这问题问到点子上了，我来给你捋清楚这几个关键点：

这更多是工程实现上的约定俗成，而非严格绑定词频的规则：

• 一是方便统一处理未知词：多数NLP框架会默认把索引0（或1，当存在[PAD]这类特殊token时）预留出来给特殊标识，[UNK]作为最常用的未知词标识，自然就占了这个位置。这样代码里可以快速通过token_id == 0判断是否是未知词，不用额外做查表逻辑。
• 二是历史传承的习惯：早期word2vec原始实现并没有强制要求，但后续的NLP工具为了统一特殊token的处理逻辑，逐渐形成了把[UNK]、[PAD]这类特殊token放在词汇表最前面的惯例，不管它们的实际词频高低。

得分具体场景来看：

• 如果你的训练逻辑直接依赖词汇表索引顺序来做采样或权重计算（比如你提到的tf.random.log_uniform_candidate_sampler），那确实需要调整。因为这个函数的采样逻辑是索引越小，被选中的概率越高——要是[UNK]实际词频很低却占了索引0，就会被过度采样成负样本，干扰模型对真实高频词汇的学习。
• 如果你的训练流程完全基于自定义的词频权重来计算采样概率（而非依赖索引顺序），那[UNK]的位置就无所谓，保持首位的惯例反而更利于代码维护，毕竟大家都默认这个位置是特殊token。

如果发现[UNK]被过度采样且实际词频不高，可以试试这几个办法：

• 重构词汇表：把[UNK]（以及[PAD]这类特殊token）移到词汇表末尾，然后把真实词汇按词频从高到低排列在前面。这样索引小的都是真正的高频词，负采样时就会优先采样这些符合预期的词汇。
• 自定义采样权重：不使用tf.random.log_uniform_candidate_sampler默认的索引采样逻辑，而是传入基于实际词频计算的权重参数。这样不管[UNK]在哪个位置，采样概率都由它的真实词频决定，不会被索引位置干扰。
• 特殊处理[UNK]：如果不想调整词汇表顺序，可以在负采样时手动调低[UNK]的采样概率，或者直接把它排除在负样本候选之外（不过这得看任务需求，有些场景下[UNK]作为负样本也是合理的）。

内容的提问来源于stack exchange，提问作者Ricardo