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)營的一線實(shí)戰(zhàn)洞察。

基于Hadoop的電影網(wǎng)站用戶性別預(yù)測(cè):從日志ETL到模型融合實(shí)戰(zhàn)

基于Hadoop的電影網(wǎng)站用戶性別預(yù)測(cè):從日志ETL到模型融合實(shí)戰(zhàn) 簡介這份資源是一套基于KNN算法與Hadoop平臺(tái)的電影網(wǎng)站用戶性別預(yù)測(cè)實(shí)現(xiàn)程序面向具備一定Java與大數(shù)據(jù)基礎(chǔ)、希望實(shí)踐分類算法與分布式計(jì)算的學(xué)習(xí)者。項(xiàng)目圍繞MovieLens用戶評(píng)分?jǐn)?shù)據(jù)展開涵蓋數(shù)據(jù)預(yù)處理、KNN建模及模型評(píng)價(jià)等環(huán)節(jié)可用于課程設(shè)計(jì)、畢業(yè)設(shè)計(jì)或算法練手場景。壓縮包共78個(gè)文件約5.86MB包含28個(gè)java源碼、30個(gè)class編譯文件、5個(gè)jar包以及dat數(shù)據(jù)文件、properties配置與readme說明分別對(duì)應(yīng)預(yù)處理、KNN計(jì)算與評(píng)價(jià)模塊結(jié)構(gòu)完整便于分階段運(yùn)行。目前已有3037人學(xué)習(xí)下載。讀者可據(jù)此掌握Hadoop環(huán)境下數(shù)據(jù)預(yù)處理打包運(yùn)行、KNN分類建模與模型評(píng)估的完整流程并參考作者兩小時(shí)運(yùn)行經(jīng)驗(yàn)合理規(guī)劃計(jì)算資源快速復(fù)現(xiàn)并理解大規(guī)模數(shù)據(jù)下的性別預(yù)測(cè)實(shí)現(xiàn)思路。1. 從電影網(wǎng)站日志到性別標(biāo)簽這條鏈路到底在算什么電影網(wǎng)站后臺(tái)每天沉淀大量行為日志誰在幾點(diǎn)看了哪部片、打了多少分、停留多久、搜索了什么關(guān)鍵詞。把這些日志丟進(jìn) Hadoop 做離線批處理再訓(xùn)練一個(gè)分類模型去推斷用戶性別就是標(biāo)題里說的「基于 Hadoop 的電影網(wǎng)站用戶性別預(yù)測(cè)」。它解決的不是「猜得準(zhǔn)不準(zhǔn)」這一個(gè)問題而是當(dāng)站點(diǎn)日活上到幾十萬、日志按 TB 漲的時(shí)候單機(jī) pandas 已經(jīng)跑不動(dòng)必須把特征工程和模型訓(xùn)練拆到 HDFS 和 YARN 上。適合誰適合手里有站內(nèi)行為日志、想用 Hadoop 生態(tài)做用戶畫像的工程師也適合正在做 Hadoop 課程設(shè)計(jì)、需要一條能跑通的完整鏈路的人。核心難點(diǎn)不在算法而在日志清洗、特征拼接和分布式任務(wù)調(diào)度的銜接。2. 為什么性別預(yù)測(cè)要掛在 Hadoop 上數(shù)據(jù)規(guī)模與特征選型2.1 單機(jī)跑不動(dòng)的那條分界線在哪先算一筆賬。一個(gè)中等規(guī)模電影站日活 20 萬人均產(chǎn)生 30 條行為事件瀏覽、評(píng)分、搜索、收藏一天就是 600 萬條。每條事件帶上用戶 ID、影片 ID、時(shí)間戳、事件類型、評(píng)分值、停留秒數(shù)序列化后約 200 字節(jié)一天 1.2 GB。看起來不大但性別預(yù)測(cè)不是拿一天數(shù)據(jù)就能訓(xùn)的通常要取 90 天做窗口那就是 100 GB 量級(jí)。再疊加用戶側(cè)的基礎(chǔ)屬性、影片側(cè)的元數(shù)據(jù)類型、年代、導(dǎo)演做 join 之后中間結(jié)果會(huì)膨脹到原始數(shù)據(jù)的 3 到 5 倍。單機(jī) pandas 處理 100 GB 的 join內(nèi)存直接爆就算用分塊讀取特征拼接的 shuffle 也會(huì)把磁盤 IO 打滿。這時(shí)候 Hadoop 的價(jià)值就出來了HDFS 負(fù)責(zé)把日志按塊分散存儲(chǔ)MapReduce 或 Spark on YARN 負(fù)責(zé)把 join 和聚合拆到多個(gè)節(jié)點(diǎn)并行做。我一般會(huì)跟人說數(shù)據(jù)量沒到單機(jī)內(nèi)存的 3 倍以上別急著上 Hadoop但一旦過了這條線Hadoop 就是剛需。2.2 性別預(yù)測(cè)的特征到底取哪些性別預(yù)測(cè)本質(zhì)是一個(gè)二分類問題但特征設(shè)計(jì)決定了天花板。從電影網(wǎng)站日志里能抽出的有效特征分四類特征類別具體字段為什么對(duì)性別有區(qū)分度影片類型偏好用戶觀看影片的類型分布動(dòng)作/愛情/科幻/文藝統(tǒng)計(jì)上男性更偏動(dòng)作科幻女性更偏愛情文藝但這不是絕對(duì)只是概率傾向評(píng)分行為平均評(píng)分、評(píng)分方差、高分影片占比男性評(píng)分往往更極端打 1 分或 5 分女性評(píng)分更集中在中高段活躍時(shí)段按小時(shí)統(tǒng)計(jì)的活躍分布晚間和周末的活躍模式存在性別差異搜索詞搜索關(guān)鍵詞的 TF-IDF 向量搜索「復(fù)仇者聯(lián)盟」和搜索「怦然心動(dòng)」的人群分布不同注意這里說的都是統(tǒng)計(jì)傾向不是刻板印象。模型學(xué)的是數(shù)據(jù)里的相關(guān)性不是因果。實(shí)際做的時(shí)候我會(huì)把用戶 ID 做哈希脫敏影片 ID 做 embedding 或者 one-hot時(shí)間戳拆成小時(shí)和星期兩個(gè)離散特征。2.3 為什么選 Hadoop 而不是直接上 Spark有人會(huì)問既然要做機(jī)器學(xué)習(xí)為什么不直接上 Spark MLlib答案是可以而且常見做法就是 Spark on YARN。但標(biāo)題里寫的是 Hadoop說明底層存儲(chǔ)和資源調(diào)度還是 HDFS YARN。實(shí)際鏈路通常是原始日志落 HDFS用 MapReduce 或 Spark 做 ETL 清洗特征寬表存 Hive 或 Parquet最后用 Spark MLlib 或單機(jī) sklearn 在采樣后的特征上訓(xùn)練。Hadoop 在這里的角色是數(shù)據(jù)底座和批處理引擎不是模型本身。提示如果數(shù)據(jù)量在 10 GB 以內(nèi)單機(jī) sklearn pandas 完全夠用硬上 Hadoop 只會(huì)增加運(yùn)維成本。選型要看數(shù)據(jù)規(guī)模不要為了用而用。3. 從原始日志到特征寬表Hadoop 上的 ETL 怎么寫3.1 日志格式約定與清洗規(guī)則假設(shè)電影網(wǎng)站的行為日志是 JSON 行格式每行一條事件。典型字段包括 user_id、movie_id、event_typeview/rate/search/favorite、event_time、rating、duration、search_keyword。清洗要做四件事去掉 user_id 為空的臟數(shù)據(jù)、把 event_time 統(tǒng)一轉(zhuǎn)成 yyyy-MM-dd HH:mm:ss、過濾掉 duration 小于 1 秒的誤觸記錄、把 rating 不在 1 到 5 之間的異常值置空。下面是一個(gè)用 Hadoop Streaming 做清洗的 Python mapper 示例#!