要将非结构化的文本数据结构化，通常使用一些自然语言处理技术和模型。以下是对选项的分析：

A: BOW (Bag of Words)
BOW是一种简单且常用的方法，用于将文本数据结构化。它通过统计文本中每个词出现的频率来表示文本，从而将非结构化文本转换为结构化的数值特征向量。因此，BOW是一个正确答案。

B: SOW (Set of Words)
SOW并不是一个常见或标准的术语。通常在文本处理中没有专门的“Set of Words”方法，因此这个选项不适合用于将文本数据结构化。

C: CBOW (Continuous Bag of Words)
CBOW是一种用于训练词向量的模型，属于Word2Vec算法的一部分。虽然CBOW本身不是直接用于将文本结构化的方法，但它通过生成词向量可以帮助将文本数据转化为可用于机器学习模型的结构化数据。因此，CBOW在一定程度上可以看作是结构化文本数据的工具。

D: SKIP-GRAM
Skip-gram与CBOW类似，也是Word2Vec算法的一部分，用于生成词向量。Skip-gram通过预测给定词的上下文词来训练词向量。虽然它不是直接的文本结构化方法，但通过生成词向量，同样可以帮助文本数据结构化。

综合分析，A（BOW）是直接用于文本结构化的方法，而C（CBOW）和D（Skip-gram）通过生成词向量间接实现了文本结构化。因此，正确答案是A、C和D。