Cet article propose FairGENRec, un système de recommandation séquentielle équitable basé sur le modèle de diffusion (DM). Pour résoudre le problème de l'apprentissage des corrélations entre les caractéristiques sensibles des utilisateurs (telles que le sexe et l'âge) et l'inégalité des systèmes de recommandation existants, nous utilisons les capacités de modélisation de l'incertitude et de représentation de la diversité de DM. FairGENRec injecte du bruit aléatoire dans la distribution d'origine grâce à un modèle de reconnaissance des caractéristiques sensibles et reconstruit les éléments avec un modèle de débruitage séquentiel. Parallèlement, il modélise l'équité des recommandations en injectant diverses informations d'intérêt qui éliminent le biais des caractéristiques sensibles des utilisateurs dans les résultats générés. Lors de la phase d'inférence, du bruit est ajouté à partir des interactions passées des utilisateurs et la représentation de l'élément cible est reconstruite par rétro-itération. Les résultats expérimentaux sur trois jeux de données montrent que FairGENRec améliore efficacement la précision et l'équité, et le degré d'amélioration de l'équité est visualisé par une analyse de cas.