/usr/bin/env python # mapper.py - 清洗電影網(wǎng)站行為日志 import sys import json from datetime import datetime for line in sys.stdin: line line.strip() if not line: continue try: obj json.loads(line) except ValueError: continue # 跳過解析失敗的臟行 user_id obj.get(user_id) if not user_id: continue # 用戶ID為空無法歸屬直接丟棄 event_time obj.get(event_time, ) try: # 統(tǒng)一時(shí)間格式兼容時(shí)間戳和字符串兩種輸入 if event_time.isdigit(): dt datetime.fromtimestamp(int(event_time)) else: dt datetime.strptime(event_time, %Y-%m-%d %H:%M:%S) event_time dt.strftime(%Y-%m-%d %H:%M:%S) except Exception: continue duration obj.get(duration, 0) if duration is not None and int(duration) 1: continue # 停留小于1秒視為誤觸 rating obj.get(rating) if rating is not None: try: rating float(rating) if rating 1 or rating 5: rating None # 異常評(píng)分置空 except ValueError: rating None # 輸出清洗后的記錄用制表符分隔 print(\t.join([ str(user_id), str(obj.get(movie_id, )), str(obj.get(event_type, )), event_time, str(rating) if rating is not None else , str(duration), str(obj.get(search_keyword, )) ]))邏輯說明mapper 逐行讀取標(biāo)準(zhǔn)輸入用 json.loads 解析任何解析失敗或字段缺失的行直接跳過保證下游不會(huì)因?yàn)榕K數(shù)據(jù)翻車。時(shí)間字段做了雙格式兼容因?yàn)閷?shí)際日志里經(jīng)常混著時(shí)間戳和格式化字符串。rating 異常值置空而不是丟棄整行是因?yàn)樵u(píng)分只是特征之一丟掉整條記錄會(huì)損失其他字段的信息。參數(shù)說明duration 閾值設(shè)為 1 秒這個(gè)值可以根據(jù)業(yè)務(wù)調(diào)整短視頻場景可能要設(shè) 3 秒。rating 范圍鎖定 1 到 5如果站點(diǎn)用的是 10 分制這里要改成 1 到 10。3.2 用 Hive 做用戶-影片特征聚合清洗后的數(shù)據(jù)落到 HDFS 的 /user/hadoop/movie_clean 目錄接下來用 Hive 建外部表做聚合。核心思路是按 user_id 分組把每個(gè)用戶的行為聚成一行特征向量。-- 建外部表指向清洗后的數(shù)據(jù) CREATE EXTERNAL TABLE IF NOT EXISTS movie_behavior ( user_id STRING, movie_id STRING, event_type STRING, event_time STRING, rating DOUBLE, duration INT, search_keyword STRING ) ROW FORMAT DELIMITED FIELDS TERMINATED BY \t STORED AS TEXTFILE LOCATION /user/hadoop/movie_clean; -- 用戶側(cè)聚合特征 CREATE TABLE user_features AS SELECT user_id, COUNT(*) AS total_events, SUM(CASE WHEN event_type view THEN 1 ELSE 0 END) AS view_cnt, SUM(CASE WHEN event_type rate THEN 1 ELSE 0 END) AS rate_cnt, SUM(CASE WHEN event_type search THEN 1 ELSE 0 END) AS search_cnt, AVG(rating) AS avg_rating, STDDEV(rating) AS std_rating, AVG(duration) AS avg_duration, -- 晚間活躍占比18點(diǎn)到23點(diǎn) SUM(CASE WHEN HOUR(event_time) BETWEEN 18 AND 23 THEN 1 ELSE 0 END) / COUNT(*) AS night_ratio, -- 周末活躍占比 SUM(CASE WHEN DAYOFWEEK(event_time) IN (1,7) THEN 1 ELSE 0 END) / COUNT(*) AS weekend_ratio FROM movie_behavior GROUP BY user_id;邏輯說明這段 HiveQL 把原始事件按用戶聚合生成每個(gè)用戶的統(tǒng)計(jì)特征。total_events 反映活躍度view_cnt 和 rate_cnt 反映行為偏好avg_rating 和 std_rating 捕捉評(píng)分習(xí)慣night_ratio 和 weekend_ratio 刻畫時(shí)間模式。這些特征后面會(huì)和影片類型偏好拼接成完整特征向量。參數(shù)說明晚間時(shí)段定義為 18 到 23 點(diǎn)這個(gè)窗口可以根據(jù)站點(diǎn)用戶的實(shí)際活躍曲線調(diào)整。周末用 DAYOFWEEK 判斷1 是周日7 是周六不同 Hive 版本可能有差異跑之前先用 SELECT DAYOFWEEK(2024-01-01) 驗(yàn)證一下。3.3 影片類型偏好特征的拼接用戶看過的影片類型分布是強(qiáng)特征。做法是先把影片元數(shù)據(jù)movie_id 到 genre 的映射加載成一張維度表然后和用戶行為表 join再按用戶聚合出各類型的觀看占比。-- 影片類型維度表 CREATE TABLE movie_genre ( movie_id STRING, genre STRING ) ROW FORMAT DELIMITED FIELDS TERMINATED BY \t; -- 用戶類型偏好 CREATE TABLE user_genre_pref AS SELECT b.user_id, g.genre, COUNT(*) AS genre_cnt, COUNT(*) / SUM(COUNT(*)) OVER (PARTITION BY b.user_id) AS genre_ratio FROM movie_behavior b JOIN movie_genre g ON b.movie_id g.movie_id WHERE b.event_type IN (view, rate) GROUP BY b.user_id, g.genre;邏輯說明先按 user_id 和 genre 分組計(jì)數(shù)再用窗口函數(shù)算每個(gè)類型在該用戶總觀看量中的占比。