非結構化文本就是自然狀態(tài)下的文本，結構化文本就是向量化文本，是計算機語言可以識別的文本表示。TF-IDF是一種統(tǒng)計方法，用以評估某一字詞對于一個文件集或一個語料庫的重要程度。

在自然語言處理（NLP）中，非結構化文本數據需要轉換為結構化數據，以便計算機能夠處理和分析。詞的表示法是將文本數據從非結構化轉化為結構化的一種方法。以下是對選項的分析：

A: 詞袋模型（Bag of Words, BoW）——詞袋模型是一種簡單且常用的文本表示方法，它將文本表示為詞頻向量。每個文檔被表示為一個向量，其中每個元素表示詞匯表中某個詞在該文檔中出現的次數。這種方法將非結構化文本轉化為結構化的向量表示。

B: Glove（Global Vectors for Word Representation）——Glove是一種詞嵌入方法，通過在大規(guī)模語料庫上進行訓練，生成每個詞的稠密向量表示。這種方法也是將非結構化文本轉化為結構化的向量表示。

C: TF-IDF（Term Frequency-Inverse Document Frequency）——TF-IDF是一種常用的文本表示方法，結合了詞頻（TF）和逆文檔頻率（IDF），以衡量一個詞在文檔中的重要性。它將文本表示為稀疏向量，屬于結構化表示。

D: Word2Vec（Skip-Gram & CBOW）——Word2Vec是一種通過神經網絡訓練生成詞嵌入的技術，包括Skip-Gram和CBOW兩種模型。它將詞語表示為稠密向量，是一種結構化表示方法。

綜上所述，所有選項A（詞袋模型）、B（Glove）、C（TF-IDF）和D（Word2Vec）都屬于將非結構化數據轉化為結構化數據的方法。因此，正確答案是：

A: 詞袋模型（Bag of Words, BoW）
B: Glove
C: TF-IDF
D: Word2Vec（Skip-Gram & CBOW）