效果理論上更好但在數(shù)據(jù)量少時(shí)容易過擬合性價(jià)比不高。8.3 答案生成模塊的模板拼接最終返回給用戶的答案我采用模板拼接方式。比如if intent query_disease_drug: drugs , .join(top3_drugs) answer f根據(jù)知識(shí)圖譜數(shù)據(jù)治療{entity}的常用藥物包括{drugs}。如果你想更自然一點(diǎn)可以再疊加一層句子重寫模塊把模板結(jié)果改寫成更口語化的表達(dá)。比如“根據(jù)知識(shí)圖譜數(shù)據(jù)”這個(gè)前綴本身有強(qiáng)烈的機(jī)器感實(shí)際部署時(shí)我把它換成“目前常用于治療{entity}的藥物有”。9. 項(xiàng)目踩坑記錄完整排查鏈路這一節(jié)把我在實(shí)際開發(fā)中遇到的三個(gè)比較棘手的 bug 完整復(fù)盤一遍幫你在遇到類似問題時(shí)能快速定位。9.1 坑一BERT 輸入序列被截?cái)鄬?dǎo)致實(shí)體標(biāo)簽全部錯(cuò)位問題表現(xiàn)模型訓(xùn)練時(shí) loss 正常下降但推理階段實(shí)體提取結(jié)果完全不對明明問句里有圖譜實(shí)體提取結(jié)果卻為空。排查鏈路第一步我先打印模型的輸出 logits發(fā)現(xiàn)所有 token 都被預(yù)測為 O 類。這說明模型根本沒看到實(shí)體信息。第二步檢查輸入數(shù)據(jù)的特征——打印 tokenizer 返回的 input_ids 和標(biāo)簽序列發(fā)現(xiàn)文本被截?cái)嗔恕.?dāng)時(shí)我把max_length設(shè)置成了 32但圖譜問句有些比較長部分實(shí)體詞剛好落在第 32 個(gè) token 之后標(biāo)簽就被截掉了。第三步把max_length從 32 改到 64同時(shí)確認(rèn)truncationTrue只截?cái)嗪蟀氩糠帧⒈A糸_頭。重新驗(yàn)證后實(shí)體提取恢復(fù)正常。這個(gè)坑的教訓(xùn)很直接BERT 的輸入長度限制會(huì)導(dǎo)致標(biāo)注數(shù)據(jù)對齊失敗而它不會(huì)在你的訓(xùn)練 loss 曲線中暴露任何異常。這里的預(yù)防措施是寫一個(gè)校驗(yàn)函數(shù)統(tǒng)計(jì)訓(xùn)練數(shù)據(jù)中超過 max_length 的樣本比例如果超過 10%就得擴(kuò)大長度上限或調(diào)整數(shù)據(jù)預(yù)處理邏輯。9.2 坑二Neo4j 關(guān)系方向設(shè)計(jì)錯(cuò)了導(dǎo)致查不到結(jié)果問題表現(xiàn)圖譜里明明存在“二甲雙胍治療糖尿病”這條關(guān)系但用戶問“治療糖尿病的藥物有哪些”時(shí)查詢返回空結(jié)果。排查鏈路第一步直接在 Neo4j Browser 中執(zhí)行MATCH (m:Medicine)-[:TREATS]-(d:Disease {name:糖尿病}) RETURN m.name返回空說明 CQL 語法層面沒問題問題出在數(shù)據(jù)。第二步執(zhí)行MATCH (m:Medicine)-[r:TREATS]-(d:Disease) RETURN m.name, d.name LIMIT 10發(fā)現(xiàn)這條數(shù)據(jù)根本不存在。第三步檢查 CSV 關(guān)系數(shù)據(jù)文件發(fā)現(xiàn)我在生成關(guān)系文件時(shí)把 head 和 tail 的實(shí)體類型標(biāo)簽搞混了導(dǎo)致很多關(guān)系的方向是反的即(d:Disease)-[:TREATS]-(m:Medicine)。這個(gè)問題解決起來可以很快但排查它花了幾乎一整個(gè)下午。我的建議是建庫后馬上寫一套校驗(yàn)?zāi)_本對每對關(guān)鍵關(guān)系執(zhí)行正向和反向查詢確保數(shù)據(jù)寫入方向無誤。等于把問題清零在源頭而不是等到問答系統(tǒng)上線后才發(fā)現(xiàn)。9.3 坑三GPU 和 CPU 的模型權(quán)重混用問題表現(xiàn)在 GPU 上訓(xùn)練好的模型傳到 CPU 環(huán)境中推理時(shí)一直報(bào)RuntimeError: Attempting to deserialize object on a CUDA device。排查鏈路這個(gè)坑的原理很明確。PyTorch 保存模型時(shí)如果用的是torch.save(model.state_dict(), model.pt)會(huì)默認(rèn)把張量的 device 信息一并保存。