這樣每個(gè)用戶會(huì)得到多行每個(gè)類型一行后面可以用 pivot 轉(zhuǎn)成寬表或者直接在 Spark 里做 one-hot。參數(shù)說明WHERE 條件只取 view 和 rate 事件因?yàn)?search 事件沒有 movie_id 關(guān)聯(lián)favorite 事件量通常很小加不加對(duì)結(jié)果影響不大。如果站點(diǎn)類型體系很細(xì)超過 30 種建議先歸并成 8 到 10 個(gè)大類否則特征維度太高模型容易過擬合。4. 性別預(yù)測(cè)模型訓(xùn)練從特征寬表到分類器4.1 特征寬表的最終形態(tài)與標(biāo)簽對(duì)齊走到這一步手上有兩張表user_features用戶統(tǒng)計(jì)特征和 user_genre_pref類型偏好。需要把它們拼成一張寬表并且和性別標(biāo)簽對(duì)齊。性別標(biāo)簽通常來自用戶注冊(cè)時(shí)填寫的資料或者第三方登錄返回的 gender 字段。實(shí)際場景里標(biāo)簽缺失率可能高達(dá) 40% 到 60%這是最大的坑之一。# 用 Spark 做特征拼接和標(biāo)簽對(duì)齊 from pyspark.sql import SparkSession from pyspark.sql.functions import col, when, lit from pyspark.ml.feature import VectorAssembler, StringIndexer from pyspark.ml.classification import RandomForestClassifier from pyspark.ml.evaluation import BinaryClassificationEvaluator spark SparkSession.builder \ .appName(GenderPrediction) \ .enableHiveSupport() \ .getOrCreate() # 讀取 Hive 表 user_feat spark.sql(SELECT * FROM user_features) genre_pref spark.sql(SELECT * FROM user_genre_pref) labels spark.sql(SELECT user_id, gender FROM user_profile WHERE gender IS NOT NULL) # 把類型偏好 pivot 成寬表 genre_wide genre_pref.groupBy(user_id).pivot(genre).sum(genre_ratio).fillna(0) # 拼接所有特征 df user_feat.join(genre_wide, onuser_id, howleft) \ .join(labels, onuser_id, howinner) \ .fillna(0) # 標(biāo)簽編碼male0, female1 df df.withColumn(label, when(col(gender) female, lit(1.0)).otherwise(lit(0.0))) # 特征向量組裝 feature_cols [c for c in df.columns if c not in (user_id, gender, label)] assembler VectorAssembler(inputColsfeature_cols, outputColfeatures) df assembler.transform(df) # 劃分訓(xùn)練集和測(cè)試集 train, test df.randomSplit([0.8, 0.2], seed42) # 隨機(jī)森林訓(xùn)練 rf RandomForestClassifier(labelCollabel, featuresColfeatures, numTrees100, maxDepth8) model rf.fit(train) # 評(píng)估 predictions model.transform(test) evaluator BinaryClassificationEvaluator(labelCollabel, metricNameareaUnderROC) auc evaluator.evaluate(predictions) print(AUC %.4f % auc)邏輯說明先用 pivot 把類型偏好從長表轉(zhuǎn)成寬表每個(gè)類型一列值是該類型的觀看占比。然后和用戶統(tǒng)計(jì)特征、性別標(biāo)簽做 joininner join 會(huì)丟掉沒有標(biāo)簽的用戶這是有意的因?yàn)闊o標(biāo)簽數(shù)據(jù)不能用于監(jiān)督訓(xùn)練。標(biāo)簽編碼成 0 和 1特征用 VectorAssembler 拼成一個(gè)向量列。隨機(jī)森林的 numTrees 設(shè) 100maxDepth 設(shè) 8是為了在偏差和方差之間取平衡。參數(shù)說明randomSplit 的 0.8/0.2 是常見比例如果數(shù)據(jù)量超過 100 萬行可以改成 0.9/0.1。numTrees 越大模型越穩(wěn)但訓(xùn)練越慢100 到 200 是常用區(qū)間。maxDepth 超過 10 容易過擬合尤其是特征維度高的時(shí)候。4.2 類別不平衡的處理與閾值調(diào)整電影網(wǎng)站的用戶性別分布通常不是 50/50男性用戶可能占 60% 到 70%。如果直接訓(xùn)練模型會(huì)傾向于預(yù)測(cè)多數(shù)類導(dǎo)致少數(shù)類的召回率很低。常見做法有兩種一是對(duì)多數(shù)類降采樣二是用類別權(quán)重。# 方法一對(duì)多數(shù)類降采樣 male_df df.filter(col(label) 0.0) female_df df.filter(col(label) 1.0) # 按少數(shù)類數(shù)量對(duì)齊多數(shù)類 ratio female_df.count() / male_df.count() male_sampled male_df.sample(withReplacementFalse, fractionratio, seed42) balanced_df male_sampled.union(female_df) # 方法二在隨機(jī)森林里設(shè)置類別權(quán)重 from pyspark.ml.classification import RandomForestClassifier rf_balanced RandomForestClassifier( labelCollabel, featuresColfeatures, numTrees150, maxDepth8, weightColclass_weight # 需要提前構(gòu)造權(quán)重列 )邏輯說明降采樣簡單直接但會(huì)損失多數(shù)類的信息量。類別權(quán)重不丟數(shù)據(jù)但需要額外構(gòu)造權(quán)重列通常少數(shù)類權(quán)重設(shè)為多數(shù)類數(shù)量的倒數(shù)比。我一般先試降采樣如果 AUC 掉得厲害再換權(quán)重法。參數(shù)說明sample 的 fraction 參數(shù)按少數(shù)類與多數(shù)類的比例算比如女性占 30%男性占 70%fraction 就是 30/70 約等于 0.43。weightCol 的權(quán)重值建議用總樣本數(shù)除以類別樣本數(shù)讓兩類總權(quán)重接近。