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)官網運營的一線實戰(zhàn)洞察。

樸素貝葉斯新聞分類源碼全解析:原理、調參與避坑

樸素貝葉斯新聞分類源碼全解析:原理、調參與避坑 簡介基于樸素貝葉斯算法的新聞分類項目源碼主要面向需要完成Python期末大作業(yè)或課程設計的計算機專業(yè)學生也適合希望在文本分類任務中實戰(zhàn)樸素貝葉斯模型的初學者難度適中能夠覆蓋從數(shù)據預處理到分類評估的完整項目實踐。資源共2000個文件含1996個txt詞頻數(shù)據、3個py腳本及1個md說明文檔壓縮包大小約13.33MBpy腳本分別實現(xiàn)貝葉斯訓練、分類器核心與URL解析等流程txt文件為新聞文本預處理后的特征詞頻表md文檔幫助快速理解項目結構。源碼已經過本地編譯調試可穩(wěn)定運行且作為導師指導下完成的高分大作業(yè)評審得分為98分在分類效果與代碼規(guī)范方面均有較好表現(xiàn)。目前已有154人學習下載讀者可借助源碼與詞頻數(shù)據完整理解樸素貝葉斯從訓練到預測的流程并據此擴展實現(xiàn)其他文本分類場景。1. 樸素貝葉斯做新聞分類為什么這套項目源碼值得你完整跑一遍新聞分類是大多數(shù)人接觸 NLP 的第一個完整項目樸素貝葉斯算法則是這類項目源碼里最常見的基準模型。別看它“樸素”在幾千條標注數(shù)據、類別邊界清晰的中文新聞上它常能和復雜模型打平訓練卻只要幾秒鐘。這套項目源碼做的事很具體用帶類別標簽的新聞文本訓練分類器讓新來的新聞自動歸入財經、體育、娛樂、科技等欄目。源碼里通常包含分詞、特征提取、模型訓練、評估的完整鏈路讀懂它文本分類主流程就走通了一遍。適合剛做完 Python 基礎、想用 sklearn 動手的初學者也適合拿到“樸素貝葉斯新聞分類”作業(yè)、需要改跑源碼的讀者。下文按“原理 → 跑通 → 調參 → 避坑 → 進階”講透。2. 樸素貝葉斯的原理與選型新聞分類為什么首選多項式模型拿到“基于樸素貝葉斯解決新聞分類”的源碼第一件事不是急著跑代碼而是先把模型看懂。很多初學者直接調 sklearn 的 MultinomialNB三行代碼跑完換一個數(shù)據集就翻車根因是沒搞懂這個“樸素”到底樸素在哪、多項式模型又比另外兩個變體好在哪。這一章把原理和選型一次講清。2.1 貝葉斯定理到“樸素”假設新聞分類的數(shù)學底子貝葉斯定理本身不復雜P(類別 | 文本) P(文本 | 類別) × P(類別) / P(文本)我們要的是給定一篇新聞它屬于每個類別的后驗概率取最大者作為預測類別。真正的難點在 P(文本 | 類別)一篇新聞有幾十個詞詞與詞之間的聯(lián)合分布幾乎沒法直接估。樸素貝葉斯在這里做了一步大膽簡化——假設文本里的詞在給定類別條件下互相獨立于是P(文本 | 類別) Π P(詞_i | 類別)拿“湖人隊擊敗勇士隊”舉例簡化后只需要估計 P(“湖人隊” | 體育) × P(“擊敗” | 體育) × P(“勇士隊” | 體育)每個詞的概率都能從訓練語料里數(shù)出來。這個假設在真實語言里顯然不成立“湖人隊”和“勇士隊”出現(xiàn)在同一篇新聞里絕非獨立事件。但有意思的是分類任務只需要比較后驗概率的大小不需要概率值精確所以哪怕假設錯了排序往往仍然正確。這正是樸素貝葉斯“錯了還能打”的底層原因。接下去要選變體。sklearn 提供三個常用實現(xiàn)GaussianNB 面向連續(xù)特征假設特征服從高斯分布BernoulliNB 面向 0/1 布爾特征適合“詞是否出現(xiàn)”的表示MultinomialNB 面向詞頻或 TF-IDF 這類非負數(shù)值假設特征服從多項式分布。新聞文本經過分詞和向量化后得到的是“每個詞在每篇文檔里的重要度”矩陣恰好落在多項式模型的射程內所以項目源碼里幾乎清一色用 MultinomialNB。如果你看到有人用 GaussianNB 處理詞頻矩陣基本可以判斷是誤用——詞頻是離散計數(shù)硬套高斯分布會損失大量分布信息。從概率公式還能看出樸素貝葉斯天生適合新聞分類它把 P(類別) 先驗概率和 P(詞 | 類別) 似然分開建模類別邊界越清晰、各類別用詞差異越大樸素假設造成的誤差越小。財經和科技的高頻詞幾乎不重疊時即使獨立性假設不成立乘積排序依然可靠。這也是為什么在小樣本新聞數(shù)據上樸素貝葉斯經常比詞向量加神經網絡的組合還要穩(wěn)——它不需要海量數(shù)據來擬合詞與詞的交互關系。2.2 中文分詞與特征表示詞頻向量還是 TF-IDF中文新聞沒有天然空格訓練前第一步永遠是分詞。這類源碼最常見的工具是 jieba把整篇新聞切成詞序列過濾停用詞后用空格拼成字符串交給 sklearn 向量化器。分詞粒度直接影響特征質量“湖人隊”被切成“湖人”“隊”還是保持完整取決于 jieba 詞庫和是否加載了自定義詞典。我一般會在項目里維護一個領域詞表把球隊名、人名、產品名用 jieba.add_word() 加進去。特征表示有兩條路線。CountVectorizer 統(tǒng)計詞在每篇文檔的出現(xiàn)次數(shù)直接喂給 MultinomialNB語義上最貼合多項式分布TfidfVectorizer 對詞頻做 IDF 加權壓制“的、了、在”這類高頻但不帶信息的詞還能用 sublinear_tf 對詞頻取對數(shù)壓縮量級。對比項CountVectorizerTfidfVectorizer特征值含義詞在文檔中出現(xiàn)次數(shù)詞頻 × 逆文檔頻率是否適合 MultinomialNB最貼合多項式分布可以特征值非負即可對高頻無意義詞的壓制無靠停用詞表有IDF 自動降權新聞分類實測 F1基準水平通常高 13 個點我的經驗是新聞分類優(yōu)先用 TfidfVectorizer但樸素貝葉斯對兩種表示都不排斥真正影響大的是 max_features。新聞語料詞表動輒幾萬大量低頻詞只出現(xiàn)一兩次對分類沒有貢獻還拖慢訓練。常見做法是把特征維度限制在 500010000配合 min_df2 過濾只出現(xiàn)一次的詞、max_df0.8 過濾出現(xiàn)在八成以上文檔的大路詞。調這三個參數(shù)比糾結 CountVectorizer 還是 TfidfVectorizer 收益大得多。import jieba from sklearn.feature_extraction.text import TfidfVectorizer # 加載停用詞表常見的做法是每行一個詞 with open(stopwords.txt, encodingutf-8) as f: stopwords {line.strip() for line in f} def cut_news(text: str) - str: words [w for w in jieba.cut(text) if w.strip() and w not in stopwords] return .join(words) sample 湖人隊主場擊敗勇士隊詹姆斯砍下三雙 print(cut_news(sample)) # 輸出示例湖人隊 主場 擊敗 勇士隊 詹姆斯 砍下 三雙 vectorizer TfidfVectorizer( max_features8000, min_df2, max_df0.8, sublinear_tfTrue )代碼邏輯說明cut_news 先分詞再過濾空串和停用詞最后空格拼接——不做這一步向量化器會把整句當成一個“詞”特征維度徹底亂掉。