欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

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。

Python協(xié)同過濾電影推薦系統(tǒng):從零實(shí)現(xiàn)ItemCF與UserCF畢業(yè)設(shè)計(jì)

Python協(xié)同過濾電影推薦系統(tǒng):從零實(shí)現(xiàn)ItemCF與UserCF畢業(yè)設(shè)計(jì) 簡(jiǎn)介這是一套面向計(jì)算機(jī)相關(guān)專業(yè)畢業(yè)設(shè)計(jì)與課程設(shè)計(jì)場(chǎng)景的完整項(xiàng)目資料核心為基于協(xié)同過濾算法的電影推薦系統(tǒng)Python實(shí)現(xiàn)附帶論文與項(xiàng)目說明適合正在準(zhǔn)備畢設(shè)、期末大作業(yè)或需要推薦算法實(shí)戰(zhàn)練習(xí)的學(xué)習(xí)者直接參考使用。資源包共約2000個(gè)文件壓縮后約28.04MB其中以1159個(gè)py源碼文件為主體配合324個(gè)pyc編譯文件、124個(gè)html頁(yè)面、40個(gè)js腳本與16個(gè)css樣式文件構(gòu)成Web交互界面另有148張jpg與11張png圖片資源、7個(gè)csv數(shù)據(jù)集、5個(gè)json與5個(gè)xml配置以及63個(gè)po與63個(gè)mo多語言文件整體結(jié)構(gòu)完整、層次清晰。項(xiàng)目經(jīng)過嚴(yán)格調(diào)試可正常運(yùn)行并配有論文文檔與說明材料便于理解協(xié)同過濾推薦流程、系統(tǒng)模塊劃分與前后端組織方式。目前已有147人學(xué)習(xí)關(guān)注可作為畢設(shè)選題落地的可靠參考。1. 從零手寫協(xié)同過濾電影推薦系統(tǒng)畢業(yè)設(shè)計(jì)到底在做什么很多同學(xué)拿到「基于協(xié)同過濾的電影推薦系統(tǒng)Python實(shí)現(xiàn)源碼論文」這個(gè)題目時(shí)第一反應(yīng)是去搜一份現(xiàn)成源碼改改界面就交差。但真正答辯時(shí)被問一句「你的相似度矩陣怎么算的、冷啟動(dòng)怎么處理」往往就答不上來。這個(gè)題目的核心其實(shí)只有兩件事一是用 Python 把用戶對(duì)電影的評(píng)分?jǐn)?shù)據(jù)變成一張可計(jì)算的矩陣二是用協(xié)同過濾算法從這張矩陣?yán)镱A(yù)測(cè)出「你可能喜歡的電影」。它適合計(jì)算機(jī)、軟件工程、大數(shù)據(jù)方向的本科畢業(yè)生也適合想入門推薦算法的 Python 學(xué)習(xí)者。整套系統(tǒng)通常包含數(shù)據(jù)加載、相似度計(jì)算、評(píng)分預(yù)測(cè)、Top-N 推薦、可視化展示和論文撰寫六個(gè)環(huán)節(jié)。下面我按自己帶過幾屆畢設(shè)的經(jīng)驗(yàn)把這條鏈路拆開講清楚讓你既能跑通代碼也能在論文里寫出有說服力的算法分析。2. 協(xié)同過濾的兩條路線UserCF 和 ItemCF 怎么選協(xié)同過濾Collaborative Filtering的本質(zhì)是「物以類聚人以群分」。它不關(guān)心電影本身是什么類型、導(dǎo)演是誰只關(guān)心「誰和誰的口味像」「哪些電影被同一批人喜歡」。這個(gè)思路決定了它有兩個(gè)分支基于用戶的協(xié)同過濾UserCF和基于物品的協(xié)同過濾ItemCF。選哪條路線直接決定你后面代碼怎么寫、論文怎么論證。2.1 UserCF 與 ItemCF 的數(shù)學(xué)差異UserCF 的核心假設(shè)是如果用戶 A 和用戶 B 對(duì)很多電影的打分都接近那 A 喜歡但 B 沒看過的電影就可以推薦給 B。它的計(jì)算對(duì)象是「用戶-用戶」相似度矩陣。假設(shè)有 M 個(gè)用戶、N 部電影評(píng)分矩陣 R 是 M×N 的稀疏矩陣UserCF 要算的是 M×M 的用戶相似度矩陣。ItemCF 反過來如果電影 X 和電影 Y 被很多同一批用戶喜歡那喜歡 X 的人大概率也會(huì)喜歡 Y。它算的是 N×N 的物品相似度矩陣。兩者的數(shù)學(xué)公式都以余弦相似度或皮爾遜相關(guān)系數(shù)為基礎(chǔ)。以余弦相似度為例用戶 u 和用戶 v 的相似度sim(u,v) Σ(r_ui · r_vi) / (√Σr_ui2 · √Σr_vi2)其中 r_ui 是用戶 u 對(duì)電影 i 的評(píng)分。ItemCF 把用戶換成物品即可。實(shí)際選型時(shí)有個(gè)經(jīng)驗(yàn)法則用戶數(shù)遠(yuǎn)小于物品數(shù)時(shí)用 UserCF物品數(shù)遠(yuǎn)小于用戶數(shù)時(shí)用 ItemCF。電影推薦場(chǎng)景里MovieLens 數(shù)據(jù)集通常有幾千用戶、幾千電影兩者都能跑。但 UserCF 有個(gè)明顯問題——用戶口味變化快相似度矩陣需要頻繁更新而電影的內(nèi)容屬性相對(duì)穩(wěn)定ItemCF 的相似度矩陣可以離線算好、定期更新。所以工業(yè)界比如早期的亞馬遜更偏向 ItemCF。畢業(yè)設(shè)計(jì)里我一般建議主做 ItemCF論文里對(duì)比 UserCF 作為改進(jìn)論證這樣既有工作量又能體現(xiàn)你對(duì)兩種算法的理解。2.2 用 Python 加載 MovieLens 并構(gòu)建評(píng)分矩陣MovieLens 是這個(gè)題目最常用的公開數(shù)據(jù)集常見的是 ml-latest-small 版本包含 ratings.csv、movies.csv 兩個(gè)核心文件。ratings.csv 的字段是 userId、movieId、rating、timestamp每行是一條評(píng)分記錄。下面這段代碼完成數(shù)據(jù)加載和評(píng)分矩陣構(gòu)建import pandas as pd import numpy as np # 加載評(píng)分?jǐn)?shù)據(jù)和電影信息 ratings pd.read_csv(ml-latest-small/ratings.csv) movies pd.read_csv(ml-latest-small/movies.csv) # 只保留有評(píng)分的用戶和電影過濾掉評(píng)分次數(shù)過少的用戶冷啟動(dòng)處理 user_counts ratings[userId].value_counts() active_users user_counts[user_counts 20].index ratings ratings[ratings[userId].isin(active_users)] # 構(gòu)建用戶-電影評(píng)分矩陣缺失值填0表示未評(píng)分 rating_matrix ratings.pivot_table( indexuserId, columnsmovieId, valuesrating ).fillna(0) print(f評(píng)分矩陣形狀: {rating_matrix.shape}) print(f稀疏度: {1 - (ratings.shape[0] / (rating_matrix.shape[0] * rating_matrix.shape[1])):.4f})這段代碼有三個(gè)關(guān)鍵點(diǎn)。