Esta investigación tiene como objetivo mejorar los sistemas de e-reclutamiento utilizando técnicas de resumen de texto y modelos de lenguaje grande preentrenados (LLMs). Se construye un sistema de recomendación de empleo con un resumen de texto integrado. Las técnicas de resumen de texto seleccionadas son BART, T5 (Transformador de Transferencia de Texto a Texto), BERT y Pegasus. La recomendación basada en contenido es el modelo elegido para ser implementado. Se utiliza el conjunto de datos de Publicaciones de Empleo de LinkedIn. La evaluación de las técnicas de resumen de texto se realiza utilizando ROUGE-1, ROUGE-2 y ROUGE-L. Los resultados de este enfoque deducen que la recomendación mejora después del resumen de texto. BERT supera a otras técnicas de resumen. Las evaluaciones de recomendación muestran que, para MRR, BERT tiene un rendimiento un 256.44% mejor, lo que indica recomendaciones relevantes en la parte superior de manera más efectiva. Para RMSE, hay un aumento del 29.29%, lo que indica recomendaciones más cercanas a los valores reales. Para MAP, se logra una mejora del 106.46%, presentando la mayor precisión en las recomendaciones. Por último, para NDCG, hay un aumento del 83.94%, lo que significa que las recomendaciones más relevantes están clasificadas más alto.