TfidfVectorizer 的參數(shù)里max_features 限制詞表規(guī)模min_df 和 max_df 從頻次兩端裁剪sublinear_tf 做詞頻對數(shù)壓縮。這四個參數(shù)是新聞分類特征工程的標配第 4 章還會展開講。3. 把項目源碼跑通從數(shù)據到模型的最小可運行路徑3.1 環(huán)境準備與數(shù)據格式先讓數(shù)據能進模型這類源碼通?;?Python 3.7 以上核心依賴是 scikit-learn、pandas、jieba裝起來沒什么玄學pip 一行解決。真正卡住新手的是數(shù)據格式源碼 README 里可能寫著 THUCNews 數(shù)據集也可能只是一個 data 目錄但模型能吃的只有一種約定——結構化表格。常見做法是把語料整理成 CSV兩列l(wèi)abel 是新聞類別content 是正文UTF-8 編碼。pip install scikit-learn pandas jieba joblib裝完之后先用 pandas 讀一遍數(shù)據打印類別分布。這一步別跳過類別數(shù)量如果差一個數(shù)量級模型會悄悄偏向大類整體準確率看著不錯逐類看 F1 就露餡。我的習慣是把 value_counts() 的結果掛到項目 README 里每次復現(xiàn)先核對數(shù)據再談模型。另一種常見的數(shù)據組織方式是按類別分目錄每個目錄下是一篇篇 .txt 新聞。遇到這種結構需要先寫一個小腳本把目錄結構展平成 CSV再進入下面的流程。我一般會在 utils.py 里放一個 load_data 函數(shù)統(tǒng)一處理 CSV 和目錄兩種輸入返回 DataFrame這樣 train.py 和 predict.py 都不關心數(shù)據原始長什么樣。3.2 訓練主流程分詞、向量化、訓練、評估一條龍下面這段代碼涵蓋了此類源碼的核心鏈路可以直接存成 train.py每步加了注釋方便你對照自己拿到的源碼找差異。import jieba import pandas as pd from sklearn.model_selection import train_test_split from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.naive_bayes import MultinomialNB from sklearn.metrics import classification_report # 1. 讀數(shù)據 df pd.read_csv(news_data.csv, encodingutf-8) df df.dropna(subset[content, label]) print(df[label].value_counts()) # 2. 分詞整篇新聞切成詞序列空格拼回字符串 df[cut] df[content].apply(lambda x: .join(jieba.cut(x))) # 3. 切分先切分再向量化stratify 保持類別比例 X_train, X_test, y_train, y_test train_test_split( df[cut], df[label], test_size0.2, random_state42, stratifydf[label] ) # 4. 向量化fit 只允許出現(xiàn)在訓練集上 vectorizer TfidfVectorizer(max_features8000, sublinear_tfTrue) X_train_vec vectorizer.fit_transform(X_train) X_test_vec vectorizer.transform(X_test) # 5. 訓練alpha 是拉普拉斯平滑系數(shù) model MultinomialNB(alpha1.0) model.fit(X_train_vec, y_train) # 6. 評估 y_pred model.predict(X_test_vec) print(classification_report(y_test, y_pred))邏輯說明分三段。切分階段stratify 讓訓練集和測試集保持與原始數(shù)據一致的類別比例這是對付樣本不平衡的第一道防線很多源碼省略它小類樣本會在切分時被切沒。向量化階段fit_transform 只在訓練集上調用測試集只走 transform兩者順序一旦顛倒就是數(shù)據泄漏第 5 章會專門講。訓練階段alpha 默認 1.0 解決“某個詞在訓練集中沒出現(xiàn)導致概率為零”的零概率問題取值大小直接影響模型保守還是激進。第一次跑通準確率在 0.850.95 都算正常具體看數(shù)據集類別數(shù)和文本質量。如果低于 0.8先別換模型回頭查分詞和停用詞表八成是那兩步出了問題。還有一個自查點把詞表前幾十個詞打出來看如果滿是“的、了、在”這類虛詞說明停用詞沒生效。這段代碼在幾千條新聞、八千維特征上訓練通常在一秒以內慢的是分詞那一步建議把分詞結果緩存到磁盤下次直接讀 cut 列能省下大半時間。3.3 源碼目錄結構一份合格的新聞分類項目長什么樣拿到項目源碼第一步是看目錄不是跑代碼。我見過的最小可用結構是這樣的news_classifier/ ├── data/ # 原始語料CSV 或按類別分好的文本目錄 ├── train.py # 訓練主腳本產物是模型文件 ├── predict.py # 加載模型對單條新聞預測 ├── utils.py # 分詞、停用詞、數(shù)據加載等公共函數(shù) ├── model.pkl # 模型文件注意是否包含向量化器 └── stopwords.txt # 停用詞表每行一個詞判斷源碼是否合格看兩個點。第一predict.py 是否同時加載了向量化器和模型。只保存 model.pkl、丟掉 vectorizer 的源碼不在少數(shù)預測時詞表對不上輸出基本是亂猜。第二train.py 是否固定了隨機種子。不設 random_state每次跑出來的劃分和結果都不一樣你復現(xiàn)不了作者聲稱的準確率還會誤以為是自己環(huán)境的問題。