本文表示的发展过程基本是从One-Hot编码的词集模型->词袋模型->词嵌入模型。词集模型和词袋模型属于离散式表示，词嵌入模型属于分布式表示。 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。 word2vec模型和Glove模型都属于词嵌入模型,他们都无法解决多义词的问题，所以才发展出后来的ELMO模型。

正确答案是：A、C、D。以下是对每个选项的专业分析：

A: 常用的文本表示方式有：离散式表示和分布式表示。
**分析**：这是正确的。离散式表示（如one-hot encoding）和分布式表示（如word2vec、GloVe、ELMo等）是文本表示的两种主要方式。离散式表示将每个词表示为高维稀疏向量，而分布式表示则将词表示为低维密集向量，能够捕捉词之间的语义关系。

B: TF-IDF模型是分布式表示方式。
**分析**：这是错误的。TF-IDF（Term Frequency-Inverse Document Frequency）是一种统计方法，用于评估一个词在一篇文档中的重要性。它属于离散式表示，因为它没有捕捉词与词之间的语义关系，只是基于词频和逆文档频率进行加权。

C: GLOVE 模型得到的词向量不能解决多义词的问题。
**分析**：这是正确的。GloVe（Global Vectors for Word Representation）模型生成的词向量是静态的，即每个词只有一个向量表示，无法区分同一个词在不同上下文中的不同含义，因此不能很好地解决多义词的问题。

D: ELMO模型训练的词向量可以解决多义词的问题。
**分析**：这是正确的。ELMo（Embeddings from Language Models）模型生成的词向量是动态的，它根据上下文生成词向量，因此同一个词在不同上下文中会有不同的表示，这样可以较好地解决多义词的问题。

总结：A、C、D选项的说法是正确的，而B选项的说法是错误的。