在分析选项之前，让我们首先理解每个选项所涉及的概念：

A. **TF-IDF**：TF-IDF（Term Frequency-Inverse Document Frequency）是一种统计方法，用于评估一个词在文档集合或语料库中的重要程度。TF-IDF考虑的是词频（TF）和逆文档频率（IDF），用于衡量一个词在特定文档中的重要性。它并不关注词之间关系的确认，而是注重词在文档中相对语料库的权重。

B. **互信息量**：互信息（Mutual Information）是一种用于评估两个变量之间相互依赖程度的度量。在特征选择中，互信息可以用来衡量特征词与类别标签之间的信息共享程度。一个特征词如果对某个类别具有高度的信息量，则互信息量较大。

C. **GloVe**：GloVe（Global Vectors for Word Representation）是一种用于获取词向量的无监督学习算法。GloVe基于全局词共现矩阵来学习词向量，而不是通过神经网络和霍夫曼树来实现。霍夫曼树通常与Word2Vec中的Skip-gram模型结合用于负采样的高效实现，而不是GloVe。

D. **卡方统计量**：卡方（Chi-square）是一种用于特征选择的统计方法，评估特征与类别标签之间的独立性。虽然卡方统计量能够识别出具有统计显著性的特征，但它并不能完全解决低频词的问题，因为低频词在统计上可能不显著。

基于以上分析，正确的说法是：
- **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**

此选项准确地描述了互信息在特征选择中的应用，而其他选项存在一些技术性错误或误解。