几种文本特征向量化方法：词集模型：One-Hot编码向量化文本（统计各词在文本中是否出现）词袋模型：CountVectorizer文本向量化（考虑了词频）词袋模型+IDF：基于TF-IDF方法向量化文本（考虑了词的重要性，但是会出现词表膨胀的问题）词嵌入模型：将各词映射为实数域上的向量，词向量之间的几何关系表示词之间的语义关系。以Word2Vec为典型代表。

正确答案是：D: 词袋模型属于词嵌入模型的一种。

专业分析：

词袋模型（Bag-of-words model）是一种在自然语言处理和信息检索中常用的表示方法。该模型的特点如下：

A: 该模型将词编码为独热向量（One-hot Vector）
- 正确。词袋模型确实将每个词表示为独热向量，其中向量的长度等于词汇表的大小，每个词在向量中对应一个唯一的位置，该位置为1，其余位置为0。

B: 这种建模方式忽略了词之间的内在联系
- 正确。词袋模型仅仅关注词的出现频率，而不考虑词与词之间的语义关系或内在联系。

C: 这种建模方式丢失了词的顺序信息
- 正确。词袋模型忽略了词的顺序，只记录词的出现频率，因此丢失了词的顺序信息。

D: 词袋模型属于词嵌入模型的一种
- 错误。词袋模型并不属于词嵌入模型。词嵌入模型（如Word2Vec、GloVe等）通过将词映射到一个连续的向量空间来捕捉词之间的语义关系，而词袋模型只是简单地统计词频，并没有捕捉词之间的语义关系。

因此，D项是错误的。