非结构化文本就是自然状态下的文本，结构化文本就是向量化文本，是计算机语言可以识别的文本表示。TF-IDF是一种统计方法，用以评估某一字词对于一个文件集或一个语料库的重要程度。

正确答案是：A: 词袋模型(Bag of Word, BoW) B:Glove C:TF-IDF D: Word2Vec(Skip-Gram & CBOW)

这些方法都属于将非结构化文本转化为结构化数据的词表示法。以下是专业分析：

1. **词袋模型(Bag of Words, BoW)**：
- 词袋模型是一种简单且常用的文本表示方法。它通过统计文本中每个词出现的频率来表示文本，而不考虑词的顺序。每个文本被表示为一个词频向量。

2. **TF-IDF**：
- TF-IDF（Term Frequency-Inverse Document Frequency）是一种统计方法，用于评估一个词在一个文档集合中的重要性。它结合了词频（TF）和逆文档频率（IDF）来对词进行加权，从而得到一个更具代表性的词向量。

3. **Word2Vec (Skip-Gram & CBOW)**：
- Word2Vec 是一种基于神经网络的词向量表示方法。它通过训练一个浅层神经网络，将词映射到一个连续的向量空间中。Skip-Gram 和 CBOW（Continuous Bag of Words）是 Word2Vec 的两种训练方法。Skip-Gram 通过预测上下文词来训练词向量，而 CBOW 则通过上下文词来预测目标词。

4. **Glove**：
- Glove（Global Vectors for Word Representation）是一种基于全局共现矩阵的词向量表示方法。它通过统计词在整个语料库中的共现信息来训练词向量，从而捕捉词与词之间的语义关系。

以上方法都将非结构化的文本数据（自然语言文本）转化为计算机可以处理的结构化数据（向量表示），因此都属于非结构转结构数据的方法。