La aparición de burbujas de filtro y cámaras de eco en los sistemas de recomendación de redes sociales representa una amenaza significativa para la diversidad de la información y el discurso democrático. Aunque las redes neuronales gráficas (GNN) logran una precisión líder en la recomendación de usuarios, su optimización para métricas de compromiso refuerza inadvertidamente la homofilia, creando ecosistemas de información aislados. Esta investigación desarrolló una diversificación consciente de la comunidad en dos etapas con GNN (CATD-GNN), un método que aprovecha la estructura comunitaria inherente de las redes sociales para promover la diversidad sin sacrificar la calidad de la recomendación. CATD-GNN integra la detección de comunidades con el aprendizaje de GNN a través de un proceso de diversificación en dos etapas. El método propuesto emplea el método Louvain para identificar estructuras comunitarias como pseudo-categorías, luego aplica la selección de vecinos submodulares y el reponderación de pérdidas basadas en la comunidad durante el entrenamiento de GNN (Etapa 1), seguido de un reordenamiento consciente de la cobertura y la redundancia (Etapa 2). Se utilizaron datos de Twitter que capturan el discurso de Black Lives Matter y redes de discusión política de Reddit para evaluar el método. CATD-GNN logra mejoras en las métricas de diversidad mientras mantiene una precisión competitiva. La arquitectura en dos etapas demuestra un efecto sinérgico: la combinación de entrenamiento consciente de la diversidad y reordenamiento basado en la cobertura produce mayores mejoras que cualquiera de los componentes por separado. El método propuesto identifica y recomienda con éxito usuarios de diferentes comunidades mientras preserva la relevancia de la recomendación.