Recommender Systems (RS) are a subclass of information filtering systems that seek to predict the rating or preference a user would give to an item. e-Recruitment is one of the domains in which RS can contribute due to presenting a list of interesting jobs to a candidate or a list of candidates to a recruiter. This study presents an up-to-date systematic review of recommender systems applied to e-Recruitment considering only papers published from 2012 up to 2020. We searched three databases for published journal articles, conference papers and book chapters. We then evaluated these works in terms of which kinds of RS were applied for e-Recruitment, what kind of information was used in the e-Recruitment RS, and how they were assessed. A total of 896 papers were collected, out of which sixty three research works were included in the survey based on the inclusion and exclusion criteria adopted. We divided the recommender types into five categories (Content-Based Recommendation 26.98%; Collaborative Filtering 6.35%; Knowledge-Based Recommendation 12.7%; Hybrid approaches 20.63%; and Other Types 33.33%); the types of information used were divided into four categories (Social Network 38.1%; Resumés and Job Posts 42.85%; Behavior or Feedback 12.7%; and Others 6.35%), and the assessment types were categorized into four types (Expert Validation 20.83%; Machine Learning Metrics 41.67%; Challenge-specific Metrics 22.92%; and Utility measures 14.58%). Although in many cases a paper may belong to more than one category for each evaluation axis, we chose the most predominant one for our categorization. In addition, there is a clear trend for hybrid and non-traditional techniques to overcome the challenges of e-Recruitment domain.

推荐系统（RS）是信息过滤系统的子类，旨在预测等级或偏好用户会给一个项目。电子招聘是RS可以提供​​帮助的领域之一，这是因为向候选人展示了一份有趣的工作列表，或者向招聘者展示了一份候选人列表。本研究仅针对2012年至2020年发表的论文，提出了适用于电子招聘的推荐系统的最新系统综述。我们从三个数据库中搜索了已发表的期刊文章，会议论文和书籍章节。然后，我们根据哪些类别的RS用于电子招聘，在电子招聘RS中使用了哪些信息以及如何对其进行评估，评估了这些作品。总共收集了896篇论文，其中根据采用的纳入和排除标准，将63项研究工作纳入了调查。我们将推荐者类型分为五类（基于内容的推荐率为26.98％；基于协作的过滤为6.35％；基于知识的推荐为12.7％；混合方法为20.63％；其他类型为33.33％）；所使用的信息类型分为四类（社交网络38.1％；简历和职位42.85％；行为或反馈12.7％；其他6.35％），评估类型分为四类（专家验证为20.83％；机器学习指标为41.67％；挑战专用指标为22.92％；效用指标为14.58％）。尽管在许多情况下，每个评估轴上的一篇论文可能属于多个类别，但我们还是选择了最主要的类别进行分类。此外，混合技术和非传统技术有明显的趋势来克服电子招聘领域的挑战。协同过滤6.35％; 基于知识的建议12.7％；混合方式为20.63％；和其他类型的33.33％）；所使用的信息类型分为四类（社交网络38.1％；简历和职位42.85％；行为或反馈12.7％；其他6.35％），评估类型分为四类（专家验证为20.83％；机器学习指标为41.67％；挑战专用指标为22.92％；效用指标为14.58％）。尽管在许多情况下，每个评估轴上的一篇论文可能属于多个类别，但我们还是选择了最主要的类别进行分类。此外，混合技术和非传统技术有明显的趋势来克服电子招聘领域的挑战。协同过滤6.35％; 基于知识的建议12.7％；混合方式为20.63％；和其他类型的33.33％）；所使用的信息类型分为四类（社交网络38.1％；简历和职位42.85％；行为或反馈12.7％；其他6.35％），评估类型分为四类（专家验证为20.83％；机器学习指标为41.67％；挑战专用指标为22.92％；效用指标为14.58％）。尽管在许多情况下，每个评估轴上的一篇论文可能属于多个类别，但我们还是选择了最主要的类别进行分类。此外，混合技术和非传统技术有明显的趋势来克服电子招聘领域的挑战。和其他类型的33.33％）；所使用的信息类型分为四类（社交网络38.1％；简历和职位42.85％；行为或反馈12.7％；其他6.35％），评估类型分为四类（专家验证为20.83％；机器学习指标为41.67％；挑战专用指标为22.92％；效用指标为14.58％）。尽管在许多情况下，每个评估轴上的一篇论文可能属于多个类别，但我们还是选择了最主要的类别进行分类。此外，混合技术和非传统技术有明显的趋势来克服电子招聘领域的挑战。和其他类型的33.33％）；所使用的信息类型分为四类（社交网络38.1％；简历和职位42.85％；行为或反馈12.7％；其他6.35％），评估类型分为四类（专家验证为20.83％；机器学习指标为41.67％；挑战专用指标为22.92％；效用指标为14.58％）。尽管在许多情况下，每个评估轴上的一篇论文可能属于多个类别，但我们还是选择了最主要的类别进行分类。此外，混合技术和非传统技术有明显的趋势来克服电子招聘领域的挑战。评估类型分为四类（专家验证20.83％；机器学习指标41.67％；挑战专用指标22.92％；效用指标14.58％）。尽管在许多情况下，每个评估轴上的一篇论文可能属于多个类别，但我们还是选择了最主要的类别进行分类。此外，混合技术和非传统技术有明显的趋势来克服电子招聘领域的挑战。评估类型分为四类（专家验证20.83％；机器学习指标41.67％；挑战专用指标22.92％；效用指标14.58％）。尽管在许多情况下，每个评估轴上的一篇论文可能属于多个类别，但我们还是选择了最主要的类别进行分类。此外，混合技术和非传统技术有明显的趋势来克服电子招聘领域的挑战。