在 CPU 環(huán)境加載時(shí)它會(huì)嘗試往 CUDA 設(shè)備上放張量自然報(bào)錯(cuò)。解決方案是保存時(shí)指定map_location# 保存時(shí)指定為 CPU torch.save({k: v.cpu() for k, v in model.state_dict().items()}, model.pt) # 加載時(shí)指定映射到 CPU model.load_state_dict(torch.load(model.pt, map_locationcpu))還有一個(gè)更隱蔽的坑如果你在 GPU 上保存的模型包含模型類的定義比如用torch.save(model, ...)來整模型保存那么加載端的代碼環(huán)境必須和保存端的模型定義完全一致否則會(huì)報(bào)內(nèi)容不匹配錯(cuò)誤。最好的習(xí)慣是永遠(yuǎn)只保存 state_dict而不是整個(gè)模型對象。10. 系統(tǒng)的擴(kuò)展方向與真實(shí)落地建議項(xiàng)目做完之后有幾個(gè)非常值得做的擴(kuò)展方向我根據(jù)自己的經(jīng)驗(yàn)給出排序和建議10.1 從單輪問答走向多輪對話目前這個(gè)系統(tǒng)對每一條用戶問句都是獨(dú)立處理的。如果用戶先問“糖尿病的癥狀有哪些”再追問“這些癥狀嚴(yán)重嗎”系統(tǒng)無法理解“這些癥狀”指的是上一輪的查詢結(jié)果。要支持多輪對話需要引入對話狀態(tài)管理模塊維護(hù)用戶的“當(dāng)前查詢上下文”并將指代消解結(jié)果替換到新的查詢語句中。技術(shù)上可以借用一個(gè)輕量級(jí)的做法把歷史問句拼接當(dāng)前問句一起輸入 BERT 做分類和實(shí)體抽取。這種拼接策略雖然簡單但在限定域場景下效果不錯(cuò)至少能解決“這些”“它”“上面提到的”等常見指代。10.2 用 Vue3 前端做可視化問答界面如果你想做一個(gè)看得見、演示效果好的界面結(jié)合 Vue3 生態(tài)實(shí)現(xiàn)知識(shí)圖譜的可視化會(huì)非常亮眼。Neo4j 的數(shù)據(jù)可以通過 Bolt 協(xié)議或 REST API 開放前端拿到圖譜 JSON 后用 D3.js 或 AntV G6 庫渲染實(shí)體關(guān)系圖用戶問完問題后不僅能顯示文字答案還能直接看到答案在圖譜中的位置和關(guān)聯(lián)路徑。這對項(xiàng)目答辯、匯報(bào)演示來說是一個(gè)加分項(xiàng)。熱搜詞里“vue3 實(shí)現(xiàn)知識(shí)圖譜”出現(xiàn)頻率很高說明這個(gè)需求確實(shí)很真實(shí)。我的建議是后端把圖譜子圖序列化成 JSON 返回前端做渲染不要在 Python 端做圖可視化分離清晰職責(zé)單一。10.3 接入更多領(lǐng)域圖譜當(dāng)前系統(tǒng)是在醫(yī)療領(lǐng)域做的驗(yàn)證。這套“意圖分類 實(shí)體抽取 圖譜查詢 答案重排”的框架本身是領(lǐng)域無關(guān)的換一個(gè)知識(shí)圖譜只需要更新圖譜數(shù)據(jù)和同義詞詞典根據(jù)新圖譜設(shè)計(jì)意圖類別和查詢模板重新標(biāo)注一批問句微調(diào) BERT 模型整個(gè)遷移周期根據(jù)圖譜規(guī)模不同大概在 2-4 周。如果想快速嘗試可以用公開的金融、歷史、行政治安等領(lǐng)域圖譜做交叉驗(yàn)證代碼可以完全復(fù)用。11. 關(guān)于 BERT 與知識(shí)圖譜結(jié)合的一些個(gè)人心得項(xiàng)目做完之后我對“為什么這個(gè)組合值錢”有了更深入的體會(huì)。BERT 學(xué)的是語言知識(shí)它知道詞與詞之間的語義關(guān)系知識(shí)圖譜存的是事實(shí)知識(shí)它知道實(shí)體與實(shí)體之間的真實(shí)關(guān)聯(lián)。語言知識(shí)解決“聽懂”事實(shí)知識(shí)解決“答對”兩者缺一不可。網(wǎng)上經(jīng)常有人問“ChatGPT 出來后知識(shí)圖譜問答是不是就過時(shí)了”我的觀點(diǎn)是ChatGPT 這類大模型可以做開放域問答但在需要精確、可追溯答案的垂直領(lǐng)域如醫(yī)療、法律、金融風(fēng)控知識(shí)圖譜的可控性和可解釋性仍然有不可替代的價(jià)值。BERT 知識(shí)圖譜這個(gè)技術(shù)組合在大模型的陰影下不僅沒有過時(shí)反而因?yàn)槟芴峁坝袚?jù)可查”的回答企業(yè)級(jí)應(yīng)用需求越來越大。實(shí)際訓(xùn)練中還有一個(gè)感受不要一味追求更復(fù)雜的模型。BERT-base 在這個(gè)場景已經(jīng)綽綽有余。