predict.py 的常見寫法長這樣# predict.py 核心邏輯 import joblib import jieba pipe joblib.load(news_pipeline.pkl) def predict_one(text: str) - str: cut_text .join(jieba.cut(text)) return pipe.predict([cut_text])[0] print(predict_one(湖人隊主場擊敗勇士隊詹姆斯砍下三雙)) # 輸出示例體育這段代碼暴露了一個容易忽略的細節(jié)分詞必須和訓練時保持完全一致包括停用詞表、jieba 自定義詞典。如果 predict.py 里重新寫了一套分詞邏輯哪怕只是停用詞加載路徑不同預測效果就會和訓練時對不上。這是“模型文件有了、效果卻復現(xiàn)不了”的最大來源之一。4. 參數(shù)調優(yōu)與效果驗證alpha、特征維度與交叉驗證4.1 alpha 的取值從默認 1.0 到網格搜索alpha 是樸素貝葉斯項目源碼里最值得調的參數(shù)它對應拉普拉斯平滑的強度。訓練時如果某個詞只在個別類別里出現(xiàn)過它在其他類別下的概率會被數(shù)成零乘到整篇新聞的后驗概率上直接把這個類別判死。alpha 給所有詞的計數(shù)統(tǒng)一加一個小數(shù)避免零概率一刀切。alpha 越大各類別下的詞概率越均勻模型越保守alpha 越小模型越依賴訓練集詞頻過擬合風險越高。在新聞分類場景下我的經驗是數(shù)據量大、詞表豐富時alpha 取 0.1 左右往往比默認 1.0 更準數(shù)據量小、文本短時1.0 更穩(wěn)。不要靠感覺猜直接把 alpha 扔進網格搜索from sklearn.model_selection import GridSearchCV param_grid {alpha: [0.01, 0.05, 0.1, 0.5, 1.0, 2.0]} gs GridSearchCV( MultinomialNB(), param_grid, cv5, scoringf1_macro, n_jobs-1 ) gs.fit(X_train_vec, y_train) print(gs.best_params_, gs.best_score_)這里 scoring 我特意選 f1_macro 而不是 accuracy原因很現(xiàn)實新聞數(shù)據里體育類占 60% 的話模型全猜體育也有 60% 準確率但每個類別的 F1 會立刻暴露短板。f1_macro 對每個類別一視同仁地求平均逼著模型把少數(shù)類也學起來。網格搜索跑完后把最優(yōu) alpha 回填到 train.py 重新訓練測試集上再出一版最終報告。注意 GridSearchCV 的 cv5 是在訓練集內部再切五折測試集從頭到尾不能碰否則調參過程同樣會泄漏。4.2 混淆矩陣哪兩類新聞總被搞混分類報告只能告訴你每類的精確率、召回率和 F1但“哪兩類在打架”得看混淆矩陣。新聞分類里最典型的是財經和商業(yè)、科技和數(shù)碼這類邊界模糊的類別高頻詞大量重疊模型分不清很正常??椿煜仃嚨囊饬x在于——如果錯分集中在一兩對類別你要做的是合并類別或補充語料而不是繼續(xù)調參。import matplotlib.pyplot as plt from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay cm confusion_matrix(y_test, y_pred, labelsmodel.classes_) disp ConfusionMatrixDisplay(confusion_matrixcm, display_labelsmodel.classes_) disp.plot(xticks_rotation45) plt.tight_layout() plt.savefig(confusion_matrix.png, dpi150)讀矩陣有個順序先看對角線再看對角線之外最大的格子。對角線占比高說明整體可靠非對角線上的熱點代表固定的混淆對比如“科技”經常被分到“數(shù)碼”通常是語料來源高度重疊合并成一個類反而讓任務更清晰。保存成圖片放進項目里比每次訓練后打印一屏數(shù)字直觀得多。類別超過十個時記得調大圖片尺寸否則邊緣類別的標簽會擠成一團。我習慣把混淆矩陣和分類報告一起存成 result 目錄后面換模型、換特征都能直接對比。4.3 特征維度與卡方檢驗把詞表選擇交給算法調完 alpha 收益不大時問題大概率在特征工程而不是模型。max_features 從 8000 調到 15000有時候漲一兩個點有時候反而掉取決于語料里有效特征的密度。判斷方法是打印詞表前幾十個詞如果混著大量無關詞說明停用詞沒加夠或 max_df 設得太寬松。比人肉看詞表更可靠的做法是卡方檢驗sklearn 的 chi2 配合 SelectKBest可以直接在向量化之后選出對類別區(qū)分貢獻最大的詞from sklearn.feature_selection import SelectKBest, chi2 selector SelectKBest(chi2, k3000) X_train_sel selector.fit_transform(X_train_vec, y_train) X_test_sel selector.transform(X_test_vec) sel_model MultinomialNB(alpha0.1) sel_model.fit(X_train_sel, y_train) print(sel_model.score(X_test_sel, y_test))卡方檢驗的思路是對每個詞計算它與類別標簽的相關性保留相關性最高的前 k 個。這樣選出來的特征比“憑肉眼刪詞”穩(wěn)定得多尤其適合新聞這種詞表巨大的場景。需要留意的是SelectKBest 同樣只能在訓練集上 fit測試集只做 transform和第 3 章向量化器的規(guī)則一致。如果加了特征選擇后效果反而下降通常是 k 取得太小把有區(qū)分度的詞也裁掉了從 5000 往上加著試。5. 新聞分類源碼落地的五個坑按這個順序排查課程項目的源碼能跑通是一回事移植到自己的數(shù)據上是另一回事。下面五個坑是我在復現(xiàn)這類源碼時真實踩過的每條按“現(xiàn)象 → 原因 → 解決”寫你遇到同類問題可以直接按這個順序排查。5.1 現(xiàn)象小類新聞幾乎全被分錯輸出類別集中在大類原因訓練語料類別嚴重不平衡又沒做分層切分。娛樂類兩萬條、科技類五百條train_test_split 里不寫 stratifydf[label]測試集可能一條科技新聞都分不到模型學到的先驗概率也徹底偏向大類。整體準確率看著挺高逐類看報告就露餡。解決切分時帶上 stratify 參數(shù)。數(shù)據還是不平衡的話對小類做簡單過采樣把文本重復采樣幾份或使用 imbalanced-learn 的 RandomOverSampler。這里有個我當初來回確認過的點sklearn 的 MultinomialNB 沒有 class_weight 參數(shù)想在樸素貝葉斯里直接給類別加權行不通只能從數(shù)據側動手。