在文本特征表示方法中，各选项的描述如下：

A. **TF-IDF统计当前文档和语料库的词频来实现特征词提取和词之间关系的确认**
- **分析**：TF-IDF（Term Frequency-Inverse Document Frequency）是一种用于文本挖掘的特征表示方法。它通过计算词语在文档中的频率（TF）和词语在整个语料库中的反向文档频率（IDF）来衡量词语的重要性。TF-IDF主要用于特征词提取，但不直接用于确认词之间的关系。因此，这个选项的第一部分是正确的，第二部分存在描述不当。

B. **用户信息作为特征词和类别之间的测度，如果特征词属于某类，则它们的互信息量最大**
- **分析**：互信息（Mutual Information）是一种用于评估两个随机变量之间的依赖关系的度量，在特征选择中用于衡量特征和类别之间的关系。互信息量高表示特征词对类别的区分能力强，这一描述是正确的。

C. **Glove采用三层神经网络进行训练，最后一层采用霍夫曼树（Huffman）来预测**
- **分析**：GloVe（Global Vectors for Word Representation）是一种基于全局词共现矩阵的词向量学习方法。它不是神经网络模型，并不采用三层神经网络进行训练，也不使用霍夫曼树进行预测。这个描述与Word2Vec的某些变体（如使用霍夫曼树的层次Softmax技术）相混淆。因此，该选项是错误的。

D. **卡方统计量是基于显著统计性来选择特征，所以不会出现低频词缺陷**
- **分析**：卡方统计量（Chi-squared statistic）用于评估观察值与期望值之间的差异，常用于特征选择中以检验词在类别上的显著性。但是，卡方统计量可能受低频词影响，因为低频词在计算显著性时可能导致不稳定性和过拟合。因此，这句话是错误的。

综上所述，B选项的描述是正确的。