Los sistemas de recomendación están cada vez más expuestos a comportamientos anómalos de los usuarios que pueden distorsionar los resultados de las recomendaciones y comprometer la fiabilidad del sistema. En entornos del mundo real, las etiquetas explícitas que identifican actividades maliciosas rara vez están disponibles, lo que motiva la adopción de enfoques de detección no supervisados. Este estudio presenta un análisis comparativo sistemático de técnicas clásicas de aprendizaje automático y aprendizaje profundo para la detección de anomalías en sistemas de recomendación. Utilizando el conjunto de datos MovieLens 1M, construimos una representación del comportamiento a nivel de usuario basada en características estadísticas, temporales y de interacción derivadas de datos de calificación explícitos. Se evalúan tres modelos de detección no supervisados: Isolation Forest, One-Class Support Vector Machine y una red neuronal basada en autoencoders. Para abordar la ausencia de etiquetas de verdad fundamental, la evaluación se realiza utilizando un protocolo integral sin etiquetas, que incluye análisis de distribución de puntuaciones, umbralización basada en percentiles, estabilidad de clasificación y acuerdo entre modelos. Además, se realizan experimentos controlados con perfiles de ataque sintéticos para evaluar el rendimiento de detección bajo diferentes estrategias adversariales. Los resultados indican que los modelos individuales capturan aspectos complementarios del comportamiento anómalo, exhibiendo un acuerdo bajo a moderado. Una estrategia de puntuación en conjunto mejora la estabilidad de clasificación y proporciona un mecanismo consistente para identificar perfiles de usuario altamente desviados. Los hallazgos sugieren que la detección no supervisada basada en conjuntos constituye un enfoque práctico e interpretable de cribado de primera capa para el monitoreo de sistemas de recomendación en condiciones de escasez de etiquetas.