第一pivot_table把長(zhǎng)表轉(zhuǎn)成寬表行是用戶、列是電影這是協(xié)同過濾的標(biāo)準(zhǔn)輸入格式。第二fillna(0)把未評(píng)分填成 0但要注意——0 在余弦相似度里表示「沒有交互」不是「打了 0 分」這個(gè)區(qū)別在論文里必須寫清楚否則會(huì)被答辯老師追問。第三過濾掉評(píng)分少于 20 條的用戶是為了降低矩陣稀疏度、提升相似度計(jì)算的信噪比。MovieLens 小數(shù)據(jù)集的稀疏度通常在 98% 以上也就是說矩陣?yán)?98% 的位置都是 0這是協(xié)同過濾面臨的核心挑戰(zhàn)之一。2.3 ItemCF 相似度矩陣的計(jì)算與參數(shù)說明構(gòu)建好評(píng)分矩陣后下一步是算物品之間的相似度。這里用余弦相似度把評(píng)分矩陣轉(zhuǎn)置后按列計(jì)算from sklearn.metrics.pairwise import cosine_similarity # 轉(zhuǎn)置矩陣行變成電影列變成用戶 item_user_matrix rating_matrix.T.values # 計(jì)算電影之間的余弦相似度 item_sim_matrix cosine_similarity(item_user_matrix) # 將對(duì)角線置0避免電影和自己相似度為1影響推薦 np.fill_diagonal(item_sim_matrix, 0) # 取相似度最高的K部電影作為鄰居K是核心調(diào)參項(xiàng) K 20 item_sim_df pd.DataFrame( item_sim_matrix, indexrating_matrix.columns, columnsrating_matrix.columns ) print(f相似度矩陣形狀: {item_sim_df.shape}) print(f電影1最相似的5部電影: {item_sim_df[1].nlargest(5).index.tolist()})這里有幾個(gè)參數(shù)需要重點(diǎn)說明。K 值控制鄰居數(shù)量K 太小推薦結(jié)果不穩(wěn)定K 太大則引入噪聲。經(jīng)驗(yàn)值在 10 到 50 之間我一般先用 20 跑基線再在論文里做 K 值敏感性分析。相似度度量方式除了余弦還可以用皮爾遜相關(guān)系數(shù)后者對(duì)用戶評(píng)分偏置更魯棒但計(jì)算量更大。對(duì)角線置 0是必須的否則推薦結(jié)果里會(huì)出現(xiàn)「因?yàn)槟憧催^這部電影所以推薦這部電影」的荒謬情況。另外要注意cosine_similarity返回的是 numpy 數(shù)組轉(zhuǎn)成 DataFrame 時(shí)索引和列名要對(duì)齊否則后面按 movieId 取相似電影時(shí)會(huì)取錯(cuò)。3. 評(píng)分預(yù)測(cè)與 Top-N 推薦從相似度到可解釋的推薦列表有了相似度矩陣接下來要解決的是「給定一個(gè)用戶怎么生成推薦列表」。這一步分兩個(gè)子問題一是預(yù)測(cè)用戶對(duì)未看電影的評(píng)分二是按評(píng)分排序取前 N 個(gè)。很多同學(xué)的代碼到這里就開始「玄學(xué)」了——推薦結(jié)果時(shí)好時(shí)壞自己也說不清為什么。核心原因通常是評(píng)分預(yù)測(cè)公式?jīng)]寫對(duì)或者沒有做去偏處理。3.1 基于加權(quán)平均的評(píng)分預(yù)測(cè)公式ItemCF 預(yù)測(cè)用戶 u 對(duì)電影 i 的評(píng)分思路是找到和電影 i 最相似的 K 部電影看用戶 u 對(duì)這些電影的打分用相似度加權(quán)平均。公式如下pred(u,i) Σ(sim(i,j) · r_uj) / Σ|sim(i,j)|其中 j 遍歷電影 i 的 K 個(gè)最近鄰且用戶 u 對(duì) j 有過評(píng)分。這個(gè)公式的直覺是和你喜歡的電影越像的電影你越可能喜歡。下面是 Python 實(shí)現(xiàn)def predict_rating(user_id, movie_id, rating_matrix, item_sim_df, K20): 預(yù)測(cè)用戶對(duì)某部電影的評(píng)分 if movie_id not in item_sim_df.columns: return 0 # 獲取該用戶已評(píng)分的電影 user_ratings rating_matrix.loc[user_id] rated_movies user_ratings[user_ratings 0].index # 取與目標(biāo)電影最相似的K部且用戶已評(píng)分的電影 sim_scores item_sim_df[movie_id].loc[rated_movies] top_k sim_scores.nlargest(K) if top_k.sum() 0: return 0 # 加權(quán)平均 numerator sum(top_k[j] * user_ratings[j] for j in top_k.index) denominator sum(abs(top_k[j]) for j in top_k.index) return numerator / denominator if denominator ! 0 else 0這段代碼里有個(gè)容易翻車的點(diǎn)sim_scores.nlargest(K)取的是相似度最高的 K 部電影但如果用戶對(duì)其中某部電影的評(píng)分是 0未評(píng)分加權(quán)平均時(shí)會(huì)被錯(cuò)誤地當(dāng)成「打了 0 分」。所以必須先過濾rated_movies只保留用戶真正評(píng)過分的電影。另一個(gè)點(diǎn)是分母用了abs()因?yàn)橄嗨贫瓤赡転樨?fù)余弦相似度在評(píng)分向量夾角大于 90 度時(shí)為負(fù)取絕對(duì)值保證權(quán)重為正。如果你的數(shù)據(jù)集里出現(xiàn)負(fù)相似度說明這兩個(gè)電影的用戶群體幾乎不重疊這種鄰居其實(shí)應(yīng)該被剔除可以在nlargest之前先過濾掉相似度小于 0 的項(xiàng)。3.2 生成 Top-N 推薦列表并過濾已看預(yù)測(cè)完評(píng)分后要對(duì)用戶沒看過的所有電影按預(yù)測(cè)分排序取前 N 個(gè)。這里的關(guān)鍵是「過濾已看」——推薦系統(tǒng)最忌諱把用戶已經(jīng)看過的電影再推一遍。