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

深耕商務建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

Word2Vec+SVM電商評論情感分析:小樣本中文文本分類實戰(zhàn)

Word2Vec+SVM電商評論情感分析:小樣本中文文本分類實戰(zhàn) 簡介這是一套基于Word2Vec與SVM對電商評論進行情感分析的完整Python項目面向NLP初學者、數(shù)據(jù)挖掘?qū)W習者以及需要快速落地評論分析流程的電商運營與開發(fā)人員。項目覆蓋數(shù)據(jù)預處理、Word2Vec詞向量訓練、特征矩陣構建、SVM模型訓練與調(diào)優(yōu)、模型評估等關鍵環(huán)節(jié)并提供可運行的代碼與配套數(shù)據(jù)集。壓縮包共18個文件包括6個CSV數(shù)據(jù)文件、5個Python腳本、4個NumPy數(shù)組文件以及訓練好的SVM模型、停用詞表和說明文檔整體大小約30.15MB。腳本按數(shù)據(jù)清洗、詞向量訓練、模型構建、模型測試等模塊拆分訓練好的pkl模型可直接加載使用CSV與npy文件則方便讀者對照訓練與驗證。目前已有1050人學習下載適合希望獲得可直接運行的情感分析案例、通過動手實踐掌握NLP與機器學習完整流程的用戶。1. 電商評論情感分析為什么用 Word2Vec SVM一個 5000 條樣本就能跑通的老實方案做電商的都知道評論數(shù)據(jù)是離業(yè)務最近的文本資產(chǎn)。單靠人工盯評價詳情頁一天幾百條還行到了大促期間幾千條差評根本看不過來。我處理這個需求時第一反應不是上 BERT 或者 ChatGLM 微調(diào)而是用 Word2Vec SVM 這個老組合先把評論里的詞轉(zhuǎn)成向量再做一次二分類情感判斷。原因很直接——電商評論普遍只有幾十個字語法碎片化嚴重但情感信號集中在少數(shù)關鍵詞上這種場景恰恰是 Word2Vec 善于捕捉的。加上 SVM 對小樣本、高維特征分類穩(wěn)健在幾千條有標注的評論上就能產(chǎn)出可用模型還不需要 GPU。這套方案在真實項目里最大的價值是可控數(shù)據(jù)就是一張兩列的 CSV腳本理順之后十幾分鐘出結果調(diào)參路徑清晰業(yè)務方要的“好評率統(tǒng)計”“差評預警”都能直接落地。下面從數(shù)據(jù)集準備開始一步步把流程跑通。2. 數(shù)據(jù)集準備與中文預處理從一條淘寶評論到一個干凈詞表2.1 數(shù)據(jù)集格式兩列 CSV好評 1 差評 0幾千條就能跑標題里說“含數(shù)據(jù)集可直接運行”落地時最省心的數(shù)據(jù)集格式就是 CSV兩列l(wèi)abel和review。label用整數(shù)1 表示好評0 表示差評。別把評分列混進來做三分類二分類是電商評論情感分析最常見、也最容易評估的切法等業(yè)務成熟了再擴展成中立/正面/負面三分類也不遲。數(shù)據(jù)量上5000 條有標注評論已經(jīng)能跑出一個業(yè)務可用的模型少于 2000 條時SVM 的調(diào)參空間會變小但依然比隨機猜強很多。如果你手頭只有幾百條優(yōu)先保證差評數(shù)據(jù)占比別太低后面會看到這直接影響模型能不能識別差評。下面這段代碼生成一個最小的示例 CSV方便你先跑通流程再替換成自己的真實數(shù)據(jù)import pandas as pd # label: 1 表示好評0 表示差評 data pd.DataFrame([ (1, 質(zhì)量好孩子很喜歡推薦), (1, 發(fā)貨很快包裝嚴實客服態(tài)度也好), (0, 用了三天就壞申請退貨還拖了一天), (0, 實物和圖片差太遠不值這個價), ], columns[label, review]) data.to_csv(ecommerce_review.csv, indexFalse, encodingutf-8-sig) print(data)這段代碼的關鍵是列名必須叫l(wèi)abel和review后續(xù)所有處理函數(shù)都按這兩個字段寫避免在數(shù)據(jù)清洗時反復改字段名。encodingutf-8-sig是給 Excel 用戶留的活路——Windows 下直接雙擊打開 CSV帶 BOM 頭才不會亂碼。真實數(shù)據(jù)如果來自訂單系統(tǒng)通常會有評分字段常見做法是把 4 分及以上映射為好評1 到 2 分映射為差評3 分先丟掉或單獨留存別硬塞進二分類里把邊界搞臟。2.2 中文評論清洗與 jieba 分詞正則、停用詞、否定詞別刪電商評論最麻煩的不是長而是臟表情符號、火星文、英文縮寫、錯別字、廣告信息混在一起。清洗的目標不是把文本變成標準書面語而是最大限度保住情感信號。我的處理順序是先去掉非中文/非字母/非數(shù)字的符號再做分詞最后按停用詞表過濾。這里有個容易翻車的點停用詞表不要包含否定詞。很多開源停用詞表把“不、沒、別、無”也收進去了分詞后刪掉它們“太差了”會變成“太差”意思還在“不喜歡”變成“喜歡”情感直接反轉(zhuǎn)。這是血淚經(jīng)驗我第一次做的時候用的通用停用詞表模型 f1 一直在 0.6 附近打轉(zhuǎn)后來檢查預處理結果才發(fā)現(xiàn)差評里全是反向詞被刪光了。import re import jieba # 停用詞集合只放真正的虛詞和標點占位詞不放否定詞 STOP_WORDS set( 的 了 是 在 我 有 和 就 都 一 一個 很 也 你 他 她 它 這個 那個 還 又 才 吧 啊 呢 嗎 哦 嗯 呀 啦.split() ) def clean_text(text: str) - str: # 只保留中文、英文字母和數(shù)字去掉表情與特殊符號 text re.sub(r[^\u4e00-\u9fa5A-Za-z0-9], , text) # 把連續(xù)空格壓縮成一個避免分詞時空 token 干擾 return re.sub(r\s, , text).strip() def cut_words(text: str): cleaned clean_text(text) words [w for w in jieba.cut(cleaned) if w.strip() and w not in STOP_WORDS] return words data[words] data[review].apply(cut_words) print(data[[review, words]].head())正則里的\u4e00-\u9fa5是中文 Unicode 范圍加上A-Za-z0-9是為了保留“yyds”“iPhone15”這類英文數(shù)字混排的詞它們在電商評論里往往帶著明確情感傾向。jieba.cut默認全模式還是精確模式這里用的是默認精確模式對短文本足夠。分詞后過濾空字符串和停用詞但注意單字詞“好”“差”“快”這類有情感色彩的字別一并過濾所以停用詞表里我沒放“好”和“差”。