• / 11
  • 下載費用:30 金幣  

語義關鍵詞提取方法及裝置.pdf

摘要
申請專利號:

CN201510673358.5

申請日:

2015.10.16

公開號:

CN105260359A

公開日:

2016.01.20

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06F 17/27申請日:20151016|||公開
IPC分類號: G06F17/27 主分類號: G06F17/27
申請人: 晶贊廣告(上海)有限公司
發明人: 湯奇峰; 劉作濤
地址: 200072上海市閘北區靈石路695號珠江創業園區3號樓1101室
優先權:
專利代理機構: 北京集佳知識產權代理有限公司11227 代理人: 吳敏
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510673358.5

授權公告號:

||||||

法律狀態公告日:

2018.10.02|||2016.02.17|||2016.01.20

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

一種語義關鍵詞提取方法及裝置,用于互聯網網頁的文本,語義關鍵詞提取方法包括:基于詞典對待提取文本進行分詞,以獲取所述待提取文本中詞的數目和每個詞的屬性信息;根據所述屬性信息對所述每個詞進行打分,得到所述每個詞的基礎分;計算所述每個詞之間的關聯關系和所述每個詞的IDF值,根據所述關聯關系和所述IDF值對所述每個詞的基礎分進行調整;根據所述調整后的基礎分將所述詞排序,將排序中序號達到第一設定閾值的詞作為所述待提取文本的語義關鍵詞進行輸出。所述語義關鍵詞提取方法及裝置提高了語義關鍵詞提取的精準性和有效性。

權利要求書

1.一種語義關鍵詞提取方法,用于互聯網網頁的文本,其特征在于,包括:
基于詞典對待提取文本進行分詞,以獲取所述待提取文本中詞的數目和每
個詞的屬性信息;
根據所述屬性信息對所述每個詞進行打分,得到所述每個詞的基礎分;
計算所述每個詞之間的關聯關系和所述每個詞的IDF值,根據所述關聯關
系和所述IDF值對所述每個詞的基礎分進行調整;
根據所述調整后的基礎分將所述詞排序,將排序中序號達到第一設定閾值
的詞作為所述待提取文本的語義關鍵詞進行輸出;
其中,所述第一設定閾值依據所述待提取文本中詞的數目設置。
2.根據權利要求1所述的語義關鍵詞提取方法,其特征在于,還包括:
所述根據所述屬性信息對所述每個詞進行打分,得到所述每個詞的基礎分
后,
根據所述基礎分將所述詞排序,所述排序序號達到第二設定閾值時,過濾
所述基礎分對應的所述詞;其中,所述第二設定閾值為所述詞的數目的
50%。
3.根據權利要求1所述的語義關鍵詞提取方法,其特征在于,還包括:
所述根據所述調整后的基礎分將所述詞排序,排序中序號達到第一設定閾
值后,
所述調整后的基礎分達到第三設定閾值時,將所述調整后的基礎分對應的
所述詞作為所述待提取文本的語義關鍵詞進行輸出;其中,所述第三設定
閾值依據所述調整后的基礎分設置。
4.根據權利要求1所述的語義關鍵詞提取方法,其特征在于,采用根據百科
詞典構建的分詞器對所述待提取文本進行分詞。
5.根據權利要求1所述的語義關鍵詞提取方法,其特征在于,所述屬性信息
包括:所述每個詞的詞頻、詞性、詞的長度和詞的位置。
6.根據權利要求5所述的語義關鍵詞提取方法,其特征在于,所述詞頻、詞
性、詞的長度和詞的位置對應相應的分值;所述基礎分的計算公式為:
S1=K1×K2×K3×K4;
其中,S1為所述基礎分;K1為所述詞頻對應的分值;K2為所述詞的位置
對應的分值;K3為所述詞性對應的分值;K4為所述詞的長度對應的分值。
7.根據權利要求1所述的語義關鍵詞提取方法,其特征在于,所述關聯關系
對應相關性得分;所述相關性得分根據所述詞的共現概率或詞典分類裝置
得到。
8.根據權利要求7所述的語義關鍵詞提取方法,其特征在于,所述根據所述
關聯關系和所述IDF值對所述基礎分進行調整包括:所述基礎分與所述IDF
值做積,并加上所述相關性得分。
9.一種語義關鍵詞提取裝置,用于互聯網網頁的文本,其特征在于,包括:
分詞模塊,用于基于詞典對待提取文本進行分詞,以獲取所述待提取文本
中詞的數目和每個詞的屬性信息;
打分模塊,用于根據所述屬性信息對所述每個詞進行打分,得到所述每個
詞的基礎分;
分值調整模塊,用于計算所述每個詞之間的關聯關系和所述每個詞的IDF
值,根據所述關聯關系和所述IDF值對所述每個詞的基礎分進行調整;
關鍵詞選取模塊,用于根據所述調整后的基礎分將所述詞排序,選取排序
中序號達到第一設定閾值的詞;
輸出模塊,將排序中序號達到第一設定閾值的詞作為所述待提取文本的語
義關鍵詞進行輸出;
其中,所述第一設定閾值依據所述待提取文本中詞的數目設置。
10.根據權利要求9所述的語義關鍵詞提取裝置,其特征在于,還包括:
第一篩選模塊,耦接所述打分模塊,用于根據所述基礎分將所述詞排序,
所述排序序號達到第二設定閾值時,過濾所述基礎分對應的所述詞;其中,
所述第二設定閾值為所述詞的數目的50%。
11.根據權利要求9所述的語義關鍵詞提取裝置,其特征在于,還包括:
第二篩選模塊,耦接所述關鍵詞選取模塊,所述排序中序號達到第一設定
閾值后,所述調整后的基礎分達到第三設定閾值時,選取所述調整后的基
礎分對應的所述詞;其中,所述第三設定閾值依據所述調整后的基礎分設
置。