實(shí)現(xiàn)如下def recommend_movies(user_id, rating_matrix, item_sim_df, top_n10, K20): 為用戶生成Top-N電影推薦 # 用戶已評(píng)分的電影 user_ratings rating_matrix.loc[user_id] rated_movies set(user_ratings[user_ratings 0].index) # 所有電影 all_movies set(rating_matrix.columns) # 候選集 所有電影 - 已看 candidate_movies all_movies - rated_movies # 預(yù)測(cè)評(píng)分 predictions [] for movie_id in candidate_movies: pred predict_rating(user_id, movie_id, rating_matrix, item_sim_df, K) if pred 0: predictions.append((movie_id, pred)) # 按預(yù)測(cè)分降序排序取前N predictions.sort(keylambda x: x[1], reverseTrue) top_n_movies predictions[:top_n] # 關(guān)聯(lián)電影標(biāo)題 result [] for movie_id, pred in top_n_movies: title movies[movies[movieId] movie_id][title].values result.append({ movieId: movie_id, title: title[0] if len(title) 0 else Unknown, predicted_rating: round(pred, 2) }) return result # 測(cè)試給用戶1推薦10部電影 recs recommend_movies(1, rating_matrix, item_sim_df, top_n10) for r in recs: print(f{r[title]} 預(yù)測(cè)評(píng)分: {r[predicted_rating]})這段代碼的性能瓶頸在for movie_id in candidate_movies這個(gè)循環(huán)。如果候選集有幾千部電影每部都要算一次加權(quán)平均Python 原生循環(huán)會(huì)非常慢。優(yōu)化方向有兩個(gè)一是用 numpy 向量化把相似度矩陣和評(píng)分向量做矩陣乘法二是預(yù)先算好每部電影的 K 個(gè)最近鄰存成字典預(yù)測(cè)時(shí)直接查表。畢業(yè)設(shè)計(jì)的數(shù)據(jù)量通常不大原生循環(huán)能跑通但論文里可以提一句「工程上可用向量化或倒排索引優(yōu)化」體現(xiàn)你有工程意識(shí)。3.3 用 RMSE 和 MAE 評(píng)估推薦質(zhì)量推薦系統(tǒng)不能只看「推出來的電影像不像」要有量化指標(biāo)。最常用的是 RMSE均方根誤差和 MAE平均絕對(duì)誤差衡量預(yù)測(cè)評(píng)分和真實(shí)評(píng)分的差距。做法是把評(píng)分?jǐn)?shù)據(jù)按 8:2 切成訓(xùn)練集和測(cè)試集在訓(xùn)練集上算相似度在測(cè)試集上預(yù)測(cè)并計(jì)算誤差from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, mean_absolute_error # 劃分訓(xùn)練集和測(cè)試集 train_data, test_data train_test_split(ratings, test_size0.2, random_state42) # 用訓(xùn)練集重建評(píng)分矩陣和相似度矩陣代碼同上此處省略 # ... # 在測(cè)試集上評(píng)估 true_ratings [] pred_ratings [] for _, row in test_data.iterrows(): pred predict_rating(row[userId], row[movieId], train_matrix, train_item_sim_df, K20) if pred 0: true_ratings.append(row[rating]) pred_ratings.append(pred) rmse np.sqrt(mean_squared_error(true_ratings, pred_ratings)) mae mean_absolute_error(true_ratings, pred_ratings) print(fRMSE: {rmse:.4f}, MAE: {mae:.4f})MovieLens 小數(shù)據(jù)集上ItemCF 的 RMSE 通常在 0.85 到 0.95 之間MAE 在 0.65 到 0.75 之間。如果你的結(jié)果明顯偏離這個(gè)范圍先檢查是不是把測(cè)試集的評(píng)分泄漏到了訓(xùn)練集里——這是畢設(shè)里最常見的「翻車」原因。另外train_test_split的random_state要固定否則每次跑出來的指標(biāo)不一樣論文里的數(shù)據(jù)就沒法復(fù)現(xiàn)。4. 避坑與排查協(xié)同過濾畢設(shè)里最容易翻車的 5 個(gè)地方帶過幾屆畢設(shè)后我發(fā)現(xiàn)同學(xué)們踩的坑高度集中。下面這 5 條按「現(xiàn)象 → 原因 → 解決」整理每條都是血淚經(jīng)驗(yàn)。4.1 推薦結(jié)果全是冷門電影現(xiàn)象給用戶推薦的電影大部分是評(píng)分人數(shù)很少的冷門片用戶根本沒聽過。原因余弦相似度對(duì)熱門電影有天然偏好——熱門電影和很多電影都有共同評(píng)分用戶相似度容易偏高而冷門電影因?yàn)樵u(píng)分用戶少相似度計(jì)算不穩(wěn)定偶爾會(huì)出現(xiàn)「兩個(gè)冷門電影因?yàn)槲ㄒ灰粋€(gè)共同用戶而相似度極高」的情況。另外如果沒做評(píng)分次數(shù)過濾長(zhǎng)尾電影會(huì)污染相似度矩陣。解決在計(jì)算相似度之前過濾掉評(píng)分次數(shù)少于閾值比如 50 次的電影或者在相似度公式里加入熱門度懲罰項(xiàng)比如用sim(i,j) / log(1 count(i))降低熱門電影的權(quán)重。更簡(jiǎn)單的做法是在推薦結(jié)果里做多樣性重排避免同一類型的冷門片扎堆。4.2 RMSE 低但推薦結(jié)果很差現(xiàn)象論文里 RMSE 只有 0.82看起來不錯(cuò)但實(shí)際推薦列表里全是用戶不感興趣的電影。原因RMSE 衡量的是評(píng)分預(yù)測(cè)精度不是推薦排序質(zhì)量。一個(gè)總是預(yù)測(cè)「平均分 3.5」的模型RMSE 可能很低但它沒有區(qū)分能力。推薦系統(tǒng)的核心是排序不是回歸。解決補(bǔ)充排序指標(biāo)比如 PrecisionK、RecallK、NDCGK。