如果你發(fā)現(xiàn)某些商品詞被 jieba 切碎比如“空氣炸鍋”被切成“空氣”“炸鍋”最省事的辦法是加自定義詞典jieba.load_userdict(user_dict.txt) # user_dict.txt 每行一個詞空氣炸鍋 5 n這個文件里每行格式是“詞 詞頻 詞性”詞頻建議寫 10 以上讓 jieba 優(yōu)先識別成整詞。新品牌名、行業(yè)黑話都丟進去能明顯減少后續(xù) Word2Vec 學到碎片向量的問題。3. 用 Gensim 自己訓 Word2Vec參數(shù)怎么設句子向量怎么來3.1 為什么不直接用預訓練詞向量電商黑話和通用向量對不上很多人拿到中文文本第一反應是加載一個預訓練詞向量比如騰訊詞向量或百度百科向量。它們在通用領域確實好但放到電商評論里有一個很尷尬的問題商品黑話、平臺梗、營銷詞在公共語料里要么沒收錄要么上下文完全是另一套場景。“白菜價”在百科語料里可能和“蔬菜批發(fā)”共現(xiàn)在電商評論里卻和“劃算”共現(xiàn)——這種語義偏移會直接污染下游分類。自己用評論語料訓 Word2Vec 的好處就在這里向量是從你的數(shù)據(jù)里長出來的“垃圾”的鄰居會變成“差勁”“不值”“退貨”而不是百科里的“廢品回收”。代價只是多花幾十秒訓練時間對幾千條評論來說完全可忽略。而且 Word2Vec 不是深度神經(jīng)網(wǎng)絡它本質(zhì)上是在做詞共現(xiàn)的矩陣分解小語料也能訓。min_count 調(diào)低一點、維度給小一點效果不會因為數(shù)據(jù)量少就崩盤。這正好匹配電商評論的語料規(guī)模。3.2 用 Gensim 訓練 Word2Vecvector_size、window、min_count 怎么給我用 Gensim 4.x 版本參數(shù)名和舊版有差異最典型的是size改成了vector_size照著舊教程寫會直接報錯。訓練代碼不長真正值得花時間的是參數(shù)怎么給from gensim.models import Word2Vec sentences data[words].tolist() # 每條評論是分詞后的 list model Word2Vec( sentencessentences, vector_size128, # 每個詞映射成 128 維向量 window5, # 上下文窗口只看左右各 5 個詞 min_count1, # 詞頻小于 1 的詞丟棄小語料設 1 保留更多詞 sg1, # 1 用 Skip-gram0 用 CBOW小語料推薦 Skip-gram epochs10, # 遍歷語料 10 輪 workers4, # 并行線程數(shù) seed42 ) model.save(word2vec.model)參數(shù)里最影響效果的是min_count和sg。min_count1表示詞頻只有 1 的詞也保留這在小語料里很重要“踩雷”“避雷”這類新詞往往只出現(xiàn)幾次丟掉就只剩下“雷”一個普通詞了。sg1選 Skip-gram它在語料小時對低頻詞更友好CBOW 更像是在做“完形填空”平滑了高頻詞但對情感詞不夠敏銳。如果語料大到幾萬條以上可以試試sg0提速。vector_size128對幾千條評論是合適的中位數(shù)。少于 2000 條數(shù)據(jù)時建議降到 64詞表就幾百個維度太高會讓每個詞向量都成了稀疏隨機數(shù)SVM 反而不好擬合。window5保持默認即可評論平均不到 30 個字窗口太大容易把無關詞拉進上下文。訓練完后立刻做一次直覺驗證這一步能省下后面調(diào)參的大量時間print(model.wv.most_similar(好評, topn10)) print(model.wv.most_similar(垃圾, topn10))如果“好評”的近鄰里出現(xiàn)“質(zhì)量”“滿意”“推薦”說明共現(xiàn)關系學對了如果近鄰全是不相關的高頻詞優(yōu)先檢查分詞是否太碎而不是急著調(diào) SVM。3.3 句向量生成把一條評論的平均詞向量做成 SVM 的輸入Word2Vec 產(chǎn)出的是詞向量但 SVM 需要一條評論對應一個固定長度的向量。最常見、最可靠的做法是平均詞向量把一條評論里所有詞的向量按維度取平均得到一個 128 維向量。樸素但足夠穩(wěn)。有個進階做法是按 TF-IDF 權重做加權平均讓“差”“退”“貴”這類情感詞貢獻更大。我試過幾次提升在 1 到 2 個點之間可做可不做。對于現(xiàn)階段的流程普通平均已經(jīng)能讓 SVM 學到足夠多的情感信號。import numpy as np DIM 128 # 和 Word2Vec 的 vector_size 保持一致 def sentence_vector(words, model, dimDIM): vectors [] for w in words: if w in model.wv: vectors.append(model.wv[w]) if not vectors: # 整句都沒有詞命中時返回零向量后續(xù)要注意 OOV 問題 return np.zeros(dim) return np.mean(vectors, axis0) X np.array([sentence_vector(words, model) for words in data[words]]) y data[label].values print(特征矩陣形狀:, X.shape) print(標簽分布:, np.bincount(y))np.mean(vectors, axis0)的意思是假設一條評論有 10 個詞每個詞 128 維得到 10 行 128 列的矩陣按第 0 維求平均輸出一個 128 維的句向量。axis0經(jīng)常有人寫錯成axis1那樣得到的是 10 個數(shù)字特征維度全錯了——遇到X.shape對不上 SVM 輸入時先查這一步。全 OOV 返回零向量的分支看起來只是個兜底實際上是個坑源。評論里如果全是表情符號或者火星文這條向量就是 128 個 0SVM 會把它當成一個特殊聚類來處理。處理辦法后面避坑章節(jié)展開。4. 訓練 SVM 分類器C 與 RBF 核的調(diào)參順序和效果驗證4.1 為什么這里選 SVM小樣本、高維、無 GPU 也能跑到這一步手里是 5000 行 × 128 維的特征矩陣分類器選擇上有幾條路邏輯回歸、SVM、隨機森林、XGBoost、深度學習。我選 SVM 的原因很實際樣本量小的時候SVM 在高維空間里找最大間隔超平面比樹模型更不容易過擬合RBF 核又能處理詞向量均值后的非線性邊界而邏輯回歸在線性邊界上吃虧。隨機森林在這個任務上也不是不能用但它在高維稀疏特征上容易把噪聲當信號尤其詞向量均值里混雜著大量弱相關的維度。神經(jīng)網(wǎng)絡在小數(shù)據(jù)集上訓練不穩(wěn)定同樣的數(shù)據(jù)跑兩輪結果可能差好幾個點。SVM 的另一個好處是訓練快5000 條樣本上網(wǎng)格搜索最多百來次擬合也就幾分鐘的事。我一般在第一版方案里直接給 SVC 配 RBF 核而不是 LinearSVC。RBF 是 SVM 的默認選擇它把特征映射到更高維空間去找邊界落地時表現(xiàn)更穩(wěn)。