4.3 模型評(píng)估AUC 之外還要看什么AUC 是排序指標(biāo)反映模型把正樣本排在負(fù)樣本前面的能力。但業(yè)務(wù)上更關(guān)心的是在某個(gè)閾值下預(yù)測(cè)為女性的用戶里有多少是真的女性精確率以及所有真實(shí)女性里有多少被找出來召回率。這兩個(gè)指標(biāo)此消彼長閾值調(diào)高精確率上升召回率下降反之亦然。from pyspark.ml.evaluation import BinaryClassificationEvaluator from pyspark.sql.functions import col # 按不同閾值統(tǒng)計(jì)精確率和召回率 thresholds [0.3, 0.4, 0.5, 0.6, 0.7] for t in thresholds: tp predictions.filter((col(prediction) 1.0) (col(label) 1.0)).count() fp predictions.filter((col(prediction) 1.0) (col(label) 0.0)).count() fn predictions.filter((col(prediction) 0.0) (col(label) 1.0)).count() precision tp / (tp fp) if (tp fp) 0 else 0 recall tp / (tp fn) if (tp fn) 0 else 0 print(threshold%.1f, precision%.4f, recall%.4f % (t, precision, recall))邏輯說明這段代碼手動(dòng)遍歷閾值統(tǒng)計(jì)混淆矩陣的四個(gè)值算出精確率和召回率。實(shí)際項(xiàng)目里可以用 BinaryClassificationEvaluator 的 precisionRecall 曲線但手動(dòng)算更直觀方便和業(yè)務(wù)方溝通。參數(shù)說明閾值從 0.3 到 0.7 遍歷步長 0.1。如果業(yè)務(wù)要求高精確率比如只對(duì)高置信用戶做定向推薦閾值可以設(shè)到 0.7 以上如果要求高召回率比如做全量用戶畫像補(bǔ)全閾值可以降到 0.3。5. 避坑與排查這條鏈路上最容易翻車的五個(gè)地方5.1 標(biāo)簽缺失率過高導(dǎo)致模型學(xué)不到東西現(xiàn)象訓(xùn)練出來的 AUC 只有 0.55 左右接近隨機(jī)猜。原因性別標(biāo)簽來自用戶注冊(cè)資料但大量用戶沒填或者填了「保密」實(shí)際有標(biāo)簽的樣本可能只占總用戶的 20% 到 30%而且有標(biāo)簽的用戶本身就有偏愿意填性別的用戶可能更活躍。解決先統(tǒng)計(jì)標(biāo)簽覆蓋率如果低于 30%考慮用半監(jiān)督學(xué)習(xí)或者用行為相似度做標(biāo)簽傳播另外檢查有標(biāo)簽用戶和無標(biāo)簽用戶在行為特征上是否有顯著差異如果有模型只能適用于有標(biāo)簽的那部分人群。5.2 Hive 表分區(qū)沒建全表掃描拖垮任務(wù)現(xiàn)象一個(gè)簡單的聚合查詢跑了 40 分鐘還沒出結(jié)果。原因movie_behavior 表按天分區(qū)但建表時(shí)沒寫 PARTITIONED BY所有數(shù)據(jù)堆在一個(gè)目錄下每次查詢都全量掃描。解決建表時(shí)加上 PARTITIONED BY (dt STRING)加載數(shù)據(jù)時(shí)用 INSERT OVERWRITE ... PARTITION(dt2024-01-01)查詢時(shí)帶上 WHERE dt BETWEEN ... 條件。這個(gè)坑我踩過不止一次血淚經(jīng)驗(yàn)就是Hive 表不分區(qū)等于白用 Hadoop。5.3 特征穿越用了未來信息預(yù)測(cè)過去現(xiàn)象離線 AUC 很高0.85 以上但上線后效果很差。原因特征里混入了標(biāo)簽泄露的字段比如用「用戶最近一次登錄時(shí)間」做特征但登錄時(shí)間是在性別填寫之后產(chǎn)生的等于用未來信息預(yù)測(cè)過去。解決梳理每個(gè)特征的時(shí)間戳確保特征的計(jì)算時(shí)間早于標(biāo)簽的產(chǎn)生時(shí)間。具體做法是在 ETL 里加一個(gè)時(shí)間窗口限制只用標(biāo)簽產(chǎn)生之前的行為數(shù)據(jù)。5.4 數(shù)據(jù)傾斜某個(gè)用戶的行為日志特別多現(xiàn)象Spark 任務(wù)卡在最后一個(gè) reduce 階段99% 的 task 都完成了剩下一個(gè)跑了半小時(shí)。原因某個(gè)爬蟲賬號(hào)或者測(cè)試賬號(hào)產(chǎn)生了海量行為日志按 user_id 分組時(shí)全落到一個(gè) reducer 上。解決先統(tǒng)計(jì)每個(gè)用戶的事件數(shù)把超過閾值比如 10 萬條的異常用戶單獨(dú)處理或者過濾掉或者在 groupBy 之前加隨機(jī)前綴打散聚合兩次。5.5 模型上線后性別分布漂移現(xiàn)象模型上線三個(gè)月后女性用戶的召回率從 0.7 掉到 0.5。原因站點(diǎn)用戶結(jié)構(gòu)變了新注冊(cè)用戶里女性比例上升但模型還是按舊分布訓(xùn)練的。解決定期用新數(shù)據(jù)重新訓(xùn)練監(jiān)控預(yù)測(cè)結(jié)果的性別分布和真實(shí)分布的 KL 散度超過閾值就觸發(fā)重訓(xùn)。這個(gè)沒有一勞永逸的辦法只能靠監(jiān)控和迭代。6. 把 AUC 再拉高五個(gè)點(diǎn)特征交叉與模型融合的實(shí)操技巧走到這一步基線模型已經(jīng)能跑了但 AUC 可能卡在 0.72 到 0.75 上不去。我一般會(huì)做兩件事特征交叉和模型融合。特征交叉方面最有效的是把「影片類型偏好」和「活躍時(shí)段」做交叉。比如一個(gè)用戶晚上 10 點(diǎn)后大量觀看動(dòng)作片這個(gè)組合特征比單獨(dú)的類型偏好或時(shí)段特征更有區(qū)分度。實(shí)現(xiàn)上可以在 Spark 里用 VectorAssembler 之后接一個(gè) PolynomialExpansion但維度會(huì)爆炸更穩(wěn)妥的做法是手動(dòng)構(gòu)造幾個(gè)關(guān)鍵交叉項(xiàng)from pyspark.sql.functions import col, when # 構(gòu)造交叉特征晚間動(dòng)作片偏好 df df.withColumn( night_action, col(night_ratio) * col(Action_ratio) # Action_ratio 來自類型偏好寬表 ) # 構(gòu)造交叉特征周末愛情片偏好 df df.withColumn( weekend_romance, col(weekend_ratio) * col(Romance_ratio) ) # 評(píng)分極端程度高分和低分占比之和 df df.withColumn( rating_extreme, col(high_rating_ratio) col(low_rating_ratio) )邏輯說明night_action 捕捉「夜間看動(dòng)作片」這個(gè)組合行為weekend_romance 捕捉「周末看愛情片」的組合。rating_extreme 反映評(píng)分是否走極端男性用戶往往更極端。這些交叉項(xiàng)不需要太多三到五個(gè)就夠多了反而引入噪聲。