Este artículo propone un nuevo modelo generativo que supera las limitaciones del supuesto de homogeneidad social (el supuesto de que los individuos con conexiones sociales comparten preferencias similares) para mejorar la efectividad de las recomendaciones sociales en plataformas en línea. Para abordar el problema de que el supuesto de homogeneidad social no siempre se cumple debido a la complejidad y el ruido de las redes sociales del mundo real, proponemos un modelo generativo basado en puntuaciones, el Modelo Generativo Basado en Puntuación para la Recomendación Social (SGSR). SGSR aplica un modelo de difusión basado en ecuaciones diferenciales estocásticas (SDE) a las recomendaciones sociales, utiliza una estrategia de aprendizaje co-curricular para mitigar el problema de la señal supervisada faltante y utiliza técnicas de aprendizaje autosupervisado para alinear el conocimiento entre los dominios sociales y colaborativos. Los resultados experimentales utilizando conjuntos de datos del mundo real demuestran que SGSR filtra eficazmente la información social innecesaria y mejora el rendimiento de las recomendaciones.
