سامانه توصیه‌گر برای مواجهه با مشکلات ناشی از حجم فراوان اطلاعات ارائه شده‌است و به کاربران خود کمک می‌کند تا در میان حجم عظیم اطلاعات سریع‌تر به هدف خود نزدیک شوند و بر اساس ترجیحات شخصی خود بهترین مورد را پیدا کنند. یکی از مشکلات سیستم‌های توصیه‌گر سنتی، کاربر محور بودن آن است؛ این یعنی اینکه برای برآوردن نیازهای کاربر نهایی طراحی می شوند. با این حال، در برخی حوزه‌ها، کاربران تنها ذینفعان سیستم نیستند. به عنوان مثال، در یک سیستم توصیه‌گر فیلم، کاربران، نویسندگان، کارگردان و بازیگران سهامداران بالقوه هستند. اکثر سیستم‌های توصیه‌گر فیلتر مشارکتی از تعصب محبوبیت رنج می‌برند. بنابراین، اگر سیستم توصیه‌گر فقط ترجیحات کاربران را در نظر بگیرد، احتمالاً ارائه‌دهندگان محبوب را بیش از حد نشان می‌دهد و ارائه‌دهندگان کمتر محبوب را کمتر نشان می‌دهد. برای پرداختن به این موضوع باید سایر ذینفعان را در لیست های رتبه بندی شده در نظر گرفت. در این تحقیق نشان می‌دهیم که یادگیری هایپرگراف توانایی طبیعی مدیریت یک کار توصیه چند ذینفعه را دارد. یک هایپرگراف می تواند روابط مرتبه بالا را بین انواع مختلف اشیاء مدل کند و بنابراین به طور طبیعی تمایل به تولید لیست های پیشنهادی با در نظر گرفتن سهامداران متعدد دارد. ما توصیه‌ها را براساس وزن سهامداران مختلف با رعایت دقت ارائه می‌دهیم تا پوشش ذینفعان کم پوشش را در لیست توصیه افزایش دهیم. نتایج نشان می‌دهد که رویکرد پیشنهادی با تعصب محبوبیت مقابله می‌کند و توصیه‌های منصفانه‌تری را با توجه به نویسندگان،کاربران،بازیگران و کارگردان‌ها در دو مجموعه داده MovieLens و FilmTrust، با کم‌ترین کاهش دقت، ارائه می‌کند.
