En este documento, proponemos una representación de la información visual sobre los videojuegos de Battle Arena en línea multijugador (MOBA) utilizando una arquitectura de aprendizaje profundo no supervisado adaptado llamada Codificador Automático de Acordeón Convolucional (Conv_AE). Nuestro estudio incluye una presentación de las representaciones actuales de la información de los videojuegos MOBA y por qué nuestra propuesta ofrece una solución novedosa y útil para esta tarea. Este enfoque tiene como objetivo lograr la reducción dimensional y la extracción refinada de características de los datos visuales. Para mejorar el rendimiento del modelo, probamos varios mecanismos de atención para visión por computadora, evaluando algoritmos de las familias de atención de canal y atención espacial, y su combinación. A través de experimentaciones, descubrimos que la mejor reconstrucción de la información visual con el Conv_AE se logró al utilizar un mecanismo de atención espacial, convolución deformable, ya que su error cuadrático medio (ECM) durante las pruebas fue el más bajo, alcanzando un valor de 0.003893, lo que significa que su reducción dimensional es la más generalista y representativa para este estudio de caso. Este documento presenta uno de los primeros enfoques para aplicar mecanismos de atención al estudio de caso de los videojuegos MOBA, representando un nuevo horizonte de posibilidades para la investigación.