交替最小二乘法（Alternating Least Squares, ALS）是一種最佳化算法，主要用於矩陣分解，尤其是在推薦系統中。它的核心思想是通過疊代過程交替固定用戶和物品的潛在因子，然後最小化實際觀測到的評分與預測評分之間的差異。
在每次疊代中，ALS先固定一個因子（例如，先固定用戶因子U），只最佳化另一個因子（例如，物品因子V），通過最小化觀測到的評分和通過當前因子乘積預測的評分之間的誤差來更新固定的因子，然後固定物品因子V，最佳化用戶因子U，重複這個步驟直到收斂，即兩者的更新不再導致總誤差顯著減少。
為了防止過擬合，在最佳化過程中通常會加入正則化項，以平衡模型的複雜度和訓練數據的擬合程度。交替最小二乘法的一個關鍵優點是它能夠有效地處理大規模、稀疏的數據集，並且易於並行化，這使得它特別適合分散式計算環境，如Apache Spark。