前提是前面做了特征標準化不然 gamma 參數(shù)會失真。4.2 搭建訓練集與測試集標準化這步漏了RBF 核直接翻車SVM 對特征的尺度敏感這是我踩過最深的一次坑。Word2Vec 產(chǎn)出的向量每個維度基本在 -1 到 1 附近但不同維度方差不一樣直接喂進 RBF 核gamma 參數(shù)實際起作用的范圍會漂移網(wǎng)格搜索出來的最佳 gamma 很可能只在當前數(shù)據(jù)集上碰巧有效。標準化是必修課from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy # 按標簽比例分層抽樣小樣本下必須加 ) scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test)stratifyy這句的作用是保證訓練集和測試集里的好評差評比例和原始數(shù)據(jù)一致。如果數(shù)據(jù)里好評占 80%差評占 20%隨機切分后測試集理論上還是這個比例但樣本量小時方差很大可能出現(xiàn)測試集里差評只有 5% 的情況評估結果完全失真。所以小樣本一律加stratify。fit_transform和transform的區(qū)別是標準的訓練集上fit_transform計算均值和方差測試集上只用transform。代碼里已經(jīng)按這個寫別在測試集上重新 fit。4.3 GridSearchCV 自動找 C 和 gamma兩個參數(shù)四個坑SVM 用 RBF 核時只需要調(diào)兩個核心參數(shù)正則化系數(shù) C 和核寬度 gamma。C 越大模型越傾向于把訓練集每個點都分對容易過擬合C 越小邊界越平滑但欠擬合風險上升。gamma 控制 RBF 核的影響范圍gamma 越大樣本點的影響半徑越小邊界越曲折gamma 越小模型越接近線性。網(wǎng)格搜索范圍我一般這樣給from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV param_grid { C: [0.1, 1, 10, 100], gamma: [0.001, 0.01, 0.1, 1], } svm SVC(kernelrbf, class_weightbalanced, random_state42) grid GridSearchCV( svm, param_grid, scoringf1, # 用 f1 而不是 accuracy原因見下一節(jié) cv5, n_jobs-1, verbose1 ) grid.fit(X_train_scaled, y_train) print(最佳參數(shù):, grid.best_params_) print(交叉驗證 f1:, grid.best_score_)這里有兩個“坑”要說清楚。第一搜索范圍是 4×4 共 16 組參數(shù)5 折交叉驗證就是 80 次擬合數(shù)據(jù)量在幾千條時完全跑得動但如果你把 C 和 gamma 各給了 10 個值就是 500 次擬合時間會拉長到半小時以上。我一般先粗后細第一輪 C 和 gamma 各給 4 個數(shù)量級跨度確定大致區(qū)域第二輪在最優(yōu)值附近加密。第二交叉驗證得分和你最終期望的指標要對齊。scoringf1會對每一折計算正類的 f1然后取均值。電商評論這個場景正類通常設成差評這樣網(wǎng)格搜索直接優(yōu)化的是“差評找得準不準”而不是被好評數(shù)量帶偏的準確率。另一個檢查點如果最佳參數(shù)落在搜索范圍的邊界上比如 C100 或 gamma1 正好是最優(yōu)說明你的搜索范圍給窄了下一輪要往外擴一個數(shù)量級重新搜。這個習慣能省很多重復實驗的時間。4.4 評估別只看 accuracy差評的召回率才是電商命門模型訓完先用測試集跑一遍分類報告from sklearn.metrics import classification_report, confusion_matrix y_pred grid.predict(X_test_scaled) print(classification_report(y_test, y_pred, target_names[差評, 好評])) print(confusion_matrix(y_test, y_pred))輸出的分類報告里有三列指標需要讀懂。精確率表示預測為差評的評論里真正是差評的比例召回率表示真實差評里被模型找出來的比例f1 是兩者的調(diào)和平均。電商場景里我更看重差評的召回率——寧可把幾條好評誤判成差評讓運營多看一眼也不能讓差評悄悄漏過去。一個漏掉的差評可能意味著一天內(nèi)持續(xù)產(chǎn)生退貨損失。有個經(jīng)驗值供參考在 5000 條樣本、128 維詞向量這個配置下差評召回率做到 0.7 以上已經(jīng)可以交付使用低于 0.5 時優(yōu)先回去查數(shù)據(jù)預處理而不是繼續(xù)調(diào) C 和 gamma。SVM 調(diào)參對結果的提升通常在 5 個點左右預處理改一個否定詞表可能直接跳 10 個點。另外默認的 SVC 是沒有概率輸出的。如果業(yè)務后續(xù)要接閾值過濾比如“只把置信度超過 0.8 的差評推給人工”可以給 SVC 加probabilityTrue代價是訓練和預測速度明顯變慢。我一般建議先不加等業(yè)務真要概率了再加。5. 情感分析實戰(zhàn)避坑數(shù)據(jù)泄漏、OOV 詞與樣本不平衡5.1 詞向量在切分前訓練會讓評估虛高現(xiàn)象交叉驗證的 f1 到 0.9把模型部署到線上處理新評論準確率掉到 0.7 以下。原因先把全部評論拿去訓 Word2Vec再切分訓練集測試集。詞向量在訓練階段已經(jīng)見過測試集里的詞和上下文SVM 的輸入特征里帶上了測試集的信息等于開卷考試。這不是標簽泄漏但效果一樣——離線指標樂觀線上現(xiàn)原形。解決嚴格按“先切分、后訓詞向量”的順序來。代碼順序大概是# 錯誤順序詞向量用了全量語料 sentences_all data[words].tolist() word2vec_all Word2Vec(sentences_all, ...) X_all build_X(word2vec_all) X_train, X_test train_test_split(X_all, ...) # 正確順序先切分只用訓練集訓詞向量 train_data, test_data train_test_split(data, ...) word2vec Word2Vec(train_data[words].tolist(), ...) X_train build_X(word2vec, train_data[words]) X_test build_X(word2vec, test_data[words])注意切分是發(fā)生在分詞之后的但發(fā)生在 Word2Vec 訓練之前。如果你的數(shù)據(jù)量到了十萬條級別用全量無標注語料訓詞向量在工業(yè)上是常見做法但那是半監(jiān)督場景這時離線評估結果只能當作上限參考不要拿去向業(yè)務方承諾線上效果。