5.2 現(xiàn)象測試集上效果不錯模型上線后面對新數(shù)據效果崩塌原因源碼把向量化器的 fit_transform 用在了全量數(shù)據上做完特征提取再切訓練測試集。這樣詞表已經包含了測試集的分布信息測試集指標是虛高的新數(shù)據一進來立刻現(xiàn)原形。這是這類源碼里最常見的數(shù)據泄漏寫法不少課程項目都中招。解決嚴格按“先切分、后向量化”的順序執(zhí)行。全流程只允許在訓練集上調用 fit_transform測試集和未來任何新數(shù)據一律只走 transform。檢查代碼只需要看一個位置vectorizer 是在 train_test_split 之前還是之后被 fit 的在之前就是泄漏。注意判斷數(shù)據泄漏最簡單的標準就是看向量化器的 fit 動作發(fā)生在切分之前還是之后。5.3 現(xiàn)象保存模型后predict.py 的預測結果和訓練時對不上原因只保存了模型對象沒保存向量化器。predict.py 里重新 new 了一個 TfidfVectorizer詞表跟訓練時的完全不匹配預測就成了黑匣子亂輸出。這類“模型文件有了、效果卻復現(xiàn)不了”的問題在源碼交接時尤其害人。解決用 joblib.dump 同時保存向量化器和模型更省事的做法是把兩者包成一個 Pipeline 一次保存第 3 章 predict.py 里已經寫好了完整寫法。排查時有個十秒鐘出結果的檢查對比訓練時 vectorizer.get_feature_names_out() 的長度和 predict.py 里新 vectorizer 的長度不一致就說明詞表沒對上。額外提醒一點Pipeline 不會替你分詞predict 入口的文本必須先用和訓練一致的分詞函數(shù)處理否則喂進去的是未切分的原始字符串特征空間直接對不上。5.4 現(xiàn)象中文新聞亂碼或跑出來的特征全是單字和數(shù)字原因數(shù)據文件編碼不是 UTF-8常見于 GBK 編碼的舊語料也可能是 jieba 沒加載自定義詞典人名、球隊名被切成單字特征質量斷崖式下降。這兩個原因看起來毫無關系但癥狀容易被混淆——都表現(xiàn)為模型效果莫名其妙地差。解決先解決編碼pd.read_csv 報編碼錯誤時依次試 utf-8、gbk、gb18030不要一個編碼用到底。再解決分詞把領域詞表通過 jieba.add_word() 加進去然后打印兩篇分詞結果對比確認“湖人隊”保留成整詞而不是“湖人”“隊”。這一步值得最先排查因為它能讓 F1 掉五六個點而且和模型參數(shù)完全無關。排查順序建議先看數(shù)據編碼和分詞輸出再看切分順序最后才是調參數(shù)——順序反了會浪費大量時間。5.5 現(xiàn)象準確率始終卡在 0.75 上不去換模型也沒用原因類別標簽本身有歧義或者語料噪聲大比如娛樂新聞里混著大量明星緋聞和影視資訊邊界本身模糊。這時候不是模型的鍋是任務定義的問題。樸素貝葉斯對標注噪聲比深度學習更敏感因為它是靠詞頻累計的少數(shù)錯標樣本能直接把某個詞的類別傾向帶偏。解決先人工抽 100 條錯分樣本按“標注錯誤”“邊界模糊”“模型真正分錯”三類統(tǒng)計再看要不要清洗數(shù)據。錯分樣本分析是這類項目里最值得做卻最常被跳過的環(huán)節(jié)。如果邊界模糊類占了大頭合并類別或重新定義標簽比換任何模型都有效。6. 進階用增量訓練和置信度閾值把樸素貝葉斯用進生產6.1 增量更新用 partial_fit 跟隨新聞熱點課程項目里的樸素貝葉斯是一次性訓練、一次性評估。真實新聞是持續(xù)產生的關鍵詞和熱點一直在變。每周全量重訓倒不貴麻煩的是向量化器每次重新擬合詞表抖動導致新舊預測結果對不齊。更省力的做法是增量更新MultinomialNB 支持 partial_fit可以直接拿新標注數(shù)據繼續(xù)更新模型但向量化器必須固定住不重訓。# 新到一批已標注新聞按同樣流程分詞后 X_new vectorizer.transform(new_cut_texts) model.partial_fit(X_new, new_labels, classesmodel.classes_)注意第一次調用 partial_fit 必須傳 classes 參數(shù)模型才能確定類別順序。這個做法很適合新聞場景每天用小批量人工修正過的標注樣本喂給模型讓它跟著新詞、新熱點緩慢演化。代價是舊知識衰減慢如果內容風格突變還是需要全量重訓。6.2 置信度閾值讓模型承認自己不確定第二個生產技巧是置信度閾值。新聞分類的錯誤大多集中在“模型自己都不確定”的樣本上與其硬給一個分類不如讓模型承認自己拿不準。用 predict_proba 取出最高概率低于閾值就轉人工審核。proba model.predict_proba(single_vec)[0] if proba.max() 0.6: print(低置信度建議人工審核) else: print(預測類別:, model.classes_[proba.argmax()])閾值取多少我一般從 0.5 起步拿驗證集畫出“閾值 vs 被攔樣本中被人工修正的比例”曲線按業(yè)務能承受的人工量來定。這個技巧不挑模型后面換深度學習模型審核鏈路可以直接復用。我自己的習慣是無論最終要上什么模型第一版一定先用樸素貝葉斯把數(shù)據流、評估口徑、人工審核鏈路打通。它簡單到沒有“調不明白”的借口一旦跑出基準值后面換復雜模型才有對比的錨點。這個習慣幫我在好幾個文本項目里少走了彎路希望幫到你。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
色婷婷亚洲婷婷| 天天爽天天爽夜夜爽| 国产精品美女| 天天爽天天弄| 激情又色又爽又黄的A片| 婷婷丁香五另类网站| 婷婷五月天少妇| 5月婷婷激情6月| 日本熟女内射| 婷婷久久五月丁香| 青青久在线视频免费观看| 成人国产欧美大片一区| 婷婷激情五月天桃花网| 日韩欧美一级大黄网站| www色中色综合| 国产va视频| 91久久五月天| 日本欧美成人片AAAA| 色色欧美。| 九 九九九AV| 亚洲久热无码| 99日韩| 伊人99热| 91精品激情9| 99热只有这里才是精品| 九九亚洲视频| 婷婷五月丁香性爱| 欧美婷婷六月丁香综合色连续高潮抽搐| 婷婷六月天精品| 亚洲va欧美va国产综合久久久| 五月的色婷婷高潮| 欧美性做爰大片免费看办公室| 少妇人妻丰满做爰XXX| 熟妇国产| 激情丁香五月天综合| 99热这里只有精品2016| 99九九综合久久九九| 天天日天天爽| 91超碰在线观看| 欧美成人精品三区综合A片| 中文字幕在线免费观看视频| WWW.