以下是使用ALS方法进行训练、隐式训练和拟合的代码示例：

1. 使用ALS方法进行训练：

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

# 创建SparkSession
spark = SparkSession.builder.getOrCreate()

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

# 创建ALS模型
als = ALS(userCol="userId", itemCol="itemId", ratingCol="rating", coldStartStrategy="drop")

# 拟合数据集
model = als.fit(data)

2. 使用ALS方法进行隐式训练：

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

# 创建SparkSession
spark = SparkSession.builder.getOrCreate()

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

# 创建ALS模型
als = ALS(userCol="userId", itemCol="itemId", ratingCol="rating", coldStartStrategy="drop", implicitPrefs=True)

# 拟合数据集
model = als.fit(data)

3. 使用ALS方法进行拟合：

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

# 创建SparkSession
spark = SparkSession.builder.getOrCreate()

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

# 创建ALS模型
als = ALS(userCol="userId", itemCol="itemId", ratingCol="rating", coldStartStrategy="drop")

# 拟合数据集
model = als.fit(data)

# 使用拟合好的模型进行推荐
recommendations = model.recommendForAllUsers(10)

请注意，上述代码示例中的"data.csv"应替换为您的实际数据集的路径。您还可以根据需要调整其他 ALS 模型参数和操作。