负采样是一种训练技术，用于通过在优化过程中关注有意义的比较来提高Word2Vec等模型的效率。负采样不是计算所有可能输出的梯度，而是在与输入不真实关联的 “负” 示例的小子集上训练模型。
例如，在训练单词嵌入时，模型学习将 “king” 与 “queen” 相关联，同时将其与不相关的单词 (如 “table” 或 “dog”) 区分开来。负样本是随机选择的，也可以根据其频率选择，以确保模型学习有意义的区别，而无需进行不必要的计算。
负采样简化了训练大型嵌入模型的计算要求，同时保持了高质量的表示。它对于语言建模和推荐系统等任务特别有效，在这些任务中，数据集大小使完全优化变得不切实际。