參數(shù)說明Action_ratio 和 Romance_ratio 是類型偏好寬表里的列名實(shí)際列名取決于 genre 的取值。high_rating_ratio 和 low_rating_ratio 需要在 user_features 里提前算好比如評(píng)分大于等于 4 算高小于等于 2 算低。模型融合方面我習(xí)慣用隨機(jī)森林加邏輯回歸做 stacking。隨機(jī)森林捕捉非線性關(guān)系邏輯回歸捕捉線性關(guān)系兩者互補(bǔ)。具體做法是把隨機(jī)森林的預(yù)測(cè)概率作為一個(gè)新特征和原始特征一起喂給邏輯回歸from pyspark.ml.classification import LogisticRegression from pyspark.ml.feature import VectorAssembler # 隨機(jī)森林預(yù)測(cè)概率作為新特征 rf_pred model.transform(df).select(user_id, probability, label) # 提取正類概率 from pyspark.ml.functions import vector_to_array rf_pred rf_pred.withColumn(rf_prob, vector_to_array(probability)[1]) # 和原始特征拼接 df_ensemble df.join(rf_pred.select(user_id, rf_prob), onuser_id) feature_cols_2 feature_cols [rf_prob] assembler_2 VectorAssembler(inputColsfeature_cols_2, outputColfeatures_2) df_ensemble assembler_2.transform(df_ensemble) # 邏輯回歸融合 lr LogisticRegression(labelCollabel, featuresColfeatures_2, maxIter100) lr_model lr.fit(df_ensemble)邏輯說明先用隨機(jī)森林跑一遍把預(yù)測(cè)概率取出來作為新特征再和原始特征拼在一起訓(xùn)練邏輯回歸。這樣邏輯回歸能同時(shí)利用原始特征的線性信息和隨機(jī)森林學(xué)到的非線性模式。注意要用交叉驗(yàn)證的方式生成 rf_prob否則會(huì)有標(biāo)簽泄露。參數(shù)說明vector_to_array 是 Spark 3.0 以上的函數(shù)低版本需要用 udf 手動(dòng)解析。maxIter 設(shè) 100 通常夠用如果沒收斂可以加到 200。融合后的 AUC 一般能比單模型高 3 到 5 個(gè)點(diǎn)但訓(xùn)練時(shí)間也會(huì)翻倍。最后說一個(gè)我自己的習(xí)慣每次跑完模型我都會(huì)把特征重要性打出來看一遍。如果某個(gè)特征的重要性異常高比如占了 80% 以上我第一反應(yīng)不是高興而是懷疑標(biāo)簽泄露。這個(gè)習(xí)慣幫我抓過好幾次穿越特征。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
2015WWW永久免费观看播放| 丁香97综合| 无码字幕中文| 超碰人人艹| WWW.激情| 国产密乳av一区二区三区四区| 五月婷六月| 亚洲综合五月天| 综合六月久久| AV在线资源| 五月丁香激情综合六月涩涩爱| 欧美啄木乌丝袜人妻系列| 成人网址在线观看| 色综合综合综合| 98永久精品| 天天婷婷综合| 狠狠操天天干| 婷婷五月天99综合网站| 亚洲色综合| 婷婷六月插屄激情| 色九网| 国产偷人爽久久久久久老妇APP| 99啪视频在线观看| 深爱激情小说五月婷婷| 婷婷丁香宗合888| 五月激情小说| 五月天婷婷av| 亚洲va欧美va天堂v国产综合| 涩涩五月天| 午夜AV网| 99热久久最新地址| 久久综合婷婷| 亚洲色基地| 天天日日人| 婷婷五月天激情五月天深爱五月天| 婷婷五月丁香91| 亚洲六月色| 九色91国产| 99热精品9| 色啪综合| 9久国产| 无码激情精品色婷婷久久久久| 99热资源在线| 俺去婷婷 丁香| 成人天天爽| 激情五月天激情小说| 激情丁香五月婷婷| 97人人草| 激情视频综合| 美国不卡视频| 亚洲婷婷激情五月天| 亚洲综合九九| 五月天激情综合网俺也去| 狠狠干五月丁香综合网| 欧美精品在线观看| 天天摸天天舔天天爽| 无码橾| 久久九九思思| 色婷婷影音| 九九热只有精品| 久久天堂女人| 中文不卡一二区| 26uuu日韩| 婷婷激情五月视频| 欧美va在线| 欧美性猛交99久久久久99按摩| 久久xxxx| 丁香婷婷色五月| 久久婷婷大香蕉| 人人天堂操| 婷婷五月天久久| 丁香五月激情综合婷综| 色婷狠狠| 色婷婷激情五月天| 婷婷在线激情| 91pornav在线| 五月婷在线| 97干资源在线观看| 99综合色| 伊人久热91网| www夜夜| 久久久久久久91| 婷婷六月天精品| 99九九精品| 91 九色 熟女| 色五月激情网| 99亚洲综合| 操一区| 九九精品亚洲| 大香蕉婷婷久久| 欧美123区免| 日韩乱玛久久| 五月丁香A∨在线| 久久五月婷天天干| 99国产97在线,| 色综合色综合网| 日韩一本操| 无码中文一区二区三区| 五月开心播播网| 就99这里只有精品| 色婷婷网大全在线| 亚洲成人五月| 超碰免费大香蕉| 婷婷娌伦网| 久热伊人9| www.激情| 亚洲操操| 少妇熟女视频一区二区三区| 99热99精品在线观看| 成人国产欧美大片一区| av性爱网站| 日本高清不卡免费一区二区三区| 五月婷婷六月情| 97热九九| 欧洲亚洲精品| 激情综合五月激情| 三级av在线| AV美美午夜| 国产毛片欧美毛片久久久| 婷婷四色五月| 激情婷婷五月天| oumeisesewang| 成片免费观看视频大全| 狠狠狠狠狠狠狠狠草| 99久久国产宗和精品1上映| 久久婷婷六月| 国产美女视频久| 牛牛色av| 欧洲毛片基地c区| 91性高潮久久久久久久久| 91日本在线| 五月婷婷色色| 色色五月丁香| 这里只有免费精品| 超碰二区| 婷婷色婷婷| 婷婷在线五月天观看| 无码99| 婷婷五月天 偷拍| 亚洲经典三级| 久久这里只| 91黄色五月天视频| 综合啪啪| 久久五月天大美女| 激情玖玖综合网| 色色AV色色色东莞| 日本99热| a久久| 六月五月婷婷| 丁香激情四射| 色婷久九| 成年AAAA色情| 五月色婷婷夜色| 99这里都是精品| 99在线热| 日韩乱轮AV| 九九热这里只有精品31| 亚洲成人中心| 青青草免费公开视频| 色综合综合网| 亚洲AV网站| 99re在线播放| 丁香五月六月婷婷综合| 无码毛片992367| 九九精品丁香花| 人人草人人视| 日本三级日本三级99| 天干夜夜操| 五月综合777| 无码人妻一区二区一牛影视| 五月丁香激情综合| 国产精品久久久久久五月天加勒比 | 99精品久久久久| 欧美黄色AA片哗啦啦啦| 五月婷婷丁香综合| 黄色三级日本| 五月天丁香看婷婷| 狠狠操狠狠插| 91人碰| 亚洲色图啪啪| 黄网在线播放| 天天色视频| 99精品在线播放| 中文字幕在线aⅴ免费观看| 色色色色色色网站| 色五月婷婷少妇人妻| 久久日本wwww色| 久热无码| 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 | 婷婷五月成人| 天天影院色| 丁香六月婷婷综合激情欧美| 天天操五月天| 精品欧美一区二区三区久久久| 五月丁香偷拍| sewuyue第四色| 婷婷国产欧美97| 99精品网| 国产熟女一区二区三区五月婷| 五月开心播播网| 久久Xx| 99综合婷婷五月| 色婷婷综合在线| 九九这里都是精品| 色婷婷六月天| 99热国产这里只有精品| 99精品在| 99在线精品视频免费| 九九成年视频| 成人做爰A片免费看网站找不到了| 亚洲婷婷基地| 久久人妻伦理| WWW.