Les méthodes d’approximation de matrices de faible rang (LRMA) ont atteint une précision remarquable parmi les méthodes actuelles de filtrage collaboratif (CF). Dans les approches LRMA existantes, le rang des matrices de caractéristiques utilisateurs/éléments est généralement fixe, c’est-à-dire que le même rang est utilisé pour décrire tous les utilisateurs ou tous les éléments. Toutefois, nos études montrent que des sous-matrices de rangs différents peuvent coexister dans une même matrice d’évaluations utilisateurs-éléments. Ainsi, les approximations à rang fixe ne peuvent pas parfaitement capturer les structures internes de la matrice d’évaluations, ce qui conduit à une précision inférieure en recommandation. Dans cet article, nous proposons une méthode d’approximation de matrices à rang mixte (MRMA), dans laquelle les évaluations utilisateurs-éléments peuvent être caractérisées par un mélange de modèles LRMA à différents rangs. Par ailleurs, un algorithme d’apprentissage exploitant la méthode des modes conditionnels itérés est proposé afin de résoudre le problème d’optimisation non convexe associé à la MRMA. Des études expérimentales menées sur les jeux de données MovieLens et Netflix démontrent que la méthode MRMA surpasser six méthodes d’état de l’art basées sur la LRMA en termes de précision de recommandation.