已知用户id, 商品item, 用户对商品的评分score; 从csv文件种读取数据，使用flink-ml 的ALS算法，请给出一段完整的代码，使用scala语言实现商品的推荐；

以下是使用Flink-ML中的ALS算法实现商品推荐的Scala代码示例：

import org.apache.flink.api.scala._
import org.apache.flink.ml.common.LabeledVector
import org.apache.flink.ml.recommendation.ALS

// 定义样例类
case class Rating(userId: Int, item: Int, score: Double)

object RecommendationSystem {
  def main(args: Array[String]): Unit = {
    // 创建执行环境
    val env = ExecutionEnvironment.getExecutionEnvironment

    // 读取CSV文件，创建Rating数据集
    val ratings = env.readCsvFile[(Int, Int, Double)]("ratings.csv", "\n", ",", ignoreFirstLine = true)
      .map(r => Rating(r._1, r._2, r._3))

    // 构建训练集
    val trainingDataSet = ratings.map(r => LabeledVector(r.score, org.apache.flink.api.scala.Vector(r.userId, r.item)))

    // 定义ALS模型
    val als = ALS()
      .setIterations(10)
      .setNumFactors(10)
      .setLambda(0.01)

    // 训练模型
    val model = als.fit(trainingDataSet)

    // 预测用户对商品的评分
    val predictions = model.predict(trainingDataSet.map(_.vector)).map(p => (p.vector(0), p.vector(1), p.score))

    // 打印用户对商品的评分
    predictions.print()
  }
}

在上面的代码中，我们首先定义了一个`Rating`样例类，用于表示用户对商品的评分数据。然后，我们使用Flink的CSV文件读取器来读取CSV文件，并将每行数据转换为`Rating`对象。接着，我们将`Rating`对象转换为Flink-ML中的`LabeledVector`对象，然后构建训练集。

接下来，我们定义了一个ALS模型，并使用训练集训练模型。最后，我们使用模型对训练集中的数据进行预测，并打印出结果。

需要注意的是，在实际场景中，我们通常会将数据集分为训练集和验证集，并使用验证集来评估模型的性能。此外，我们还可以使用模型来为新用户生成个性化推荐。