Kollaborative Filterung (CF)-Methoden für Empfehlungssysteme wurden umfassend erforscht und reichen von Matrixfaktorisierung und Autoencoder-basierten bis hin zu graphenbasierten Filtermethoden. In jüngster Zeit wurden leichtgewichtige Ansätze vorgeschlagen, die nahezu keine Trainingsschritte erfordern, um die Gesamtberechnungskosten zu reduzieren. Dennoch lassen sich die Abwägungen zwischen Genauigkeit, Effizienz und Robustheit bei bestehenden Methoden noch verbessern. Insbesondere fehlen bisher gut durchdachte geschlossene Lösungen für eine ausgeglichene CF im Hinblick auf die oben genannten Kompromisse. In diesem Paper stellen wir SVD-AE vor, einen einfachen, aber wirksamen linearen Autoencoder, der auf der singulären Vektorzerlegung (SVD) basiert. Die geschlossene Lösung von SVD-AE kann direkt auf der Grundlage der SVD für CF definiert werden. Da SVD-AE keine iterativen Trainingsprozesse benötigt, kann seine geschlossene Lösung einmalig berechnet werden. Darüber hinaus untersuchen wir die Robustheit gegenüber Rauschen in der Bewertungsmatrix für bestehende CF-Methoden sowie für unser SVD-AE. Ergebnisweise zeigen wir, dass unsere einfache Entwurfsentscheidung auf Basis der truncierten SVD dazu beitragen kann, die Rauschrobustheit der Empfehlung zu erhöhen und gleichzeitig die Effizienz zu steigern. Der Quellcode ist unter https://github.com/seoyoungh/svd-ae verfügbar.