Este documento examina la relación entre el historial de visitas a la página del usuario (PV) y su comportamiento de elección de artículo en un sitio web de comercio electrónico. Nos enfocamos en secuencias de PV, que representan series temporales del número de PV para cada par usuario-artículo. Proponemos un modelo de optimización restringido por forma que estima con precisión las probabilidades de elección de artículos para todas las posibles secuencias de PV. Este modelo impone restricciones de monotonía en las probabilidades de elección de artículos al explotar órdenes parciales para secuencias de PV, de acuerdo con la recencia y frecuencia de las PV previas de un usuario. Para mejorar la eficiencia computacional de nuestro modelo de optimización, diseñamos algoritmos eficientes para eliminar todas las restricciones redundantes de acuerdo con la transitividad de las órdenes parciales. Los resultados experimentales utilizando datos reales de clics en tiempo real demuestran que nuestro método logra un mayor rendimiento predictivo que el de un modelo de optimización de última generación y métodos comunes de aprendizaje automático.