做法是對(duì)每個(gè)用戶把測(cè)試集里評(píng)分大于 4 的電影作為「真正相關(guān)」看推薦列表前 K 個(gè)里命中了幾個(gè)。Precision10 能到 0.15 以上就算及格。論文里同時(shí)報(bào)告 RMSE 和 PrecisionK論證才完整。4.3 矩陣太大導(dǎo)致內(nèi)存溢出現(xiàn)象跑相似度計(jì)算時(shí)程序卡死或者報(bào)MemoryError。原因cosine_similarity會(huì)生成一個(gè) N×N 的稠密矩陣。如果電影數(shù)超過 1 萬這個(gè)矩陣就是 1 億個(gè)浮點(diǎn)數(shù)占 800MB 內(nèi)存如果用戶數(shù)也很大轉(zhuǎn)置后的矩陣更夸張。解決用稀疏矩陣scipy.sparse存儲(chǔ)評(píng)分矩陣相似度計(jì)算改用sklearn.metrics.pairwise.cosine_similarity的稀疏版本或者只計(jì)算每個(gè)物品的 Top-K 鄰居而不是全量矩陣。畢業(yè)設(shè)計(jì)的數(shù)據(jù)量通常不至于溢出但如果你用了 ml-20m 這種大數(shù)據(jù)集就必須做稀疏化處理。4.4 用戶相似度計(jì)算時(shí)把「未評(píng)分」當(dāng)成「差評(píng)」現(xiàn)象UserCF 跑出來的推薦結(jié)果和直覺完全相反喜歡的電影被預(yù)測(cè)成低分。原因評(píng)分矩陣?yán)镉?0 填充未評(píng)分項(xiàng)但余弦相似度會(huì)把 0 當(dāng)成「評(píng)分為 0」導(dǎo)致兩個(gè)用戶即使都沒看過某部電影也會(huì)因?yàn)椤付即蛄?0 分」而增加相似度。這是協(xié)同過濾最經(jīng)典的陷阱。解決計(jì)算相似度時(shí)只考慮兩個(gè)用戶共同評(píng)過分的電影用掩碼矩陣過濾掉未評(píng)分項(xiàng)?;蛘吒挠闷栠d相關(guān)系數(shù)它本身會(huì)減去用戶平均分對(duì)未評(píng)分項(xiàng)的處理更魯棒。代碼上可以用np.where(rating_matrix 0, rating_matrix, np.nan)把 0 變成 NaN再用np.nanmean之類的函數(shù)處理。4.5 論文里的公式和代碼對(duì)不上現(xiàn)象答辯老師對(duì)照論文公式和源碼發(fā)現(xiàn)符號(hào)定義不一致、下標(biāo)范圍不對(duì)、甚至公式寫錯(cuò)了。原因論文里的公式是直接從參考文獻(xiàn)抄的代碼是按自己理解寫的兩者沒有對(duì)齊。比如論文里寫「sim(u,v) 表示用戶 u 和 v 的相似度」代碼里卻用item_sim變量名老師一看就懵。解決寫論文時(shí)每個(gè)公式下面用一段話解釋「對(duì)應(yīng)代碼里的哪個(gè)函數(shù)、哪個(gè)變量」符號(hào)表單獨(dú)列一張表。代碼里的變量命名盡量和論文公式一致比如論文用sim(i,j)代碼里就用sim_ij而不是score。這個(gè)細(xì)節(jié)能大幅提升答辯通過率。5. 從能跑到能寫進(jìn)論文三個(gè)讓畢設(shè)加分的小技巧跑通代碼只是及格線要讓畢設(shè)拿到好成績(jī)還得在「可解釋性」和「對(duì)比實(shí)驗(yàn)」上做文章。下面三個(gè)技巧是我?guī)W(xué)生時(shí)反復(fù)驗(yàn)證有效的不需要復(fù)雜工程但能讓論文的算法章節(jié)厚實(shí)很多。5.1 用相似電影解釋推薦理由推薦系統(tǒng)最被詬病的是「黑匣子」——用戶不知道為什么被推薦了這部電影。ItemCF 天然有可解釋性推薦電影 i 是因?yàn)槟阆矚g電影 j而 i 和 j 相似。把這個(gè)理由展示出來既提升用戶體驗(yàn)又能在論文里作為「可解釋推薦」的亮點(diǎn)。實(shí)現(xiàn)很簡(jiǎn)單在推薦結(jié)果里加上「因?yàn)槟憧催^ XX」def explain_recommendation(user_id, movie_id, rating_matrix, item_sim_df, K5): 解釋為什么推薦這部電影 user_ratings rating_matrix.loc[user_id] rated_movies user_ratings[user_ratings 0].index sim_scores item_sim_df[movie_id].loc[rated_movies] top_k sim_scores.nlargest(K) explanations [] for mid, sim in top_k.items(): title movies[movies[movieId] mid][title].values explanations.append({ because_you_watched: title[0] if len(title) 0 else Unknown, similarity: round(sim, 3), your_rating: user_ratings[mid] }) return explanations這段代碼返回的是「因?yàn)槟憧戳?A你打了 4 分而 A 和 B 的相似度是 0.85所以推薦 B」。論文里可以把這個(gè)作為「推薦解釋模塊」單獨(dú)寫一節(jié)配上界面截圖工作量就上來了。5.2 對(duì)比 UserCF 和 ItemCF 的實(shí)驗(yàn)設(shè)計(jì)論文里只寫一種算法會(huì)顯得單薄。建議做一組對(duì)比實(shí)驗(yàn)同樣的數(shù)據(jù)集、同樣的訓(xùn)練測(cè)試劃分分別跑 UserCF 和 ItemCF對(duì)比 RMSE、MAE、Precision10 和運(yùn)行時(shí)間。下面是一個(gè)對(duì)比表格的模板指標(biāo)UserCFItemCFRMSE0.920.88MAE0.710.68Precision100.120.16相似度矩陣大小M×MN×N運(yùn)行時(shí)間秒4532表格里的數(shù)據(jù)要自己跑出來不能編。實(shí)驗(yàn)設(shè)計(jì)部分寫清楚數(shù)據(jù)集版本、訓(xùn)練測(cè)試比例、K 值、相似度度量方式、隨機(jī)種子。這樣老師問「你的實(shí)驗(yàn)可復(fù)現(xiàn)嗎」你可以直接說「固定了 random_state42代碼在附錄」。5.3 冷啟動(dòng)問題的低成本處理方案冷啟動(dòng)是推薦系統(tǒng)的經(jīng)典難題新用戶沒有評(píng)分歷史新電影沒有用戶評(píng)分。畢業(yè)設(shè)計(jì)里不需要做復(fù)雜的深度學(xué)習(xí)方案兩個(gè)低成本處理就能寫進(jìn)論文。第一新用戶引導(dǎo)注冊(cè)時(shí)讓用戶勾選幾部看過的電影并打分用這幾條數(shù)據(jù)算相似度雖然稀疏但比沒有強(qiáng)。第二熱門兜底如果用戶評(píng)分記錄少于 5 條直接推薦全站評(píng)分最高的 10 部電影按貝葉斯平均分排序避免只有 1 個(gè) 5 分的新電影排第一。貝葉斯平均分公式bayesian_score (v / (v m)) · R (m / (v m)) · C其中 v 是電影評(píng)分人數(shù)R 是電影平均分m 是最小評(píng)分人數(shù)閾值比如 50C 是全站平均分。這個(gè)公式在論文里寫出來比單純說「推薦熱門電影」專業(yè)得多。最后說個(gè)我自己的習(xí)慣每次跑完實(shí)驗(yàn)把參數(shù)、指標(biāo)、隨機(jī)種子記在一個(gè)experiment_log.md里論文寫到哪一步都能回溯。帶過的學(xué)生里凡是堅(jiān)持記日志的答辯時(shí)被問細(xì)節(jié)都不慌凡是跑完就忘的最后都在「你這個(gè) 0.88 是怎么來的」上卡殼。希望幫到你。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
