본 논문은 추천 시스템의 공정성 문제를 해결하기 위해 확산 모델(Diffusion Model, DM) 기반의 새로운 순차적 추천 모델인 FairGENRec을 제안합니다. 기존 추천 시스템은 사용자의 행동 패턴을 학습하는 과정에서 민감한 특징(성별, 나이 등)과의 상관관계를 과도하게 학습하여 불공정한 결과를 초래할 수 있습니다. FairGENRec은 민감한 특징을 인식하는 모델을 통해 원본 분포에 랜덤 노이즈를 주입하고, 순차적인 잡음 제거 모델을 이용하여 아이템을 재구성하는 방식으로 학습합니다. 또한, 민감한 사용자 특징의 편향을 제거하는 다양한 관심사 정보를 생성 결과에 주입하여 추천의 공정성을 모델링합니다. 추론 단계에서는 사용자의 과거 상호작용을 이용하여 노이즈를 추가하고 역이테이션을 통해 목표 아이템 표현을 재구성합니다. 세 개의 데이터셋을 이용한 실험 결과, FairGENRec은 정확도와 공정성 모두 향상시키는 효과를 보였으며, 사례 분석을 통해 공정성 개선 정도를 시각화했습니다.