婷婷五月天.COM| 色婷婷小说网| 日日操日日撸| www.99热精品| 婷婷激情丁五月| 九九机热| 久久婷婷五月天| 午夜福利8055| 日在线V视频在线播放| 天天做天天爱| 91干婷婷| 九九家庭影院| 99九九综合久久九九| 日韩无码专区| 丁香五月六月久久综合 | 无码一级片| 热99只有精品| 专区无日本视频高清8| 成人五月天丁香婷| 在线五月婷婷小电影| 婷婷五月天天aV| 色婷婷成人网| 日逼影音先锋男人资源站| 五月激情婷婷综合| 亚洲综合婷婷六月丁香五月| 日日做A爰片久久毛片A片英语| 婷婷五月天情色| 亚洲综合1024| 激情图片婷婷丁香五月| 99caobi| 五月婷婷六月激情在线| 九九AV| 五月丁香另类网| 人人噜天天上| www,com,五月色色| www.99热这里精品| 精品一区二区三区三区| 婷婷五月激情在线| 在线观看免费人成视频无码| 久久视频66| 五月激情站| 被男人添B超爽视频| 五月婷婷熟女| 丁香六月婷婷综合激情欧美| 日本欧美999久久久三级片| 影音先锋91| 思思99精品视频在线观看| www激情婷婷com| 丁香五月色五月| 国外亚洲成AV人片在线观看| 九九热在线精品视频| 五月综合激情视频在线| 色五月开心开心五月激情五月| 啪啪一区| 日本黄色三级片内射| 非洲一级AV| 深爱激情网五月天| 丁香婷婷五月天成人| 日日噜狠狠| 怡红院视频| 国产精产国品一二三在观看| 婷婷五月天直播| 99热国产| 色性综合| 免费黄色AV| 五月激情婷婷四射| 中文AV网站| 无码碰碰| 亚洲综合色色| www91精品| 色婷婷婷婷| 99情色五月天| 色综合色综合色综合色综合| 五月色亭丁香| 91久久婷婷人人澡草| 影视av久久久噜噜噜噜噜三级| 狠狠插.com| 九九热免费观看视频| 欧美精品999| 2015好吊操| 日日夜夜天天综合| 人人澡天天色天天做| 激情五月天综合| 九九热自拍| 五月在线| 亚洲不卡| 激情综合五月| 婷婷五月天伊人在线| 五月天综合网| 9久精品视频| 九九色欲网| 婷婷色中文| 成人版视频在线观看| 六月婷欧美| 婷婷色五天| 98永久精品| 99精品视频在线观看| 大香蕉 伊人夜| 五月狠狠| 激情五月激情综合俺也去婷婷小说| 色噜噜婷婷| 国产免费一区二区三区三州老师F1F1.CC | caop视频| 狠狠色狠狠操| 啪啪91| 天天摸天天肏| 色亭亭五月天网扯| 欧美人人草草| 97碰人人操| 久大香蕉| 疯狂做受XXXX高潮A片动画| 久久五月天婷婷视频| 亚洲精品V天堂中文字幕| www。五月天。com| 婷婷人妻激情| 天天日天天干天天操| 激情com| 疯狂做受XXXX高潮A片| 丁香婷婷精品视频| 大香蕉婷婷婷| 色丁香婷婷| 碰碰91| 99热网站| 草综合14| 狠狠五月激情在线| 欧美三级韩国三级日本三斤| 欧美婷婷日本| 开心四月婷婷在线色播播| 久久99久久99精品,久国产,久久精品免费,99久在线,久久久久国产精品免费网站,9 | 九九九九毛片| 亚洲色久| 综合色五月| 天天橾夜夜爽| 少妇人妻人伦A片| 激情五月天伊人影院| 玖玖无码中文| 久碰婷婷视频| 天插天啪天啪天啪| 久超超碰| 99无码精品| 99热这里只有精品最新网址| 激情五月天网站| 久久受www免费人成| 亚洲久久婷婷| 亚洲乱码在线观看| 伊人五月婷| 国产亚洲精品久久一区二区三区| 桃色伊人在线| 日本激情91| 极品少妇高潮啪啪AV无码| 俺也去在线视频| 99精品在线观看视频| 色优久久| 天天色,天天操,天天射| 婷婷色五月大香蕉在线观看| 色99在线观看| 五月天综合在线观看| 久碰视频| 色婷五月| 91人人人人人| 欧美婷婷综合| 五月丁香婷婷爱| 色色网站免费在线视频| 9久热| 人妻少妇色综合| 26uuu成人网| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | 99精品综合在线| 五月婷婷激情综合| 91/九色黑人| 99re这里只有精品99| 色五月婷婷久久| 五月丁香啪啪激情| 97超碰人人操| 97欧美在线| 综合激情伊人影视在线| 国产成人一区二区三区在线观看| 97色色综合| 丁香色五月 97干| 99色人| 色色婷婷五月| 思思热99热| 99久在线精品99re8热| 婷婷激情视频欧美视频自拍视频欧美剧| 插插干干干色| 国产FREESEXVIDEOS性中国| 激情小说婷婷五月| 五月色婷婷综合丁香精品无遮挡| 九九99久久| 99久久综合狠狠综合久久| 五月花免费视频| 综合激情视频| 丁香月六月| 热久久思思热思思| 99re6在线视频精品免费| 色五狠狠| 久久99热精品a片在线观看| 99综合久久| 亚洲区1| 婷婷六月啪啪| 久草视频一,二三四| 亚洲情a| 五月天久久久| 久久久日韩特色特黄AAAA| 六月激情网| 丁香色色网| 亚洲日韩欧美综合VA| 天天做天天干天天综合网| AV五月丁香| 91色干| 啪啪视频99| 嫩草AV久久伊人妇女超级A| 偷拍五月丁香| 91狠狠色| 人妻人人操| 开心五月婷婷| 色丁香五月天婷婷| 九九热视频免费| 五月婷婷网久久| 日本三级大片| 热99国产精品| 五月丁香美女视频| 夜夜夜天天操| 五月天六月丁香| 久久9视频| 啪啪综合| 91精品久久久久久综合五月天| 激情宗合 激情宗合| 碰碰人人人| 国产avapp 网| 亚洲中文字幕AV| 五月天六月色| 亚洲性爱日韩无码| 伊人国产婷婷五月天 | 亚洲色区17| 九九色婷| 色欲色香,www,com| 婷婷五月天大香蕉| 91凹凸在线| 夜夜躁婷婷AV| 香蕉久久国产AV一区二区| 97人人操人人| 狠狠干五月天| 五月天婷婷乱论小说| 天天色天天噜| 能直接看的av网站| 五月天停婷基地| 狠狠色大香蕉| 99热综合网| 五月天激情久久| 成人 在线 日韩| 综合色播| 婷婷五月天国产在线播放| 99爱在线免费视频| 丁香五月偷拍| 婷婷五月AV| 十一月婷婷激情四射| 五月天婷婷成人| 亭亭五月色男人| 桃色激情网| 五月天国产| 欧美激情-区二区三区| 激情五婷网| 天天爽天天摸天天爱| AVDV久久| 五月婷婷五月天| 99这里只有精品|v| 色婷婷网| 荫道BBWBBB高潮潮喷| 婷婷在线中文字幕| 五月丁香毛片| 婷婷六月丁香在线| 亚洲丁香五月在线观看| 九九色综合网| 国产成人精品亚洲线观看| 九月丁香久久网| 天天视频精品9| 先锋资源婷婷| 97五月天婷婷午夜| 婷婷十月丁香| 色欲久久久久久综合网综合网| 久久久久9999| 天天搞天天色综合| 五月伊人综合| 九九久久偷拍| 国自产拍偷拍精品啪啪一区二区| 五月丁香在线婷婷美女| 久9免费视频| 婷婷五月天成人网站| 丁香色婷婷| 真实亲子乱子伦高清在线观看| 免费视频在线观看的网站| 日本精品人妻无码77777| 五月婷婷丁香俺日污视频| 九月综合| 五月丁香六月色| 桔色成人官方网站| 任你搞网站| 激情五月天伊人av| 中文久久久人妻| 久久婷婷五月综合| 91无码色色| 五月天婷婷激情在线色图| 成人av在线电影| 亚洲一色色色色色色色色| 夜夜操天天爽| 久久激情网| 亚洲mm免费| 丁香婷色| 五月丁香婷中文字幕| 