Las comunidades de conversación en línea se han convertido en una fuente influyente de recomendaciones de consumidores en los últimos años. Proponemos un conjunto de segmentos de usuarios significativos que emergen de las representaciones de incrustación de usuarios, basadas exclusivamente en el texto de los comentarios. Se recopilaron datos de tres comunidades de recomendación populares en Reddit, cubriendo los dominios de sugerencias de libros y películas. Utilizamos dos métodos de modelos de lenguaje neuronal para producir incrustaciones de usuarios, a saber, Doc2Vec y Sentence-BERT. Se abordaron problemas de interpretación de incrustaciones al examinar las asociaciones de factores latentes con variables conductuales, de sentimiento y lingüísticas, adquiridas utilizando las bibliotecas VADER, LIWC y LFTK en Python. Se identificaron clústeres de usuarios, con diferentes niveles de compromiso y características lingüísticas. Las características latentes de ambos enfoques estaban fuertemente correlacionadas con varios indicadores conductuales y lingüísticos de los usuarios. Ambos enfoques lograron capturar una variabilidad significativa en los estilos de escritura y calidad, como longitud, legibilidad, uso de palabras funcionales y complejidad. Sin embargo, las características de Doc2Vec describieron mejor a los usuarios según el nivel de contribución, mientras que las características basadas en S-BERT se adaptaron más estrechamente al compromiso emocional variable de los usuarios. Los segmentos prominentes revelaron usuarios prolíficos con estilos formales, intuitivos, emocionalmente distantes y altamente analíticos, así como usuarios que eran menos elaborados, menos consistentes, pero más emocionalmente conectados. Los patrones observados fueron en gran medida similares en todas las comunidades.