先把數(shù)據(jù)和圖譜質(zhì)量做好比堆模型參數(shù)更有性價(jià)比。我見過很多項(xiàng)目花大力氣換成了 ERNIE 或 RoBERTa準(zhǔn)確率提升不到 1%而數(shù)據(jù)清洗和同義詞詞典帶來的收益輕松超過 5%。數(shù)據(jù)面永遠(yuǎn)值得你優(yōu)先投入。這個(gè)項(xiàng)目還有一點(diǎn)讓我特別受用實(shí)體對齊能力在這個(gè)過程中得到了實(shí)實(shí)在在的鍛煉。從詞典匹配到模型兜底從同義詞歸一化到候選實(shí)體消歧每一步的處理都對最終效果有直接影響。如果你也想做 NLP 相關(guān)的項(xiàng)目我建議不要只停留在“調(diào)用 BERT API”的層面而是把語義解析、圖譜查詢、答案組織這一整條鏈路親手打通一遍——這個(gè)過程帶來的經(jīng)驗(yàn)比任何教程都值錢。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
超碰97玖玖爱| 91在线秘 男同| 欧美日韩大黄片| 91男女啊啊啊| 干少妇视频| 性色av蜜臀av色欲aV| 99国产在线绯色一区| 少妇高潮九九九九九九九| 国产一区二区三区视频在线看| 人妻少妇精品一区二区三区| 亚洲精品91| 欧美黄片视频在线观看免费| 亚洲丝袜二区在线| 日本123区操B视频| 欧中美三级一区二区三区| 国产精品久久成人免费| 岛国免费黄色网址| 伊人丝袜美腿高跟在线观看高清| 欧美人人操人人插| 91热情品| 在线观看亚洲专区| 日日玩天天干| 人妻激情另类| 亚洲欧洲自拍图片专区满春格| 日韩女优在线| 精品亚洲国产成人av网站| 欧美韩日精品资源| 狠狠狠一区二区三区| 超碰97亚洲| 国产九月婷婷| 欧美日韩另类在线| 色眯眯av| 最新加勒比丝袜在线| 偷拍盗拍亚洲色图图片| 91色爽欧美| 超碰在线974| 在线亚洲欧美| 精品九九九九九九九| 国产精品爱欲| 中文字幕一区二区视频在线观看| 狠狠躁天天躁日日躁| 日人妻视频91| 精品久久久久久久| 久久綜合很很很| 东京热男人的天堂精品| 女生看匆91网站| 91超碰人人| 波多野结衣AV无码一区| 久草线上视频免费看| 欧美黄片视频在线观看免费| 高清国产精品福利网站| 麻豆伊人网| 新版天堂中文资源8在线| 大香蕉手机视频| 成人一二三区| 亚洲黄色网址| 殴美,日韩国产伦精品| 久久免费99精品久久久久久| 精品免费囯产一区二区三区| 成人一区二区三区四区| 午夜免费视频1000| 2019久久久久久久久福利| 色欧美在线| 99热导航| 深爱激情五月天| 亚洲欧洲中文日韩女优乱码| 亚洲一区二区在线观看91| 亚洲天天影视综合网| 天天天天天干夜夜夜夜夜操| 国产一级做a爰大片免费久久| 黄色工厂这里只有精品| 91在线丝袜视频| 午夜免费视频1000| 日本熟女中文| 国产精品久久久久久无码红治院| 色香天天| 九色 蝌蚪 熟女自| 最新精品久久蜜桃 | 欧美熟女丝袜| 狠狠操一区二区| 国产自偷自拍一区| 日逼国产| 久久这里是精品| 久草加勒比一区在线| 国产91丝袜在线播放蜜月| 超碰亚洲欧美日韩无| 亚洲精品aa久久伊人| 男女做爰猛烈动高潮A片免费应用 少妇厨房愉情理伦片bd在线观看 不卡中文字幕aⅴ在线 | 日韩啊V| 国产一二三福利视频网| 伊人午夜福利视频| 天堂资源站| 二区熟妇韩日| 强上我不卡卡| 伊色综合天堂色97| 人妻三级在线中文字幕| 97无码视频在线播放| 欧美亚洲首页| 国产白丝网站| 亚洲精品国产拍免费91在线| 色偷综合| 色踪合AV| 亚洲亚洲亚洲天堂天堂 | 福利在线黄片| 激情五月天社区| 影音先锋视频在线| 91动漫操逼视频| 中文字幕91页| 久久亚洲欧美中文字幕国语| 夜夜操青青草| 激情综合97| 老女人爆菊| 久久久精品国产亚洲伊人| 激情五月天视频| 亚洲成人帖图| 澳门色噜噜色噜噜色噜噜色噜噜色噜噜| 日本精品久久久久久久| 大香蕉日亚洲日本亚大| 偷拍欧美亚洲| 欧美日韩精品久久久久久久久东北老熟妇| 国产丝袜啪啪| 欧美激情综合网| 天天狂操夜夜狂日| av中亚| 色婷婷一区二区三区久久| 超碰美国| 欧美日韩*字幕一区| 91国产操逼视频| 欧美v日韩v亚洲v最新在线| 国产精品成人AV片免费看网站| 青娱乐国产剧情av一区| 国产一级内射无挡观看| 亚洲成a人在线观看久| 国产免费一区| 操碰97| 亚洲精品免费中文字幕| 午夜影美女日鸡鸡天天视频国产| 涩涩五月天| 国产伦精品免编号公布| 亚洲人人夜夜澡人人爽| 极品肉射| 黄色片,com| 国产呦精品一区二区三区下载| 亚洲AV免费在线| 亚洲综合网电影91| 91天美传媒在线观看| 久肏视频字幕| av无码精品久久久久| 国产福利第一视频| 裸模AV女优| 亚洲欧美综合网站| 国产精品福利视频| 久久亚洲AV成人精品无码| www.