Eine Reihe von graphenbasierten kollaborativen Filterverfahren (Graph Filtering-based Collaborative Filtering, GF-CF) erreicht durch die Verwendung eines Tiefpassfilters (Low-Pass Filter, LPF) ohne Trainingsprozess Stand der Technik in Bezug auf die Empfehlungsgenauigkeit. Allerdings führen herkömmliche GF-basierte CF-Ansätze in der Regel eine Matrixfaktorisierung auf dem Item-Item-Ähnlichkeitsgraphen durch, um den idealen LPF zu realisieren, was mit einem erheblichen Rechenaufwand verbunden ist und diese Methoden in Szenarien, in denen schnelle Empfehlungen entscheidend sind, weniger praktikabel macht. In diesem Artikel stellen wir Turbo-CF vor, ein GF-basiertes CF-Verfahren, das sowohl trainingsfrei als auch matrixfaktorisierungsfrei ist. Turbo-CF nutzt einen polynomialen Graphenfilter, um die Problematik kostspieliger Matrixfaktorisierungen zu umgehen, wodurch die volle Ausnutzung moderner Hardwarekomponenten (insbesondere GPU) ermöglicht wird. Konkret konstruiert Turbo-CF zunächst einen Item-Item-Ähnlichkeitsgraphen, dessen Kantengewichte effektiv reguliert werden. Anschließend werden eigens entwickelte polynomiale Tiefpassfilter eingesetzt, um ausschließlich niederfrequente Signale zu bewahren, ohne explizite Matrixfaktorisierungen durchzuführen. Wir zeigen, dass Turbo-CF extrem schnell und dennoch hochpräzise ist: Auf realen Benchmark-Datensätzen erreicht es eine Laufzeit von weniger als einer Sekunde, während die Empfehlungsgenauigkeit mit den besten Konkurrenten vergleichbar ist.