婷香五月激情视频| 天天色天天操天天射| 丁香五月伊人| 精品一区二区三区四区五区六区介绍 | 99热亚洲| av线电影| 九九色99| 五月天丁香| 综合激情九月婷婷,激情综合婷婷中文字 | 91精品综合久久久久久五月丁香| 俺也高清无码高清视频| 五月天社区| 久热婷婷在线视频| 天天日夜夜夜操操操操| 99热久| 九月婷婷综合在线| 天天激情夜夜干| 日本九九视频| 丁香五月婷婷综合激情哟哟哟| 色九网| 婷婷五月综合激情免费| 99国产精品久久久久久久久久久 | 人人摸人人搞| 日韩成人中文| 黄色aaaaa| 亚洲色婷婷五月天 | 久久综合五月天| www.wuyuetian啪啪| 久草网大香视频| 丁香五月aV| 大香蕉五月婷婷| 五月刺激丁香月综合| 樱花99视频| 婷婷成人AV| 婷婷香蕉香| 日本五月婷婷久久久六月丁香| 97人妻碰碰碰久久香蕉| 婷婷久久色| 五月婷丁香久久久| 九九av| 婷婷丁香花五月天| 噜啊噜在线| 久久婷婷七月丁香| 色五月激情五月丁香五月婷婷啪啪综合| 五月婷激情影院| 丁香五月婷婷影视先锋| 激情综合五月色在线| 人人摸人人澡人人| 婷婷九月丁香天堂丁香天堂| 国产精品香蕉| 性爱网五月婷婷| 99热这里只有精品国产免费| 伊人五月天在线| 99热 在线播放| 日日撸天天干| 疯狂做受XXXX高潮A片动画| 丁香五月亚洲激情婷婷射| 久久激情五月| 97在线/日本| 另类图片 五月激情| 爱狠射| 激情五月天婷婷直播| 天堂久久婷婷| 99人人操| 99re这里只有精品国产99| 大香蕉婷婷久久| 在线超碰91| 六月婷婷狠狠色在线观看| 久久9久| 免费成人中文字幕| 色综合色综合色综合色综合| 婷婷激情四射五月天| 婷婷五月丁香六月天亚洲综合| 情欲禁地| 99热国产这里只有| 久久香蕉影院| 丁香婷五月天| 欧美A级成人婬片免费看理论| 天天草天天舔| 噼里啪啦完整版中文在线观看 | WWW夜夜| 五月综合激情| 操碰91| 另类在线| 久久五月天合网| 九九热最新| 婷婷激情五月天7| 色五月丁香网| 亚洲 综合中文| 91精品久久久久久综合五月天| 久久永久视频| 五月婷婷深深爱| 久热99热| 婷婷激情社区| 亚洲久久视频| 97caop| 五月婷庭丁香在线| 激情九月丁香婷婷| 丁香五月,激情五月,深爱五月| 激情五月婷婷综合秋霞| 亚洲成人人人操| 99色色网| 大香蕉啪啪啪| 日韩无码人妻一区二区| 欧美精品A片一区在线观看| 丁香婷婷成人网| 色综合色婷色基地| 日韩久热| 69堂午夜视频最新地址| 婷婷丁香九色| 五月婷婷之综合激情| 色婷小说| 五月丁香六月婷婷姐| 美欧成人视频| 99热爱爱干干日| 色区久久| 色五月婷婷在线| 日本色婷婷综合| 九九九九九999999| 五月丁香久久| www.激情五月天。com| 九九AV| 五月丁香欧美综合免费视频| 色青五月天| 大香蕉久久久久| 综合亚洲色色| 综合久久综合| 激情五月天激情小说| 久久综合99综合| 日韩av干| www.9操| 免费无码毛片一区二区A片| 婷婷婷久久| 亚洲精品第一色色色色色色| 热99精品视频| 91 影音先锋| 中字幕视频在线永久在线观看免费| 色五月丁香五月激情五月激情| 99久久综合网| www.五月天。com| 大波美女VA网站| 六月丁香五月天| 亚洲婷婷六月天| 色婷婷五月丁香色| 五月天另类小说| 久久久com| 99精品偷自拍| 久久视频婷婷| 五月丁香在线国产| 天天日天天插| 九九机热| 五月丁香六月成人| 狠狠综合网| 高潮毛片遮挡费高一百度| 婷婷九月在线| ...婷婷国产成人亚洲日韩| 五月婷婷久久爱| 特黄三级片| 亚洲精品性色| 亚洲激情av| 99精品视频在线观看| 久久婷婷综合五月天| 欧美天天爽| 啪啪五月婷婷| 97人人射| 婷婷五月天综合久久| 狠狠干在线视频| 91丨九色丨国产在线| 激情五月婷婷| 色女伊人| 婷婷五月天丁香激情| 第九色区av天堂| 中文字幕成人| 成人天天爽| 人人爱操| 六月激情网| 免费一区二区三区| 这里只有精品69| 乱岳熟女50岁| www.91有码.com| 另类视在线| 91精品久久久久久77777| 免费无码毛片一区二区A片 | 天天在线久久综合| 久久婷婷六月综合综合| 99久久婷婷| 精品操逼一区二区| 万月丁香狠狠爱| 超碰在线观看9| 狠狠干五月丁香| 久久婷婷成人| 欧美激情伊人| 五月丁香婷久久| 激情五月综合网| 国产婷婷五月天| 午夜激情久久| 色噜噜五月天| 久久五月天激情| 婷婷五月丁香激情图片 | 国产综合81p| 任你草| 自拍偷窥99热| 日本操碰碰| 91婷婷在线| 色爱综合视频| 99久久人妻精品无码二区| 亚洲AAA| 日本操B视频在线观看| 日韩综合久| 久久综合久色欧美综合狠狠| 激情丁香淫荡婷婷| 中文字幕在线日亚洲9| 色五月激情婷婷| 五月婷婷影视| 久久六月天| 亚洲精品小视频| 久久久免费精彩视频| 2w在线视频| 激情啪啪五月| 色五月网址| 天天操夜夜爽歪歪| 一起草无码| 久久婷婷五月| 99热色精品| 天天日狠狠| 亚洲日韩成人三级av| 久8色色| 激情网第九色| 色情终和网| 亚洲第79页| 开心五月婷婷婷美女| 丁香五月激情婷婷| 色婷婷婷婷五月天| 67194中文字幕| 婷婷五月天免费视频| 久久久99久久| 亚洲四色五月| 97人人干| 五月婷导航| 中文字幕AV网址| 99精品成人无码A片观看金桔| 日本一级特黄大片AAAAA级| 五月婷婷丁香啪啪| 国产成人综合在线| 91919191919久久成人视频| 久久婷婷五月综合色播| 五月天婷综合| 亚洲av网址| 亚洲V国产V欧美V久久久久久| 亚洲天码视频www蛋播视频| 亚洲网视屏| 成人人操| 秋霞少妇毛片| 九九99九九精品视频| 久久精品99国产精品日本| 男女99免费视频| 天天摸日日舔狠狠添婷婷婷 | 色5月婷婷| 亚洲视频五区| 99视频只有这里精品| 六月婷婷日| 日韩精品无码AV| 黄色中文字目| 深爱激情五月天| 99热亚洲精品| 99亚洲大片精品永久在线观看| 激情九月天天天天婷婷| 综合在线观看99| 久9久视频精品| 色色综合网www| 综合色图婷婷| 99在线精品观看99| 黄桃AV无码免费一区二区三区| 无码髙清| 五月天婷婷激情在线色图| 婷婷射丁香| 五月婷婷之综合激情| α久久| 婷婷丁香五月亚洲欧美| 婷婷五月综合色拍| 色原狠狠综合| 色噜噜狠狠色综合网| AA久久| www.