文章主要内容和创新点主要内容本文聚焦于基于大语言模型（LLM）的推荐系统在部署中面临的参数规模过大问题，提出通过参数剪枝提升参数效率，同时维持推荐质量。研究发现，现有方法多关注模型层间冗余，而基于LLM的推荐系统还存在显著的层内冗余（如自注意力模块和MLP模块中）。据此，本文提出了一种名为PruneRec的三阶段剪枝策略，逐步从层内到层间（从宽度到深度）剪枝参数，并在每个阶段通过蒸馏技术恢复模型性能，以平衡性能与参数效率。实验结果显示，在三个公开数据集上，该方法能保留原始模型88%的性能，同时剪枝超过95%的非嵌入参数，大幅降低了部署成本。创新点发现层内冗余：首次明确指出基于LLM的推荐系统不仅存在层间冗余，还存在显著的层内冗余（如自注意力头和MLP模块中），这些冗余限制了模型效率。提出PruneRec框架：设计了一种迭代的“剪枝-恢复”流程，结合层内和层间剪枝，通过三阶段逐步剪枝冗余参数，并利用知识蒸馏在每个阶段恢复性能，避免模型崩溃。实验验证有效性：在三个数据集上的实验表明，PruneRec在保留不到5%的非嵌入参数时，仍能维持与原始模型相当的推荐性能，显著提升了参数效率。翻译部分摘要基于大语言模型（LLM）的推荐系统已取得显著进展，但LLM庞大的参数规模所带来的部署成本仍阻碍其实际应用。本文探索通