في السنوات الأخيرة، أصبحت الشبكات العصبية الرسومية (GNNs) أداة شائعة لتحسين دقة وفعالية أنظمة التوصية. لا تُصمم أنظمة التوصية الحديثة فقط لخدمة المستخدمين النهائيين، بل أيضًا لصالح الجهات الأخرى، مثل العناصر ومزودي هذه العناصر. وقد تمتلك هذه الجهات أهدافًا أو مصالح مختلفة أو حتى متضاربة، مما يثير الحاجة إلى أخذ العدالة والتحيّز نحو الشعبية بعين الاعتبار. وتواجه الأساليب القائمة على الشبكات العصبية الرسومية أيضًا تحديات تتعلق بالعدالة والتحيّز نحو الشعبية، كما أن عمليات التطبيع والتجميع فيها تعاني من هذه التحديات. في هذا البحث، نقترح نظام توصية مبني على الشبكات العصبية الرسومية عادلًا، يُدعى HetroFair، بهدف تحسين العدالة من جانب العناصر. يعتمد HetroFair على مكوّنين منفصلين لإنشاء تمثيلات واعية بالعدالة: أولاً، الانتباه واعيًا بالعدالة، الذي يُدمج جداء النقطي في عملية التطبيع داخل الشبكات العصبية الرسومية لتقليل تأثير درجات العقد. ثانيًا، ترجيح الميزات غير المتجانسة، الذي يُخصص أوزانًا مختلفة للميزات المختلفة أثناء عملية التجميع. ولتقييم فعالية HetroFair، أجرينا تجارب واسعة على ستة مجموعات بيانات حقيقية. وأظهرت نتائج التجارب أن HetroFair لا يقلل فقط من التمييز وعدم العدالة والتحيّز نحو الشعبية من جانب العناصر، بل يحقق أيضًا دقة متفوقة من جانب المستخدمين. ويجدر بالإشارة إلى أن التنفيذ العملي للنظام متاح للجمهور عبر الرابط التالي: https://github.com/NematGH/HetroFair.