开心五月天.COM| 久热9| www色哟哟| 狠狠干婷婷| 99久久这里只有精品| 五月丁香六月婷婷不卡免费无码 | 狠狠干青青草| 99成人网站| 久久久久网站| 精品九九婷婷| 成人性生活免费观看。| 99热国品| 欧美激情五月天| 99久久www| 婷婷香五月综合激情| 丁香五月影院| 五月天成人综合| 在线不卡的视频| 狠狠色婷婷| 久久婷婷五月综合色奶水99啪| 五月天激情啪啪| wwW天天干| 中文字幕AV网址| 九九九AAA热视频| 亚洲国产精品二二三三区| 色噜噜狠狠色综合成人网| 这里只有精彩视| 秋霞学生妹一二级| 久久色五月| 五月丁香六月婷| 亚洲AV久久久久久久久久久久久久久久 | 五月天狠狠色| 久久码久久无清| www.91五月| 婷婷中文字幕| 亚洲综合九九| 婷婷五月天激情网| 五月婷啪| 五月婷婷影院| 亚洲天堂爱爱| 91精品婷婷国产综合久久| 思思热在线观看| 五月丁香六月婷婷视频| 激情五月综合网最新 | 色之综合网| 99色色网| 狠狠干综合| 五月丁香六月激情综合| 亚洲小电影在线观看黄999| 日本三级日本黄色| 99热黄| 91综合视频丁香| 亚洲乱码日产精品BD在线观看| AV操操操| 久久婷婷热| 无码任你操| 99超级碰免费视频| 99视频在线精品| 99啪啪| 91超碰人人操| 国产 码在线成人网站| 97色在线观看视频| 无码激情| 97干在线| 丁香五月激情网| 婷婷久草| 色婷婷六月| 国产精品天天狠天天看| 成人久碰| 超碰AV成人| 久久天堂婷婷五月| 操操天堂| 99热在线观看精品| 五月婷丁香花| 亚洲mm色| 香蕉AV777XXX色综合一区| 99r这里只有精品在线观看| 国产三级秋霞| 99精品在线观看视频| 9久热在线视频精品| 棕合影院色色| 日本天天操| 开心五月婷婷| www天堂99| 男人的天堂99| 91黄操| 五月开心婷婷极品激情| 婷婷丁香视频| 亚洲五月天婷婷| 热久久这里只有精品| 玖玖爱综合网| 六月丁香五月婷婷| 99热 日韩| 狠狠久久婷| 99WWW免费视频| 五月天色图| 七七九九色色| 日操夜撸| 色狠狠综合| 色情综合网| 久久99最新地址| 五月深情久久| www.日本久久videos| 日操五月婷| 五月色网| 婷婷狠狠干| 久久久99精品免费观看| 另类丁香综合| 亚洲精品网站色视频| 人妻久久久久久久久妻久久久久| 色五月色五天免费视频| 五夜婷婷| 丁香婷婷五月综合欧美另类| 婷婷丁香五月麻豆| 五月天色网站| 综合色色网| 熟妇人妻中文字幕无码老熟妇| 超碰免费电影| 99久久久国产大片| 亚洲五月花| 91超级碰| av人人操| 婷婷激情五月天网站| 久久视频这里都是精品| 亚洲第一综合| 99热这里有精品| 97sese婷婷| 久久五月天婷婷| 天天摸夜夜爽天天做| 婷婷六月丁香五月| 成人无码精品1区2区3区免费看| 超碰免费电影| 色婷婷五月天亚洲| 舔色婷婷| 亚洲欧洲中文日韩久久AV乱码| 黄色毛片精品| 六月婷婷狠狠| 综激情网| 日本三级第一页| 超碰免费成人| 丁香五月婷久久| 亚洲久热| 九九re视频在线视频| 婷婷5月色| 丁五月激情视频免费| 天天插天天射| 欧美六月| 99re最新地址| 激情综合五月婷婷| 97人人干人人操| 色综合综合网| 天天做天天爱天天爽| 我去色色网五雨天| 战争与艾拉电影免费观看| 中文字幕在线播放视频| 亚洲另类毛片| 狠色狠色综合久久| 五月丁香网站| 淫荡家庭AV| 成人丁香五月| 五月色导航| 大香蕉久久久| 99ri国产精品| 久久思思热视频| 桃色五月天| 91丨九色熟女丨首页| 激情五月丁香色婷婷| www.婷婷五月| 黄网在线观看免费| 直接看的av| 亚洲日韩成人三级av| 色婷婷电影网| 五月丁香激情四射| 婷婷亚洲久久| 五月婷亚洲精品| 国外亚洲成AV人片在线观看| 久久久人妻人伦| 婷婷五月色激情欧美激情| chaopengdaxiangjiao| 一级性感黄色内射视频| 五月丁香六月激情视频| 日韩成人无码片| 丁香六月色情| 伊人综合网站| 亚洲99激情| 综合久久99| 91狠狠综合网| 91九色国产熟女| 99操网站| 九九性视频| 天天躁日日躁狠狠躁日日躁2022年5月9日| 99热日韩这里只有精品| 99色色网| 黄网免费观看| 五月丁香黄色视频| 丁香色色网| 久久99热免费最新版| 狠狠色色色| 亚洲色婷婷99一9|| 色色色综合| 人妻操逼视频。| 婷婷四色五月| 久热9| 欧美日比视频| a九九热www| 天天激情欧美美女| 天天肏天天肏| 久久这里只有精品8| 超碰色碰碰| 欧美英丁香开心快乐六月天网| 伊人无码高清| 五月综合色| av狠狠操| 国产精品色色666| 天天做天天爱天天高潮| 美妞av| 色人久久| 六月综和久久| 爽tv | 97色五月天| 国产亚洲成AV人片在线观黄桃| 欧洲不卡视频| 天天操天天曰| 热久久思思热思思| 色www久视频| 九九视频在线免费视频| 久热精品9999| 日日干日日| 久热超碰91| 久久色婷婷| 99久久精| 天天射网站| 天天综合图片| 丁香五月激情五月| 日韩精品一区二区亚洲AV观看 | 九九热99熟女| 香蕉婷婷| 99精品视频在线观看| 成人色五月天| 午夜天天精品视频| 亚洲天天| 香蕉狠狠爱视频| 99热在线观看精品| 色亚洲婷婷| 蜜臀综合久草| 狠狠爱五月婷婷| 色五月婷婷操逼| 五月丁香| 五月天婷婷永久免费视频| 1024AV视频| 丁香色婷婷五月天| 97在线视频人妻九色| 色五月亚洲| 国产人妻操逼| 婷婷五月色播天| 夜夜夜夜夜操| 淫视馆aV二区一区| 九月丁香久久网| 婷婷无码五月天| www.婷婷六月天| 色情五月丁香| 天天做天天爱天天综合网| 超碰97久久| 九色视频91疯狂| 色色色视频| 久久久全国免费视频| 国产亚洲精品久久一区二区三区| 五月婷婷影院| 丁香六月婷婷缴情欧美| pacopacomama 070722_670 素人奥様初撮りドキュメント 103 大久保純子 | 色婷九九九| 激情五月天丁香| 亚洲综合五月天综合| 吾爱AV导航| 五月丁香黄色视频| 99色最新在线视频网站| 日韩黄黄| 超碰成人影视| 婷婷五月色天| 天天激情| 色色精品色| 熟妇国产| 六月丁香久久| 天天爽日日爽夜夜爽| 婷婷玖玖五月天| 啪啪一区| 99色热| 久久丁香五月婷婷激情综合网| 欧美97超碰| 超碰人人操人人干| 亚洲天天综合| 六月激情婷婷色| 人妻Av在线| 天天操天天干天天日| 婷婷六月花| 91Chinese在线| 91嫩草国产线观看亚洲一区二区| 久久九色| 日韩av网址大全| 成人 在线 日韩| 久久性都花花世界成人免费视频| 国产精品久久..4399| 色婷婷综合久久久久| 青青久久五月| 99无码视频| 免费不卡狠操美女视频网 | 狠狠干五月天婷婷网| 激情文学 综合 九月| 激情丁香五月| 九色七七| 婷婷五月天激情诱惑| 天天爽夜夜爽夜夜爽精品| 综合九九日本| 国产精品色情AAAAA片软件| 欧美在线97| 久久婷婷五月综合伊人| 五月色无码| 在线观看的av| AV中文字幕夜夜操b天天摸bb| 激情第四色| 美欧成人视频| 激情五月四色| 婷婷五月天xxx| 色婷天天| www,色综合| 五月Huangsewang| 色五月丁香五月| 天天日天天插| 天天激情| 久8色色| 涩涩涩,com| A1片久久久| 91狼友视频在线观看| 国内外色色色色色成人视频| 亚洲热热视频| 99在线视频资源| 五月天激情小说欧美激情| 欧美毛片www| 精a品a视a频| 激情婷婷色色| 婷婷内射视频在线| 欧美操我| 69久久久| 欧美A片在线视频免费观看| 五月天婷婷成人网| 婷婷精品视频| 婷婷性爱网| 丁香婷婷色五月激情综合| 色综合久久久久久久久五月| 婷婷五月色影视先锋| 伍月婷丁香婷| 日本色频| 婷婷丁香社区网| 九九热欧美| 91九色国产熟女| 亚州色综合| Www.se.