Ces dernières années, les réseaux neuronaux sur graphes (GNN) sont devenus un outil populaire pour améliorer la précision et les performances des systèmes de recommandation. Les systèmes modernes de recommandation ne se limitent pas à servir les utilisateurs finaux, mais visent également à bénéficier à d'autres acteurs, tels que les articles et leurs fournisseurs. Ces acteurs peuvent avoir des objectifs ou des intérêts différents, voire contradictoires, ce qui soulève la nécessité de prendre en compte la question de l’équité et des biais de popularité. Les méthodes de recommandation basées sur les GNN font également face à des défis liés à l’inéquité et aux biais de popularité, et leurs processus de normalisation et d’agrégation sont particulièrement affectés par ces problèmes. Dans cet article, nous proposons un système de recommandation basé sur les GNN équitable, appelé HetroFair, visant à améliorer l’équité du côté des articles. HetroFair utilise deux composants distincts pour générer des embeddings sensibles à l’équité : i) un mécanisme d’attention sensible à l’équité, qui intègre le produit scalaire dans le processus de normalisation des GNN afin de réduire l’impact des degrés des nœuds ; ii) un pondérage des caractéristiques de type hétérophile, qui attribue des poids différents aux différentes caractéristiques durant le processus d’agrégation. Pour évaluer l’efficacité de HetroFair, nous menons des expérimentations approfondies sur six jeux de données réels. Nos résultats expérimentaux montrent que HetroFair atténue non seulement l’inéquité et le biais de popularité du côté des articles, mais atteint également une précision supérieure du côté des utilisateurs. Notre implémentation est disponible publiquement à l’adresse suivante : https://github.com/NematGH/HetroFair.