El desarrollo acelerado de redes y aplicaciones móviles conlleva a la expansión exponencial de recursos, lo que ocasiona problemas como el rastreo y la sobrecarga de información. Uno de los enfoques prácticos para aliviar estos problemas son los sistemas de recomendación (RS) que pueden proporcionar un servicio individualizado. La recomendación de videos es uno de los servicios de recomendación más críticos. Sin embargo, lograr un servicio de recomendación satisfactorio con datos escasos es difícil para el servicio de recomendación de videos. Además, el problema de inicio en frío agrava aún más el desafío de investigación. Los trabajos recientes de vanguardia intentaron resolver este problema utilizando la información del usuario y del elemento desde otra perspectiva. Sin embargo, la importancia de la información del usuario y del elemento cambia según las diferentes aplicaciones. Este documento propone un modelo de autoencoder para mejorar la eficiencia de recomendación utilizando información de atributos e implementando el algoritmo propuesto para la recomendación de videos. En el modelo propuesto, primero extraemos las características del usuario y del video combinando simultáneamente el atributo del usuario y la información de la categoría del video. Luego, integramos el mecanismo de atención en las características extraídas para generar las características vitales. Finalmente, incorporamos el factor potencial del usuario y del elemento para generar la matriz de probabilidad y definimos la matriz de calificaciones de usuario-elemento utilizando la matriz de probabilidad factorizada. Los resultados experimentales en dos conjuntos de datos compartidos demuestran que el modelo propuesto puede mejorar efectivamente la calidad de recomendación de videos en comparación con los métodos de vanguardia.