色婷婷| 91性高朝久久久久久久久| 日逼视频日本| 精品乱子一区二区三区99| 亚州欧美综合| 在线亚洲 欧美 日本专区| 欧美自拍偷拍免费观看| 后入 亚洲 美女 射| 亚洲区限制级| 北约熟女超碰| 99久久无色码| 97精品视频在线| 天天夜躁日日躁狠狠2002| 青青操狠狠撩| 蜜臀久久99'精品久久久| 久久精品店| 色乱二区| 免费成人在线熟妇网| 97 色综合| 岛国成人av在线播放网址| 青青草视频爽一爽| 色五月av| 午夜精品久久久久久久| 日韩一级片在线看| 日本黄页视频在线观看| 亚洲成人黄色在线观看| 精品网站99999| 欧美色图第一页| 手机在线观看不卡无码av| 欧美性,色九九| 欧美综合综合| 日本福利社| 激情婷婷丁香| 日本精品高清一二区一本到| 日韩精品电影| 操逼不卡中文字幕| 激情视频一二三| 成 人 A V免费视频在线观看| 人妻少妇色综合| 日日日日做夜夜夜夜做无码97| 自拍内地三级在线观看| 日韩天堂av电影在线观看| 懂色综合久久久| 色原狠狠天天天| 国产真实野战在线视频| 国产诱惑| 亚洲性爱无码乱伦av| 综合91网| 性色av蜜臀av色欲aV| 一区二区三区蜜桃成人撸久久东京热 | 人人人人人人少妇| 国产精品久久久啊| 国产乱弄免费在线视频。| 免费中文综合精品| 亚洲91综合| 国产欧美日韩精品中文| 4tube欧美女厕所| 色婷亚洲五月在线观看| 亚洲色图A| 日本女人操逼| 久久这里只有精品9| 五月婷婷AV| 九九九九九九精品| 亚洲日韩AV视色| 福利视频合集| 神马久久久久久久久久久久| 久久黄色视频一区二区三区| 美女网站黄页| 嗯啊不要啊在线 | 欧美黄色大香蕉一区二区| 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 | 殴美在线AⅤ| 97在线播放 | 99热这里只有精品99| 美女91AV| 99国内熟女露脸视频| 国产精品无码AV网站| 91网站18+| 超碰久热| se01国产在线视频| 丰满熟女人妻一区二区三五十一路| 国产欧美一区激情交| 农村妇女精品一二区| 97 亚洲 日韩 欧美 在线| 收看日本人日bb| 男女香蕉一区二区| 艳美熟妇先锋一二三区| 亚洲字幕一区二区| 亚洲激情视频| 欧美精品欧美精品系列 | 色综合久| 啪啪视频亚洲第一| 免费国产视频| 青青草导航在线视频| 日韩精品区二区三区不卡| 日韩成年人性爱视频| 97超视频在线观看| 成人情色一区二区| 亚洲AV无码乱码在线观看性色| 91亚洲欧洲| 亚洲色情在线影视| 精品无码一二三四区| 亚洲色诱惑| 蜜乳AV免费观看| 超碰九7| 欧美综合传媒| 亚洲精品欧美专业| 五月丁香综合| AV免费在线播放一区| 欧美性暴力| 91美女国产在线| 熟女天天干| 亚洲 日韩 欧美 国产综合体| 国产探花日韩援交| 外国免费性情大片| 97天天插| 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 | 99999精品成人| 色九区| 乱伦a片视频| 91精品国产一区三一| www. 男人天堂成人在线| 国产伦精品一区二区三区视频女| 久久久久国产精品片区无码直播| 国产一区二区免费福利片| 久久αⅴ| 狠狠躁伊人中文字幕| 国产人妻精品一区二区三区秋霞 | 精品国产乱码久久久久久久| 久久亚洲色图中文字幕| 神马久久久久久久久久久久| 91九色丨国产丨爆乳| 国产 日韩 欧美 人妻 熟女 中文| 日韩操逼HD| 91色人妻| 丁香六月激情| 中文字幕成人理论在线| 中文字幕123| 午夜视频好爽啊| 国产黄色剧情影片麻豆免费播放| 性色综合网| 精品无码少妇| 骚女天天综合网| 大香蕉线| 热99re69精品8在线播放| www欧美91| 超碰天天去日穴| 老鸭窝在线视频播放| 女上位精品在线| 亚洲偷91色| 98超碰日本| 精品无码一区二区人妻久久蜜桃| 精彩久久中文| 9久9久9久9久视频网站| 亚洲色图8| 亚洲在饯| 东京热一区二区中文字幕| 少妇久久久久| 88xx成人精品视频| 国产乱码精品一区二区三区四川| 中日高清无码操逼视频| 五月婷婷激情综合| 亚洲污一污二| 91色夜| 91w欧美| 一区二区三区免费视频入口 | 有码专区最新中文字幕有码| 久操视频这里只有精品| 色综合一区二区三区| 夜夜爽夜夜爽| 老司机射| 人人色97| 人人妻人人色| 亚洲黄色电影| 最新无码国产| 亚洲欧美日韩精品久久久一区二区| 国产成人www免费人成看片| 五月天激情小说| 欧美专利1区2区3区4区5区免费| 欧美狠狠操| 欧亚日本情色| 亚洲AV无码秘 蜜桃臀国精产品| 国产精品久久久久久高清无码免费看| 国产极品美女高潮无套在线观看| 啊啊啊啊嗯嗯嗯用力好爽| 中文字幕在线观看AV| 精品乱码久久久久| 射综合网| 久久精品国产96精品亚洲拳交| 中文字幕 码 自拍 视频 区| 日韩三级在线观看mp4| 天天干1区2区在线| 