概述
負取樣和雜訊對比估計 (NCE) 是讓模型學習大量詞彙的技巧，而無需計算昂貴的完整 softmax。他們不是對每一個可能的輸出進行評分，而是教導模型從一些假（負）例子中區分真實（正）例子。
負採樣和噪音對比估計是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
當詞彙表有數十萬個單字時，普通的 softmax 必須對每個訓練步驟的每個單字進行歸一化——太慢了。噪音對比估計將問題重新建構為二元分類：給定目標和從已知分佈中提取的一些「雜訊」樣本，學習將真實樣本與雜訊區分開，這會隱式恢復所需的機率，而無需顯式歸一化。負採樣由 word2vec 的 Skip-Gram 模型普及，是一個簡化的表親：對於每個真實（單字、上下文）對，它會採樣 k 個負樣本，並使用 sigmoid 目標訓練模型，為真實對分配高分，為假對分配低分。兩者都將昂貴的多類問題轉化為許多廉價的二元問題，使大規模嵌入訓練變得可行。雜訊分佈的選擇（通常是一元組的 3/4 次方）會嚴重影響品質。
技術洞察
NCE 透過對資料與雜訊進行分類來估計模型，並且隨著雜訊樣本數量的增加，它可以證明透過適當的歸一化 softmax 來近似最大似然。負採樣完全放棄了 NCE 的歸一化項，優化了 log σ(正分數) + Σ log σ(−負分數)。這使得它更快，但不再是一致的密度估計器——它是為了學習良好的嵌入而不是校準機率而調整的。從平滑的一元分佈（頻率^0.75）中取樣負數可以平衡常見詞和罕見詞。
掌握負採樣和噪音對照估計
負取樣和雜訊對比估計 (NCE) 是讓模型學習大量詞彙的技巧，而無需計算昂貴的完整 softmax。他們不是對每一個可能的輸出進行評分，而是教導模型從一些假（負）例子中區分真實（正）例子。負採樣和噪音對比估計是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了建立深入的理解，請將負採樣和噪音對比估計視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，強大的團隊使用負採樣和噪音對比估計來根據可靠性和成本優化架構、資料和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
word2vec Skip-gram，具有負採樣功能，可以從數十億個標記中學習單字嵌入，而無需完整的 softmax。
歷史上，語言模型使用 NCE 來有效地訓練數十萬個單字的詞彙。
推薦和檢索系統對使用者未與之互動的「負面」項目進行採樣，以訓練兩塔嵌入模型。
使用負樣本來學習實體關係的圖和知識圖嵌入（例如，破壞三元組的頭部或尾部）。
實施模式
負取樣與雜訊對比估計的實踐
word2vec Skip-gram，具有負採樣功能，可以從數十億個標記中學習單字嵌入，而無需完整的 softmax。
word2vec Skip-gram 具有負採樣功能，可以在沒有完整 Softmax 的情況下從數十億個標記中學習單字嵌入。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
負取樣與雜訊對比估計的實踐
歷史上，語言模型使用 NCE 來有效地訓練數十萬個單字的詞彙。
歷史上，語言模型使用 NCE 來有效地訓練數十萬個單字的詞彙表。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
負取樣與雜訊對比估計的實踐
推薦和檢索系統對使用者未與之互動的「負面」項目進行採樣，以訓練兩塔嵌入模型。
推薦和檢索系統對使用者未互動的「負面」項目進行採樣，以訓練雙塔嵌入模型。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
負取樣與雜訊對比估計的實踐
使用負樣本來學習實體關係的圖和知識圖嵌入（例如，破壞三元組的頭部或尾部）。
使用負樣本學習實體關係的圖和知識圖嵌入（例如，破壞三元組的頭部或尾部）當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。