一、ALS算法主要是使用了org.spache.spark.mlib.recommendation包，包内提供了三个用于协同过滤推荐系统的数据类型：Rating、ALS、MatrixFactoriztionModel（矩阵因式分解模型）。
1、Rating：Rating对象是一个用户、项目和评分的三元组
2、ALS：ALS提供了求解带偏置矩阵分解的交替最小二乘法
3、MatrixFatorizationModel：ALS做训练求解矩阵分解返回的结果类型，此结果类型可以进行多种操作：
（1）save：将模型持久化。eg;model.save(sc,path)
（2）load：将持久化的模型加载使用。egMatrixFactorizationModel.load（sc,path）
（3）productFeatures:RDD[(Int,Array[Double])]:返回矩阵分解得到的项目特征
（4）userFeatures:RDD[(Int,Array[Double])]:返回矩阵分解得到的用户特征
（5）predict(userProducts:RDD[(Int,Int)]:RDD[Rating]:根据参数中需要预测的用户-项目，返回预测的评分结果
（6）predict(user:Int,product:Int):预测用户user对于项目product的评分
（7）recommendProducts（user Int,num Int）:Array[Rating]:为用户user推荐个数为num的商品
（8）recommendUsers（product Int,num Int）:Array[Rating]:为项目product推荐可能对其感兴趣的num个用户
二、ALS.train方法的使用
1、使用ALS算法求解矩阵分解需要以下几个参数
rank：秩,特征向量纬度，，太小就会拟合不够，误差比较大；设置太大，会导致模型泛化能力比较差。一般情况下选择10-100.
numIterations：迭代次数.
alpha：矩阵分解的正则系数
val model=ALS.train(data,rank,numIterations,alpha)
