本研究探讨了负采样在无监督主题建模中的应用，比较了多种神经主题模型的负采样策略，并验证了其在多个数据集上的有效性。结果表明，负采样显著提高了主题的一致性、多样性和文档分类的准确性。

本研究提出了一种新的负采样技术，旨在解决新闻推荐系统中短暂文章生命周期导致的相关性快速衰减问题。实验结果表明，该方法的准确性与最先进模型相当，同时降低了模型复杂性并加速了训练过程。此外，去中心化模型在提高隐私性和可扩展性方面也发挥了重要作用。

本研究提出了一种模糊图注意网络（FGAT），旨在解决传统图神经网络在链接预测中因随机负采样导致的性能不足问题。FGAT结合模糊粗集进行动态负采样和节点特征聚合，显著提升了训练效率和准确性。实验结果表明，FGAT在研究合作网络中的链接预测精度优于现有方法。

该研究探讨了语言模型参数估计中的计算问题，分析了噪声对比估计与负采样的异同，指出遮蔽语言模型成功的原因在于其建模高阶词共现统计的能力。研究发现，LSTM和Transformer模型在低概率情况下低估目标语言序列的概率，并提出了目的论方法，强调在此情况下使用模型的谨慎。此外，研究还提出了新技术以改善模型性能，并解决概率校准问题。

本文系统性回顾了知识图谱中的链接预测，比较了多种无监督学习嵌入模型及其负采样方法。研究提出了新方法DRUM、TACT、REPORT和SiaILP，并展示了它们在不同数据集上的优越性能，强调了统一命名的重要性。

本文探讨了在有限标记语料库中学习单词嵌入模型的有效方法，提出了负采样、对比学习和批处理采样等新技术，显著提升了文本嵌入性能。研究表明，利用合成数据和优化训练流程可在多项任务中取得优异结果，推动了文本嵌入领域的发展。

本文提出了一种改进的负采样方法，应用于图神经网络的无监督学习，展示了在多个真实数据集上的优越性能。研究了负采样在图表示学习中的重要性，并提出了基于自对比和Metropolis-Hastings加速的负采样方法，验证了其在链接预测和节点分类任务中的有效性。

负采样是机器学习等领域的重要研究焦点。本文提出了一个通用框架，将负采样方法分为五类，并讨论了其应用、益处和未解决问题。还介绍了负采样在图表示学习、推荐系统等任务中的应用和改进方法。

该文介绍了一种基于时间图的动态链接属性预测方法，提出了一个简单的无优化基线“最近流行节点”，在数据集上表现优异。作者提出了两种基于Wasserstein距离的度量方式，用于量化数据集的短期和长期全局动态的强度，并证明了标准的负采样评估对于具有强时间动态的数据集可能不适用。作者还提出了改进的负采样方案，并与非对比训练的模型进行了比较，结果表明时间图网络架构在具有重大全局动态的问题中需要进行深入的思考。

TRON是一个基于会话的Transformer推荐系统，通过优化的负采样提高了推荐准确性。TRON整合了SASRec和GRU4Rec+的前沿模型，使用top-k负采样和列表损失函数。在大规模电子商务数据集上评估，TRON提升了推荐质量，与SASRec相比点击率提高了18.14%。提供源代码和匿名数据集供进一步研究使用。