日本韩高清无砖码22o| 天天操夜夜嗨| 天天肏美女| 欧美激色| 亚洲自拍偷拍视频在线| 国产精品免费视频人成| 亚洲免费97免费| 999国产精品999久久久久久| 人人干黄色| 色色色综合| 再深点灬舒服灬太大了添视频| 五月婷婷爱六月丁香色| 大香蕉伊然在亚洲91| 啪啪啪综合网| 国产 码在线成人网站| 国产又大又粗又长视频在线| 国产精选视频| 黑人操一区二区| 日韩一999精品| 欧美97免费| 波多野结衣先锋影音| 日韩欧美亚洲国产日韩| 精品人妻一区二区蜜桃视频| 国产对白刺激视频| 夜夜操天天肏| 九九九九亚洲| 免费久久精品麻豆一区二区av| 蜜奶av| 久久久四区| 久久久精品成人国产| 午夜福利在线视频1000| 凹凸视频在线一区二区| 99热免费| J?P?NESEHD熟女熟妇伦| 久久天天摸| 中文字幕1区2区| 超碰成人最新最好看| 中文字幕在线观看网页| 热99这里有精品综合久久 | 9999久久久| 色色五月天激情| 久久9精品网站| 日本国产高清色www视频在线| 欧美白嫩在线放| 无遮挡男女激烈动态图| 国产男女无套97| 国产午夜精品在线观看| 嗯嗯啊啊用力视频免费| a片久久久久久久久久久久 | 色综和网| 超碰在线香蕉| 性交一区二区在线播放| 蜜乳AV一区| 1000午夜黄色| 噜噜噜无码AV一级一级久久影院| 五月天人妻综合| 一块操欧美性爱| 91高清欧美| 亚洲另类综合欧美| 亚洲天堂五月天国产| 91夜色chaopeng| ..日韩av毛片精品久久久| 精品一二三区女同 | 欧美黄色手机在线观看| 欧美亚洲日韩16色| 人人妻人人狠人人| 91制服丝袜中文字幕| 国产成人亚洲精品自产在线| 欧洲欧美视频一区二区| 久射吧| 在线只有精品| CCYY草草影院地址入口| 日本999精品| 国语av最新自产拍在线观看| 9Ⅰ超碰| 图色综合网| 亚州操逼图| 欧美色图另类图片| 尤物av网站| 国产亚州高清国产拍精| 欧美一级二级三级| 双插在线| 97av在线视频| 国产又色又粗又黄又爽| 亚洲美女高潮喷水视频| 骚乳在线| 日韩免费看黄片| 超碰97网站| 精品乱码久久久久| 91 刺激在线| 日韩精品在线视频在线观看| 日本幼女18+| 激情图片亚洲色图| 一级性爱aaaa| 久久受www免费人成| 天天干夜夜操一区二区| 69AV女优男人的天堂| 日本Xx性爱| 亚洲精品99999| 97超碰人操| 私色综合网| 久草免费福利在线播放| 久草成人| 在线电影亚洲色图| 久久免费精品96| 爽爽淫人网| 亚洲αv一区二区三区| 老熟女网站| 久久久久久久9最新免费视频观看| 亚洲av夫妻操穴网| 亚洲日韩成人性爱视频| 国产宅男宅女在线观看| www.av家庭乱伦| 亚州黄站| 精品欧美日韩在线观看| 97一区二压| 丰满人妻一区二区三区在线| 色九月| 亚洲精品a人片在线观看视| 免费人成毛片乱码| 欧美97超碰| 久久久三区二区一区| 日本999精品| www四虎| 欧美综合亚洲| 亚洲综合图片在线| 欧美国产有色电影| 色综和网| 久久伦理视频久久大香蕉视频| 欧美少妇大量自拍视频在线观看| 人妻久久久| 中文字幕在线高清男人的天堂| 国产宅男宅女在线观看| 亚洲三区视频| 亚洲一欧洲中文字幕在线| 尤物网址| 久久亚洲欧美中文字幕国语| 国产一级137片内射麻豆| 蜜臀久久99精品久久久久久-DVD原版全| 精品视频一区二区| 夜夜嗨免费视频| 91社区拍啪人妻| 日韩强奸av| 天天影视色香欲综合网小说| 污色区网站| 国产无码成人无码| 欧美性爱第一页久久| 成人蜜乳小视频网站| 国产在线播放成人免费| 午夜小电影在线插入淫高潮| 搡老熟女免费视频| 另类TS人妖一区二区三区| 13小男生GAY自慰脱裤子| 国产无码精品成人| 成 人片 黄色大片| 黑人操一区二区| 色嗨嗨在线| 亚洲操逼视频网站| 色区久久| 免费视频在线观看啊啊啊啊啊| 亚洲。日韩。欧美| 中文幕97| 精品美女少妇一区二区| 久草在线| 天天干人妻| 九七人妻在线| 久9九综合在线| 欧美一区二区男人天堂| 国产成年精品高清在线观看91| 波多野结衣先锋影音| 中文字幕 国产 精品| 婷婷五月天基地| 二区熟妇韩日| 四虎在线免费视频| 人妻精品一区二区| 国产精品爱欲| 亚洲欧洲综合视频在线| 欧美亚洲激情小说| 一个人免费视频观看在线WWW| 成人性爱AV在线免费观看| 91碰超| 美女自卫慰黄网站免费| 日本久久久久久久久| 美女91在线观看| 久久久久久免费电影| 亚洲图片另类| 久久久久久久国产视频| 91在线页| 日韩射图| 欧美亚洲一级在线观看| 五月婷婷综合激情| 97超碰超欧美。