Wie die Trip.com Group mit Zilliz Cloud die Hotelsuche für Reisende weltweit nahtlos macht

Über Trip.com Group

Trip.com Group ist einer der weltweit größten Anbieter von Online-Reisedienstleistungen und vereint bekannte Marken wie Trip.com, Ctrip, Skyscanner, Qunar und Travix. Das 1999 gegründete Unternehmen hat sich zu einer wirklich globalen Plattform entwickelt, die Reisende in mehr als 200 Ländern und Regionen bedient.

Mit einem Portfolio, das Flüge, Hotels, Züge, Mietwagen und Geschäftsreisen umfasst, hilft Trip.com Group Millionen von Nutzern, jede Etappe ihrer Reise nahtlos zu planen und zu buchen. Die Plattform bietet Zugang zu über 1,2 Millionen Unterkunftsoptionen, fortschrittliche Such- und Buchungsfunktionen sowie mehrsprachigen Support und ist damit eine vertrauenswürdige zentrale Anlaufstelle für Reisende weltweit.

Die Herausforderung: Keyword-Suche greift in einer globalen, mehrsprachigen Welt zu kurz

Die Hotelsuche ist von zentraler Bedeutung für die Plattformen von Trip.com Group und hilft Millionen von Reisenden, aus einem riesigen globalen Angebot die perfekte Unterkunft zu finden. Doch als das Unternehmen in neue Märkte expandierte, lieferte seine bestehende keywordbasierte Suche häufig unvollständige oder irrelevante Ergebnisse, was zu einem fragmentierten Kundenerlebnis führte. Was fehlte, war ein intentbasierter Ansatz – einer, der Bedeutung interpretieren konnte, anstatt nur Wörter abzugleichen, und Unterkünfte hervorhob, die wirklich den Bedürfnissen der Reisenden entsprechen.

Stattdessen sahen sich Kunden oft mit schlechten Ergebnissen konfrontiert. Beispielsweise würde ein Reisender, der nach „beautiful night view“ sucht, möglicherweise nie Hotels sehen, die mit „scenic evening view“ beschrieben werden. Jemand, der „allows dogs“ eingibt, würde keine als „pet-friendly“ gekennzeichneten Einträge angezeigt bekommen. Selbst kleine Abweichungen – „king bed“ gegenüber „large bed“ – führten zu Fehlzuordnungen. Und über Dutzende von Sprachen und regionalen Schreibweisen hinweg wuchs das Problem nur weiter, sodass viele Reisende sich mit suboptimalen Buchungen zufriedengaben oder die Plattform ganz verließen.

Die Herausforderung ging über Semantik hinaus. Die Hotelsuche ist von Natur aus multidimensional: Reisende wägen Lage, Ausstattung, Bewertungen und Preis gemeinsam ab. Eine Anfrage wie „quiet boutique hotel near Central Park with free Wi-Fi and late checkout“ sollte eine Handvoll perfekter Treffer liefern – doch keywordbasierte Systeme hatten Schwierigkeiten, all diese Signale gleichzeitig in Einklang zu bringen.

Diese Suchschwächen waren keine kleinen Unannehmlichkeiten – sie führten direkt zu verlorenen Buchungen und unzufriedenen Kunden. Um ein wirklich globales, nahtloses Sucherlebnis zu bieten, benötigte Trip.com Group eine intelligentere und flexiblere Grundlage.

Frühe Forschung zu Vector Search

Um die Grenzen des Keyword-Abgleichs zu überwinden, startete das Trip.com-Team einen Proof of Concept zur Untersuchung von Vector Search. Sie verwendeten OpenAIs text-embedding-ada-002-Modell, um sowohl Hotelnamen als auch Reiseanfragen in dichte Embeddings umzuwandeln, und verglichen diese dann mithilfe der Kosinus-Ähnlichkeit. Das Ziel war einfach: zu testen, ob semantisches Retrieval Lücken schließen kann, die keywordbasierte Systeme regelmäßig übersehen.

Die Ergebnisse waren ermutigend. Beispielsweise gruppierte sich die Anfrage „allow pets“ eng mit Varianten wie „carry pets,“ „able to bring pets,“ und „pet friendly,“ die alle Ähnlichkeitswerte von über 0,94 erzielten. Diese frühen Signale bestätigten, dass Vector Search in der Lage war, Intentionen über verschiedene Formulierungen hinweg zu erkennen – etwas, das traditionelle Keyword-Suche schlicht nicht leisten konnte.

Diese Validierung gab dem Team das Vertrauen, weiterzumachen. Wenn ein schlankes Experiment bereits semantische Bedeutung über kleine Variationen hinweg erfassen konnte, dann hatte eine produktionsreife Vektordatenbank das Potenzial, eine reichhaltigere, mehrsprachige und kontextbewusste Hotelsuche in großem Maßstab zu ermöglichen.

Der Weg von Milvus zu Zilliz Cloud: Evaluation und Migration

Bei der Bewertung der richtigen Grundlage für die Hotelsuche verglich das Trip.com-Team drei Kategorien von Lösungen.

• Vector Libraries wie Faiss und SPTag boten starke Algorithmen, brachten jedoch hohe Engineering- und Wartungsanforderungen mit sich und ließen ausgereifte Funktionen vermissen.

• Herkömmliche Datenbanken mit Vektor-Add-ons, wie Elasticsearch und PostgreSQL, waren einfach einzuführen, konnten jedoch nicht elastisch skalieren, um den globalen Traffic-Anforderungen von Trip.com gerecht zu werden.