久久久久久久久久久| 99ri视频在线观看| 五月婷天堂视频| 91熟妇大香蕉| 久久婷综| 五月天福利影院导航| 午夜成人av在线| 在线视频九色97| 五月天婷a在线| 99re久热| 精久久色| 狠狠色丁婷婷日日,伊人激情综合网| 79色色免费| 五月丁香花开综合网| 久热亚洲| 亚洲网综合在线| 这里只有精品2| 思思热视频在线| 99操逼| 另类激情中文| 任你艹| 婷婷色在线视频| 久久久久久人妻| 九九AV| 无码人妻丰满熟妇奶水区码| 色综合久久综合| 色综合久久久久| 色婷婷五月综合在线| 婷婷五月激情欧美大胆视频| 亚洲婷婷婷| 呦呦AV| 婷婷色五月色| 极品另类| 九九成人| www,色婷婷| 免费婷婷| 婷婷五月天,影院| 日本激情五月天‘| 人人草人人爱| 国产精品A成V人在线播放| 六月婷色| 色色欧美色色| 4399在线日本A片| 欧美色色干| 99爱视频在线观看这里只有精品| 大香AV| 97自拍视频在线| 一区视频网站| 91久久久久久久久18| 婷婷内射视频在线| 无码日本精品XXXXXXXXX | 婷婷五月天开心网| 五月Huangsewang| 日韩xx在线| 丁香五月天欧洲在线| 噜一噜免费视频| 久久亚洲天堂| 深爱五月婷婷| 婷婷色在线视频| 怡红院院久久| 婷婷在线午夜| 男同色五月开心五月激情五月| 天天做天天爱综合| 激情AV综合| 五月丁香六月婷婷a v| 亚洲AV网址| 色综合爱综合| 九九色热| 欧美怡红院黄站| 色碰碰| 99热这里只| 国产,欧美,学生妹,视频| 99热99成人| 大香蕉中文| 色欲影香| 98毛片| 熟女网站久久| 国产免费av在线| 丁香五月婷婷www..com| 欧美性猛交 XXXX 乱大交| 六月丁香五月婷婷| 丁香婷婷六月激情| 婷婷五月天激情在线观看 | 丁香香五月激情免费视频| 色婷婷第四色| 被强行糟蹋的女人A片| www.五月天| 九九九九综合| 五月婷婷久久大香蕉| 亚洲欧美999| 99色在线| 亚洲AAA| 五月天婷婷无码| 久色欧美| 大香蕉视频婷婷| 激情com| 俺也去婷婷五月天第五色| 91日综合欧美| www.色欲丁香婷婷| 99热手机在线精品| 99成人免费热视频| 26uuu国自产精品| 亚洲一级色电影| 五月大香蕉| 超碰操网| 色五月天综合| 婷婷王月天影院| 79色色免费| 激情伊人五月婷婷久久| 久久机热这里只有精品| av婷婷丁香 六月| 伊人久久婷婷| 99自拍视频在线| 日本色道视频网站| 天堂成人A片永久免费网站| 99热99这里有免费的精品| 国产成人精品一区二区三区视频| 亚洲精品成人片在线播| 丁香五月天堂| 99热99这里有免费的精品| 狠狠色五月激情| 五月天婷婷久色| 五月婷婷香| 婷婷色五月天在线观看| 性欧美大战久久久久久久83| 久久92| 无码少妇高潮喷水A片免费| 日本色超碰| 1囯产午夜仑鲁鲁| 色婷婷久久视屏| 五月婷婷与六月丁香图片激情| 狠狠狠人妻| 色播五月丁香| 亚洲情a| 99在线视频女女视频| 狠狠操狠狠插| 国产阿姨日皮艹逼内射视频| 色色亚洲视频| 久婷婷| 99亚洲精品视频| 熟妇人妻中文字幕无码老熟妇| 久久综合九九| 香蕉综合在线| 五月香六月婷| 五月亭亭狠狠| 久久HD| 激情播丁香| 色综合久久88色综合天天99| 97干在线免费| 99丁香五月| 久久99久久99www| 色色丁香婷婷综合| 深爱五月激情网| 日 日干 日日做| 婷婷激情在线| 色综合色综合网| 噜噜操操| 26uuu亚洲| 国产成人亚洲综合A∨婷婷| 丁香五月天啪啪| 色九亚洲| 婷婷伊人綜合中文字幕| 男人的天堂99| 草操AV在线| 日韩爱操视频| 99久久极情精品一区| 成人.在线日韩| 亭亭五月基地在线| 色综合爱综合| 九九热精品| 成人午夜视频精品一区| 婷婷色基地在线看| 天天成人综合视频| wwwss在线观看| 久久人人做人人妻人人玩精品va| a在线免费v| 婷婷五月久久| 丁香五月综合婷婷| 激情99| 亚州精品久久久久AV无码| 伊人久久丁香狠狠婷婷综合香蕉 | 久久伊人9| 五月丁香免费视频| 俺也去在线视频 | 五月天开心激情网色欲无码| 色婷婷免费视频| 久久五月情| 六月丁香婷婷拍拍| www色婷婷| 婷婷伊人综合中文字幕| 欧洲日韩一区二区三区| 午夜69成人做爰视频| 日本99在线视频| 色五月亚洲| 五月色丁香婷婷综合| 狠狠色婷婷| 非洲一级AV| 中文AV网站| 久久精品99国产精品日本| 超碰国产在线观看| 激情网站综合五月天| 婷婷久久综合| 久久五月丁香六月婷| 五月婷婷色色| 91狠狠综合网| 亚洲国产成人在线| www91色网站| 五月婷婷成人| 色女人久久| 色婷视频| 99色色最新视频| 中文字幕乱码亚洲精品一区| 婷婷网五月天| 男人大jjc女人免费视频| 爱iii做iiii日日| 五月九九综合| 激情五月婷色| 六月婷婷AV| 人妻视频一区而且二区| 久久久久久久久久久久久久久久久精典| 成人做爰A片免费看网站找不到了| 日产精品一线二线三线芒果| 日韩一级| 亚洲情色一区| 婷婷五月丁香五月天| 大陆肏屄视频| Av大香蕉| 九九99九九精品免费| 日韩xx在线| 99亚洲精美视频在线观看| 中文字幕av在线| 26uuu.| 五月丁香六月花| 丁香五月Av| 亚洲综合久| 能看的av| 亚洲成片在线观看| 久久99热这里只有| 婷婷丁香91综合| 国内久久亭亭| 欧美97色| 国产伦理精品高清在线观看网站一区二区 | 97视频久久| 丁香五月婷婷图片综合| 六月丁香婷婷色狠狠久久| 婷婷丁香一月| 五月丁香六月婷婷啪啪| 亚洲精品V天堂中文字幕| 九九热99热| 五月婷婷开心综合| 婷婷综合精品| 丁香五月婷婷综合激情哟哟哟| 色噜噜97视频在线观看| 久热只有这里有精品| 人人摸人人干人人做| 久久a热| 伊人综合网站| 色情五月婷| 色色99色色| 亚洲色热| 婷婷五月天社区| 99热国产婷婷| 五月六月激情| 色婷婷丁香五月| 激情图片久久| 久久五月婷天天干| 国产精品久久久久9999小说 | 黄色成人网站在线播放| 亚洲操操| 九九色院| 99er在线观看| 亚洲综合激情五月久久| 伊人青涩网| 激情五月丁香激情综合网| 91ncom.色| 曰韩五月丁香色婷婷无码| 色色婷婷丁香| 天天插插天天| 久久人妻少妇嫩草AV| 九九这里只有精品在线视频| 色综合久久99色| 九九综合网色全集| 色色丁香激情五月| 日本色色影片| 五月天婷婷丁香蜜桃91| 亚洲成人免费在线| 六月婷婷综合| 婷婷五月天AV| 免费看片在线观看| 天天色域综合网| 国产FREESEXVIDEOS性中国| 色噜噜狠狠色综合伊人| 九九热在线99| 激情综合网之激情五月| 色色99| 亚洲AV成人精品日韩在线播放| 色五月婷婷影院| 久久五月天激情| 欧美激情综合色综合色| 色色五月婷婷狠狠| 色情五月天se| 亚洲精品久久久久久久久久吃药| 五月天婷婷无码| 亚洲人人操| 丁香桃色网| 天色综合网| 五月婷婷色影院| 120分钟婬片免费看| 激情婷婷| 99精品视频在线| 97丁香视频| 操逼巨乳91| www.激情.com.| 精品夜夜澡人妻无码AV| 色五月丁香六月欧美综合| 色五月在线综合| 97中文在线| 蜜臀AV在线成人| 九色亚洲| www.