这里的主要思想是：“物以类聚”，也就是说，出现在彼此附近的词告诉了一个词的“功能”。

更重要的是，我认为你提到的技术是“方法”，而不是“模型”。在没有适当的数据预处理的情况下，似乎可能违反分布式语义模型的定义的原因。

例如，SVD 通常是一种降维技术，或者是聚类技术的前身，具体取决于特征工程和方法的使用。在这种情况下，如果您要计算文档中单词的共现——rows = 文档，cols = 单词，cells = 该单词在该特定文档中出现的次数——然后你对其运行 SVD，你可能有一个“模型”的前身，它最终可能是你可以称之为分布式语义的东西。

另一个例子是 Word2Vec，通常使用神经网络来训练浅层并提取权重。Word2Vec 可以通过 Skip-gram 或连续词袋进行训练。由于单词的“含义”是从与相邻单词的共现和/或接近度中得出的，因此可以将其视为分布式语义模型。FastText 可能更是如此，因为它明确地使用文档中单词的分布来执行类似的向量操作。

潜在狄利克雷分配可能是另一个例子。如果以适当的方式使用，甚至可能是朴素贝叶斯。

所以最终，答案是，它取决于数据预处理/特征工程和使用，而不是技术。