En la era de la sobrecarga de información, los clientes se sienten abrumados por la cantidad de productos disponibles para la venta. Los motores de búsqueda intentan superar este problema filtrando los elementos relevantes para las consultas de los usuarios. Los motores de búsqueda tradicionales se basan en la coincidencia exacta de términos en la consulta y los metadatos de los productos. Recientemente, los enfoques basados en el aprendizaje profundo han captado más atención al superar a los métodos tradicionales en muchas circunstancias. En este trabajo, involucramos el poder de los embeddings para resolver la desafiante tarea de optimizar los motores de búsqueda de productos en el comercio electrónico. Este trabajo propone un motor de búsqueda de productos de comercio electrónico basado en una métrica de similitud que funciona sobre los embeddings de consulta y producto. Se probaron dos modelos de embeddings de palabras pre-entrenados, el primero representando una categoría de modelos que generan embeddings fijos y un segundo representando una categoría más nueva de modelos que generan embeddings sensibles al contexto. Además, se realizó un paso de reordenamiento incorporando una lista de indicadores de calidad que refleja la utilidad del producto para el cliente como entradas a métodos de clasificación conocidos. Para demostrar la confiabilidad del enfoque, se utilizó el conjunto de datos de reseñas de Amazon para experimentación. Los resultados demostraron la efectividad de los embeddings sensibles al contexto en recuperar productos relevantes y los indicadores de calidad en clasificar productos de alta calidad.