结构洞理论的提出是为了解释如何从社会网络的竞争及其交叉关系中获益。但随着信息技术的发展,这一理论逐渐被应用到不同的研究领域如社交网络分析、功能性脑网络构建,传染病防治的有效隔离等。目前,有关结构洞的研究大都停留在理论分析及实际问题的应用。与此相比,结构洞挖掘方法的研究相对较少,现有经典的方法主要以图论知识为基础并结合网络拓扑结构的性质进行结构洞的检测,这些算法存在计算复杂,可扩展性差,难以适应于大规模网络的情况。针对上述这些问题,本文深入研究了结构洞的挖掘方法,主要成果如下:1、结构洞作为不同团体之间的连接者,在网络拓扑中具有特殊的位置。为了能够更好地研究结构洞的拓扑特性,提高结构洞的挖掘精度。我们将网络表征学习融入到结构洞的挖掘方法中,通过计算网络中节点的一阶和谐性与二阶相似性,一方面能够更佳地捕获网络的结构信息,另一方面让学习的网络表示更好地适应结构洞的挖掘。因此,我们设计了一个深度结构嵌入模型,它能够联合处理表示学习与结构洞挖掘的任务。2、考虑到现实网络中的数据不仅拥有拓扑结构信息,还存在丰富、可利用的特征信息如社交网络中用户节点带有的属性特征。我们结合了数据的结构及特征信息对结构洞挖掘问题进行深入的探讨,设计了一个双通道的深度网络模型。它能在对数据特征与结构信息进行融合表示的同时完成结构洞的挖掘。此外,我们还设计了传递操作,用来指引两个通道表示学习的统一和整个模型的更新。通过在多个真实数据集上的实验,证实了所提出的两种新的结构洞挖掘方法对结构洞的挖掘精确度有了很大的提高。