那如果我们为传统机器学习的模型提供图特征呢? 比如我们把【人群】的特征，归并到【地理位置】中去， 我们会在切分数据的时候发现一系列的问题。 可能我们会发现训练集中【人群】的多少，访问时间段等信息与【场所】没有太强的相关性 ;或者在验证集上【地理位置】的特征的分布发生了偏移; 更重要的，我们如何保证测试集上新的数据，【地理位置】更新的生命周期，涉及到的【访问】关系 不会显著减少? 我们尝试各种方法:延⻓样本的时间跨度、在数据集上做交叉验证，缩短模型上线后的运行周期，甚至尝试剔除【人群】相关的变量。

这显然不是我们希望看到的，在【人群】这类特征上来看，按时间切分显然是不合适的。

我们是否应该重新考虑修改图模型本身呢? 答案是肯定的，我们可以尝试把人群的特征作为【地理位置】间【转移】的关系进行建模。这样，我们的选择就变多了:我们可以首先得到一个同构图，人群移动的信息就被包含在了地点之间【转移】的关系里面，就像种群迁移一样。我们还可以将转移所需的时间，作为距离和关联性的特征，也放在边关系里。 试想骑手们在赶单子和上了一天班的你坐地铁回家，一定会产生不同的分布。甚至，我们还可以建立多条关系比如所有早高峰，午餐高峰等不同时间段的统计等等。 这样构成的网络，就包含了【人群】带来的真正有用的信息。

回到刚刚的切分数据的问题本身，我们可以思考一下为什么需要【地理位置】的标签呢? 其中一个最直接的原因是，大部分的地理位置标签我们是没法直接拿到的，并且也正是我们希望模型给出预测的。

比如开辟一个新地块的【地理位置】标签，或者说 【人群】活动较少的地方这些【地理位置】的标签，就不会像大家常去的有 POI 的地方容易拿到标签。在这种情况下，按照地理位置的”活跃度“切分数据，恰恰是最合理的。