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。

在自然语言处理（NLP）中，非结构化文本数据需要转换为结构化数据，以便计算机能够处理和分析。词的表示法是将文本数据从非结构化转化为结构化的一种方法。以下是对选项的分析：

A: 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，它将文本表示为词频向量。每个文档被表示为一个向量，其中每个元素表示词汇表中某个词在该文档中出现的次数。这种方法将非结构化文本转化为结构化的向量表示。

B: Glove（Global Vectors for Word Representation）——Glove是一种词嵌入方法，通过在大规模语料库上进行训练，生成每个词的稠密向量表示。这种方法也是将非结构化文本转化为结构化的向量表示。

C: TF-IDF（Term Frequency-Inverse Document Frequency）——TF-IDF是一种常用的文本表示方法，结合了词频（TF）和逆文档频率（IDF），以衡量一个词在文档中的重要性。它将文本表示为稀疏向量，属于结构化表示。

D: Word2Vec（Skip-Gram & CBOW）——Word2Vec是一种通过神经网络训练生成词嵌入的技术，包括Skip-Gram和CBOW两种模型。它将词语表示为稠密向量，是一种结构化表示方法。

综上所述，所有选项A（词袋模型）、B（Glove）、C（TF-IDF）和D（Word2Vec）都属于将非结构化数据转化为结构化数据的方法。因此，正确答案是：

A: 词袋模型（Bag of Words, BoW）
B: Glove
C: TF-IDF
D: Word2Vec（Skip-Gram & CBOW）