Los sistemas de recomendación de comercio electrónico suelen lidiar con enormes bases de datos secuenciales de clientes, como secuencias de compras históricas o clics. La precisión de los sistemas de recomendación puede mejorar si se aprenden patrones secuenciales complejos de comportamiento de compra de usuarios al integrar patrones secuenciales de clics y/o compras de clientes en la matriz de calificaciones de usuario-elemento de filtrado colaborativo. Esta revisión se centra en algoritmos de sistemas de recomendación de comercio electrónico existentes que se basan en patrones secuenciales. Proporciona un análisis de rendimiento exhaustivo y comparativo de estos sistemas, exponiendo sus metodologías, logros, limitaciones y potencial para resolver problemas más importantes en este dominio. La revisión muestra que la integración de la minería de patrones secuenciales de compras históricas y/o secuencias de clics en una matriz de usuario-elemento para el filtrado colaborativo puede (i) mejorar la precisión de las recomendaciones, (ii) reducir la dispersión de datos de calificaciones de usuario-elemento, (iii) aumentar la tasa de novedad de las recomendaciones y (iv) mejorar la escalabilidad de los sistemas de recomendación.