Apache Spark ALS（Alternating Least Squares）算法是一种协同过滤推荐算法，用于预测用户对物品的评分或偏好。下面是一个使用Apache Spark ALS算法的代码示例：

from pyspark.ml.evaluation import RegressionEvaluator
from pyspark.ml.recommendation import ALS
from pyspark.sql import SparkSession

# 创建SparkSession
spark = SparkSession.builder.appName("ALSExample").getOrCreate()

# 加载数据集
ratings = spark.read.csv("ratings.csv", header=True, inferSchema=True)

# 将数据集拆分为训练集和测试集
(training, test) = ratings.randomSplit([0.8, 0.2])

# 创建ALS模型
als = ALS(maxIter=5, regParam=0.01, userCol="userId", itemCol="movieId", ratingCol="rating")

# 在训练集上训练ALS模型
model = als.fit(training)

# 在测试集上进行预测
predictions = model.transform(test)

# 评估预测结果
evaluator = RegressionEvaluator(metricName="rmse", labelCol="rating", predictionCol="prediction")
rmse = evaluator.evaluate(predictions)
print("Root Mean Squared Error = " + str(rmse))

# 做出针对单个用户的推荐
userRecs = model.recommendForAllUsers(10)

# 输出个别用户的推荐结果
users = ratings.select(als.getUserCol()).distinct().limit(5)
userSubsetRecs = model.recommendForUserSubset(users, 10)

# 输出个别物品的推荐结果
items = ratings.select(als.getItemCol()).distinct().limit(5)
itemSubsetRecs = model.recommendForItemSubset(items, 10)

# 显示推荐结果
userRecs.show()
userSubsetRecs.show()
itemSubsetRecs.show()

# 停止SparkSession
spark.stop()

在上面的示例中，我们首先创建了一个SparkSession，然后加载了一个包含用户评分数据的CSV文件。然后，我们将数据集拆分为训练集和测试集，并使用ALS算法在训练集上训练模型。然后，我们使用训练好的模型在测试集上进行预测，并使用评估器计算预测结果的RMSE。接下来，我们使用该模型为所有用户生成前10个推荐项，并为某些用户和物品生成推荐项。最后，我们显示了生成的推荐结果。

请注意，上述示例是使用Python编写的，您需要安装Apache Spark和相关的Python库才能运行它。此外，您需要将代码中的数据集路径替换为您自己的数据集路径。