5.2 新詞和 OOV 詞返回零向量情感信息被悄悄吃掉現(xiàn)象一條明顯差評“這質(zhì)量真的是 yyds 反向種草”模型預測成了好評或者“踩雷”“避雷”這類詞出現(xiàn)時預測概率明顯偏向中性。原因yyds、踩雷、種草不在 Word2Vec 詞表里進sentence_vector時被直接跳過如果整句里沒幾個詞命中詞表句向量就退化成少數(shù)詞的均值甚至全是零向量。SVM 拿到這樣的輸入等于把這條評論當成一個毫無特征的樣本只能猜。解決給詞表留足空間把min_count從 2 改成 1同時把 3.2 里的自定義詞典持續(xù)追加新詞。更關鍵的是要識別否定結構而不是只靠單個詞向量。我之前說過停用詞表別刪否定詞但光保留還不夠最好把否定詞后面的幾個詞做上標記NEGATIVE_WORDS {不, 沒, 別, 無, 莫, 未, 難, 非} def attach_negation(words): result [] for i, w in enumerate(words): if w in NEGATIVE_WORDS: # 否定詞后 3 個詞加上 neg_ 前綴讓 Word2Vec 學到反向語義 for j in range(i 1, min(i 4, len(words))): result.append(neg_ words[j]) else: result.append(w) return result data[words] data[words].apply(attach_negation)這段代碼會把“不太行”這一串分詞結果[不, 太, 行]改成[不, neg_太, neg_行]。這樣訓練出的neg_行向量會天然靠近“差勁”“失望”這些詞情感信號就不會被“行”這個正面詞稀釋了。注意加了neg_前綴后必須重新訓練 Word2Vec因為詞表變了。5.3 “默認好評”重復評論造成的數(shù)據(jù)泄漏現(xiàn)象測試集 f1 很高但抽樣檢查時發(fā)現(xiàn)模型對“好評”兩個字的判斷接近滿分對陌生評論卻經(jīng)常出錯。原因電商訂單系統(tǒng)里大量評論是系統(tǒng)自動填充的“默認好評”或者同一句模板被上千個訂單復用。隨機切分時同一句話既進了訓練集又進了測試集SVM 相當于直接背下了這句話評估時“見過”的句子太多指標自然虛高。解決切分前先去重。最直接的是按評論文本去重data data.drop_duplicates(subset[review], keepfirst)但這里有個細節(jié)如果兩個用戶寫了一句一模一樣的真實評論比如“物流很快態(tài)度很好”按文本去重會誤刪。更穩(wěn)妥的做法是按用戶 ID 或訂單 ID 分組切分保證同一個用戶的評論不在訓練集和測試集里同時出現(xiàn)。數(shù)據(jù)里沒有用戶 ID 的話先用文本去重再人工掃一遍高頻評論把明顯是模板填充的句子標記出來剔除掉。5.4 好評和差評 9:1模型學會復讀現(xiàn)象模型預測結果全是好評accuracy 高達 0.9看混淆矩陣發(fā)現(xiàn)差評一個都沒抓住。原因電商評論天然不平衡好評占比常在 80% 以上。SVM 在訓練時為了降低整體損失發(fā)現(xiàn)把多數(shù)類全部猜對就能拿到很高的分數(shù)于是學會了“復讀”——全部輸出好評。解決兩層處理。第一層在模型上給 SVC 加class_weightbalanced讓算法自動放大少數(shù)類的懲罰權重第二層在評估上用 f1 和差評召回率替代 accuracy 作為主要指標。代碼層面只需要改一行svm SVC(kernelrbf, class_weightbalanced, random_state42)如果加了class_weight后差評召回率依然很低再考慮對差評樣本做輕量過采樣。注意不要直接用 SMOTE 在詞向量均值上生成合成樣本合成的向量可能會落在 SVM 邊界內(nèi)部的空白區(qū)域反而干擾分類面。更好的做法是回到文本層對差評評論做同義替換增強比如“不好”換成“太差”“不行”然后再重新提取向量。6. 把流程收成可復用腳本保存模型、增量更新與預測新評論前面的步驟都跑通后面臨的問題從“怎么訓”變成“怎么用”。常見做法是把 Word2Vec、標準化器、SVM 模型三個對象分別保存再寫一個預測函數(shù)。千萬別只存詞向量文件分詞器、停用詞表、自定義詞典這些預處理資產(chǎn)不一起版本化換臺機器跑預測時你會后悔。import joblib from gensim.models import Word2Vec model.save(word2vec.model) joblib.dump(scaler, scaler.pkl) joblib.dump(grid.best_estimator_, svm.pkl) def predict_single(review: str): words cut_words(review) words attach_negation(words) vec sentence_vector(words, model, dim128) vec scaler.transform(vec.reshape(1, -1)) label svm.predict(vec)[0] return 好評 if label 1 else 差評 sample 包裝破損客服已讀不回非常失望 print(predict_single(sample))預測函數(shù)里最容易漏的是scaler.transform(vec.reshape(1, -1))這一步。訓練時特征做了標準化預測時輸入也必須是標準化后的向量否則 SVM 拿到的特征尺度是亂的。vec.reshape(1, -1)是把一維的 128 維向量變成 1 行 128 列因為 sklearn 的transform和predict都要求二維輸入。增量更新的邏輯也要想清楚新一批人工標注評論進來后先用model.build_vocab(new_sentences, updateTrue)擴展詞表再調(diào)用model.train(new_sentences, total_exampleslen(new_sentences), epochs5)做增量訓練。但詞向量更新后所有句向量都會變所以 SVM 必須重新訓練而不是只更新 Word2Vec。這個流程沒法完全自動化我的習慣是每兩周做一次增量重訓并把新出現(xiàn)的業(yè)務詞追加進自定義詞典。驗證方面我常用一個笨方法隨機抽 100 條新評論人工標注后和模型預測結果比對把錯誤案例回填到訓練集?;靥顣r只看 10 條左右就夠了重點挑那些模型“差評漏報”的樣本。我之前因為只保存了.kv詞向量文件而丟了分詞器和停用詞表換機器后花了半天重寫預處理腳本后來把整個預處理鏈路的配置用 JSON 存了一份再沒有翻過車。希望你也能把這套流程變成自己的標準工具箱少走這些彎路。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
