请说明负采样方法在 Word2Vec 模型中的作用机制，以及在训练过程中是如何被具体应用的？

回答思路

1. 【回答框架 1】负采样是 Word2Vec 中用于加速训练并提高词向量质量的技术，主要针对传统的 softmax 输出层计算量过大的问题。它的核心思想是在训练每个样本时，不计算所有词的梯度，而是随机选择一小部分负样本（即非目标词）来更新。
2. 【回答框架 2】具体做法是，对于每个正样本（中心词和上下文词对），从词汇表中按一定概率分布（通常为 unigram 分布的三分之四次方）采样若干个负样本。然后，将正样本和负样本一起作为二分类问题，即判断一个词对是否真实出现在上下文中，通过逻辑回归更新权重，使正样本概率高、负样本概率低。
3. 【回答框架 3】负采样在训练过程中有效减少了每次更新的参数数量，从而大幅降低计算开销，使得 Word2Vec 能在大规模语料上快速训练。同时，负采样强行拉低随机样本的预测概率，可以让词向量更具区分性，起到了类似噪声对比估计的作用。
4. 【回答框架 4】负采样的实现细节包括采样个数 k 的选择（通常取 5-20），以及采样分布的设计。采样概率与词频相关，高频词更容易被采样为负样本，但通过指数调整可以缓解高频词对训练的影响。不同的实现（如 gensim 中的默认配置）会采用特定的采样表，以保证效率和效果。
5. 【回答框架 5】实际使用中，负采样与层次 softmax 都是可选优化，选择取决于任务。负采样更适合词向量训练，而层次 softmax 更适合语言模型场景。在工程实现中，负采样通过查表随机生成负样本索引，并并行更新相关向量，保证了训练的高效性。
6. 【关键点 1】负采样将多分类 softmax 转为二分类，避免计算所有词梯度。
7. 【关键点 2】负样本按 unigram 分布的三分之四次方采样，高频词更易选但概率被平滑。
8. 【关键点 3】负采样显著减少计算量，加速训练，且提高词向量的区分度。
9. 【易错点 1】负采样并不保证词向量在所有任务上优于层次 softmax，需要根据数据规模和任务实测选择。
10. 【易错点 2】负采样只是优化技术，不改变 Word2Vec 的基本假设和语义表示逻辑。
11. 【易错点 3】采样个数 k 和分布参数选择不当会影响词向量质量，需调参验证。