幾種文本特征向量化方法：詞集模型：One-Hot編碼向量化文本（統(tǒng)計(jì)各詞在文本中是否出現(xiàn)）詞袋模型：CountVectorizer文本向量化（考慮了詞頻）詞袋模型+IDF：基于TF-IDF方法向量化文本（考慮了詞的重要性，但是會(huì)出現(xiàn)詞表膨脹的問(wèn)題）詞嵌入模型：將各詞映射為實(shí)數(shù)域上的向量，詞向量之間的幾何關(guān)系表示詞之間的語(yǔ)義關(guān)系。以Word2Vec為典型代表。Word2Vec和GloVe模型是詞嵌入模型的兩個(gè)流行方法。

正確答案是：A: 基于全局詞頻統(tǒng)計(jì)的詞表征算法。

### 分析：
- **A: 基于全局詞頻統(tǒng)計(jì)的詞表征算法**
- 這是正確的。GloVe（Global Vectors for Word Representation）模型是基于全局詞頻統(tǒng)計(jì)的詞表征算法。它通過(guò)統(tǒng)計(jì)詞在整個(gè)語(yǔ)料庫(kù)中共現(xiàn)的頻率，構(gòu)建一個(gè)共現(xiàn)矩陣，然后進(jìn)行矩陣分解來(lái)得到詞向量。

- **B: 基于"文檔-詞"矩陣分解**
- 這是錯(cuò)誤的。GloVe模型并不是直接基于“文檔-詞”矩陣分解，而是基于詞共現(xiàn)矩陣來(lái)進(jìn)行分解的。它的核心思想是利用全局共現(xiàn)信息來(lái)構(gòu)建詞向量。

- **C: 屬于神經(jīng)網(wǎng)絡(luò)模型**
- 這是錯(cuò)誤的。GloVe模型并不是一個(gè)神經(jīng)網(wǎng)絡(luò)模型。它是通過(guò)矩陣分解技術(shù)來(lái)生成詞向量，而不是通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)來(lái)完成的。

- **D: 基于詞預(yù)測(cè)的詞嵌入模型**
- 這是錯(cuò)誤的?；谠~預(yù)測(cè)的詞嵌入模型通常指的是像Word2Vec中的Skip-gram和CBOW模型。GloVe模型不是基于詞預(yù)測(cè)的，而是基于統(tǒng)計(jì)共現(xiàn)信息來(lái)生成詞向量的。

綜上所述，GloVe模型的核心是基于全局詞頻統(tǒng)計(jì)來(lái)構(gòu)建詞向量，因此選項(xiàng)A是正確的。