Con los usuarios expuestos al creciente volumen de información en línea, el sistema de recomendación que tiene como objetivo extraer la información importante o interesante se está convirtiendo en un tema de investigación moderno. Uno de los enfoques de recomendación es integrar la red neuronal de grafos con algoritmos de aprendizaje profundo. Sin embargo, algunos de ellos no están diseñados para grafos bipartitos, que es un tipo único de grafo heterogéneo que tiene dos tipos de entidades. Otros, aunque personalizados, descuidan la importancia de la relación implícita y la información de contenido. En este documento, proponemos el marco de recomendación de relación implícita atenta que incorpora información de contenido (AIRC) que está diseñado para grafos bipartitos basados en el algoritmo GC-MC. Primero, a través de la reconstrucción de los grafos bipartitos, obtenemos los grafos de relación implícita. Luego analizamos la información de contenido de los usuarios y elementos con un proceso de CNN, de modo que cada usuario y elemento tenga sus incrustaciones adaptadas a las características. Además, expandimos los algoritmos GC-MC agregando una capa de mecanismo de atención de grafos, que maneja el grafo de relación implícita resaltando características importantes y vecinos. Por lo tanto, nuestro marco tiene en cuenta tanto la relación implícita como la información de contenido. Finalmente, probamos nuestro marco en el conjunto de datos de Movielens y los resultados muestran que nuestro marco funciona mejor que otros algoritmos de recomendación de vanguardia.