久久| 男女啪啪视频久 9| 久久大大香| 一本色道久久88加勒比| 国产美女无遮挡裸体毛片A片 | 中字幕视频在线永久在线观看免费 | 99色天堂| 日韩aaaaa| 人妻操逼视频| 国产毛片精品一区二区色欲黄A片| 一本久道综合色婷婷五月| 丁香六月婷婷色播| 98永久精品| 激情 婷婷| 日本九九视频| 综合伊人久久| 97热这里精品在线视频| 五月丁香六月香香蕉| 久9久9久9久9久9久9| 91ncm视频| 综激情网| 婷婷久久久| 日本欧美在线| 91精品综合久久久久久五月丁香| 色色射| 日日撸夜夜操| 99国产精品白浆在线观看免费| www超碰| 亚洲无码99| 内射人妻视频国内| 人人妖人人97| 激情五月婷黄版| 棕合影院色色| 色欲人妻综合aaaaaaaa网| 五月花综合网| 五月天激情日色在线| 国产丁香五月天婷婷| 久久成人天| 五月天婷婷人妻| 五月婷婷六月丁香综合| 99.N在线视频| 天天干天天干天天干天天干天天干| 99re这里| 欧美一区二区三区不卡影视| 五月综合婷婷久久在线| 天干夜夜操| 色婷婷综合影院| 99在线热| 婷婷另类小说| 最近中文字幕2019视频1| 午夜微拍福利| 久婷首页| 好好干Av| 人人干Av| 日日操夜夜撸| 九九人人操| 国产欧美日韩综合精品一区二区| 五月亭亭开心网| 99九九99九九九视频精彩| 天天日天天摸| 亚州男人天堂婷婷五月| 色婷婷91| 婷婷久久亚洲| 99超在线| 五月天最新网| 丁香色婷婷五月天| 怡红院AV亚洲一区二区三区H | 美女激情综合| 五月天婷婷基地| 久热免费视频| 色月丁| 成人在线精品| 五月婷婷伊人久久| av在线观看网站| 99免费在线视频| 热久精品| 国产av第一专区| 色七七九九| 精品婷婷五月天| 久久激情五月天| 人妻九九九九| 中字幕视频在线永久在线观看免费| WWW久久99久久99久久| 欧美图片丁香五月天| 99热 免费| 五月丁香天堂网| 五月天亭亭俺也| 日韩av手机在线观看| 久久综合伊人77777蜜臀| 26uuu四色| 日日天天干| 99热在线播放| 69久热| 五月色婷婷在线观看| 五月婷婷网站| 看片视频在线免费日产在线看| 欧洲MV日韩MV国产| 久热黄色| 丁香五月激情性色郤| 婷婷色啪| 墨西哥毛片内射精| 六月丁香婷婷拍拍| 亚洲激情综合| 成人精品视频99在线观看免费| 五月丁香A∨在线| 六月色伊人婷婷| 26UUU精品一区二区| www.久久| 五月天操逼网| 午夜色丁香| 99色色网| 香蕉婷婷色五月| 操一操| 91chinese在线| 五月天大香蕉视频| 性色播| 这里只有精品视频| 久久综合婷婷激情| 无码九九| 五月丁香婷婷综合| 婷婷在线网| 婷婷丁香五月亚洲欧美| 色色色热| 1024在线一区| 色呦呦免费观看| 亚洲狠狠干| 欧美丰满熟妇BBB久久久| www.精品99| 色小说五月天| 无遮挡国产高潮视频免费观看| 激情六月婷婷| 五月天婷婷7米| 玖玖婷婷色欲| 丁香五月婷婷色综合基地| 91丁香五月| 久久亭亭电影| 欧美色六月婷婷| 色~性~乱~伦~噜| 久久182| 人人综合五月人人婷婷| 91人妻PORNY九色大屁股| 婷婷久久丁香五月| 丁香六月激情国产| 九色综合网| 99热无码精品| 99精品性爱| 97色色婷婷五月天| 日日干日日| 五月丁香婷婷综合网色欲| 欧美激情五月| 九九色婷婷五月天| 色婷婷婷综合五月天| 日韩色色视频| 欧美99热| 久久五月婷| 超碰com| 激情五月婷婷在线观看| 婷婷激情五月天桃花网| 色 五月俺去也| 激情综合五月天| 天天操夜夜啊| 久色| 色五月婷婷激情综合网| 欧美在线视频99| 九月丁香婷婷| 国产成人亚洲综合A∨婷婷| 日韩啪| 人妻aV在线| 午夜成人在线免费视频| 五月天播播| 中文字幕成人日韩| 五月婷婷基地| 丁香狠狠操| 色婷婷五月天不卡| 99精品丰满| 婷婷综合五月天亚洲综合| 91re色综合视频| 久噜久噜| 精品九九久久| AV人人操| 99热销国产这里有精品| 久久婷婷五月天激情四射| 久久久27操| 综合网啪啪| 99操逼视频| 五月天激情四射| 99噜噜噜在线播放| 婷婷久久久| 婷婷五月天日逼| 黄桃AV无码免费一区二区三区| 五月激情偷拍婷婷| 91聚色综合网| 激情五月丁香五月| 色九九九九| 五月婷婷啪啪啪| 97福利视频| 色色色综合网| www,婷婷五月天,com| 成人精品网站在线观看| 日本欧美成人片AAAA| 久久婷婷五月天激情四射| 色停停香蕉视频| 九九热这里只有精品556| 强伦轩人妻一区二区电影| 欧洲婷婷五月天| 久久综合五月天| 综合色五月天| 国产精品男人AV不卡| 色五月综合在线| 婷五月天| 国产在线黄色| WWW.夜夜操.com| 国产毛片精品一区二区色欲黄A片 国产人妻777人伦精品HD | 99re这里只有精品在线观看| 色婷婷亚洲在线观看| 曰曰久久| 色色色精品无码区| 99日热在线视频| 26UUU精品一区二区| 97人人干人人操| 中文字幕人妻熟女在线| 思思热国产在线| 亚洲XX网| 婷婷五月在线观看| 婷婷激情社区| www激情| 强壮公让我夜夜高潮A片视频| 日本成人小说婷婷六月| 9久9久| 色色色网站| 九色色| 91视频精品99| 免费视频WWW在线观看网站| 开心婷婷丁香五月| 国产精品久久99| 182.t午在线观看| 亚洲人妻Av| 草美女在线观看视频在线播放| 久久久9久| 五月天激情图片| 99精品在| 任你擦免费视频| AA片在线观看视频在线播放| 婷婷色综合av| 97碰久久| chaopengdaxiangjiao| 色在线99| 美女天天久久| 久久精品日| 久久性爱视频网站| 九月丁香五月婷婷| 亚洲色色五月天| 伊人无码高清| 热久久这里只有精品| 欧美大奶熟女噜噜噜噜| 97久操| 97五月天| 亚洲热综合| 亚洲成人色五月天| 日韩情色在线观看| 开心五月激情网| 五月丁香影院| 亚洲婷婷六月天| www.五月婷婷| www超碰com| 婷婷激情小说| 久久99网| 中文无码精品一区二区三区| 人伦30P| AV中文网| 99久久6| 五月婷婷综合在线视频小说| 色色99色色| 97AV人人插人人操| 欧美性猛交AAAA片黑人 | 性色天| 丁香涩涩五月天| 99热这里是精品| 97婷婷在线| AV大片在线播放| 五月天婷婷色综合| 丁香五月Av| site:wpjngj.com| 第五婷婷伊人丁香色| 91午夜婷婷狠狠久久综合9色| 色婷网| 六月婷婷开心| www,五月天激情| 丁香婷婷五月激情综合| 97色色婷婷五月天| 久久爱综合| 国产熟妇乱子伦hd| 色五月播五月| 久久看婷婷| 丁香五月激情啪啪| 日韩六十路91性交电影| 色色五月婷| 中文字幕激情综合| 九月色婷婷综合亚洲| 丁香色色网| 日韩黄黄| 色欲婷婷五月天丁香| 五月天色婷婷伊人网| 玖玖资源部在线播放| 五月天婷婷色色首页| 日韩人妻AV在线| www超碰| 二色av| 婷婷六月丁| 激情五月天小说视频| 视频免费精品免费精品免费精品免费精品免费精品免费精品免费99 | 91.com男女操| 日韩aaa| 秋霞三及片| 六月丁香啪| caop在线| 丁香九月婷婷综合| 大香av| 欧美婷婷综合网| 黄色网址五月婷婷| 欧美性生交XXXXX无码小说| 开心五月天激情网| 久久婷婷视频| 婷婷五月香蕉| 成人AV在线网站| 色婷婷偷拍| 99热这里只有精品55| 丁香五月婷婷成人网| 婷婷五月天国产手机在线视频观看| 九九色综合| 97操在线视频| 久久精品91视频| 婷婷大乡焦噜噜| 伊人9在线| 91 原创 在线 九色| 中文字幕黄色电影网址| 91碰操| 五月色情精品| 亚洲国产成人AV在线 | 久久久99婷婷久久久久久| 色婷婷五月影院| 在线99色| 97极品在线| 