| 久操免费在线| 亚洲午夜福利视频| 久久视网78| 欧美日韩色| xxxx网站亚洲精品| 免费看美国人人爽,人人操| 97超碰中文| 九九九久久久| 色婷久久| 久久中久文96| 亚洲色系另类精品国产| 97爱爱爱综合| 无马一区二区| 久久久久成人亚洲国产| 五月天伊人| 九热中文字幕| 亚洲九区| 日日日日做夜夜夜夜做无码97| 欧美成年人性爱视频免费观看| 91色久| 色天欧美| 日本三级一区二区 在线 | 一本久道久久综合狠狠爱一密臀精 | 久久是精品| 青草草免费网站av| 成人熟女视频一区二区三区| 不卡视频一区蜜桃视频 | 999岛国大片| 欧美青青视频| 美女视频尤物网在线看| 国产美脚女优尤物在线观看| 蜜臀久久99精品久久久久久酒店| 欧亚免费视频| 亚洲男人天堂视频| 欧美顶级黄色大片免费| 91美女色视频亚洲| 日韩黄片影院| 亚洲av热热色| 国产精品久久久久久高清无码免费看| 蜜臀久久99精品久久久久久久久| 精品人妻丰满熟妇一区二区三| 亚洲AV无码国产精品久久久久| 91少妇香蕉久久精品| 亚洲无无码αⅴ每日更新| 台湾佬中文娱乐自偷自拍| 精品黄色电影| 99久久无色码| a片在线播放| 亚洲色图 欧美热图 清纯唯美 另类自拍 | 少妇久久久久久| 欧美日不卡| 蜜臀中文字幕| 英伦大奶子熟妇吊带| 中文字幕精品探花视频| 精品久久久久黄少妇| 妇女性内射冈站HDWWWCOM| 亚洲日韩青青草色月| 国产精品久久久无码aV去| 天堂精品小草| 精品国产人成在线| 人人妻天天做天天爽| 欧美亚洲中文字幕| 97欧美综合网| 欧洲中文字幕| 天堂俺去俺来也www久久婷婷| 亚洲黄a三级三级三级看三级| 国产三级中文有码在线视频| 亚州精品人妻一二三区| 精品久久久久久亚洲| 91在线免费精品视频| 四虎国产成人精品免费一女五男| 精品成人动漫一区二区| 精品熟妇视频一区二区| 亚洲影视综合网| 99视频这有这里有精品| 九九人妻| 混色激情av| 蜜乳Av成人片网站| 欧美日韩小说| 日本丝袜美腿人妻九九| 黄色网址在线免费观看| 97欧美日韩| 麻豆 亚洲 97| 99综合视频| 综合av社区| 人妻激情视频| 久久少妇视频| 五月激情啪啪| 黄色激情电影在线观看| 成人青青草原伊人| 女生自91网站| 97电影院超碰| 午夜啪啪片| 清纯唯美亚洲综合| 亚洲丝袜99| 按摩中文字幕| 欧亚在线视频| 91深夜夜| 精品九九九九| 天天久久久久久| 久久成年精品| 91在线页| 精品国产精品一区二区| 日本一区视频在线观看| 9丨久久九九九| 啊啊啊久久久视频| 97亚洲资源| 99热精品在线观看| 美中日韩无码| 超碰在线人妻中文字幕| 欧美日韩色| 欧美日韩中国x| 久草精品国产蜜臀| 伊人97超碰| av资源在线播放天堂| 成人乱人伦一区二区| 亚洲牲交| 国产精品久久泡妞网站| 日韩专区久久久| 九九热精彩视频| 天天弄欧美| 亚洲天堂中文字幕无码男同| 亚洲aV性爱| 91成人久久| 日本免费一级AAA大片器| 男人的天堂 在线一区| 啊啊啊水好多| 色婷婷一区二区三区久久午夜成人不| 成人色女网| WWW4虎| 色999人与兽| 99无码精品| 国产精品三级视频网站| 粉嫩不卡一区二区性爱 | 清纯唯美亚洲综合| 九九热精品| 亚洲色婷婷综合久久一区二区三区| AV色图| 欧美 综合 亚洲| 成人精品一区二区三区| 女人的天堂大香蕉网| 日han少妇无码| 久久久久免费少妇| 长长久久88视频| 九九成人| 97久久资源| 在线观看十八禁| oumeisetu综合| 丝袜夫妻自拍| 亚洲免费精品一区| 超碰97资源中文字幕| 久久久99久9| 日本精品人妻少妇一区二区| 色一射色一射| 91欧美长吊| 五十路二区在线| a片亚洲一本通视频| 91激情综合| 日本国产二线女色| 亚洲深夜福利| 天堂v无码免费视频| 91精品人妻偷情| 蜜乳Av成人片网站| 亚洲 一区二区 自拍| 久久久麻豆精品| 91操人| 熟妇人妻一区二区三区| 亚洲欧美日产国产91毛片| 秋霞鲁丝午夜无码一区二区三| 蜜桃臀一区二区aV | 无码久| 久久久久久99999国产精品| 久久久999国产精品| 夜夜爽夜夜操| 91久久免费视频互動交流| 免费一级黄色录像影片| 自拍偷拍2025在线观看| 中文字幕高清20页视频| 色五月第四色| 97操碰| 国产欧美在线观看免费观看| 国产AV久久野战精品| www.激情| 九九久久国产精品| 97欧美色| 日韩国产精品人妻无码久久久| 日本成人A片免费看| av资源在线观看少妇| 91暧暧| 91激情国产| 亚洲欧美另类激情小说| 午夜福利免费精品视频| 亚洲色人妻综合| 亚洲色图第一页| 久久精品人妻一区| 日本三级R| 国产亚洲欧洲在线观看| 女人香蕉久久毛毛片精品| 久久久99免费| 五月丁香综合激情| 韩国国产欧美情侣视频在线| 夜夜躁狠狠躁日日躁av| 久久九九视频九九视频| 97国产色综合| 超碰九九| 国产无马视频| 中文字幕片| 东京热综合久久一区二区| 欧美精品xxxwww| 欧美老熟另类| 大香蕉视频啪啪啪啪| 日本一级婬片试看三分钟| 麻豆精品久久久久久久| 日韩干B| 岛国视频一二三区| 欧美亚男人的天堂| 酒色综合网| 天堂种子在线www网资源| 午夜欧美神马久久久久| 