說明書

語義關鍵詞提取方法及裝置

技術領域

本發明涉及數據挖掘領域,尤其涉及一種語義關鍵詞提取方法及裝置。

背景技術

隨著互聯網的發展,尤其是社交網絡的爆發式增長,每天都有大量的文
本內容被制造出來。無論是搜索引擎,還是互聯網廣告裝置,都需要對大量
的文檔進行分析并建立索引,而分析最重要的就是語義關鍵詞提取。語義關
鍵詞提取是指,計算機從內容各異、包羅萬象的互聯網網頁或文檔中,提取
出與網頁或文檔主旨最貼切、表述能力最精準的詞或短語的組合。通過提取
語義關鍵詞,可以大幅減少被索引的文檔中詞語的數量,并且提高搜索或廣
告裝置中文檔查詢的相關性。

在現有技術中,語義關鍵詞的提取是一項非常具有挑戰性的工作。目前
常用的方法有以下3種:1、人工指定關鍵詞。這種方法常見于新聞門戶,一
篇文章完成后,會人為地為文章指定幾個具有語義代表性的關鍵詞。點擊這
些關鍵詞,就會看到與關鍵詞相關的文章。2、基于文檔中各個詞的詞頻和重
要度提取關鍵詞。一個詞的詞頻即是這個詞在文檔中出現的次數,出現的次
數越高,表明詞與文檔的相關性越高。詞的重要度可以用逆向文檔頻率
(InverseDocumentFrequency,IDF)值表示,IDF值表示同一詞在多少個不同
的文檔中出現,出現的文檔越多,則詞越常見,重要性越低;出現的文檔越
少,則詞越稀有,重要性越高。詞頻高和重要度高的詞,應該被判斷為語義
關鍵詞。3、基于文檔的類別提取關鍵詞。對文檔進行文本分類,用文檔的類
別作為文檔的語義關鍵詞。

但是,現有技術的語義關鍵詞的提取方法有以下弊端:1、人工指定關鍵
詞費時費力,無法處理超大規模任務,而且受限于人的知識領域,提取的關
鍵詞不精準;2、基于詞頻和重要度提取關鍵詞的方法,由于是孤立的看待每
個詞,無法確定詞是否與文章的主旨相關聯,即無法確定是不是文章的中心
詞,提取的關鍵詞不精準;3、基于文檔的類別提取關鍵詞,范圍寬泛,表述
能力不夠,提取的關鍵詞不精準。

發明內容

本發明解決的技術問題是如何提高語義關鍵詞提取的精準性和有效性。

為解決上述技術問題,本發明實施例提供一種語義關鍵詞提取方法,所
述語義關鍵詞提取方法包括:

基于詞典對待提取文本進行分詞,以獲取所述待提取文本中詞的數目和
每個詞的屬性信息;

根據所述屬性信息對所述每個詞進行打分,得到所述每個詞的基礎分;

計算所述每個詞之間的關聯關系和所述每個詞的IDF值,根據所述關聯
關系和所述IDF值對所述每個詞的基礎分進行調整;

根據所述調整后的基礎分將所述詞排序,將排序中序號達到第一設定閾
值的詞作為所述待提取文本的語義關鍵詞進行輸出;

其中,所述第一設定閾值依據所述待提取文本中詞的數目設置。

可選的,語義關鍵詞提取方法還包括:所述根據所述屬性信息對所述每
個詞進行打分,得到所述每個詞的基礎分后,根據所述基礎分將所述詞排序,
所述排序序號達到第二設定閾值時,過濾所述基礎分對應的所述詞;其中,
所述第二設定閾值為所述詞的數目的50%。

可選的,語義關鍵詞提取方法還包括:所述根據所述調整后的基礎分將
所述詞排序,排序中序號達到第一設定閾值后,

所述調整后的基礎分達到第三設定閾值時,將所述調整后的基礎分對應
的所述詞作為所述待提取文本的語義關鍵詞進行輸出;其中,所述第三設定
閾值依據所述調整后的基礎分設置。

可選的,采用根據百科詞典構建的分詞器對所述待提取文本進行分詞。

可選的,所述屬性信息包括:所述每個詞的詞頻、詞性、詞的長度和詞
的位置。

可選的,所述詞頻、詞性、詞的長度和詞的位置對應相應的分值;所述
基礎分的計算公式為:S1=K1×K2×K3×K4;

其中,S1為所述基礎分;K1為所述詞頻對應的分值;K2為所述詞的位
置對應的分值;K3為所述詞性對應的分值;K4為所述詞的長度對應的分值。

可選的,所述關聯關系對應相關性得分;所述相關性得分根據所述詞的
共現概率或詞典分類裝置得到。

可選的,所述根據所述關聯關系和所述IDF值對所述基礎分進行調整包
括:所述基礎分與所述IDF值做積,并加上所述相關性得分。

為解決上述技術問題,本發明實施例還公開了一種語義關鍵詞提取裝置,
用于互聯網網頁的文本,語義關鍵詞提取裝置包括:

分詞模塊,用于基于詞典對待提取文本進行分詞,以獲取所述待提取文
本中詞的數目和每個詞的屬性信息;

打分模塊,用于根據所述屬性信息對所述每個詞進行打分,得到所述每
個詞的基礎分;

分值調整模塊,用于計算所述每個詞之間的關聯關系和所述每個詞的IDF
值,根據所述關聯關系和所述IDF值對所述每個詞的基礎分進行調整;

關鍵詞選取模塊,用于根據所述調整后的基礎分將所述詞排序,選取排
序中序號達到第一設定閾值的詞;

輸出模塊,將排序中序號達到第一設定閾值的詞作為所述待提取文本的
語義關鍵詞進行輸出;

其中,所述第一設定閾值依據所述待提取文本中詞的數目設置。

可選的,所述語義關鍵詞提取裝置還包括:第一篩選模塊,耦接所述打
分模塊,用于根據所述基礎分將所述詞排序,所述排序序號達到第二設定閾
值時,過濾所述基礎分對應的所述詞;其中,所述第二設定閾值為所述詞的
數目的50%。

可選的,所述語義關鍵詞提取裝置還包括:第二篩選模塊,耦接所述關
鍵詞選取模塊,所述排序中序號達到第一設定閾值后,所述調整后的基礎分
達到第三設定閾值時,選取所述調整后的基礎分對應的所述詞;其中,所述
第三設定閾值依據所述調整后的基礎分設置。

與現有技術相比,本發明實施例的技術方案具有以下有益效果:

本發明實施例通過獲取待提取文本分詞后的每個詞的屬性信息,根據詞
的屬性信息和IDF值對每個詞進行打分和調整,并根據調整后的基礎分將所
述詞排序篩選出待提取文本的語義關鍵詞。通過將詞的屬性信息和IDF值結
合,提高了語義關鍵詞提取的精準性和有效性;同時,由于分詞后的每個詞
都是分散獨立的,通過計算每個詞之間的關聯關系并對基礎分進行調整,使
得具備關聯關系的詞可以互相加權而成為語義關鍵詞,提高了語義關鍵詞提
取的魯棒性。

進一步,本發明實施例通過考慮詞頻、詞性、詞的長度和詞的位置對提
取文本的每個詞打分,提高了提取的關鍵詞與文檔主旨的相關性。

附圖說明

圖1是本發明實施例一種語義關鍵詞提取方法流程圖;

圖2是本發明實施例另一種語義關鍵詞提取方法流程圖;

圖3是本發明實施例一種語義關鍵詞提取裝置結構示意圖。

具體實施方式

如背景技術中所述,現有技術的語義關鍵詞的提取方法有以下弊端:1、
人工指定關鍵詞費時費力,無法處理超大規模任務,而且受限于人的知識領
域,提取的關鍵詞不精準;2、基于詞頻和重要度提取關鍵詞的方法,由于是
孤立的看待每個詞,無法確定詞是否與文章的主旨相關聯,即無法確定是不
是文章的中心詞,提取的關鍵詞不精準;3、基于文檔的類別提取關鍵詞,范
圍寬泛,表述能力不夠,提取的關鍵詞不精準。

本發明實施例通過獲取待提取文本分詞后的每個詞的屬性信息,根據詞
的屬性信息和IDF值對每個詞進行打分和調整,并根據調整后的基礎分將所
述詞排序篩選出待提取文本的語義關鍵詞,通過將詞的屬性信息和IDF值結
合,提高了語義關鍵詞提取的精準性和有效性;同時,由于分詞后的每個詞
都是分散獨立的,通過計算每個詞之間的關聯關系并對基礎分進行調整,使
得具備關聯關系的詞可以互相加權而成為語義關鍵詞,提高了語義關鍵詞提
取的魯棒性。

為使本發明的上述目的、特征和優點能夠更為明顯易懂,下面結合附圖
對本發明的具體實施例做詳細的說明。

圖1是本發明實施例一種語義關鍵詞提取方法流程圖。

請參照圖1,語義關鍵詞提取方法包括:步驟S101,基于詞典對待提取
文本進行分詞,以獲取所述待提取文本中詞的數目和每個詞的屬性信息。

本實施例中,語義關鍵詞提取方法用于互聯網網頁的文本,所述文本可
以是通過抓取網頁形成的網絡文檔,也可以是任意可實施的基于網絡生成的
文檔。

本實施例中,語義關鍵詞提取方法采用根據百科詞典構建的分詞器對所
述待提取文本進行分詞。

具體實施中,語義關鍵詞提取方法首先獲得百科詞典中所有詞的列表,
然后對待提取文本進行后向最大匹配,匹配后的結果即得到待提取文檔的所
有詞。其中,最大匹配是指以百科詞典為依據,提取百科詞典中最長單詞為
第一個取字數量的掃描串,在百科詞典中進行掃描,然后逐字遞減,在對應
的百科詞典中進行查找。后向最大匹配是指取詞的順序為從后往前。

本實施例中,所述每個詞的屬性信息包括:所述每個詞的詞頻、詞性、
詞的長度和詞的位置。

具體實施中,詞頻為每個詞在待提取文本中出現的次數;詞性指每個詞
的屬性,包括專有名稱、普通名詞、成語、動詞、形容詞和副詞;詞的長度
是指每個詞中字的數目;詞的位置表示詞在待提取文檔中的位置,包括標題、
副標題、摘要和正文。

本實施例中,在所述詞有多個詞性的情況下,選取所述詞的常用詞性,
常用詞性可以通過百科詞典獲得;當所述詞為英文時,計算所述詞英文字母
的數目,且將英文字母的數目與3的比值作為所述英文詞的長度。

步驟S102,根據所述屬性信息對所述每個詞進行打分,得到所述每個詞
的基礎分。

本實施例中,所述每個詞的屬性信息對應相應的分值;所述每個詞的詞
頻、詞性、詞的長度和詞的位置對應相應的分值。

具體實施中,所述基礎分的計算公式為:S1=K1×K2×K3×K4;其中,S1
為所述基礎分;K1為所述詞頻對應的分值;K2為所述詞的位置對應的分值;
K3為所述詞性對應的分值;K4為所述詞的長度對應的分值。