五月天婷婷婷| 丁香婷婷色| 久久久国产精品黄毛片| 牛牛碰免费| 久久婷婷七月丁香| 丁香五月天堂网| 日韩xx在线| 久久久久人妻| 五月丁香猫咪久久婷婷综合视频激情四射网入口 | 国产裸舞福利资源在线视频| 超碰人人插| 天天爽天天草| 婷婷五月天综合网| 中文字幕乱码亚洲精品一区| 国产精品VA在线| 懂色av蜜臀av粉嫩av永陈冠希| 国产亚洲精品久久一区二区三区| 久久黄A片| 曰韩少妇内射免费播放| 夜夜躁爽日日| 丁香五月综合激情久久潮喷| 操草草草| 天天日,天天干,天天操| 久99久热只有精品国产99| 午夜不卡久久精品无码免费| 日婷婷| 性爱久久| 色狠狠综合| 久久精品99久久久久久| 99久在线| 91狠狠色丁香| 99热无码首页| 超碰一区二区| AV在线免费播放| 亚洲综合成人网站| 五月婷久久| 五月天激情综合网站| 久久9视频欧美| 日本欧美成人片AAAA| 99热在线观看99| 夜夜夜夜夜骑撸| 激情五月婷婷综合秋霞| 女人天堂av| 91人妻九色大屁股| 99精品在线观看视频| 六月丁香婷婷色综合| 五月婷婷激情在线| 成人电影一区| 色婷另类| 婷婷六月激情综合| 99热这里只有精品亚洲| 琪琪色五月天| 五月天激情日色在线| 九月丁香| 久久国产色| 九九精品在线视频观看| 久热婷婷在线视频| 日曰躁夜夜躁2026| 思思热视频在线| 六月婷婷国产| 成人婷婷五月天| 98热精品| www五月婷婷| 九九热黄色| 丁香色情五月综合网站| 色欲婷婷夜夜| 色情丁香五月婷婷精品| 日本色色影院| 激情六月综合| 婷婷五月天激情在线观看 | 欧美情月伍月天| 色婷婷AV在线观看| 天天色情站| 色婷婷天堂| 九九草热在线观看| 婷婷五月天视| 日韩啪啪网| 97人人操人人拍| 丁香五月婷久久| 婷婷五月花丁香| 婷婷五月天激情网址| 亚洲第一影院高清无码网站 | 亚洲婷婷成人五月天| 色婷婷免费观看| 色色亚洲99com| 婷婷狠狠操| 五月丁香六月天| 淫荡综合网| 高清无码网址| 欧美精品99| 深爱激情婷| 丁香婷婷激情五月| 91精品熟女| 99热精品99| 蜜臀综合久草| 99精彩视频网站在线| 第四色五月天| 中文字幕在线观看视频www| 五月天狠狠网| 婷婷五月激情视频在线| 人草人人| 综合久久五月天| 五月丁香成人| 婷婷五月天熟妇| 日本综合久| 日韩操逼大片| 九九青青草成人| 日韩在线观看亚洲| 丁香激情四射| 丁香五月婷婷黑人妻黄色电影院| 婷婷五月丁香基地| 激情深爱综合| 婷婷色婷婷亚洲成人| oVV4WIB3vFi8D| 丁香五月婷婷天堂大香蕉| 综合激情五月丁香| 五月婷婷在线免费观看 | 99久热这里只有精品| 99在线视频。| 久久综合激情婷婷激情| 四川BBB搡BBB搡多人乱亂| 青青草成人网| 精品久久久久久久久久久久人妻| 啪到高潮激情丁香五月| 天天干夜夜操A片| 一区视频网站| 成人电影AV在线观看| 丁香久久激情俄| 丁香五月中文字幕| 五月花综合网| 婷婷午夜| 精品网站99| 婷婷开心综合人妻小说网址| 中文字幕久久婷九女同| 婷婷六月久久| 天天操夜夜夜拍拍拍| 91打屁股免费看| 秋霞三及片| 爱99干99| 九九综合伊人| 天天色播| 92久久| 综合亚洲六月婷婷在线| 亚洲av日韩无码| 91se在线观看| 精品久热| 色99欧洲色19| 欧美色色色色色| 综合色五月天| av免费在线观看0| 婷婷激情五月综合丁| 六月婷婷最新网址| 97热这里精品在线视频| 五月丁香六月色婷婷| 五月精品99综合| 91se在线视频| 婷婷十月丁香| 91色在线 | 日韩| 99色在线视频| 色色色色五月天| 日日日影院| 色情久久久| 香蕉婷婷色五月| 日韩人妻无码专区| 激情综合婷婷| 色色综合成人网| 亚洲天堂大香蕉| 五月婷婷黄色| 97亚洲婷婷| 九九精品自拍| 99热8| 操逼福利视频| 五月天激情国产综合婷婷婷就去爱| 五月婷婷久久大片| 9+1视频网址| 久9久9热久热| 色播五月丁香综合| 激情六月丁香综合| 久久久久久久丁香五月天婷婷| 欧美色色日韩| 麻豆123区| 变态另类9| 超碰在线99热| 99九九精品| 久久免费9| 五月花激情网| 99五月婷| 亚洲电影在线观看| 强壮公让我夜夜高潮A片视频| 这里只有精品2| 天天日天天干天天插天天射| 久久久久人无码人妻| 青青草五月天| 2w在线视频| 色五月天丁香| 日韩啪啪自拍| 丁香五月久久| 丁香五月天堂网| 五月天激情无码专区| 婷婷五月丁香伊人网| 思思视频这里是精品| 51精品国内探花| 日本久久色| 久久精彩免费视频| 一点色成人网| 九九亚洲视频| 99热啪啪| 色五月婷婷丁香五月| 99热中国| 五月天色色婷婷| 午夜天堂一区人妻| 婷婷七月丁香色色| 97碰久久| 激情综合色婷婷啪啪六月天| 色色色色色色色色网站| 色综合久久88色综合天天99| 婷婷五月天小说| 深爱激清网| 九草性爱| 激情网色五月| 怡红院AV亚洲一区二区三区H| 欧洲第一久色| 婷婷五月播| 欧美色偷拍| 五月婷婷丁香六月| 草榴视频黄色网| 无码少妇高潮喷水A片免费| 色五月丁香总合网| 五月婷三级片| 深爱激情综合| 色国产五月| 亚洲第一综合| 色色网站免费| 久热精品视频在线观| 丁香九月激情| 夜夜夜夜夜操| 激情涩涩网| AV中文字幕夜夜操b天天摸bb | 色日本丁香婷婷| 国产精产国品一二三在观看| 亚洲99精品欧美一区| 日亚二欧美| 婷婷五月影院| 五月天啪啪啪| 天天肏屄夜夜爽| 免费观看2018www黄色操逼网站| 九九综合九九| 久久性爱视频久久性爱视频| 91日视频| 婷婷丁香综合色AV| 丁香五月人妻| 色欲天天综合网| 婷婷丁香视频| 99 色色吧| 99男人的天堂| 色综合久网| 国产精产国品一二三在观看| 久色婷婷200| 日韩无码成人电影| 婷婷伊人| 在线99色| 婷婷中文综合网| 五夜婷婷| 五月婷婷在线视频| 亚洲性爱干干| 99ri在线| 婷婷网影院| 久久5 9视频免费观看| 色噜噜婷婷| 丁香五月停停av| 天天插天天插天天操| 五月丁香婷婷激情图片| 欧美性生交XXXXX无码小说| 久久婷五月综合| 天天做天天爱天天综合| 婷婷六月激情在线视频| 激情5月婷婷狠狠干| 久久婷五月| 热99精品视频| 97婷婷丁香五月天激情图片| 九月婷婷人人操人人舔人人爱| 少妇伦子伦精品无吗| 99色在线视频| 丁香五月大香蕉| 日日噜噜夜夜狠狠久久丁香六月| 91丨九色丨丰满人妖| 九九热最新地址| 五月丁香AV在线| 久久婷婷五月激情网站| 婷婷丁香色五月天久久88| 国产精品电影网| 97AV人人插人人操| 91视频综合网| 天天日夜夜欢| 日韩一级片| 中文字幕精品在线观看| 五月丁香成人| 色波激情五月天| 97人人操人人干| 五月婷网| 五月激情日本在线| 五月天婷婷乱| 丁香婷婷深情五月亚洲| 激情99| 五月天婷婷在线观看| 丁香五月色情| 日韩黄在免| 婷婷综合丁香| 九九热99在线视频| 激情婷婷在线中文字幕| 五月丁香999| 最新久久网址| 激情五月激情综合网一级丸片| 五月www| 婷婷成人丁香色情基地30| 俺去也在线官网| 亚洲情a| 夜夜谢天天干| 五月色丁香| 久久久国产精品黄毛片| 精品在线网站| 久久人妻精品| 99ri视频在线观看| 色婷婷香蕉| 丁香五月另类小说| 色婷婷www| 五月丁小婷婷激情四射| 久久久久久综合88| 久久av电影| 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 | 丁香五月综合AV在线| 人人干女人| 熟妇无码乱子成人精品| 免费亚洲成人电影AV| 91在线日| 一本综合丁香日日狠狠色| 色五月婷婷伊人| 伊人狠狠丁香婷婷综合尤物| 激情婷婷丁香色情五月天| 五月天,激情四射,婷婷频道| 思思热视频| 人人人操 超碰| 国产免费一区二区三州老师F1F1| 天天橾日日橾夜夜橾17| 五月丁香婷婷色色| 97色五月丁香婷婷| 免费日韩99| 99在线视频精品| 久久机热这里只有精品免费视频 | 久久激情综合| 国产91在线视频| 五月天婷婷色| 五月婷婷AV| 日韩综合成人| 逼逼AV| 操九色| 成人精品视频99在线观看免费| www.