Cet article propose un nouveau modèle génératif qui surmonte les limites de l'hypothèse d'homogénéité sociale (hypothèse selon laquelle les individus ayant des liens sociaux partagent des préférences similaires) afin d'améliorer l'efficacité des recommandations sociales sur les plateformes en ligne. Pour remédier au problème de non-vérification de cette hypothèse en raison de la complexité et du bruit des réseaux sociaux réels, nous proposons un modèle génératif basé sur les scores, le Modèle Génératif Basé sur les Scores pour la Recommandation Sociale (SGSR). Le SGSR applique un modèle de diffusion basé sur une équation différentielle stochastique (EDS) aux recommandations sociales, utilise une stratégie d'apprentissage parascolaire pour atténuer le problème du signal supervisé manquant et utilise des techniques d'apprentissage auto-supervisé pour aligner les connaissances entre les domaines sociaux et collaboratifs. Les résultats expérimentaux obtenus à partir d'ensembles de données réelles démontrent que le SGSR filtre efficacement les informations sociales inutiles et améliore les performances des recommandations.
