El problema de inicio en frío siempre ha sido un desafío clave en el campo de investigación de recomendaciones. Como un método popular para aprender a un aprendiz que puede adaptarse rápidamente a una nueva tarea a través de un pequeño número de actualizaciones, el meta-aprendizaje se considera un algoritmo factible para reducir el error de recomendación en frío. Sin embargo, el meta-aprendizaje no tiene en cuenta los intereses diversos de los usuarios, lo que limita la mejora del rendimiento en escenarios de inicio en frío. En este documento, propusimos un nuevo modelo para una recomendación en frío, que combina el mecanismo de atención y el meta-aprendizaje. Este método mejora la capacidad de modelar el interés personalizado del usuario al aprender los pesos entre usuarios e ítems basados en el mecanismo de atención y luego mejora el rendimiento de la recomendación en frío. Validamos el modelo con dos conjuntos de datos públicos disponibles en el campo de recomendaciones. En comparación con los tres métodos de referencia, el modelo propuesto reduce el error absoluto medio en al menos un 2.3% y el error cuadrático medio en un 2.5%.