激情五月天婷婷丁香 | 日本三级中国三级99人妇网站| 色色激情网| 亚洲天天免费| 五月丁香 啪啪| 天天躁日日躁狠狠躁日日躁2022年5月9日| 日本高清久| 在线播放成人网站| 亚洲Av成人在线观看| 丁香五月激情啪啪| 婷婷社区五月天| 五月丁香啪啪网| 久久精品性爱| 九九热内射| A在线观看| 9九热视频| 色欲日日躁| 婷婷五月天激情在线| 99热这里是精品| 激情色播| 国产三级在线播放| 天天五月香欧美| 国产99视频永久免费| 丁香五月婷婷成人网| 婷婷 色 丁香 夜| 婷婷精品在线| 精品皮股午夜AV| 十月丁香九月婷婷综合| 秋霞免费视频| 九九热超碰| 色婷婷www| 丁香五月婷婷88在线| 99ri国产| 五月丁香| 五月丁香好婷婷A片网| 久久精品凹凸分类| 99ER热精品视频| www.99色| 涩涩涩五月天| 欧洲毛片基地c区| 婷婷五月六月丁香| 天天干天天爽| 色综合久久中文| 五月天激情AV| 五月婷婷六月丁香激情| 79精品视频在线观看,| 亚洲精品五月| 丁香六月五月婷婷| 久久久精品色| 五月婷视频| 俺去也在线官网| 开心婷婷五月激情网小说| 大香蕉五月婷婷| 丁香五月天婷婷91| 五月综合激情| 亚洲成人网站在线观看| 91精品婷婷国产综合久久| 久久婷婷电影| yazhochengrenavwang| 91人人看| 91九色中文| 久在线综合69| 色蜜婷婷| 另类小说五月天| 亚洲婷婷91丁香| 97黑人精品区| AV中文在线| 爽极品色| 色99视| 青青.com| 婷婷基地五月色| 五月天激情婷婷丁香| 思思99精品视频在线观看| 日韩啪啪视频| 色天天综合色| 亚洲激情网站| 99热官网| 99色精品| 欧美成人精品A片免费一区99| 国产精品国产成人国产三级| 波多婷婷久久| 99狠狠色| 黄色99网| 天天干天天做| 狠狠色丁香| 被男人添B超爽视频| 国产精品激情AV久久久青桔| 五月天婷婷激情四射综合| 欧美操我| 婷婷播5月| 色色色五月婷| 一区二区三区四区牛| 夜夜嗨一区二区三区直播内容| www.henhengan| 亚洲国产精品成人免费一区久久久在线观看AAAA | 日本一级特黄大片AAAAA级| 激情综合激情五月| site:minyis.com| 成人丁香色| 综合五月激情| 1024人妻无码中文字幕| 色婷婷香蕉在线| 五月丁香六月婷综合成人综合| 九月丁香五月婷婷| 久久视频九九视频| 国产va在线视频| 亚洲永久免费| 婷婷伊人综合中文字幕| 久久婷婷丁香| 婷婷五月天综合久久| 日本91在线播放| 欧美经典片免费观看大全| 亚洲无码成人| 激情丁香九九五月综合网| 这里只有精品9| 婷婷色五月天第7色| 天天色播| 99热九九这里只有精品| 色婷婷XXXXX| 五夜丁香| 一起草无码| 成人VAV视频在线观看| av中文网| 欧在线一区| 岛国在线观看91| 国产精品久久久久久久久久| 666555。COm毛片| 噼里啪啦在线观看免费完整版视频| 大香蕉伊人久久| 国产精品电影网| 综合一本道| 日日夜夜综合| 青青草五月天| 婷婷五月天视频免费在线观看| 五月激情天天干| 激情婷婷五月天日本系列| 天天综合图片| 九九激情视频| 五月丁香五月婷婷在线观看| 综合婷婷五月天| 99热综合网| 激情五月天小说|五月天开心激情网|亚洲精品国产自在现线|黄色五月天 | 丁香婷婷视频在线| 久草a片| 久久伦乱| 99综合网| ztEJj| 91n网站cad入口在线观看| 婷婷热色| 久久久精品AV| 丁香五月AV在线| 亚州精品色情无码A片| 色婷婷AAA| 这里只有精品亚洲| 五月丁香婷婷中文网| 婷婷五月综合啪| 五月香六月婷| 日本高清久| www,色婷婷| 丝袜大香蕉| 99这里只有精品视频| 五月天色影院| 96丁香婷婷九月蜜桃综合久久| 色婷婷888| 亚洲综合九九| 办公室少妇激情呻吟A片在线观看| 99视频这里有精品| 偷拍九九五月丁香婷婷| 久久婷婷五月国产色综合激情| 蜜乳.comcom| 五月天激情久色| 色婷婷色婷婷五月| 婷婷五月情| 五月婷婷婷婷| 婷婷五月色播放| 激情五月天婷婷| 伊人网色婷婷五月天| Www.狠狠| 5月婷婷6月丁香aV| 五月天开心网| 99在线精品免费视频| 99碰碰碰| 色很很96| 天天五月天综合网址| 成人AV在线网站| 五月天婷婷激情在线色图| 日日夜夜天天| 久热99热| 超碰精品手机在线| 97视频91| 婷婷中文字幕欧美| 亚洲综合婷婷| 五月天社区狠狠| 激情五月综合网最新| 成人片在线播放| 疯狂做受XXXX高潮A片| 亚洲天堂九九九| 天天操综合网| 色色草97| 这里只有视频精品| 91丨九色丨熟女丰满| 青柠影视免费高清电视剧| 另类图片五月天婷婷| 人妻人人操| 亚洲久久婷婷| 五月天婷婷基地| 日韩婷久| 色综合五月在线| 久久色亭亭五月天| 九九热狼人| 婷婷的久久网站| 亚洲色A| 综合色99| 久久综合色情网站| 五月丁香婷婷开心| 中国女人内射6XXXXX| 狼人婷婷综合| 天堂草在线观看| 激情综合婷婷| 97丁香婷婷| 亚洲另类久久| 夜夜穞天天穞狠狠穞AV美女按摩| 久操大| www.丁香五月| 免费看欧美成人A片无码| 97碰成超视频免费视频| 五月婷婷人妻| 国产欧美性成人精品午夜| 超碰在线综合| 日本人人xxx| 欧美三级A做爰在线观看| 亚洲九九婷婷| 久久久精品色色色| 青青草国产亚洲精品久久| 丁香五月六月综合激情| 天天噜噜| 碰人人97| 五月五婷婷| 国产午夜成人AV在线播放| 天堂久久精品| 国产激情在线| 大香蕉人人人| 伊人五月综合网| 六月婷婷毛片| 开心五月婷婷激情网| 99色天堂| WWW.五月天9999| 婷婷综合五月天| 美腿丝袜AV天堂网| 五月丁花六月丁香综合| 精品导航在线x不卡| 五月天激情中文字幕| 777色色色| 99久精品视频| 五月天婷婷基地综合网| 久操干| 丁香五月五月婷婷| 色五月婷婷大香蕉| 五月丁香啪啪综合| 亚洲一区二区 成人网站戴套| xxx综合在线| 欧美日韩成人在线| 小视频aaa久久久| 精品久久99码| 激情五月开心五月在线视频| 五月天婷婷久久| jiujiu热在线视频| 婷婷六月综合激情| 婷五月丁香俺| 色婷婷成人做爰A片免费看网站 | 九九伊人网| 超碰成人在线观看| 啪啪色激情五月天| 中文字幕在线免费看线人| 亚洲色色在线| 日韩丰满少妇无码内射| 色色婷婷综合网| 这里只有精品视频在线| 五月婷婷综合色啪| 播丁香五月婷婷欧美| 色五月婷婷、老熟女| 五月色综合| 亚洲avjiujiur91| 婷婷五月婷婷| 五月婷伊人| 亚洲乱码日产精品BD| 丁香五色月婷婷网| 九九99精品视品| 5月丁香六月情| 丁香婷婷五月激情四射网| 五月天激情开心网| 毛v一区二区视频| 欧洲色色| 性爱AV天堂| AA丁香综合激情| 五月丁香视频在线观看| 果冻传媒A片一二三区| 99热无码首页| 九九精品综合| 八戒青柠影视剧在线观看| 九九亚洲天堂| 婷婷狠狠操| 任我鲁这里有精品视频| 九九亚洲视频| 五月天深爱激情网| 9有码中文| 国产精品电影| 26uuu另类| 1囯产午夜仑鲁鲁| 色婷婷天堂| 国产成人网| 色婷婷六月| 日本熟女一区二区| 97影院一级片| 极品人妻VIDEOSSS人妻| 丁香五月天婷婷中文字幕| 日韩人妻在线观看| 超级碰碰97在线| 99精品视频网站| 五月婷婷激情久久| 国产又爽又猛又粗的视频A片| 蜜桃五月天| 丁香激情四射| 色爽干| www.