久9| 亚洲五月天狠狠| 久久香蕉影院| 51成人| 五月天久久综合婷婷| 色色999三级片| 中文字幕+乱码+中文字幕在线观看| 婷婷亚洲综合| 91婷婷色| 九九热99视频| 日韩精品无码AV| 精品综合久久久久久五月天| 欧美日综合| 天天射天天干天插色综合| 五月天婷婷影院影院观看| 曰韩少妇内射免费播放| 狠狠擼综合| 丁香六月婷婷| www久久久| 久超超碰| w婷婷五月婷婷w| 五月婷婷成人| 超碰99久久| 99久在线精品| 粉嫩av蜜桃av蜜臀av| 色三级色三级| 久久人人看| 六月综合婷婷开心伊人| 99啪啪视频| 波多野结衣AV无码Porn| 欧美操逼天堂| 五月婷久久| 超碰99在线| 久热这里只有精品6| 久久久91| 99热18| 五月婷婷黄色| 亚洲欧美在线观看| 欧美α√| 久久激情视频99| 风流少妇A片一区二区蜜桃| 婷婷五月丁香高清无码| 校花娇喘呻吟校长陈若雪视频| 五月天激情AAAA| 影音先锋男人站,影音先锋男人色资源网,影音先锋AV最新资源站,影音先锋AV资源 | 久久这里只精品66| 免费视频WWW在线观看网站| sS丁香五月婷婷| 国产精产国品一二三在观看| 亚洲色婷婷五月| 伊人碰碰婷婷| 噼里啪啦在线观看免费完整版视频 | 国外亚洲成AV人片在线观看| 五月婷婷性爱| 丁香婷婷基地| 久9热视频在线观看| 亚洲狠狠干| 五月天久久色| 青青福利网| 久久精品国产一区二区三区四区| 69堂午夜视频最新地址| 五月丁香影视| 婷婷AV丁香| 天天干天天做| 爱之国产色情综合| 激情五月综合亚洲另类| 伊人久久激情图区五月| www.色99| 久久五月婷综合网| 五月婷婷丁香91| 天天干天天日日| www.狠狠| 开心五月综合激情综合五月| 任你干aa| 五月天四色房丁香亭亭| 91操在线观看| 激情图片婷婷| 国产AV不卡福利| 久久狠狠干| 色综啪啪| 五月天.com| 六月综合婷婷开心伊人| 激情99| 色综合中文| 9999三级片| 婷婷中文在线| 激情五月久久| 激情婷婷色小说| 五月激情啪啪| 天天综合天天玩夜夜玩天天玩夜夜玩 | 五月激情啪啪| 婷婷五月天亚洲色| 热99.com婷婷| 男女免费视频999| 成人综合AV| 开心五月婷婷激情| 台湾综合丁香五月蜜桃| 丁香六月婷婷| 丁香5月婷婷| 九九九九九九九九九九九九九国产精品| 丁香五月香蕉| WWW.99热| 成人婷婷五月| ...婷婷五月综合不卡,国产在线手机| 六月婷久久| 精品激情| 欧美成人AAA片一区国产精品| 天天日夜夜操五月| 婷婷 丁香 久久| 五月丁香啪啪啪啪| 激情丰满熟妇五月| www.com色播五月天| 爽极品色| 九九激情网| 中文字幕中文有码在线| 播五月丁香三月婷婷| 超碰在线视屏| 99ER热精品视频| 91精品久久久久久综合五月天| 99热在线看片| 国产精品电影| 夜夜骑福利资源| 日本黄色在线观看| 99色在线观看| 五月天色社区| 丁香五月在线自慰| 99网| 亚洲无码yw| www久久99com| 亚洲色婷婷久久99精品91| 国产亚洲在线| 国产另类综合| 色综合丁香| 国产69久久久欧美黑人A片| 五月天啪啪| 九九色精品| 成人做爰A片免费看视频| 丁香成人色情五月天| 五月婷婷色色网址| 天天天天操| 丁香五月香蕉| 亚洲久久视频| 91一道本| 99噜噜噜在线播放| 亚洲无线视频| 欧美综合五月丁香六月婷| 久久蜜臀婷婷| 五月婷婷综合激情| 五月丁香亭亭| 六月丁香五月激情网| 亚州精品成人片| 狠狠狠狠狠| 亚洲丁香五月天视频| 高潮毛片遮挡费高一百度| 99国产97在线,| 九九热免费| 久热精品视频| 丁香六月天婷婷在线| 久婷婷视平| 日本久久精品18| 国产精品-91JQ就要激情网91JQ6.91JQ27.CASA:16888 | 91综合色| 婷婷五月丁香性爱| 久久久五月天| 久久大香蕉同僚| 久久婷婷婷婷伊人| 午夜成人天堂久久无码日韩久久| 国产女18毛片多18精品| 1024日韩| 超碰在线成人| 五月天婷婷久久视频| 久久激情综合| 在线中文av| 五月婷婷亚洲综合在线 | 五月天小说激情| 99久久综合网| 色丁香久久| 少妇激情五月天| 思思99精品视频在线观看| 欧美人久久| 伊人香大香蕉视频| 麻豆AV一区二区三区| 丁香久久综合| 激情色色| 婷婷五月天免费视频在线观看| a69在线视频| Av在线不卡一区| 五月天精品| 色婷另类| 操逼123网| www一起操| 99久久婷婷国产综合精品草原| 秋霞免费三级片| 婷婷五月天av| 大香蕉太香蕉视频97| 婷婷开心久久| 婷婷五月激情综合啪啪| 婷婷五月天影视首页| 99热这里只有精品8| 26uuu亚洲欧美日本| 色婷婷丁香五月丁香| 欧美婷婷日本| 欧美成性色| 91婷婷色五月| Caoub青青超碰 | 天天色天天舔天天爱天天爽 | 国产精品第一国产精品| 99热手机在线精品| 婷婷的久久网站| 中文久久婷婷| 播五月丁香三月婷婷| 色婷婷激情五月天| 狠狠干思思热| 九九热国产| 天天综合永久| 99er这里只有精品| 丁香五月婷婷久久综合激情网 | 噜噜色天天开心| 亚洲国产成人综合| 五月丁香婷中文| 99色在线观看视频| 九热视频在线精品15| 91大屁股精品| 六月婷欧美| 丁香五月777| 久久婷婷五月综合啪| Caop在线| 久久色五月天| 亚洲AV网址| 国产婷婷五月天| 色九月欧美| 另类视在线| 色五月婷婷91| 色婷网| 婷婷色九月| 婷婷六月综合基地| 激情爱爱网站超大免费| 成人av在线网站| 7777激情基地| 开心久久xxx色| 国产操B视频| 光棍影院日韩精品| 91大神操美女| 99综合视频| 影音先锋91资源站| 色色五月丁香婷婷| 九九99久久| 五月丁香在线观看| 午夜69成人做爰视频| 久九男女天堂| 亚洲视频综合网| 亚洲狠9| 九九热视频在线观看| VA日本视频| 九色PORNY9l原创自拍| 超碰资源在线| 五月婷婷导航| 成人在线高清| tingtingcaobi| 五月婷婷久久综合| 欧美成人精品A片免费一区99| 色五月婷婷一二| 嫩草视频在线观看| 光棍影院日韩精品| 综合激情站| 国产va视频| 婷婷成人视频| 色色网站| 色色五月天婷婷丁香| 日韩成人中文字幕| 色播五月天激情| 日日日日日| 操大屄五月天视频| 丁香五月成人自拍| 色色色区| 五月丁香婷色| 五月婷婷六月丁香激情| hd五月婷婷在线| 欧美va欧美va差| 丁香六月五月天| 亚洲最大视频| www夜夜操| 丁香激情综合| 激情文学第四色婷婷丁香五月| 日本综合久| 六月丁香激情综合| 97香蕉久久超级碰碰高清版 | 99久久精彩视频| 91久操| 人人综合五月人人婷婷| 黄色一级影片| 色婷婷成人做爰A片免费看网站| 日本97人人| 99精品久久久| 丁香五月激情婷婷激情| 色婷另类| 91女人18毛片水多国产| 另类激情五月| 色五月婷婷在线视频| 久热视频A.