En los últimos años, ha habido un creciente interés en desarrollar sistemas de recomendación de puntos de interés (POI) en la industria y la academia. Sin embargo, las estrategias actuales de recomendación de POI sufren de la falta de una mezcla suficiente de detalles de las características relacionadas con los usuarios individuales y sus contextos correspondientes. Para superar este problema, proponemos en este estudio un modelo de aprendizaje profundo basado en un mecanismo de atención. La técnica sugerida emplea un mecanismo de atención que se centra en la amistad del patrón, que es responsable de concentrarse en las características relevantes relacionadas con los usuarios individuales. Para calcular similitudes conscientes del contexto entre usuarios diversos, nuestro modelo emplea seis características de cada usuario como entradas, incluyendo el ID de usuario, hora, mes, día, minuto y segundo de la hora de visita, que exploran las influencias tanto de las características espaciales como temporales para los usuarios. Además, incorporamos información geográfica en nuestro mecanismo de atención creando un puntaje de excentricidad. Específicamente, mapeamos la trayectoria de cada usuario a una forma, como un círculo, triángulo o rectángulo, cada uno de los cuales tiene un valor de excentricidad diferente. Este mecanismo basado en la atención se evalúa en dos conjuntos de datos ampliamente utilizados, y los resultados experimentales demuestran una mejora notable de nuestro modelo sobre las estrategias de vanguardia para la recomendación de POI.