欧美色女人| 99综合免费视频| 久久机热| 亚洲中文日韩欧美大香蕉视频| 亚洲人在线成线成人| 日韩欧美女求操每天更新| 夜色AV无码手机在线影院 | 东京热激情视频一二三区| 超碰在线1234区| 99re公开精品免费视频| 99操| 久久免费99精品久久久久久| 天天操天天射青青草| 91色亚洲| 狠狠狠狠狠狠| 日韩精品啪啪啪| 午夜精品视频777| 好爽要喷了| 国产一级作爱毛片| 91超碰在线播放| 色婷婷视频| 色麻豆AV| 美国aaaaa一级黄片| 精品九九九九九九九九九| 欧美性爱18观看| 色婷婷成人综合| 中文乱码字字幕在线第5页| 啊啊啊用力在线观看| 天天综合97| 久久人妻97久久久久久久| 激情色图| 亚洲高清内射| 精品国产无码中文| 国产在线精品电影观看| 国产探花精品在线| 蜜臀aV午夜一区二区三区| 欧美午夜一区二区三区| 中文无线日韩一区| 大香蕉520| 夜夜爽夜夜操| 很黄很污的免费网站| 国产成人91一区二区三区| 色诱avtt| 91人妻中文| 偷拍亚洲视频一区二区三区四区| 91热爆在线| 亚洲日韩天堂| 美骚妇av高清在线| av在线一区二区三区| 国产亚热在线久久| 欧美国产日韩高清在线| 99热在线播放| 99综合自拍| 美国aaaaa一级黄片| 999色欧美中文字幕| 25国产精品免费观看| 欧美精品久久96人妻无码| 另类 综合 日韩 欧美 亚洲| 欧美日韩国内不卡| 久久春色| 九区国产| 天天插天天射| 午夜精品久久久久久久久久蜜桃 | 美女高潮视频91| 思思热在线cao| 欧美精品激情| 欧美少妇第一页| 欧美人妻一区| 免费a v| 日韩色女精品| 人妻久热在线| 成人网站 免费观看| 日韩超碰97| 九九九精品一区二区无码| 五月丁香啪| 国产精品麻豆免费视频| 日本三级精品| 吉川爱美亚洲二区在线| 99热亚洲| 亚洲av影音先锋| 大香蕉中文在线| 91欧美性| 夜夜爽妓女| 探花精品视频| 操www| 亚洲在线91| 人人九九精| 宗合情欲网| 欧美精品99久久久| 国产一区二区精品久久99| 无码人妻一区二区三区免费九色| 欧美性综合| 精品大久久| 日本色色色| 久草网站免费在线观看| 人妻另类 专区 欧美 制服| 安微少妇操BBB| 97精品97| 色鬼在线综合| 日韩精品99999| 5278欧美一区二区三区| A级毛片在线看免费| 蜜臀中文字幕| 亚洲精品国产拍免费91在线| 久久精品视| 你草精品在线视频| 欧洲综合视频| 激情文学网伊人| 探花激情视频| 色乱二区| xxx0国产在线播放| 少妇一区二区三区精选| 亚洲本色精品一区二区久久| 91老司机精品| 精品国产乱码久久久久久久| 天天躁狠狠躁av| 九九九九九用不成了| 日韩精品人妻系列无码天堂| 亚洲色鬼| 亚洲天堂区| AA丁香综合激情| 操婷婷逼| 久久99亚洲精品久久99果| 亚洲成熟国产精品美女| 视频在线观看免费一区二区三区| 大屁股人妻女教师撅着屁股| 精品一区二区三区国产| 农村女一级毛卡片| 欧美人体性爱互联网第一页婷婷日本| 97超碰9| 国产综合久久久麻桃个 | 一级免费精品| 男人的天堂三级| 亚洲AV不卡在线观看| 亚洲精品久久一区二区三区蜜桃臀| oumeizonghese,www| 97久久久精品| 久久爽爽精品| 色亚州人久干视频在线观看免费版| 蜜臀久久在线视频| 欧亚成人在线视频| 亚洲天堂电影网| 另类欧美| 91女日逼| 少妇综合| 日本人妻中文字幕精品| 变态乱伦伪娘灌肠一区二区| 亚洲精品国产熟女久久久久久| 国产h片在线观看视频| 人人操人人操草草| 国内毛片免费h片在线| 五月天婷婷色| 黄页大片在线观看| 久草资源在线视频官方总站日韩丝袜美腿| 久久久av爱| 嗯~啊~快点 死我视频免费看网站| 亚洲熟妇综合久久久久久| 蜜桃网熟妇| 无码人妻1727| 精品国产乱码| 亚洲砖码砖专无区2023| a久久| 狠狠搞 亚洲91| 日韩久草| 99re视频这里只有精品| 四虎国产精品永久在线囯在线| 95自拍视频在线观看| 欧美亚洲中文字幕| 久久国色天香香蕉| 日本熟妇色熟妇在线视频播放| 国产乱不卡| 久久久新亚洲AV| 自拍偷拍 高清无码| 久操操| 免费久久9999| yazhououmeizongya| 日韩兔费看黄片| 日韩一级特黄av毛片| 亚洲黑丝在线| 嗯嗯啊啊好大好爽| 美女91AV| 太久视频| 啊啊啊啊视频免费| AV天黑人| 日本熟女不卡视频| 91啪啪视频| 白丝少妇一区二区| 欧美性暴力猛交| 综合久久久久久久综合网| 涩五月婷婷| 77国产精品| 中欧人妻丝袜中文字幕| 亚一综合久久久久久久久久| 淮穴色AV| 热G综合热G中文| 91东京热男人的天堂| 性爱视频久久| 激情四射熟女丝袜| 天天草天天日| 99精品热| 97网址97| 7777奇米影视久久| 亚洲,欧美,春色,另类| 丝袜高跟澳门91视频| 国产精品午夜福利亚洲综合网| 亚洲天堂久久| 