최근 몇 년간 그래프 신경망(GNN)은 추천 시스템의 정확도와 성능을 향상시키는 데 널리 사용되는 도구로 부상하였다. 현대의 추천 시스템은 단지 최종 사용자에게 서비스를 제공하는 것을 넘어서, 아이템 및 아이템 제공자와 같은 다른 참여자들에게도 이익을 제공하도록 설계되고 있다. 이러한 참여자들은 서로 다를 수 있거나 상충되는 목표와 이익을 가질 수 있으며, 이는 공정성 및 인기 편향(fairness and popularity bias)을 고려할 필요성을 제기한다. GNN 기반의 추천 방법 또한 공정성 부족과 인기 편향의 문제에 직면해 있으며, 이러한 문제는 GNN의 정규화 및 집계 과정에서 특히 두드러진다. 본 논문에서는 아이템 측면의 공정성을 향상시키기 위해, HetroFair라는 공정한 GNN 기반 추천 시스템을 제안한다. HetroFair는 공정성 인식 임베딩을 생성하기 위해 두 가지 독립적인 구성 요소를 사용한다. 첫째, 공정성 인식 어텐션(Fairness-aware attention)은 GNN의 정규화 과정에 내적(dot product)을 도입하여 노드의 차수(degree)가 미치는 영향을 줄인다. 둘째, 이질성 특성 가중치(Heterophily feature weighting)는 집계 과정에서 서로 다른 특성에 대해 서로 다른 가중치를 부여함으로써, 다양한 특성의 영향을 적절히 조절한다. HetroFair의 효과성을 평가하기 위해, 여섯 개의 실-world 데이터셋을 대상으로 광범위한 실험을 수행하였다. 실험 결과, HetroFair는 아이템 측면에서 공정성 부족과 인기 편향을 완화함과 동시에 사용자 측면에서도 뛰어난 정확도를 달성함을 확인하였다. 본 연구의 구현체는 공개적으로 제공되며, https://github.com/NematGH/HetroFair 에서 확인할 수 있다.