Resolver problemas combinatorios en redes complejas representa un problema principal que, a gran escala, requiere el uso de heurísticas y algoritmos aproximados. Recientemente, se han propuesto métodos neuronales en este contexto para encontrar soluciones factibles para problemas computacionales relevantes en grafos. Sin embargo, tales métodos tienen algunas desventajas: (1) utilizan la misma arquitectura neuronal para diferentes problemas combinatorios sin introducir personalizaciones que reflejen la especificidad de cada problema; (2) solo utilizan información local de los nodos para calcular la solución; (3) no aprovechan las heurísticas comunes o algoritmos exactos. Siguiendo este interés, en esta investigación abordamos estos tres puntos principales diseñando un mecanismo de atención personalizado que utiliza información local y global de la matriz de adyacencia para encontrar soluciones aproximadas para la. Evaluamos nuestra propuesta con respecto a un algoritmo de aproximación de dos factores rápido y una heurística ampliamente adoptada de vanguardia tanto en instancias generadas sintéticamente como en grafos de referencia con diferentes escalas. Los resultados experimentales demuestran que, por un lado, la metodología propuesta es capaz de superar tanto el algoritmo de aproximación de dos factores como la heurística en los conjuntos de datos de prueba, escalando incluso mejor que la heurística con instancias más difíciles y, por otro lado, es capaz de proporcionar una representación de los nodos que refleja la estructura combinatoria del problema.