La investigación reciente en el campo de los sistemas de recomendación se centra en la incorporación de información social en los métodos de filtrado colaborativo para mejorar la fiabilidad de las recomendaciones. Las redes sociales encierran datos valiosos sobre el comportamiento y las conexiones de los usuarios que pueden ser explotados en esta área para inferir conocimiento sobre las preferencias de los usuarios y la influencia social. El hecho de que las plataformas de música en streaming tengan algunas funcionalidades sociales también permite que este tipo de información se utilice para la recomendación musical. En este trabajo, aprovechamos la estructura de amistad para abordar un tipo de sesgo en las recomendaciones derivado de la forma en que los métodos de filtrado colaborativo computan el vecindario. Estos métodos restringen las predicciones de calificación para un usuario a los elementos que han sido calificados por sus vecinos más cercanos, dejando fuera otros elementos que podrían ser de su interés. Este problema es diferente del sesgo de popularidad causado por la distribución de ley de potencia de la frecuencia de calificación de los elementos (long-tail), bien conocido en el dominio musical, aunque ambos inconvenientes pueden estar relacionados. Nuestra propuesta se basa en extender y diversificar el vecindario capturando efectos de confianza y homofilia entre los usuarios a través de métricas de estructura social. Los resultados muestran un aumento en los elementos potencialmente recomendables mientras se reducen las tasas de error en las recomendaciones.