训练网络时往往会对全部的神经元参数进行微调，从而让训练结果更加准确。但在这个网络中，训练参数很多，每次微调上百万的数据是很浪费计算资源的。那么Negative Sampling方法可以通过每次调整很小的一部分权重参数，从而代替全部参数微调的庞大计算量。
词典D中的词在语料C中出现的次数有高有低，对于那些高频词，我们希望它被选为负样本的概率比较大，对于那些低频词，我们希望它被选中的概率比较小，这是我们对于负采样过程的一个大致要求，本质上可以认为是一个带权采样的问题。
一、基于Negative Sampling的CBOW模型
输入：基于CBOW的语料训练样本，词向量的维度大小Mcount，CBOW的上下文大小2c,步长η, 负采样的个数neg
输出：词汇表每个词对应的模型参数θ，所有的词向量xw
1. 随机初始化所有的模型参数θ，所有的词向量w
2. 对于每个训练样本(context(w0),w0),负采样出neg个负例中心词wi,i=1,2,...neg
3. 进行梯度上升迭代过程，对于训练集中的每一个样本(context(w0),w0,w1,...wneg)做如下处理：
d) 如果梯度收敛，则结束梯度迭代，否则回到步骤3继续迭代。
二、基于Negative Sampling的Skip-Gram模型
输入：基于Skip-Gram的语料训练样本，词向量的维度大小Mcount，Skip-Gram的上下文大小2c,步长η， , 负采样的个数neg。
输出：词汇表每个词对应的模型参数θ，所有的词向量xw
1. 随机初始化所有的模型参数θ，所有的词向量w
2. 对于每个训练样本(context(w0),w0),负采样出neg个负例中心词wi,i=1,2,...neg
3. 进行梯度上升迭代过程，对于训练集中的每一个样本(context(w0),w0,w1,...wneg)做如下处理：
b)如果梯度收敛，则结束梯度迭代，算法结束，否则回到步骤a继续迭代。
参考内容：
https://www.cnblogs.com/pinard/p/7249903.html