En los últimos años, las redes neuronales de grafos (GNNs) han mostrado un rendimiento poderoso en el procesamiento de datos no euclidianos. Sin embargo, al igual que otros algoritmos de aprendizaje automático, las GNNs pueden amplificar el sesgo de datos en sistemas de toma de decisiones de alto riesgo, lo que puede llevar fácilmente a la injusticia en los resultados finales de la toma de decisiones. En la actualidad, un gran número de estudios se centran en resolver el problema de la equidad de las GNNs, pero los métodos existentes dependen en su mayoría de la construcción de arquitecturas de modelos complejas o de medios técnicos en el campo de las no GNNs. Con este fin, este artículo propone FairCNCB (Red Neuronal de Grafos Justa basada en Contrafactual y Balance de Categorías) para abordar el problema del desbalanceo de clases en grupos de atributos sensibles minoritarios. Primero, realizamos un análisis causal de la representación justa y empleamos la red adversarial para generar muestras de nodos contrafactuales, mitigando efectivamente el sesgo inducido por atributos sensibles. En segundo lugar, calculamos los pesos para los grupos de atributos sensibles minoritarios y reconstruimos la función de pérdida para lograr la equidad de las clases de atributos sensibles entre diferentes grupos. La sinergia entre los dos módulos optimiza las GNNs desde múltiples dimensiones y mejora significativamente el rendimiento de las GNNs en términos de equidad. Los resultados experimentales en los tres conjuntos de datos muestran la efectividad y equidad de FairCNCB. Las métricas de rendimiento (como AUC, F1 y ACC) han mejorado aproximadamente un 2%, y las métricas de equidad (sp, eo) se han mejorado en aproximadamente un 5%.