婷婷五月天.com| 婷婷午夜精品久久久| 色婷婷五月在线| 中文资源在线a| 欧洲色| 中文av网站| 亚洲欧美婷婷五月色综合| 黃色三级三级三级三级 qixing300.shrkbk.com www.jinbozs.com tianmiaosw.com | 天天久久综合| 亚洲色婷婷五月天| 大香蕉五月丁香| 五月丁香网站在线播放| 99视频啪啪| 99九九热在线观看| 五月色婷婷激情| 色婷婷文字幕| 涩五月婷婷| 婷婷射丁香| 五月丁香av在线| 91精产品自偷自偷综合| 六月丁花香啪啪激情欧美| 丁香五月婷婷六月丁香| 日本综合久久| 婷婷六月成人| 欧美激情综合色综合啪啪五月| 97操视频| 能看的av网站| 天天色综合综合| 九九这里只有精品在线视频| 青青久久91| 亚洲色五月| 五月婷婷色播| 久久深爱激情网| 高清无码 一区 二区 三区| av在线免费网站 | 五月天婷爱综合| 欧洲永久精品| 九色91美女| 色婷婷啪啪| 精品久久久久成人码免费动漫 | 日本三级黄色大片| 婷婷五月欧美AA片免费| 成人精品视频99在线观看免费 | 久久9热| 这里只有免费精品| 九九一综合精品| 色综合网上班开心婷婷久久| 色婷婷文字幕| 五月天婷久久| 五月丁香网站| 很操日本7| 五月激情日本在线| 99丁香五月婷婷在线| 丁香激情综合| 97啪啪| 国产va视频| 色综合爱综合| 婷婷五月天天| 九九99免费视频| 啪啪99| AV在线免费播放| 久久亭亭电影| 无码一级片| 色开心五月丁香| 色色五月综合| 一起草aV| 色爱99| 狠狠狠狠青草| 九九热99久久99| 日韩一级| 99自拍视频在线| 超碰日韩成人| 日本欧美成人片AAAA| 五月天婷婷网站888| 国产免费一区二区三州老师F1F1| www婷婷| 九月丁香婷婷网| 涩 五月 婷婷 狠狠| 婷婷五月综合基地| 991自拍视频| 91超级碰人人操| 91久久国产自产拍夜夜91久久精品文字>91麻豆精品国产 | 国模九区| 在线播放 精品| 一区中文字幕电影| 亚洲性爱电影| 大香蕉99热| 操操操操操操婷婷五月天| 欧美99热| 亚洲九九99精品视频在线播放| 亚洲成人色五月天| 深爱五月日韩| 强伦轩人妻一区二区电影| 激情丁香五月| 五月天丁香色色| 激情宗合 激情宗合| a在线观看| 激情综合网,婷婷五月天| 天天透天天摸天天舔| 五月激情六月宗合| 超碰狠狠操| www.99视频| 欧美色偷拍| 人妻乱码久久久| 色性日本| 99超级碰免费视频| 丁香花综合永久入口| 好色婷婷| 蜘蛛女免费观看完整版高清电影 | 久香草视频在线观看| 五月婷激情影院| 亚洲国产精品SUV| 踪合专区啪啪| 这里只精品| 日婷婷| 婷婷五月天基地| 色V狠狠的干| www.夜夜騎夜夜狠| 人人干女人| 中文字幕 中文字幕明步| 色色色婷| 婷婷色丁香六月| 五月天精品| 國語久久婷| xx综合网| 久久伊人五月天| 日本99婷婷| 丁香五月图片| 亚洲成人免费电影| 亚洲无码性爱| 99啪啪网| 色99网站| 久久大大香| 色婷婷最爱五月| 久久亚洲婷婷| 成人色图情色成人网 www.5b5b5bcom 五月天 | 色欲天天综合| rr天天操| 色婷婷狠狠18yy| 啪啪婷婷五月天激情| 五月天成人小说| 久9热插入| 天天操夜夜夜夜爽| 亚洲不卡欧洲| 国产黄色大片| 激情小说视频图片网| 九九中文色色| 夜夜做夜夜愛| 182tv992tv人之初午夜免费观看| 久久99久久99精品免视看婷婷| 天天干 夜夜爽| 五月婷婷新网站| 99热这里| 99在线观看视频精品| 五月丁香网站| 九色自拍| 五月婷婷九| 色婷婷五月成人网| 美女五月狠狠| 久久国产高清| 亚洲五月天婷婷| 色呦呦在线| 日本欧美999久久久三级片| 色狠狠综合入口| 日本三级第一页| 五月丁香婷婷综合久久| 久婷五月| 丁香色五月直播| 九九精品免费| 久久久婷婷五月亚洲97号色| 久草热在线视频| 婷婷亚洲久久| VfJxEwPH| WWW.久久99| 日韩在线一级| 丁香婷婷六月激情文学 | 五月丁香在线观看| 狠狠情色| 久久婷婷成人综合色怡春院| 97干在线视频| 婷婷久久综合| 凹凸操Av| 久久总和99| 色婷婷电影网| 婷婷之六月丁香| 天堂综合久| 亭亭玉月丁香| A A色色| 91久久久久久久久久| 婷婷久久五月天| av中文网站| 日本色色网站| 久热69| 丁香女人五月天| 91色色五月天| 色爱99| 综合激情专区| www.五月天| 情久久综合五月天| 精品国产va久久久久| 在线中文字幕av| 性色天| 丁香五月丐人妻| 99操视频| 99久久玖玖| 热的国产,热的综合,热的有码| 人人操人人添人人摸97| 色五月综合| 亚洲五月婷婷| 五月丁香在线视频观看| 欧美大片免费观看| 五月天开心激情综合网| 五月丁香日本在线视频观看| 久久久亚洲成人无码A片| 另类视频一区| 婷婷五月综合网| 日日狠狠久久偷偷四色综合免费| 国产成人综合在线| 综合99在线| 影音先锋色婷婷| 妻久久人久久| 色婷婷丁香五月在线| 97在线/亚洲| 久久五月热| 99热官网| 2017狠狠干| 伊人五月网| 五月色综合网欧美网| 色婷亚洲五月丁香| 四川BBB搡BBB爽爽视频| 丁香六月啪啪| 久久这里都是精品| 8区视频在线| 亚洲激情97五月天| 五月激情综合婷婷| 日本三级中国三级99| 丁香五月先锋| 丁香五月-激情综合| 热九九精品| 99热这里只有精品青草| 五月天无码视屏播放| 99无码视频| 99re热精品在线视频| 亚洲AV第二区国产精品| 五月丁香综合网| 淫五月停停| 成人做爰A片免费看网站找不到了| 夜夜资源站| 超碰人人色| 天天干夜夜谢| 五月丁香色色网| 亚洲A片成人无码久久精品青桔| 伊人久久婷婷| 99精品成人无码A片观看金桔| 成人做爰高潮A片免费视频| 丁香五月电影| 欧美人与性动交CCOO| 精品人妻午夜一区二区三区四区 | 9九九久久精品无码专区| 国产乱妇无乱码大黄AA片| 9久热在线视频精品| 无码动漫av| 欧美综合五月丁香五月天| 五月丁香六月婷婷开心网| 色五月AV| 99热精品在线播放| 久久HD| 图片区 小说区 区 亚洲五月| 精品人妻伦九区久久AAA片| 老师高潮流白浆喷水的A片| 六月婷婷青青青视频| 丁香九月综合激情| 久久精品在线| 亚洲一区二区无码蜜乳av| 5月婷婷激情网| 日日干天天爽| 1024国产| 色婷婷五月天偷拍| 色色欧美。| 99re免费视频| www五月天com| 丁香五月天无码AV| 波多婷婷久久| 黑人无码一区| 五月天激情小说| 国产偷人爽久久久久久老妇APP| 色婷婷呢狠禁久禁| 狠狠色丁香婷婷| 99热热九九| 夜夜骑夜夜撸| 狠狠爱激情网| av在线资源| 日本色色网站| 色五月在线| 97碰碰视频在线观看免费| 婷婷五月激情中文字幕| 超碰妻人人| 亚洲不卡| 五月综合缴情网| 人妻少妇色综合| 日本色超碰| 狠狠五月天婷婷| 麻豆雪千夏| 爱99干99| 午夜丁香婷婷| 五月色天情| 人妻少妇色综合| 激情四射婷婷| 激情99热| 久久激情视频| 婷婷色情五月| 丁香五月婷在线| 97精品综合久久|