El filtrado colaborativo (CF) ha logrado con éxito su aplicación en sistemas de recomendación personalizados. El algoritmo de descomposición en valores singulares (SVD)++ se emplea como un algoritmo SVD optimizado para mejorar la precisión de la predicción generando retroalimentación implícita. Sin embargo, el algoritmo SVD++ está limitado principalmente por su baja eficiencia de cálculo en la recomendación. Para abordar esta limitación del algoritmo, este estudio propone un nuevo método para acelerar el cálculo del algoritmo SVD++, lo que puede ayudar a lograr resultados de recomendación más precisos. El núcleo del método propuesto es realizar una búsqueda de línea de retroceso en el algoritmo SVD++, optimizar el algoritmo de recomendación y encontrar la solución óptima a través de la búsqueda de línea de retroceso en el gradiente local de la función objetivo. El algoritmo se compara con el algoritmo CF convencional en los conjuntos de datos públicos FilmTrust, MovieLens 1 M y 10 M. La efectividad del método propuesto se demuestra al comparar los resultados de simulación del error cuadrático medio, el error medio absoluto y la tasa de recuperación.