Las redes de colaboración académica pueden formarse agrupando a diferentes miembros de la facultad en un solo grupo. Agrupar a estos miembros de la facultad es un proceso complejo que implica buscar en múltiples páginas web para recopilar y analizar información, y establecer nuevas conexiones entre posibles colaboradores. Un sistema de recomendación (SR) para colaboraciones académicas puede ayudar a reducir el tiempo y el esfuerzo requeridos para establecer una nueva colaboración. Los sistemas de recomendación basados en contenido hacen recomendaciones basadas en la similitud sin tener en cuenta el contexto social. Los sistemas de recomendación híbridos pueden utilizarse para combinar la similitud y el contexto social. En este artículo, proponemos un método de ponderación que puede utilizarse para combinar dos o más factores de contexto social en un motor de recomendación que aprovecha un modelo de gráfico aleatorio exponencial (ERGM) basado en datos históricos de la red. Demostramos nuestro enfoque utilizando datos reales de colaboraciones con miembros de la facultad en el Colegio de Ciencias de la Computación y de la Información (CCIS) en Arabia Saudita. Nuestros resultados demuestran que ponderar los factores de contexto social ayuda a aumentar la precisión de las recomendaciones para nuevos usuarios.