Las evaluaciones offline a gran escala de las interacciones usuario-proyecto en sistemas de recomendación suelen estar sesgadas debido a bucles de retroalimentación inherentes. Para abordar esto, muchos estudios han empleado el cálculo de propensión. En este trabajo, ampliamos estos métodos a tareas de recomendación basadas en sesiones al refinar los cálculos de propensión para reflejar las características específicas del conjunto de datos. Evaluamos nuestro enfoque utilizando modelos neuronales, específicamente GRU4REC, y modelos basados en K-Nearest Neighbors (KNN) en conjuntos de datos de música y comercio electrónico. GRU4REC se selecciona por su modelo secuencial comprobado y eficiencia computacional, sirviendo como una línea de base sólida con la que comparamos métodos tradicionales. Nuestro análisis de las distribuciones de tendencias revela variaciones significativas entre los conjuntos de datos, y basándonos en estas ideas, proponemos un enfoque jerárquico que mejora el rendimiento del modelo. Los resultados experimentales demuestran mejoras sustanciales sobre los modelos base, ofreciendo un camino claro para mitigar los sesgos en sistemas de recomendación basados en sesiones.