五月天婷婷| 啊V视频在线观看| 思思热在线观看| 九九热视频免费| 久久综合影院| 婷婷丁香综合网| 99只有这里有精品在线视频| 五月婷婷激情刺激| 日韩精品一区二区刘| 久久99网站| 午夜九九电影| 996er热| 五月天婷婷伊人| 久久婷婷激情四射五月天| 丁香六月啪啪| 婷婷综合在线| 九九热区一区二区三区| 91爱操| 婷婷狠狠干| 五月天堂婷婷| 色色网五月激情| 99综合视频| 伊人婷婷99热精品| 婷婷丁香在线| AAA久久久| 亚洲人妻五月丁香婷婷| 电影《战争与艾拉》免费观看| 婷婷丁香五月基地| 精品国产一区二区三区四区阿崩| 99热亚洲| 99久久综合| 最新日本A片| 中文在线成人| 91碰免费视频| 国产成人精品一区二三区熟女在线| 狠狠狠色激情综合适合| 九九热这里只有国产精品| 五月天婷婷香蕉狠狠超碰综合| 99婷婷精品推荐在线视频| 97狠狠色| 91啪啪网| 色婷婷亚洲六月婷婷中文字幕| 色综合天天网| 五月色综合| 日本123区日韩欧美不卡在线看| 男女啪啪做爰高潮无遮挡| 激情啪啪五月| 久久久久丁香婷婷五月天| 久久精品国产一区二区三区四区| 五月婷色色| 五月婷婷在线免费观看| 丁香五月在线观看完整版| 婷婷色在线| 亚洲一级AV在线免费播放| 蜜桃成语时李时珍 免费| www.婷婷五月| 色色色成人网| 六月丁AV| 五月天影院| 五月丁香美女视频| 丁香五月婷婷啪啪啪| OUMEIRIHANCHENGREN| 琪琪布丁香社区激情五月天| 少妇被下春药玩弄A片| 99亚洲视频| 九九婷婷综合| 久操综合| 三级三久久线久久99久目本WW| 综合XX网| 亚洲成人超碰| 天堂久久婷婷| 一级精品999WWW| 天天干天天干天天干天天干天| 五月婷婷co.m| 激情五月天婷婷视频| 99在线观看免费精品视频| 婷婷五月播| 欧美va视频| 五月婷婷精品| 国产资源在线视频| 久久久欧美精品sm网站| 久久综合首页| 久操大| 五月婷婷久久久| 中美月韩免费A片| 色天堂A| 97AV在线视频| www.久久| 人妻22p| 亚洲五月婷婷| 嫩草AV久久伊人妇女超级A | 91在线精品一区二区| 五月婷婷六月激情| 九热av| 97人人操com| 九九青草热| 一本久道综合99| 欧洲精品爱爱| 99碰碰| 99噜噜噜在线播放| 六月婷婷日| 五月丁香六月情婷婷久久| 狠狠色无码| 国产一级婬片毛片| 色色COm| 色导航色婷婷五月天在线观看| 综合五月婷婷| 大香蕉五月天婷婷| 福利视频在线播放| 岛囯综合激情网| 超碰99热在线观看| 991国产精选视频在线播放下载| 五月丁香啪综合| 久久久激情| 五月婷婷天天色| 亚洲综合色丁香五月天| 思思热久热| 色色五月天婷婷丁香| 另类A片| 日本色色图| 99热免费| 91综合网| 97在线碰| 亚洲、热| 色情五月婷| 婷婷五月天AV| 亚洲成人影视在线| 婷婷五月丁香啪啪| 亚洲中文字幕在线观看| 9久热在线精品| 99热国内精品| 亚洲尤物在线| 婷婷五月在线视频| 亚洲激情综合| 精品久9| 色女人久久| 人妻久久做| 一级A片天天操夜夜操| 色五月婷婷亚洲最大| 国产成人+综合亚洲+天堂| 裸睡玩奶头(高H)| 综合久久十| 67194成I人在线观看线路1| 爱草视频在线观看| 婷婷欧美激情综合| 麻豆AV一区二区三区| www综合久久| 涩涩涩,com| 99无码黄色视频| 直接看的AV| 懂色av粉嫩AV蜜臀AV| 日本三级中文字幕| 天天舔天天摸天天透| 婷婷射丁香| 韩国中文字幕91| 丁香婷婷五月六月久久| 99色在线观看| 天天干天天色综合| 五月激情综合性爱| 人妻五月天激情开心网| 97操碰碰无码视频| 琪琪色网址| 婷婷和五月天| 五月天婷婷丁香| 99精品无码| 欲色人妻| 激情伊人五月婷婷久久| jiqingtaose五月天| 日本五月视频| 婷婷六月天| 五月婷婷丁香网| 99久热在线精品| 亚洲综合激情五月| 欧美成人精品A片免费一区99| 9久久久| 色五月视频无码播放| 久久网日本| 色色色九九九五月婷婷| 夜夜爽天天| 五月丁香色婷婷| 久久婷婷丁香花综合网| 五月天激日本色情在线| 欧美五月婷婷| 情色五月天 网站| 九九激情网| 伊人激情综合网| 久久无意婷婷| 26uuu另类| 欧美一级色| 97人妻碰碰碰久久香蕉| 五月婷在线观看| 伊人高清无码| 五月激情丁香五月宗合| 五月丁香啪| 99视频久久| 婷婷 丁香 精品| 91怕怕网| 色欲天天综合| 激情6月| 激情小说五月天中文字幕| 五月天婷婷视频| 久久久婷婷五月亚洲97号色| 可以免费看的AV网站| 超碰免费成人网站| 色五月丁香激情视频| 久色激情| 亚洲小视频免费看| 天天操人人干| www.婷婷| 九九99久久| 五月天色图| 亚洲午夜电影| 偷拍91九色| 操操操91| 天天日天天爽| 亚洲久久日| 色欲五月婷婷| 丝雨一区二区| 婷婷十月激情综合网| 教师性爱毛片| 深爱激情六月| 六月色 亚洲| 丁香五月激情鲁| 人操综合| 99久久激情视频| 不卡的AV网站| 开心五月激情婷婷| 中文av在线观看| 丁香五月五婷| 99啪在线| 天天肏高清在线| 婷婷五月丁香超碰| 久久停停超碰| 成人av播放| 色综合久| 国产在线6| 乱岳熟女50岁| 日本激情五月天‘| 亚洲Av成人在线观看| 婷婷五月天视频| 五月久久网| 九九久热| 婷婷九月亚洲| 天天日天天色| 亚洲Av入口| 久久久天堂国产精品女人| 热99热9| 久久一操| 另类专区在线| 色五月xxx| 热91久| 华人在线免费| 91综合在线视频| 色欲天天综合网| 五月天婷婷一起草| httpwww色com日本| 色综合伊人网| 天天久久人人| 五月婷婷 激情按摩| 激情深爱五月| 日本美女上人| 99热在线观看| 五月激情婷婷在线| 99热最新| 一本色综合色| 婷婷综合一二三| 狠狠大香婷婷爱| 天天揷综合网| 色在线99| 日韩成人五月天| 91色色色视频| 小视频久久久aaa| 丁香网五月网| 亚洲综合视频网| 九九碰九九爱97超碰| 99热精品免费在线观看| 九洲一级A片| 日本欧美成人片AAAA| av在线观看网址| 亚洲精品午夜国产va久久成人| 丁香花五月天| 色狠狠综合入口| 婷婷色影院| 五月婷婷丁香综合网| 久久99久久99精品免观看粉| 老妇六区| 综合婷婷久久| 五月六月激情| 丁香五月,开心五月,成人婷婷| αv中文字幕在线观| 香蕉人在线香蕉人在线 | 综合久久婷婷五月丁香| 丁香久久九九99| 色色999三级片| 黄色激情网站在线观看| 激情98色婷婷五| 