El surgimiento del sistema de recomendación ha aliviado efectivamente el problema de la sobrecarga de información. Sin embargo, los sistemas de recomendación tradicionales suelen ignorar la información detallada de atributos de usuarios y artículos, como las características sociodemográficas del usuario, las características de contenido del artículo, etc., enfrentando el problema de la dispersión, o adoptan una red completamente conectada para concatenar la información de atributos, ignorando la interacción entre la información de atributos. En este documento, proponemos el modelo de recomendación de factorización de matriz atenta neuronal profunda basado en fusión de información (IFDNAMF), que introduce la información de atributos y adopta el producto elemento a elemento entre los diferentes dominios de información para aprender las características cruzadas al realizar la fusión de información. Además, se utiliza un mecanismo de atención para distinguir la importancia de diferentes características cruzadas en los resultados de predicción. Asimismo, el IFDNAMF adopta la red neuronal profunda para aprender la interacción de alto orden entre usuarios y artículos. Mientras tanto, realizamos experimentos extensos en dos conjuntos de datos: MovieLens y Book-crossing, y demostramos la viabilidad y efectividad del modelo.