Recientemente, varios modelos basados en aprendizaje profundo han sido aplicados en el estudio de sistemas de recomendación. Algunas investigaciones han combinado el método clásico de filtrado colaborativo con marcos de aprendizaje profundo para obtener recomendaciones más precisas. Sin embargo, estos modelos ya sea añaden características adicionales, pero siguen recomendando de manera lineal original, o solo extraen los factores latentes globales de las matrices de calificación de forma no lineal sin considerar algunas relaciones especiales locales. En este artículo, proponemos un marco de aprendizaje profundo para sistemas de recomendación explícitos, llamado Autoencoder Colaborativo de Atención (ACAE). Basado en el autoencoder de eliminación de ruido, nuestro modelo puede extraer los factores latentes globales de forma no lineal de las matrices de calificación dispersas. En ACAE, se introducen unidades de atención durante la retropropagación, lo que permite descubrir relaciones potenciales entre usuarios e ítems en el vecindario, lo que hace que el modelo obtenga mejores resultados en las tareas de predicción de calificaciones. Además, proponemos cómo optimizar el proceso de entrenamiento del modelo proponiendo una nueva función de pérdida. Experimentos en dos conjuntos de datos públicos demuestran la efectividad de ACAE y su rendimiento superior a las líneas de base competitivas.