亚洲AV网址| 狠狠色狠狠| 久久婷婷网| 九九碰九九爱97超| 人人操99| 99re99热| va中文资源在线观看| 西瓜美女a片| 日本在线噜噜| 久久婷婷五月草视频| 丁香五月天啪啪激情综和网| 日韩十国产极品久久| 婷婷丁香人妻天天久久| 天天草天天摸| 五月天婷婷7米| 欧美大香蕉视频| 久久婷婷五月综合| 六月丁香啪啪啪| 色五月婷婷五月天| 国产亚洲精品久久久久久郑州| 风流少妇A片一区二区蜜桃| 国产做爰视频免费播放| 爱久久小说下载网| 西西4r午夜剧场| 91狼友视频网页更新| 大香伊人婷婷影院| 丁香色影院| 婷婷人人操| 亚洲综合字幕色色| 婷婷色导航| 天天摸天天舔天天爽| sewuyuejiqingwang| 久久这里只有欧美| 中文成人在线| 五月丁香六月婷婷网| 无码人妻少妇色欲AV一区二区| 日本黄色一级| 天天操精品| 九九九九综合| 亚州精品色情在线观看| 色小说五月婷婷| 久久怡红院| 久久综合九九| 国产精品扒开腿做爽爽爽A片唱戏| 五月婷婷综合激情小说| 久久免费试看120秒| 久久婷婷色色| 情婷婷五月天在线| 五月天伊人手机在线播放AV| 丁香五月成人网| 综合婷婷| 欧美性生交xXxX久久久| 5五月综合网亚洲| 无码se| 9999色色色色| 五月天婷婷小说| 色五月六月| 日韩成人精品中文字幕电影| 人人操人人看97干| 九九热这里只有精品7| 色欲五月婷婷| 久热 91| 超碰在线91| 久久九九经典| 91精品在线看| 99久久思思| 日韩aaaaa| 国产做爰视频免费播放| 五月婷婷9| 九九人人操| 久久99这里只有精品视频| 婷婷丁香五月综合免费视频百花| 久久婷婷综合五月天| 少妇大叫太大太粗太爽了A片| 欧美精品A片一区在线观看| 激情五月婷黄版| 五月天 另类图片| 婷婷激情视频| 98国产精品综合一区二区三区| 激情淫乱男女| 第2色五月婷| rr天天操| 97人人干| 99碰视频| 色婷婷丁香五月丁香| 韩国激情五月天综合网| 1024人妻| 大香蕉Av在线| 停停色综合伊人| 国产avapp 网| 日本啪啪视频HD| 无码区婷婷五月花开| 丁香五月天的网址。| 婷色五月| 久久精品日| 午夜丁香丁香婷婷| 99热a片免| 五月婷婷综合在线| 五月天停停日日| 久久伊人日日夜夜| www.婷婷六月天| 伊人久久丁香五月91| 国产精品大香蕉| 五月天综合激情网| 五月丁香六月激情| 丁香婷婷基地| 99热在线这里| 三男玩一女三A片| 超碰在线观看9| 欧美色欲色欲天天天www| 日本三级日本三级99| A片天天| 嫩草AV久久伊人妇女超级A| 五月丁香在线观看| 亚洲无AV在线中文字幕| 久久98| 噜噜狠狠色| 九九亚洲天堂| 五月开心婷婷中文字幕| 天天日天天爽| 9热在线| 中文不卡一二三区| 五月天久久婷婷| 色播五月综合网| 久久久久久五月天| 人人干av| 98色花堂98t.R| 五月天伊人av| 欧美色五月| 国产AV不卡福利| 99热这里只有精品最新地址获取| 激情综合色| 五月丁香六月激情综合| 丁香五月亚综合图片| 久久大香蕉丁香| 99视频精品视频| 亚洲丁香花色| 99热国产婷婷| 狠狠操性爱av| http:色情日本com| 亚洲丁香五月综合| 色啪网| 色五月婷婷91| 五月天开心激情综合网| 五月激情四射网站| 中文人妻主播久久| 激情五月丁香五月| av中文在线| 婷婷伊人综合中文字幕| 午夜日日| 亚洲成人人人操| 天堂久热| 五月丁香六月香综合激情| 51精品国自产在线| 免费的日逼视频| 五月丁香激情综合网| 色射影院| 色玖玖爱| 五月婷在线影院| 99久久久久久www| 91九色无码内射| 亚洲欧美999| 在线观看视频1区| 五月四色婷婷| 狠狠婷婷色| 99热这里只有精品69| 三男玩一女三A片| 这里只精品| 伊人久久婷婷| 这里只有精品视频视频在线观看| 中文av网站| 99er6免费视频热播| 久99热| 丁香六月激情综合| 九九综合久久| 五月色色色| 99热这里都是精品| 91成人电影| 久久xxxx| 丁香五月天啪啪| 第四色激情网| 99re在线观看| 丁香五月手机在线| 99色色热| 99精品国产乱码久久久人妻| 爱草视频在线观看| 精国产品一区二区三区A片| 草美女在线观看视频在线播放| 67194国产| 亚洲综合字幕色色| 五月丁香亭亭| 五月婷婷在线视频免费观看| 国产精品美女久久久久AV超清 | 激情婷婷丁香色五月综合| 大伊香蕉精品视频在线| RenRenSe在线视频网站| 丁香五月婷婷av影院| 99热在线这里| 艹天天射| 香焦网五月天| 我爱大香蕉| www.激情| 色五月视频无码播放| 久久婷婷五月天激情新地址| 情婷婷五月天| 狠狠色噜噜狠狠亚洲A∨| 日日撸夜夜操| 欧美色色色色色| 日本久久天堂| 天天插轮理| 字母不卡码人逼| 激情深爱五月天| 九九色欲网| 无码99| 五月天激情开心网| 久久婷婷五月天激情| 97久久超碰| 99人这里只有精品| 亚洲精品V天堂中文字幕| 婷婷激情五月综合在线视频| www.cao.com久久| 另类图片五月天| 日本久久天堂| 婷婷香五月天| 五月中旬婷婷丁香六| CAOBIBI| 99精品视频免费观看| 日韩按摩二区| 五月香蕉网| 九九AV在线| 99视频久久免费视频| 热久91| 五月婷婷熟女| 色久播播| 色欲AVV| 99ri视频在线播放| 99免费热视频在线| 白人荫道BBWBBB大荫道| 五月天婷婷无码视频| 91一起操| 性按摩玩人妻HD中文字幕| 青青草原福利在线| 99久久婷| 99干日日干| 26uuu丁香婷婷五月| www色婷婷久久综合久色| 欧美日韩二区在线| 五月综合色| 激情五月伊人婷婷| 991自拍视频| 婷婷五月综合激情| 五月天欧美激情| 日本高清久| 国产熟妇的荡欲午夜视频| 99精品亚洲| 99色在线观看免费| 欧美,日韩成人在线| 五月丁香狠狠爱| 天天爽天天爽夜夜爽| 色碰干| 青草视频在线播放| 月婷婷婷婷五月| 成人色五月天| 五月色亚洲| 婷婷色情 | 99免费视频| 深爱丁香激情| 激情伊人| 国产精产国品一二三在观看| 日本在线视频播放91| 成人婷婷深爱综合网| 在线观看中文字幕| 日韩在线五月天婷婷| 99色婷婷| 九九99九九精品视频| 五月天色丁香| 亚洲色在线观看| 婷香五月网在线| 9热在线视频| 婷婷色综合| se影音资源在线观看| 婷婷五月丁香六月伊人网| 激情碰碰碰| www.超碰| 久久婷婷五月综合啪| 丁香五月AV综合激情| 996热re视频精品视频| 久久看九九90| 婷婷成人视频| 激情综合一| 欧美另类五月激情| 91精品久久久久久久| 日韩成人中文| 综合激情五月丁香| 99色色色色| www.狠狠狠狠| 免费观看亚洲AV片| 日本激情综合| 亚洲激情网| 97色热| 99热这里只有精品 搜| 玖玖资源站国产| 玖玖五月| 国产激情一区| 国产精品第一国产精品| 久久婷婷网站| 色五月天在线观看| 天天做天天要天天爽| 激情深爱五月婷婷| 国产激情在线| 91熟妇大香蕉| 538在线精品| 婷婷五月天播播| 思思热国产| 五月香蕉婷婷| 97色在线| 大香蕉大香蕉在线影院| 丁香婷婷AV| 色婷五月天| 亚洲色另类| 五月婷婷偷拍| 99色热| 99成人免费热视频| 深爱激情网婷婷| 99热这里只有精品268| 成人电影在线免费试看| 97人操| 最新国产AV| 欧美情色一区| 99爱视频| 69精品人人人人| 玖玖婷婷色五月| 五月综合激情网| 色偷偷色婷婷| 九九免费视频| 99热久草| 99热精品一区| 六月综和久久| 五月天婷婷黄色视频| 亚洲不卡| 日韩另类在线观看| 婷香狠狠爱五月| 极品嫩草| 激情四射亚洲| 欧美顶级少妇做爰HD| 五月丁香影院| 激情久久综合| 丁香六月综合激情| 岛国av网站| 欧美α√| 婷婷五月天在线一区| 五月丁香综合激情在线观看| 婷婷D区| 丰满少妇猛烈A片免费看观看 | 99爱免费视频|