En los últimos años, los sistemas de recomendación han avanzado significativamente a través de la aplicación de redes neuronales gráficas (GNNs). Sin embargo, la mayoría de los métodos existentes se centran principalmente en modelar las interacciones usuario-elemento, a menudo sin tener en cuenta los roles distintos de los diferentes tipos de nodos vecinos durante el proceso de convolución del grafo. Además, las relaciones complejas entre los atributos de usuario y elemento se exploran con poca frecuencia, lo que limita un mayor mejoramiento en el rendimiento de los modelos de recomendación. Para superar estos desafíos, este artículo propone un modelo de recomendación de red convolucional gráfica consciente de atributos (AAGCNR). Este modelo tiene en cuenta las interrelaciones complejas entre los atributos de usuario y elemento al distinguir entre diferentes tipos de nodos vecinos durante la convolución del grafo. En primer lugar, se aplica un mecanismo de autoatención de varias cabezas para capturar las relaciones semánticas entre atributos en varios espacios semánticos. Además, se emplea un módulo de interacción bilineal para facilitar las interacciones entre atributos. Dado que los nodos vecinos diferentes ejercen diferentes influencias en los nodos objetivo, el modelo realiza una agregación convolucional aprovechando las interrelaciones de estos atributos a lo largo del proceso de convolución del grafo. Los experimentos realizados en conjuntos de datos del mundo real revelan que AAGCNR supera a otros algoritmos de referencia, especialmente en términos de métricas de RECALL y NDCG.