Word2Vec 是Google在2013年开源的一款词向量化的高效工具，主要包含两个模型：- 连续词袋模型（continuous bag of words，简称CBOW）- 跳字模型（skip-gram）

正确答案是：A: CBOW模型和Skip-Gram模型。

专业分析：

Word2Vec是一种用于生成词向量的技术，它通过神经网络模型将词汇映射到向量空间中，使得相似词汇在向量空间中具有相近的位置。Word2Vec主要包含两种模型：

1. **CBOW模型（Continuous Bag of Words）**：
- CBOW模型通过上下文词汇来预测目标词汇。它利用周围的词汇（上下文）来预测当前的中心词。CBOW模型的训练速度较快，并且在处理小型数据集时表现良好。

2. **Skip-Gram模型**：
- Skip-Gram模型与CBOW模型相反，它通过目标词汇来预测上下文词汇。Skip-Gram模型在处理大型数据集和稀疏数据时表现更好，因为它能够更好地捕捉词汇的语义关系。

这两种模型相辅相成，共同构成了Word2Vec的核心方法。CBOW模型适合于快速训练和处理小数据集，而Skip-Gram模型则在处理大规模数据和捕捉细粒度的词汇关系方面具有优势。

其他选项的分析：
- B: Bag-of-Words和GloVe模型：Bag-of-Words是一种简单的文本表示方法，而GloVe是一种基于全局词汇共现统计的词向量生成方法，与Word2Vec无直接关联。
- C: LSA模型和CBOW模型：LSA（Latent Semantic Analysis）是一种基于矩阵分解的文本分析方法，与Word2Vec无直接关联。
- D: GloVe模型和CBOW模型：GloVe模型与Word2Vec是两种不同的词向量生成方法，虽然CBOW是Word2Vec的一部分，但GloVe不是。

因此，正确答案是A: CBOW模型和Skip-Gram模型。