1.一种物联网设备协同意愿智能感知方法，其特征在于：该方法包括：量化物联网设备部署者与用户之间的社会联系：物联网设备部署者向用户提供搜索服务可视为二者产生了社会联系，协同行为的次数反映了二者间的社会联系紧密度；通过部署者与用户间的协同记录来构建社会联系矩阵，以实现两者之间社会联系的量化；提取物联网设备部署者与用户之间的协同行为特征：构建深度系数自动编码器(DSAE)，采用逐层训练方法，获得所有个体的社会联系特征矩阵 其中 表示个体i在DSAE第L层的特征向量；对协同网络的重叠社区结构进行检测：对于同一实体处于多个关联设备观测范围之内，基于前述提取的社会联系特征矩阵 采用模糊C-均值聚类方法，进行协同i网络的重叠社区结构检测；确定物联网设备部署者的协同意愿强度：部署者的社区隶属度u ij 反映对社区内个体的平均协同意愿，同时结合衡量给定用户的定向协同意愿，联合确定部署者i关于用户j的协同意愿强度；所述量化物联网设备部署者与用户之间的社会联系具体为：记录搜索系统中全网个体间的协同记录A＝[a 1 ,a 2 ,…,a n ]∈R n×n ，a i ＝[m i1 ,m i2 ,…,m in ] T ∈R n×1 ，m ij ,i,j＝1,2,…,n为任意部署者i对用户j的协同次数，R n×n 表示协同记录A为n×n阶矩阵；归一化社会联系矩阵A为服从标准正态分布的社会联系矩阵 所述提取物联网设备部署者与用户之间的协同行为特征具体为：构建深度系数自动编码器DSAE；根据社会联系量化方法得到的社会联系矩阵 将个体i的社会联系向量 输入SAE第一层；经过第2层编码后得到个体i的社会联系向量的低维编码向量h i ∈R d×1 ；第2层到第3层为解码过程；第3层解码个体i的低维编码向量h i ∈R d×1 ，得到与 具有相同维度的输出向量 通过调整SAE1的编码器与解码器的参数 最小化输出向量 与输入向量 的误差L(θ)，其中W，b分别为编码器的权重矩阵和偏置向量， d分别为解码器的权重矩阵和偏置向量；采用KL散度为自动编码器添加稀疏性约束，添加约束后的重构误差L′(θ)如下式，其中ρ→0,ρ∈R + 为稀疏参数：其中，f(x)＝1/(1+exp(-x))为激活函数，λ为稀疏惩罚因子权重；获得SAE 1的低维编码特征向量h i ∈R d×1 ，采用逐层训练方法，依次训练每个SAE，直至SAE L输出编码结果 继续分别向SAE 1的第1层输入全部其它个体的社会联系向量 进而得到搜索系统的协同网络中所有个体的社会联系特征矩阵 所述对协同网络的重叠社区结构进行检测具体为：根据协同行为特征提取方法获得的社会联系特征矩阵 进一步采用模糊C-均值聚类方法，进行协同网络的重叠社区结构检测，具体过程包括：假定协同网络划分为c个社区G 1 ,G 2 ,…,G c ，相应的c个社区中心分别为c 1 ,c 2 ,…,c c ；定义u ij 为个体i对于第j个社区G j 的隶属度，γ＞1为控制社区划分结果的模糊权重，则将社区检测问题抽象为带约束条件的优化问题，如下式：s.t.0≤u ij ≤1,i＝1,2,…,n；j＝1,2,…,c利用拉格朗日乘子法求解该优化问题，得到对应的社区模糊隶属度u ij 与社区中心c j 如下：利用上式对u ij 与c j 进行迭代更新，得到所有个体对于每个社区的隶属度u ij ,i＝1,2,…,n；j＝1,2,…,c；个体i具有最高隶属度的社区为其主社区；同时，若个体i对某社区的隶属度高于主社区为该社区的其它个体集合的平均隶属度，则定义该社区为个体i的副社区；兼具主社区与副社区的个体即为重叠社区个体，搜索系统实现对协同网络重叠社区结构的检测；所述确定物联网设备部署者的协同意愿强度具体为：根据部署者的自私性或个性化偏好，分析给定用户的定向协同行为，定向协同意愿定义如下式：其中，n ij 为部署者i与用户j的协同次数，η为非协同行为的惩罚因子，ζ为协同行为的奖励因子，ε(x)为阶跃函数，δ(x)为冲激函数， 为部署者i与用户j在第k次的协同行为记录，即 计算部署者i关于用户j的协同意愿强度CS ij ，如下式：其中，α为社区协同影响因子，β为定向协同影响因子；搜索系统将选取与用户归属相同主/副社区的设备提供搜索服务，同等条件下优先选取协同意愿较高者。