色婷婷人人| 秋霞电影一级黄| 亚洲视色| 亚洲乱码日产精品BD在线观看| 五月丁香少妇| 思思精品久久艹| 五月婷婷丁香| 日本123区日韩欧美不卡在线看| 色色色视频免费无码 | 99久久久久| 五月天成人小说网| 99视频| 色啪影院| 中文字幕综合| 五月丁香久久色| 色五月五月天| 亚洲视频在线观看| 色综天天综合| 伊人久久婷| 久久免费高| 婷五月天在线草| 超碰免费人妻| 99操免费视频| 26uuu| 久操香蕉| 色五月婷婷视频| 色噜噜狠狠色综无码久久合欧美| 亚洲成人av在线| 色婷婷狠狠| 九九热狼人| 五月天自拍网| 亚洲人人操| 婷婷五月色播网| 91人操| 婷婷六月综合基地| 99久热这里只有精品| 91久久久久| 久热这里只有精品66| 婷婷九月色| 色丁香五月天射婷婷爱婷婷| 色婷婷网| 亚洲另类婷婷综合| 大香蕉久| 久久99视频| 五月丁香激情啪啪| 久99| 日日操天天操| 熟女色专区| 亚洲色婷婷五月天| 五月天激情综合网站| 天天色天天日| 亚洲激情淫网| 久久精品一区二区三区四区| 婷婷五月天激情文学小说| 五月婷婷激情五月| 综合婷婷六月| 在线中文AV| 99热精这里只有精品| 人妻丰满精品一区二区A片| 五月丁香啪啪拍| 五月婷婷六月激情| 天天日天天操天天干| 超碰在线日夜| 99热在线观看精品| 色99热| 99视频在线精品| 中文不卡一二三区| 丁香九月激情久久| 五月天激情四射| 婷婷亚洲五月丁香综合在线| 热99视频精品在线| 欧美色色色色色| 一区视频网站| 激情五月婷婷综合| 亚洲精品五月| 操碰久| 九九久久网| 欧美综合婷婷欧美综| 久久99最新地址| 性99网站| 99久久玖玖| 亚洲成人五月天| 六月丁香婷婷网| 五月丁香久久激情综合| 久久久久网站| 色A网| 久久久日韩特色特黄AAAA| 99视频只有精品| 大香蕉520| 国产又爽又猛又粗的视频A片| 五月天俺去也| 国产91视频| 99年操人人爽| 亚洲激情综合| 久久亚洲网| 在线观看欧美3区| 国产在线中文字幕| 九九爱看亚洲| 丁香五月激情啪| AA片在线观看视频在线播放| 五月婷婷啪啪| 777久久精品| 色婷婷aV四虎| 激情五月综合| 天天激情站| 99操逼| 1024成人免费看| 另类视频综合| 五月丁香婷中文字幕| 婷婷色五月开心五月| 亚洲亚洲人成综合网络| 婷婷成人五月天成人文学| WWW五月婷婷| 丁香五月天堂网AV| 天天日日夜夜| 女人被男人吃奶到高潮| 色综合久久天天综合网| 六月99天天婷婷激情综合| 黄色片久久| 97干欧美| 丁香六月婷婷综合啪啪| 人妻爽爽爽久久久久久久久| 天天肏天天舔AV| 丁香婷婷影院| 五月婷婷激情| 思思久热6| 欧美狠狠草| 国产婷婷五月| 99久久精品免费精品国产_国产精品久久久久久_国产在线|日韩_久久国产精品电影 | 少妇性按摩无码中文A片| 婷婷五月丁香在线观看| 五月天丁香网站| 日本道久久91| 亚洲精品字幕| 99热这里只有精品青草| 欧美丁香五月夫妻天| 六月五月久久丁香| 五月婷丁香花| 第五婷婷伊人丁香色| 日本在线播放97| 久久婷婷六月综合| 另类小说五月天| 婷婷五月天视频| 五月丁香色婷婷综合| 五月丁香网av| 9福利性视频欧美| 高清av在线国产| 国产精品扒开腿做爽爽爽A片唱戏| 久久久99视频| 五月天激情久久| 五月天婷婷影院| 五月婷婷av| 99视频在线精品免费观看2| 婷婷六月天激情影院| 6080av| 狠狠干总合| 五月情婷婷五月| 六月丁香射婷婷欧美色图片| 性小说五月天| 无码人妻一区二区三区四区| www.狠狠狠狠| 激情综合网,婷婷五月天| 婷婷五月天视频小说| 天干干夜夜操| 日韩AV色色色| 九一99| 天天做天天爱天天要| 夜夜骑夜夜撸| 天天做天天爱天天玩| 九九视屏| 另类图片天天影视在线观看| 99热亚洲精品| 婷婷午夜| 激情五月丁香五月色| 丁香五月激情综合久久| 九九九九中文字幕| 性爱五月丁香| 成人日韩欧美| 亚洲精品欧洲精品| 狠狠色 综合色区| 色婷婷五月天视频在线| 99无码视频| 最新久久网址| 香蕉婷婷| 丁香六月婷婷操逼网| 丁香五月成人自拍| xxxx久| 婷婷五月综合婷婷| 四色女婷婷| 可以看的AV| 99热这里只有精品1025| 9l视频自拍9l九色成人| 婷婷六月激情综合| 91成人视频| YW无码| 日本精品干| www。五月天激情| 男人综合网| 日日夜夜久| www.婷婷五月| 欧洲电影在线观看免费版英语版| 99综合99| 色五月激情网| 五月天婷婷成人资源站| 六月色婷婷| 婷婷丁香成人| 天天久久九九| 二色AV| 丁香五月丁香伊人| 色婷久| 色播五月婷婷| 激情五月婷婷她| 亚洲激情四射| 五月天激情社区| 亚洲无码播放| 黄色片avv| 五月丁香另类图片| 我要射综合| 91黄址| 久热婷婷综合| 久久婷狠狠色| 天天操,天天插| 久久狠狠干| 无人区码一码二码三码医生系列| 9999热在线观看| 人人色性网| 亚洲精品99| 久久精品99国产精品日本| 99啪视频在线观看| 天天做天天爱天天爽夜夜揉| 亚洲色激情| 久久99网| 六月丁香狠狠爱| 色人五月婷婷| 久久9精品| 九月色婷婷综合亚洲| 五月开心婷婷极品激情| 熟女激情五月天 | 丰满人妻一区二区三区| 大香蕉九九操| 夜夜爽天天日| www.五月天婷婷| 色五月激情五月| 99在线热| 色噜噜五月天| 天天草女人| 俺也去在线久久精品23欧美综合视频网站,丰满人妻一区二区三区在线视频53,丰满 | 99在线精品免费视频| 99爱99操| 日韩AAAAA| 国产毛片精品一区二区色欲黄A片| 婷婷五月大香蕉| 婷婷五月天啪啪| 蜜臀AV在线观看| 九九色婷婷| 精品人妻久久久久久| 色网五月婷婷| 九九热再线九九视频免费在线观看| 日韩一级网站| 91综合网| 日日懆天天懆| 亚洲亚洲人成综合网络| 色色色999| 国产性爱一级| 午夜九九九九九九| 亚洲欧州色情在线观看| 熟女人妻一区二区三区免费看| 久久99精品视频| 大天天伊人| 操逼五月天| 激情色情五月天| 成人无码精品1区2区3区免费看| 国在线激情网| 91精品久久久久久综合五月天| 99人妻碰碰碰久久久久| 五月丁查人人| 色在线免费观看| 一级A片天天操夜夜操| 久草热久草在线视频| 996er在线观看| 婷婷综合激情| Av大香蕉| 婷婷亚洲天堂| 五月丁香综合啪啪| 精品久久99码| 丁香五月天激情| 五月婷婷色情| 色婷网| 久久久com| 99久久9| 久久伊人大香蕉| 久操热线| 99精品在线观看视频| 超碰在线99| 丁香五月偷拍| 综合99在线| 亚洲V国产V欧美V久久久久久| www.99热视频在线观看| 午夜天堂一区人妻| 精品99爱免费视频在线观看| 最近免费中文字幕大全高清大全1 色狠狠色噜噜AV天堂五区 | 99日本黄站| 久99久视频| 五月丁香久久精品在线观看| 九九热精品视频在线观看| 3pAV| 99热在线观看| av性爱在线| 精品九九网| 婷婷五月大香蕉| 超碰人人草| 亚洲综合五月天| 午夜不卡成人一区二区| 草草色情综合网| 五月婷婷啪啪啪啪| 超碰猛烈的性猛交| 婷婷五月天成人网| 99热国产国产| avh片在线观看| 婷婷狠狠操| 操操天堂| 97干在线| 婷婷激情丁香六月| 91人碰| 偷拍五月丁香| 婷婷在线午夜| 大香婷婷| 丁香五月天啪啪| 婷婷五月天va| 丁香九月色| 色欲婷婷五月天丁香| 婷婷久久五月| 国产免费性爱| 亚洲激情综合| 思恩热国产视频右线观看| 亚洲V国产V欧美V久久久久久| 五月丁香欧美在线| 99热综合色图| 大香蕉九九| 五月丁香婷婷三级| 青青草色在线视频观看| 天天操夜夜操| 丁香五月天在线观看| 久操人妻| 蜜桃婷婷丁香综合久久开心亚洲| 丁香五月偷拍| 全网最新网黄大秀直播高清,主播国产录屏在线| 白人荫道BBWBBB大荫道| 五月天色社区| 激情五月天婷婷图| 69天堂99| www.