Apache Mahout ALS算法可以在没有Hadoop的情况下工作。Mahout ALS算法是基于分布式计算框架Hadoop的，但也可以在单机模式下运行。

以下是在没有Hadoop的情况下使用Mahout ALS算法的代码示例：

import org.apache.mahout.cf.taste.impl.model.file.FileDataModel;
import org.apache.mahout.cf.taste.impl.recommender.GenericUserBasedRecommender;
import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.neighborhood.UserNeighborhood;
import org.apache.mahout.cf.taste.recommender.RecommendedItem;
import org.apache.mahout.cf.taste.similarity.UserSimilarity;
import org.apache.mahout.cf.taste.impl.similarity.PearsonCorrelationSimilarity;
import org.apache.mahout.cf.taste.impl.neighborhood.NearestNUserNeighborhood;
import org.apache.mahout.cf.taste.recommender.Recommender;

import java.io.File;
import java.util.List;

public class MahoutALSWithoutHadoopExample {
    public static void main(String[] args) throws Exception {
        // Load data from file
        DataModel model = new FileDataModel(new File("ratings.csv"));

        // Define similarity metric
        UserSimilarity similarity = new PearsonCorrelationSimilarity(model);

        // Define neighborhood strategy
        UserNeighborhood neighborhood = new NearestNUserNeighborhood(10, similarity, model);

        // Create recommender
        Recommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);

        // Get recommendations for user 1
        List recommendations = recommender.recommend(1, 5);

        // Print recommendations
        for (RecommendedItem recommendation : recommendations) {
            System.out.println(recommendation);
        }
    }
}

在上面的代码中，我们使用FileDataModel从文件中加载评分数据。然后，我们使用PearsonCorrelationSimilarity定义相似度度量，使用NearestNUserNeighborhood定义邻居策略。最后，我们创建了一个基于用户的推荐器GenericUserBasedRecommender，并使用recommend方法获取用户1的前5个推荐物品。

请注意，这个示例是在单机模式下运行的，没有使用Hadoop。