蜜乳av一区二区三区| 欧美熟妇成人一区二区| 好吊妞转入那个网| 综合网亚洲1| 欧美日韩免费性爱| 天堂日本亚洲欧美| 久 久无码人妻AV| 午夜男女爽爽爽在线视频| 96国产污污污丝袜| www.99色| 67194无码不卡| 亚洲色宗合| 五月天偷拍| 中文字幕av一区二区三区人妻少妇| 国产日韩区| 日韩AV色图| 中文字幕丰满人妻日本| 久久久爆乳翘臀一线天伦理视频| 色偷偷综合91久久噜噜| 日本操大逼| 蜜臀色乳| 国产精品原创巨作?v网站| 色呦呦、国产精品| 久久久久久久精| 激情五月天婷婷| 中文字幕一区二区无码成人| 国产 丝袜 欧美中文 另类| 亭亭在线资源| 久草免费福利在线播放| 伦理弟一页| 欧美日韩亚洲一区二区在线观看| 超碰97色色| 黄色人人| 九九九九九九九九九五码| 日韩黄色av中文字幕| 99热aaa| 福利社区午夜一区二区| 中文字幕超碰CAO| 95自拍视频在线观看| 精品人妻一区春色| 色婷婷视频| 无码人妻系列少妇| 在线可观看的黄色网址| 色777999综合| 激情五月丁香五月| 亚洲人久久久久日| 麻豆天美国美国产AV| 热99这里有精品综合久久| 超碰亚洲欧美日韩无| 免费观看成人www精品视频| 色九月综合| 国产精品亚洲天堂网址| 人妻少妇精品久久久| 国产亚洲色婷婷久久99精品91葵花宝典| 色偷偷人人玩人人舔人人操人人摸人人爽 | 超碰97人妻| 麻豆福利视频导航| 中国zzijzzijzzwww精品| 久热99999| 大奶啊啊好爽 | 色综合久久av| 在线色资源| 加勒比大香蕉视频在线| 香蕉欧美| 99久在线精品99re8热视频在线| 丁香五月天激情网站| 亚洲91色| 日本蜜桃| 丁香五月久久| 99精品国产户外露出| #NAME?| 激情综合五月| AA级电影三区| 好色美女九七第一页| 91无人区卡一卡二卡三乱码入口最新版:能让用户有更多选择的选择-经典说说-爱 | 国产精品天美传媒| 精品欧美А∨无码黑人大荫蒂| 欧亚韩国999| 天天看天天综合成人网| 欧美性爱第一区| 外国免费性情大片| 亚洲大色堂| 99精品热| 亚洲精品三区在线观看| 成人九九| 中文字幕久久精品一区| 玖玖婷婷五月天| 超碰国产精品无码| 久久精品操| 亚洲成人精品久久久| 欧美精品日韩一区二区| 视频国产成人精品日本亚洲18| 在线小视频| 中文字幕一区二区三区人妻少妇在线| 精品一区二区在线针对华人免费观看这里只有精品免费观看 | 亚洲天堂人人妻| 伊人五月天| 日韩人妻播放| 国产真实子伦对白| 97超级色碰碰| 九九久久国产精品| 丁香五月婷婷五月| 操逼不卡中文字幕| 亚洲春色一区二区三区| 日韩AV噜噜噜一区二区三区四区 | 精品久久視頻在线| 欧美午夜一区二区三区| 日韩视频精品在线观看| 淫纸中9区| 加勒比人妻综合| 欧美超碰96| 亚洲欧美精品一区天堂久久| 欧美性爱中文字幕无线码| 超碰免费97| 少妇精品| 国产精品第一页国产大屁股视频免费区i| 区一在线观看| 免费夜夜爱黄色视频毛片| 亚洲精品aa久久伊人| 91人妻精华帖| 免费人成毛片乱码| 96麻豆精品一区二区三区| 久久久噜噜噜久久人妻| 天天干天天日天天射黄色片| 96AV精品| 亚洲激情网一二三四区| 欧亚免费视频| 东亚亚洲无码高清| 亚洲第一精品在线视频 | 日韩在线国产字幕| 欧美 亚洲精品首页| 久久熟女精品不卡一区| 日韩97视频| 97精品国产精品免费观看| 亚洲男人的天堂AV| 91色噜噜狠狠| 一道本东京热加勒比一区二区三区| 中文字幕在线观看丝袜| 天堂种子在线www网资源| 囯产操逼片| 国产色精品午夜大片| 手机在线A片| 一线黄色免费性爱片| 精品少妇人妻av久久免费| 天天干天天燥| 久久无码成人| 啪啪AV导航| 性开放中文AV高清无码免费看| 一级片在线观看高清无码| 日本色色视频网站| 色色网91| 黄片免费久久久久久久| 乱伦av麻豆| 7777欧美成是人在线观看| 日韩一级免费性爱| 色综合久久888| Julia在线播放亚洲久久| 大香蕉色十月| 欧美性爱十八禁| 国产高清亚洲日韩一区| 欧美激情综合| 久久性爱视频免费看| www久久国产精品| 人人贴人人摸| 日本激情免费大片| 思思性爱| 99热网站| 高清不卡视频| 久久久18禁| 久久久九精品| 色亚洲欧美| 亚洲欧美色图片| 久久精品国内Av熟女高清| 国产人妖的免费的视频| 91高清无码下载| 九九亚洲视频| 久久精品免费| 91N综合在线| 999九九九九国产动| 91欧美色| 亚洲欧美色图小说| 黄片aaaaa一区| 五月天成人综合| 中文字幕天天天天天| 美日韩一二三区| 97色操| 密臀在线免费观看| 免费久久9999| 9久9久9久9久视频网站| 色香AV| 色哟哟511老熟女| 色一情一乱一乱一区91Av| 日韩99神马视频播放片在线播放| 五月天色电影| 91精品久久久久久| 狠狠久久手机视频精品| 网页导航五月天免费一二三区| 密桃99999|