本實施例中,高詞頻對應的分值大于低詞頻對應的分值;每個詞的詞性
對應的分值從高到低依次為:專有名詞對應的分值、普通名詞對應的分值、
形容詞對應的分值、動詞對應的分值、成語對應的分值、副詞對應的分值以
及其他詞對應的分值;詞的位置對應的分值從高到低依次為標題正文都出現
對應的分值、只在標題出現對應的分值、在正文前半部分對應的分值、在正
文后半部分對應的分值;詞的長度長的詞對應的分值大于長度短的詞對應的
分值。

需要說明的是,每個詞的屬性信息對應相應的分值可以根據實際情況做
適應性的調整。

步驟S103,計算所述每個詞之間的關聯關系和所述每個詞的IDF值,根
據所述關聯關系和所述IDF值對所述每個詞的基礎分進行調整。

本實施例中,詞的IDF值用來判定詞的重要度。可以通過將總文本數目
與包含所述詞的文本的數目的比值取對數得到。詞的IDF值越高,詞的重要
性越高。

本實施例中,所述每個詞之間的關聯關系包括共現和根據詞典分類裝置
得到的相關性。所述關聯關系對應相關性得分。其中,共現是指至少兩個詞
在同一篇文本中出現。共現關系用兩個詞的共現概率來表示,共現概率的大
小為所述兩個詞共同出現的文本數目與總文本數目的比值。共現概率越大則
對應相關性得分越高。

本實施例中,相關性得分采用共現概率來表示。

本實施例中,根據詞典分類系統得到的相關性是指在詞典分類系統中的
類別的關聯程度;屬于同一個類別的至少兩個詞相關性得分高,且屬于細分
的子類別,相關性得分更高。

具體實施中,以互動百科作為詞典分類系統,姚明和易建聯都屬于類目:
人物->體育人物->運動員->球類運動員->籃球運動員,姚明和易建聯相關性
高;而姚明與奧巴馬則只是共同屬于類目:人物。所以姚明和易建聯相關性
得分大于姚明與奧巴馬的相關性得分。

可以理解的是,所述相關性得分可以根據具體應用環境做適應性調整。

本實施例中,所述兩個詞存在共現概率或者在詞典分類系統的相關性得
分高,則需要根據所述關聯關系以及所述IDF值對所述基礎分進行調整,所
述調整包括:所述基礎分與所述IDF值做積,并加上所述相關性得分。

具體實施中,所述調整基礎分的計算公式為:S2=S1×K5+∑(S×N);其
中,S2為調整后的基礎分;K5為詞的IDF值;S為與詞具備關聯關系的詞的
基礎分;N為詞的相關性得分。

本實施例中,利用相關關系將相關詞的基礎分提高,使得具備關聯關系
的詞可以互相加權而成為語義關鍵詞,提高了語義關鍵詞提取的魯棒性。

步驟S104,根據所述調整后的基礎分將所述詞排序,將排序中序號達到
第一設定閾值的詞作為所述待提取文本的語義關鍵詞進行輸出。

本實施例中,所述第一設定閾值依據所述待提取文本中詞的數目設置,
第一設定閾值為5。

具體實施中,對待提取文本中的所有詞根據調整后的基礎分S2進行從小
到大的排序,將得分最高的前5個詞作為所述待提取文本的語義關鍵詞進行
輸出。

需要說明的是,所述第一設定閾值為5僅為示例性,不應看作對本發明
實施例的限制,在實際應用環境中,可以根據用戶需求將第一設定閾值設定
為任意可實施的數目。

圖2是本發明實施例另一種語義關鍵詞提取方法流程圖。

請參照圖2,一并參照圖1,語義關鍵詞提取方法包括:步驟S101,基于
詞典對待提取文本進行分詞,以獲取所述待提取文本中詞的數目和每個詞的
屬性信息。

步驟S102,根據所述屬性信息對所述每個詞進行打分,得到所述每個詞
的基礎分。

步驟S201,根據所述基礎分將所述詞排序,所述排序序號達到第二設定
閾值時,過濾所述基礎分對應的所述詞。

本實施例中,所述第二設定閾值為50%。由于待提取文本分詞后詞的數
目龐大,在計算得到所述詞的基礎分后,將所述詞根據所述基礎分從小到大
進行排序,并將排序位于后50%的詞過濾掉,即將基礎分低與文本關聯性不
高的詞過濾。

