En el campo del filtrado colaborativo, la información de atributos a menudo se integra para mejorar las recomendaciones. Sin embargo, hay desafíos que aún no se han abordado. En primer lugar, los métodos de modelado de datos existentes a menudo no logran manejar adecuadamente la información de atributos. En segundo lugar, los datos de atributos suelen ser escasos y pueden afectar potencialmente el rendimiento de las recomendaciones debido al desafío de la correspondencia incompleta entre la información de atributos y las recomendaciones. Para abordar estos desafíos, proponemos un marco de Filtrado Colaborativo de Hipergráficos con Inferencia de Atributos (HCFA), que separa la información de atributos y comportamiento del usuario en canales distintos y aprovecha los hipergráficos para capturar correlaciones de alto orden entre vértices, ofreciendo un enfoque más natural para el modelado. Además, introducimos la Confianza de Atributo Basada en Comportamiento (BAC) para evaluar la confiabilidad de los atributos inferidos con respecto a los comportamientos correspondientes y actualizamos las partes más creíbles para mejorar la calidad de las recomendaciones. Experimentos extensos realizados en tres benchmarks públicos demuestran la superioridad de nuestro modelo. Consistentemente supera a otros enfoques de vanguardia, con experimentos de ablación que confirman aún más la efectividad de nuestro método propuesto.