我们考虑使用对项目子集的购买，评级，点击等多样化的偏好观察，将大量客户分成具有相似偏好的非重叠组的问题。 我们关注的是项目范围很大（从数千到数百万不等）和非结构化（缺少明确定义的属性）的环境，每个客户仅提供对少数项目的观察。 这些数据特征限制了现有技术在市场营销和机器学习中的适用性。 为了克服这些限制，我们提出了一种基于模型的嵌入技术，该技术将客户的观察结果和一个概率模型类生成观察结果作为输入，并为每个客户输出一个嵌入（一种在欧几里得空间中的低维表示形式） 。 然后，我们对嵌入进行聚类以获得分段。 从理论上讲，我们得出精确的必要条件和充分条件，以保证真实段的渐近恢复。 通过经验，我们在两个实际案例中证明了我们方法的速度和性能：（a）MovieLens数据集上新电影推荐的准确性提高了84％，以及（b）类似产品的性能提高了8％在eBay上的离线数据集上的推荐算法。 我们表明，我们的方法优于标准隐性类，经验贝叶斯和基于人口统计的技术。