可以理解的是,所述第二設定閾值為50%僅為示例,也可以設置為任意
可實施的數目。

步驟S103,計算所述每個詞之間的關聯關系和所述每個詞的IDF值,根
據所述關聯關系和所述IDF值對所述每個詞的基礎分進行調整。

步驟S202,根據調整后的基礎分將詞排序,將排序中序號達到第一設定
閾值調整后的基礎分達到第三設定閾值時,將調整后的基礎分對應的詞作為
待提取文本的語義關鍵詞進行輸出。

本實施例中,所述第三設定閾值依據所述調整后的基礎分設置。

具體實施中,在獲取得分最高的前5個詞之后,判斷所述5個詞的基礎
分是否達到第三設定閾值,并將達到第三設定閾值的詞作為待提取文本的語
義關鍵詞進行輸出。為了保證輸出關鍵詞的準確性,如果基礎分沒有達到第
三設定閾值,即使所述詞在排序中排到了前5,也要過濾掉。

具體實施方式可參考前述相關實施例,此處不再贅述。

圖3是本發明實施例一種語義關鍵詞提取裝置結構示意圖。

請參照圖3,語義關鍵詞提取裝置包括:

分詞模塊301,用于基于詞典對待提取文本進行分詞,以獲取所述待提取
文本中詞的數目和每個詞的屬性信息。

打分模塊302,用于根據所述屬性信息對所述每個詞進行打分,得到所述
每個詞的基礎分。

第一篩選模塊303,耦接所述打分模塊302,用于根據所述基礎分將所述
詞排序,所述排序序號達到第二設定閾值時,過濾所述基礎分對應的所述詞;
其中,所述第二設定閾值為所述詞的數目的50%。

分值調整模塊304,用于計算所述每個詞之間的關聯關系和所述每個詞的
IDF值,根據所述關聯關系和所述IDF值對所述每個詞的基礎分進行調整。

關鍵詞選取模塊305,用于根據所述調整后的基礎分將所述詞排序,選取
排序中序號達到第一設定閾值的詞。

第二篩選模塊306,耦接所述關鍵詞選取模塊,所述排序中序號達到第一
設定閾值后,所述調整后的基礎分達到第三設定閾值時,選取所述調整后的
基礎分對應的所述詞;其中,所述第三設定閾值依據所述調整后的基礎分設
置。

具體實施中,對待提取文本中的所有詞根據調整后的基礎分進行從小到
大的排序,提取得分最高的前5個詞。在獲取得分最高的前5個詞之后,判
斷所述5個詞的基礎分是否達到第三設定閾值,并選取達到第三設定閾值的
詞作為待提取文本的語義關鍵詞。

輸出模塊307,將所述待提取文本的語義關鍵詞進行輸出。

本發明實施例的具體實施方式可參考前述相應實施例,此處不再贅述。

本發明實施例通過獲取待提取文本分詞后的每個詞的屬性信息,根據詞
的屬性信息和IDF值對每個詞進行打分和調整,并根據調整后的基礎分將所
述詞排序篩選出待提取文本的語義關鍵詞。通過將詞的屬性信息和IDF值結
合,提高了語義關鍵詞提取的精準性和有效性;同時,由于分詞后的每個詞
都是分散獨立的,通過計算每個詞之間的關聯關系并對基礎分進行調整,使
得具備關聯關系的詞可以互相加權而成為語義關鍵詞,提高了語義關鍵詞提
取的魯棒性。

雖然本發明披露如上,但本發明并非限定于此。任何本領域技術人員,
在不脫離本發明的精神和范圍內,均可作各種更動與修改,因此本發明的保
護范圍應當以權利要求所限定的范圍為準。

關 鍵 詞:
語義 關鍵詞 提取 方法 裝置
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:語義關鍵詞提取方法及裝置.pdf
鏈接地址:http://www.rgyfuv.icu/p-6345571.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
山东11选5中奖结果走势图