Word2Vec 中的负采样（Negative Sampling）是一种用于训练词嵌入模型的方法。该方法通过随机选择一小部分负样本（词汇表中的词）来训练模型，从而减少训练时间和计算成本。负采样的核心思想是通过概率分布对正样本和负样本进行采样，然后使用梯度下降算法进行模型更新。具体细节如下：

1. 构建正样本对：首先，正样本对是由训练数据中的上下文词和目标词组成的。例如，对于给定的上下文词“apple”和目标词“juice”，构建一个正样本对 (apple, juice)。

2. 构建负样本对：然后，从词汇表中随机选择一小部分负样本词来构造负样本对。一般来说，负样本选择的概率与词频有关，高频词更容易被选择为负样本。

3. 模型更新：对于每个正样本对和负样本对，使用梯度下降算法更新模型参数。负样本对的数量通常比正样本对少很多，这样可以减少计算成本。

负采样通过降低负样本训练的计算复杂度，提高了训练速度和效率，并且使得训练更加稳定。