| 玖玖精品视频| 精品国产va久| 天天爽天天摸人妻综合网| 超碰色综合| 久久这里只精品| 五月婷婷激情综合av| 情趣视频66| www色综合亚洲92| 亚洲日韩26uuu| www,五月丁,com| 激情图片五月天| 五月天社区| 91主播在线| 亚洲小视频免费播放| 精品草原久久视频| 午夜婷婷| 色综合久久88色综合天天看| 无码激情精品色婷婷久久久久| 久久综合影院 | 色色色成人网| 亚洲人人操| 久久精品五月天| 开心五月婷婷激情网| 亚洲精品婷婷| www.色五月| 1区2区视频| 欧美性丁香色色五月天| 婷婷五月天丁香花| 91超碰人人操| 91精品国产日韩91久久久久久国模| 五月丁香婷色| 国产精品成人AV在线| 婷婷色五月91啪啪| 激情五月天黄色小说| 色综合色色色| 久久一级AV| 色婷婷99| 成人AV中文字幕| 激情婷婷丁香五月| 亚洲综合网区| 久久久久亚洲AV成人无码电影| 丁香五月婷婷图片综合| 日日操夜夜爽白洁| 色色五月天丁香| 4399在线观看免费高清毛片| 日本在线免费中文com.| 五月天综合视频| 碰碰人人漕| 亚洲久久婷婷| 狠狠色色| 中文字幕五月久久婷| 3www激情| 变态 另类 在线 | 色播综合| 狼人婷婷久久| 六月丁香开心婷婷欧美| 九九热这里只有精品一| 国产99久久久国产精品免费看| 日本三级韩三级99久久| 操九色| 五月丁香久久久| 天堂婷婷五月在线| 九九九热精品| 97在线日本| 亚洲成人乱码av网站| 99热精品在线在线| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 青青热久久综合| 久久这里只有精品热在99| 久操婷婷| 国产性av| 思思久久99| 日本道久久91| 99操久久| 毛片新网地| 日本道久久91| 成人片在线播放| www.五月婷| 五月丁了香蕉综合| 成人小说 五月天 婷婷| 夜夜爱伊人| 9超碰在线| 狠狠99| 二色AV| 日本97人人| 亚洲另类在线观看| 丁香五月影院| 99热福利| 婷婷色网| 婷婷丁香六月| 五月丁香网站| 五月天欧美 另类小说| 色约约视频一区二区三区四区五区 | 丁香五月婷婷亚洲另类| 色色婷| 97干在线| 任你日视频| 日本精品人妻无码77777| 99超在线| 午夜天堂一区人妻| WWW.夜夜| 丁香五月成人| 狠狠操天天操| 久久AV无码精品人妻系列试探| 色五月激情问网站| 丰满少妇猛烈A片免费看观看 | 九九re精品视频在线观看| 秋霞日本免费毛片A片| 激情綜合網址| 午夜一区| 亚洲色婷婷| 色久五月| 国内一级片| 天天干天天操| 五月做爱| 几激情五月婷婷色五月色天堂| Blackedraw视频一区二区| 五月婷婷九| 五月丁香888| 另类激情五月| 轮奸综合网| 在线观看免费视频| 热99只有里视频| 美女xx不卡| 超碰免费人妻| 激情六月下句是什么| 欧美日韩成卜| 六月婷婷中文字幕| 男女99免费视频| 国产99久久久国产精品免费看| 色婷婷欧美在线| 亚洲av综合在线| 26uuu精品国产| 性视频久久| 五月婷婷色| 婷婷五月天综合小说网| 99热亚洲精品| 五月天伊人| 亚艹艹| 色婷婷9| 丁香九月激情| 日本熟女内射| 91.com男女操| 国产欧美日韩综合精品一区二区| 婷婷噜噜| 亚洲激情av| 疯狂做受XXXX高潮A片| 久久99精品久久只有精品| 日韩影院三级| 久久99国产综合精品免费| 五月丁香婷婷开心| 99久久99九九99九九九| 丁香六月婷婷一区| 熟惀91九色在线| 思思热在线观看| 亚洲免费看片| 人五月天婷婷喷水| 四虎成人精品永久免费AV九九| 婷婷色五月偷拍| 97偷拍在线视频| 91人人操人人| 婷婷五月天人妻| 9有码中文| 色狠狠色噜噜AV天堂五区| 五月天亚洲综合网| 激情久久四色| 69人人操人人爽| 五月丁香色| 久热网站| 91精品久久久久久综合五月天| 五月天婷婷综合色| 色播激情五月天| 一起草无码视频| 成片免费观看大全| 大香网伊人久久综合| 激情五月天伊人av| 天天情天天狠天天透| 午夜丁香久久久久久| 色色色999| 深夜激情网| www.99视频| 五月婷久草| 97色色视频| 思思视频这里是精品| 丁香婷婷五月| 无码 色| 99久热精品在线| 免费视频WWW在线观看网站| 久久综合五月天| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 日韩啪啪视品| 免费亚洲婷婷| 色色色色热| 一本道综合网| 久久视频婷婷视频| 久久久久久久久久久久63| 五月丁香人妻| 五月婷婷视频ab| 五月开心婷婷极品激情| www.色情五月天.com| 国产午夜成人AV在线播放| 欧美婷婷丁香五月社区| 色婷婷小说| 欧美婷婷五月激情| 亚洲婷婷丁香| 丰滿爆乳一区二区三区| 亚洲六月色| 99热精品中文字幕| 婷婷丁香午夜综合影视| www久久99| 超碰国产AV| 国产精产国品一二三在观看| 欧美日韩成人在线网| 丁香五月婷婷手机| 亚洲欧洲99| 丁香五月婷婷亚洲另类| 色五月亚洲| 色婷婷99| 色欲色香综合网| 五月婷婷丁香六月| 天天狠狠夜夜狠狠2023| 丁香五月在线视频黑人| 九九sese| 九九热精品| 色v综合网| 亚洲三A| 成人做爰A片免费看网站找不到了 噼里啪啦在线观看免费完整版视频 | 强奸幻女毛片| 婷婷狠狠综合网入口| 99热只有| 色婷婷欧美| 狠狠干综合网| 天天日 天天草| 99在线观看视频| 久久久五月婷婷| 六月丁香五月激情网| 久久这有这里精品| 99热只有| www.激情五月| 能直接看的av网站| 日本激情91| 天天射影院| 欧美黄色韩日网| 亚洲天天综合| 日日撸日日操| 久久五月天黄色五月天色网址| 性韩日色婷婷五月天激情啪啪XXX| 99精品久久| 色啪网| 婷婷五月天丁香花| 婷婷色在线| 亚洲sesesese| 色噜噜狠狠色综合无码久久欧美| 色五月婷婷基地| 婷婷网影院| 丁香综合久久| 五月婷中文娱乐综合| Caoub青青超碰| 99热免费18| 99超超碰| 亚洲狠9| 97婷婷五月丁香| 大鸡巴伊人网| 婷婷五月天免费99| 婷婷在线中文字幕| 影音先锋男人av资源站| 在线中文字幕免费视频| 激情操逼婷婷| 伊人激情综合| 丁香婷婷综合色五月激情国产基地| 人操91在线| 色色色色区| 东北黄色一级| 天天摸天天舔天天爽| 98色花堂98t.R| 99热.com| 婷婷五月天六月丁香| 开心五月深爱五月| 久热免费视频| 久草大| 欧洲亚洲免费视频9| 91丨九色丨熟女|新版| 97婷婷狠狠| 五月婷婷激情五月| 国产精品久久久久久久久久 | 婷婷色五月天第7色| 一个色的综合| 婷婷无码视频| 色丁香五月综合网| 