La mayoría de los sistemas de recomendación se basan en atributos de usuario e ítem o en sus registros de interacción para encontrar vecinos similares para el filtrado colaborativo. Los métodos existentes se centran en desarrollar señales colaborativas a partir de solo un tipo de vecinos e ignoran las contribuciones únicas de diferentes tipos de vistas de vecinos. Este documento propone una red de atención consciente de vecinos a múltiples escalas para el filtrado colaborativo (MSNAN). Primero, se modela la incrustación de vecinos de vista de atributos para extraer las características de diferentes tipos de vecinos con atributos de co-ocurrencia, y se aprovecha la incrustación de vecinos de vista de interacción para describir los comportamientos de vecindario detallados de las calificaciones. Luego, se utiliza una red de atención emparejada para identificar diferentes contribuciones de vecinos a múltiples escalas y capturar múltiples tipos de señales colaborativas para superar las recomendaciones dispersas. Finalmente, hacemos la predicción de calificación mediante un aprendizaje conjunto de pérdida multi-tarea y verificamos el efecto positivo del MSNAN propuesto en tres conjuntos de datos. En comparación con los métodos tradicionales, los resultados experimentales del MSNAN propuesto no solo mejoran la precisión en los índices de MAE y RMSE, sino que también resuelven el problema de bajo rendimiento para la recomendación en escenarios de datos dispersos.