近年、グラフニューラルネットワーク（GNN）は、レコメンデーションシステムの精度および性能を向上させるための有力なツールとして注目されている。現代のレコメンデーションシステムは、エンドユーザーへのサービス提供にとどまらず、アイテムやアイテム提供者といった他の参加者にも利益をもたらす設計が求められている。こうした参加者間には、異なるあるいは対立する目的や利害が存在するため、公平性および人気偏向（popularity bias）の考慮が不可欠となる。GNNを基盤とするレコメンデーション手法も、公平性の欠如や人気偏向という課題に直面しており、その正規化および集約プロセスはこれら問題の影響を受けやすい。本論文では、アイテム側の公平性を向上させるため、HetroFairと呼ばれる公平性を意識したGNNベースのレコメンデーションシステムを提案する。HetroFairは、公平性を意識した埋め込み表現を生成するための2つの独立したモジュールを採用している。1つ目は「公平性を意識したアテンション」であり、GNNの正規化プロセスにおいてドット積を導入することで、ノードの次数（degree）に起因する影響を低減する。2つ目は「異質性特徴重み付け（heterophily feature weighting）」であり、集約プロセスにおいて異なる特徴に個別に重みを割り当てることで、より適切な情報統合を実現する。HetroFairの有効性を検証するため、6つの実世界データセットを用いた広範な実験を実施した。実験結果から、HetroFairはアイテム側における不公平性および人気偏向の緩和に効果的であるとともに、ユーザー側の精度においても優れた性能を達成することが明らかになった。本研究の実装コードは、GitHubにて公開されている（https://github.com/NematGH/HetroFair）。