久久久久人妻网址| 无码人妻电影| 开心五月婷婷激情| 九月丁香婷婷基地| 激情丁香久久| 久久九九网| 免费99情趣网视频| 男人天堂伊人五月丁香| 美女婷婷六月色| 婷婷成人丁香色情基地30 | 很很干夜夜干| 日本精品99| 深爱五月天| 五月久久丁香| 九九99热| 五月天色导航婷婷资源婷婷| 五月婷婷黄色视频| 99久久性爱| 五月丁香无码| 色色无码| 中文字幕久久婷九女同| 91九色熟女| 五月婷婷综合激情| 婷婷五月另类网站| 丁香五月欧美成人| 高清一区二区三区日本久| 色婷婷激情视频| 日本nghangse中文字幕| 综合久久综合| 中文字幕日韩无码制服诱或| 蜘蛛女侠2003满天星免费观看| 免费AV播放| 99精品偷自拍| 五月天堂色色| 性韩日色婷婷五月天激情啪啪XXX| 色综久久AV| 五月丁香六月婷婷综合网缴情| 秋霞AV淫| 欧洲第一无人区观看| 日本9区视频| 五月婷婷偷拍| 天天噜天天爱| 五月婷婷开心网| 色五月亚洲| 精品9197碰| 六月丁香开心婷婷欧美| 五月婷婷大香蕉| 夜夜骑天天玩天天日| 丁香六月婷| 天天爽天天| 五月天婷婷青青草| 开心五月综合激情网| 精品国产AV色一区二区深夜久久 | 黄色热99| 五月丁香中文婷婷中文| 天天综合情| 五月婷婷基地| 日本九九九九| 黄色av网站在线免费播放| www。五月,com| 日韩无码专区| 天天日,天天射,天天舔| 99在线精品视频| 五月婷婷国产| 久草久青福利| 欧美英丁香开心快乐六月天网| 99在线视频精品| 国产精品涩涩涩视频网站| 婷婷六月综合| 婷婷伊人五月| 色婷婷激情| 超碰高清在线| 婷婷开心综合人妻小说网址| 五月婷婷丁香大陆免费| 性做久久久久久久免费看| 九色无码| 丁香五月激情性色郤| 激情欧美五月丁香| 五月婷婷丁香日韩在线| 久久久久这里都是精品| 激情六月天婷婷| 色五月成人| 中文字幕,综合,91| 亚洲激情综合五月婷婷啪啪| 五月婷婷婷婷| 色综合香蕉| WWW.五月天9999| 国产激情在线| 9精品国产在热久久| 婷婷丁香六月五月天| 偷拍91九色| 岛国在线观看91| 五月婷婷天| 国产精品视频免费看| 婷婷综合色色| 亚洲色情激情丁香五月| www.色99| 婷婷五月色情| 亚洲色综合性| 丁香五月影院| 午夜色丁香| 99精品7| 国产精品久久久久久亚洲毛片| 亚洲第一成人无码A片| 九九精品视频在线观看| 青草视频在线观看视频| 婷婷天堂综合| 秋霞AV淫| 熟美女麻豆| 这里只有精彩亚洲视频推荐| 99国产精品白浆在线观看免费| 久久的爱大香蕉| 26uuuuuuuu国产| 欧美性生交A片免费看| 热九九在线| 大香蕉五月丁香| 99在线视频免费| 99精品视频网站| 久9综合| 六月色日韩| 婷婷五月天激情网| 色私五月婷婷| 他改变了拜占庭| 亚美欧色影院| 色欲AVV| 色婷五月天网站| 性做爰1一7伦| 97色婷婷| 99爱爱| 91久久九久久九久久九久久九久久 | 久久人妻熟女一区二区 | 大香蕉婷婷丁香视频在线| 91 九色 入口| 婷婷激情综合| 婷婷成人在线| 婷婷六月丁香五月| Www.久久| www夜夜操wwwcon| 夜夜嗨一区二区三区直播内容 | www.99久久久久99| www.婷婷五月| 九九色情网五月天| 超碰熟女拍拍| 91 九色大美女| 99aese| 99re欧美精品| 热的无码综合视频| 大香蕉 婷婷| 第四色26uuu| 91精品刘玥| 99成人免费热视频| 国产欧美大香蕉一区| 亚洲成人va| 五月在线| 九艹在线| 热99只有里视频| 激情亭亭五月| 日韩十国产极品久久| AAA久久| 操人精品| www.com五月天| 黄色网址五月婷婷| 丁香五月天在线直播观看| 色99视频| 婷婷99狠狠躁| 成人美女网| 这里只有精品久| 婷婷五月天国产性感美女演员久久久久| 第一区久久网站| 色婷婷aV四虎| 综合一本道| 伊人久热91| 色婷操逼| 天天日天天舔天天摸| 激情av| 国产夫妻操逼内射视频| www久视频com| www,av好吊操| 五月五月婷婷| 玖玖爱资源站| WWW.久久久久久久| 啪啪 综合网| 亚洲另类在线观看| 亚洲精品V天堂中文字幕| 久热这里只有精品99re,久热这里只有精品7| 久久涩视频| 99色色视频| 99操无码视频观看| 久热一本| 精品久久99| 99无码精品| 青草性爱视频| 久久综合中文字幕| 丁香九月综合| 色婷婷电影网| www色综合| 五月婷婷日| 九九99精品| 六月婷婷视频| 91怕怕网| 婷婷色网站| 狠狠五月激情在线| www.婷婷五月| 可以看的av| 色婷婷综合视频| 日韩另类在线观看| 操操天堂| 九九综合久久| 国产成人精品一区二区三区视频| 婷婷五月激情视频在线| 五月丁香婷草| 久久五月婷婷电影| 狠狠干五月| 色婷婷丁香五月| 欧美日韩成人一区二区| 一起草AV| 天天色综网| 激情综合五月| 五月久久丁香| 殴美激情综合网| 婷婷五月天综合蜜桃| 性爱激情久久| 日屌日日操日日色| 久久伊人大香蕉| 久久国产色| 婷婷深爱网| 五月丁香久人妻中文| 在线观看亚洲AV| 爱之国产色情综合| 国产操逼网站| 丁香六月婷婷综合| 深爱丁香激情| 婷婷五月色综合| 天堂在线9| renrencaoav| 视频一二区| 国产FREESEXVIDEOS性中国| 激情综合网激情五月欧美| 99热高清在线| 来吧亚洲综合网| 天天激情综合| 九草性爱| 极品人妻VIDEOSSS人妻| 99色综合| 九九热99精品| 五月天久久婷婷| 婷婷五月天成人视频| 99日本在线| 婷婷色色播五月天| 97av在线视频| 99re在线免费视频| 九九在线精品| 丁香五婷婷| 亚洲一区二区无码蜜乳av| 国产超碰av| 大香蕉综合在线| 99热免费看| 五月香蕉综合| 香蕉久久六月| 天天干天天拍| 五月天精品| 我爱va亚洲va52| 久草婷婷在线| 青草五月天| 超碰1999| 天天日夜夜夜操操操操| 色五月天在线| 另类色视频| 日日操,天天操| 久久婷婷色五月| 丁香婷婷综合精品六月初| 99久在线精品99re5热视频| 男女啪啪做爰高潮无遮挡| 亚洲色久| 婷婷大乡焦噜噜| 无码区婷婷五月花开| 国产精品色婷婷AV综合色色| 热久久思思热思思| 国产免费一区二区在线A片视频| 超碰在线国产| 久久精品66| 激情五月图| 亚洲AV人人操| 视频在线免费观看欧洲乱码| 99超超碰| 丁香五月激情综合| 中文字幕人妻在线| 深爱激情六月天| 久久久久亚洲A∨成人乱码电影| 日本精品99网站| 久久久99日本大片| 五月丁香色色色| 午夜无码熟熟妇丰满人妻 | 丁香五月综合在线播放| 婷婷大香蕉| 日本一级特黄大片AAAAA级| 国产免费一区二区三州老师F1…… | 思思热AV| 日日夜夜爽爽| 噜综合| 婷婷 伊人 久久| 操比激情五月| 色五月,com| 亚洲激情综合| 国产激情综合五月久久| 91热在线| 少妇综合网| 久久婷婷综合五月趴| 丁香婷婷六月激情文学 | 婷婷丁香五| 做爱夜夜干天天操| 久久婷视频| 99久久婷婷综合| 五月天开心激情综合网| 日本天堂爱爱| 99精品网| 精久久色| 午夜无码精品色综合久久| 婷婷五月天亚洲激情戏精品| 伊人天天色|