本研究提出了一种基于图的楼层分离方法，利用Wi-Fi指纹轨迹解决复杂多层环境中的垂直定位问题。通过Node2Vec生成低维嵌入，并结合K-means聚类，准确率达到68.97%，优于传统算法，为室内定位研究奠定基础。

该文汇总了多种图表示学习研究：Graph2vec学习任意图的分布式表示；部分GNN在无节点属性时表示受限；内容增强可提升节点嵌入；低维嵌入在社群标记上表现较差；压缩嵌入可加速工业级训练；图卷积增强良性过拟合；表格转图可提升回归预测；Graph Learning Network用于社区检测等；ViG将图像建图为图神经网络；node2vec在多标签分类和链接预测上优于现有技术。

该研究提出了一种新的节点嵌入方法，通过最小化相对熵和非线性地理路径，将每个节点编码为概率密度函数。实验结果表明，该方法在保留全局地理信息方面优于现有模型，并在无监督设置下表现出色。