狠狠| 色欲久久久久| 色色日韩网| 97婷婷五月丁香| av九九| 久久精品66| 一区二区三区视频| 丁香婷婷六月| 天天干天天色综合| 99热免费看| 色婷婷婷av| 九九热91| 99网| 97久久久久| 婷婷激情丁五月| 综合激情婷婷| 亚洲成人在线观看网址| 99色在线| 婷婷五月天视频| 内射激情在线| 99热亚洲| 狠狠色综合久久久久| 婷婷激情图片| 婷婷五月天国产| 色插综合网| 玖玖无码中文| 99久热在线精品99re6热| 国产67194| 婷婷五月天六月综合| www.黄色片-久久成人国产精品在线播放-999AV| 久久久99精品免费观看| 91超碰在线观看| 五月婷婷六月婷| 色婷婷91激情小说| 国产性爱一级| 在线综合啪| 国产亚洲成AV人片在线观黄桃| 色久女| 婷婷成年人免费视频| 激情纯色婷婷五月天在线不卡视频| 色色五月天网站| 日本网站久久| 99国产精品久久久久久久久久久| 九九AV在线| 天天日天天摸| 久久机热思思热| 五月婷婷六月丁香激情综合网| 激情婷婷五月| 色综合视频| www.1024久久| 色五月天婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷 | 色婷婷基地| 99爱视频| 婷婷五月天精品| 日韩久久这里只有精品| 天天摸天天爽| 色热久资源| 综合激情五月天| 五月天婷婷操逼视频| 卡视频1区2区| 综合久久十| 久久婷婷五月丁香蜜桃网| 97精品人人A片免费看| 激情开心五月天| 成人看片网站| 综合色99| 在线成人网址| 97超碰在线免费观看| 五月天桃色深爱网| 狠狠色综合精品视频在线| 婷婷色网站| 伍月婷婷六月丁香| 成 久久| 这里只有免费的精品| 色五月天成人在线| 丁香伊人综合| 婷婷五月天激情小说网站| 人妻videos人妻高清| 妻久久久久| 这里只精品| 玖玖在线资源视频| 天天在线久久综合| 亚洲色情激情丁香五月| 五月婷婷这里都是精品| 激情网第四色| 五月丁香欧美综合免费视频| 九九九午夜影院成人| 日日爽日日操| 亚洲男人的天堂婷婷色五月| 亚洲婷婷五月天激情综合| 五月婷综合网| 日日噜狠狠色| 丁香六月婷婷综合| 婷婷情色五月天| 99热伊人| 色婷婷久久| 影音先锋美国A| 香蕉曰比| 99热久久日本| 久碰婷婷视频| 91蜜桃婷婷狠狠久久综合9色| 久久只有这里精品免费| 月婷婷亚洲| 色五月综合婷婷| 婷婷淫淫狠狠六月| 超碰色色综合| 亭亭玉月丁香| 四川BBB搡BBB搡多人乱亂| av中文网| 丁香五月激情啪啪综合| 午夜福利8055| 五月色婷婷中文字幕| 欧美情月伍月天| 五月丁香婷婷五月色| 丁香五月六月欧美| www.五月天婷婷| 午夜天堂啪啪| 国产真实乱了老女人视频| 色啪久| 另类激情四射| 色七色九九| 亚洲综合丁香五月天| 色色色婷| 五月婷婷色| 99艹精品在线观看| 久操大| 五月激情婷婷色| 欧美五月婷婷| 深爱激情综合网| 久久久婷婷五月天| enecarbon-materials.com污K127封锁请涟系@wip1688 | 婷婷丁香五月天欧美| 婷婷五月天亚洲综合| 91丨九色丨丰满人妖| 777精品久无码人妻蜜桃| 香蕉久久五月| 激情五月天色网站| 狠狠色丁香婷婷综合久久97AV| 99热这里有精品| 丁香六月综合激情| 99久久亚洲国产| wwW天天干| 亚洲婷婷五月天激情| 青草五月天| 色吧网综合| 色婷网| 成人性爱精品视频| 九九色图| 99色在线观看视频者| 色色五月丁香婷婷| 六月五月婷婷| 丁香五月色| 婷婷五月天亚洲综合网| 色 免费网站视频| 思思热精品在线观看| 国产毛片精品一区二区色欲黄A片| 丁香婷婷五月激情四射网| 成人短视频在线观看| 狠狠色噜噜| www,天天干| 婷婷综合偷拍| 婷婷五月丁香在线观看| 精品爆操| 97久久综合网| 俺也去婷婷五月天第五色| 婷婷淫淫狠狠六月| 欧美日韩精品人妻狠狠躁免费视频 | 99re26视频| 丁香色五月 97干| 红桃91人妻爽人妻爽| 丁香五月婷婷性爱| 91青娱乐青青草| 99久久婷婷精品视频| 人妻久久久久久久久妻久久久久久久久 | 婷婷五月天高清无码| 日韩成人电影AV| 欧美天堂久久| ji'qi'luan'ren'lun| 久久久人妻| 97香蕉碰碰人妻国产欧美| 九九99视频| 亚洲精品久久久久久久久久飞鱼| 丁香六月婷婷综合| 狠狠狠色激情综合适合| 久久久久久五月天| 一夜福利不卡| 99热老网站| 日本天堂免费99| 懂色AⅤ| 国产真实乱了老女人视频| 婷婷五月天国产精品| 操日视频| 91精品国产综合久久蜜芽解析速度| 秋霞电影理论| 久久九九网| 99精品在线播放| 99A级片| 久婷婷五月综合欧美| www天天爽| 丁香五月天大香蕉啪啪| 天天操天天操天天操天天操天天操 | 亚洲 无码 中文字幕 中出 | 五月四色激情| 丁香五月婷婷久久久| 中文字幕在线不卡| 五月天婷婷色情| 在线1青婷| 99亚洲精品综合在线| 激情五月婷婷在线区| 99热18| 另类色视频| 亚洲色频| 色色综合无码| 涩五月婷婷| 成人一级片| 香蕉操亚洲| xx久久| 大香蕉婷婷久久| 黑人熟妇一区二区三区| 狠狠色综合网| 激情久久丁香| 成人va在线播放| 丁香五月婷婷亚洲另类| 久久性爱视频网站| 97香蕉人人在线观看| 六月丁香五月天| 2021日韩无码| www.色婷婷.com| Caop在线| 色色色五月婷| 久久性刺激| 九月丁香亭亭| 天天日天天舔天天摸| 五月天另类激情在线| 亚洲小视频免费看| 欧美经典片免费观看大全| 五月深爱婷婷| 五月天婷婷综合色| 97婷婷五月天| 色色色色色五月| 色综合大香蕉| 99re热视频这里只有综合亚洲| 日日综合网| 台湾综合丁香五月蜜桃| 99久久人妻精品无码二区| m色激情网| 亚洲天堂碰碰婷婷| 色婷久| 婷婷五月天成人网| 丁香激情五月天| 去干网最新版本亚洲版| wwww.9免费视频| 狠狠干综合| 久/久精品99看9| 丰满老熟妇BBBBB搡BBB | 婷婷成人五月天成人文学| 九色91美女| 激情丁香五月| 色色亚卅| 国产婷婷五月| 91狠狠色| 五月激情综合激情五月| 九九久久9 9在线观看| 天天爱天天做天天| 亚洲欧美婷婷五月色综合| 欧美激情综合色综合啪啪五月| 婷婷激情五月天小说| 97碰碰电影| 人人干av| 这里只有精品免费视频在线观看| 狠狠色丁香久久婷婷综合五月| 91超碰人人操| 激情综合网激情五月网| 亚洲成人无码免费| 九九热av| 久久99热 这里有精品| 94干大香蕉| 色综合天天综合成人网| 99久久精品视频女神1| 92国产福利| 香蕉AV福利精品导航| 六月丁香五月天| 99综合视频一体| 91大屁股在线| 色色色国产| 99视频在线观看视频| 二级黄色毛片| 99久久国产宗和精品1上映| 99热国产这里只有精品| 丁香五月婷婷狠狠色| 伊人99久久| 9久热| 99成人精品视频| 久久这里只精品66| 久久久九九视频精品18|