El auge de las redes neuronales de grafos ha contribuido en gran medida al desarrollo de sistemas de recomendación, y el aprendizaje auto-supervisado ha surgido como uno de los enfoques más importantes para abordar datos de interacción escasos. Sin embargo, los métodos existentes se centran principalmente en la precisión de las recomendaciones, mientras descuidan el papel de la diversidad de los elementos recomendados para mejorar el interés del usuario y los beneficios del comerciante. La razón de este fenómeno se debe principalmente al sesgo de los elementos populares, lo que hace que los elementos de larga cola (que representan una gran proporción) sean descuidados. Cómo mitigar el sesgo causado por la popularidad de los elementos se ha convertido en uno de los temas candentes en la investigación actual.