لقد حققت أساليب التقريب المصفوفي من الدرجة المنخفضة (LRMA) دقة ممتازة مقارنة بأساليب التصفية التعاونية (CF) الحالية. في الأساليب الحالية المبنية على LRMA، يتم عادةً تثبيت درجة مصفوفات الميزات الخاصة بالمستخدمين/العناصر، أي أن نفس الدرجة تُستخدم لوصف جميع المستخدمين والعناصر. ومع ذلك، تُظهر دراساتنا أن هناك إمكانية لوجود مصفوفات فرعية ذات درجات مختلفة داخل نفس مصفوفة التقييمات بين المستخدمين والعناصر، مما يعني أن التقريبات ذات الدرجات الثابتة لا يمكنها تمثيل الهياكل الداخلية لمصفوفة التقييمات بشكل مثالي، وبالتالي يؤدي إلى دقة توصيات أقل. في هذه الورقة، نقترح أسلوبًا جديدًا يُسمى التقريب المصفوفي من الدرجة المختلطة (MRMA)، حيث يمكن تمثيل تقييمات المستخدمين والعناصر باستخدام مزيج من نماذج LRMA ذات درجات مختلفة. وفي الوقت نفسه، نقدم خوارزمية تعلم تعتمد على طريقة التكرار في النماذج الشرطية (Iterated Condition Modes) لمعالجة مشكلة التحسين غير المحدب المرتبطة بـ MRMA. وقد أظهرت الدراسات التجريبية على مجموعتي بيانات MovieLens وNetflix أن MRMA يتفوق على ستة أساليب حديثة قائمة على LRMA من حيث دقة التوصيات.