• Speziell entwickelte Vektordatenbanken wirkten vielversprechend, aber ihre Reifegrade unterschieden sich—einige verfügten nicht über Enterprise-Grade-Funktionen, während andere nur begrenzte Community-Unterstützung hatten.

Nach einer gründlichen Bewertung erwies sich Milvus als die beste Wahl. Es passte natürlich zum cloud-nativen Stack von Trip.com und bot eine Trennung von Compute und Storage für flexible Skalierung sowie nahtlose Integration mit Kubernetes und verteiltem Speicher. Funktionen wie String-Primärschlüssel und eine breite Palette von Indextypen gaben dem Team die Zuversicht, dass Milvus vielfältige Hotelsuch-Szenarien unterstützen konnte.

Um die Leistung zu validieren, benchmarkten sie zwei Indizes: HNSW, der die höchste Recall-Genauigkeit bot, aber mehr Speicher benötigte (131 GB pro Replik), und IVF-SQ8, der vergleichbare Latenz lieferte und dabei deutlich weniger Speicher verbrauchte (49 GB). Beide hielten Echtzeit-Antwortzeiten im Bereich von 26–36 ms über Millionen von Einträgen hinweg aufrecht und gaben dem Team ein ausgewogenes Toolkit, um Präzision und Effizienz je nach Workload gegeneinander abzuwägen.

Indextyp	Speicherverbrauch (pro Replik)	Mindestbereitstellung	Durchschnittliche Antwortzeit
HNSW	131 GB	6 × 4C32G + 1 × 2C4G	TOP5 – 26msTOP10 – 28msTOP20 – 30msTOP50 – 36ms
IVF-SQ8	49 GB	1 × 4C64G	TOP5 – 28msTOP10 – 29msTOP20 – 31msTOP50 – 35ms

Datensatz: Vollständige Hotelsuch-Entitäten; Datengröße: 17 Millionen+; Vektordimension: 1024

Migration zu Zilliz Cloud

Während Milvus hervorragende Leistung lieferte, verursachte der Betrieb einer verteilten Datenbank im eigenen Haus operativen Overhead. Clustermanagement, Upgrades, Monitoring und Skalierung beanspruchten wertvolle Engineering-Zeit—Ressourcen, die das Team der Verbesserung des Reiseerlebnisses widmen wollte. Dies führte zur Entscheidung, zu Zilliz Cloud zu migrieren, dem vollständig verwalteten Service, der von den Entwicklern von Milvus gebaut wurde. Zilliz Cloud ging direkt auf die Prioritäten des Teams ein:

• Operative Effizienz durch Auslagerung von DevOps und Performance-Tuning.

• Kostenoptimierung mit ressourcenbewusster Skalierung und Quantisierung, während die Daten auf Hunderte Millionen von Hotelbildern anwuchsen.

• Skalierbarkeit und Zuverlässigkeit durch integrierte Hochverfügbarkeit, regionsübergreifende Disaster Recovery und mühelose horizontale Skalierung.

• Leistungsgarantien, die strenge SLA-Anforderungen von P99.9-Latenzen unter 100 ms konsequent erfüllten—selbst bei Spitzen-Concurrency und mit besserer Leistung als Elasticsearch.

Die Migration verlief nahtlos. Trip.com verlagerte Workloads schrittweise von selbstverwalteten Milvus-Clustern zu Zilliz Cloud ohne Ausfallzeiten. Das Ergebnis war eine vollständig verwaltete, enterprise-fähige Grundlage für Vektorsuche, die operative Einfachheit mit Weltklasse-Leistung im globalen Maßstab kombinierte.

Die Lösung: Semantische Suche mit Zilliz Cloud und Multilingual-E5

Um die Grenzen der Keyword-Suche zu überwinden, baute Trip.com eine neue semantische Suchmaschine mit Zilliz Cloud als Vektordatenbank. Die Architektur ist mehrschichtig. Reiseanfragen werden 1) zunächst durch Vorverarbeitung verfeinert, 2) dann in Embeddings vektorisiert, 3) und schließlich mit Millionen von Hotelvektoren abgeglichen, die in Zilliz Cloud gespeichert sind; 4) Ergebnisse aus semantischem und Keyword-Retrieval werden zusammengeführt, sodass Reisende die relevantesten Hotels in Echtzeit sehen.

Ein weiterer wichtiger Wegbereiter war das multilingual-e5-Modell, das aufgrund seiner Fähigkeit ausgewählt wurde, über Dutzende von Sprachen hinweg eine konsistente Genauigkeit zu liefern. Hotelbeschreibungen, Tags und Ausstattungsmerkmale wurden offline vektorisiert, während Reisendenanfragen online zur Laufzeit verarbeitet wurden. Die leistungsstarke Ähnlichkeitssuche von Zilliz Cloud identifizierte die nächstliegenden Treffer in unter 100 ms und lieferte intent-basierte Ergebnisse in großem Maßstab. Anfragen wie „beautiful night view“ und „nice evening skyline“ wurden derselben Intention zugeordnet, wodurch Sprach- und Formulierungsbarrieren beseitigt wurden, die zuvor zu verpassten Chancen geführt hatten.

Durch die Kombination mehrsprachiger Embeddings mit der vollständig verwalteten Infrastruktur von Zilliz Cloud erzielte Trip.com das Beste aus beiden Welten: semantische Intelligenz, die die Absicht von Reisenden erfasste, blitzschnelle Abfrage über Millionen von Einträgen hinweg und Zuverlässigkeit auf Unternehmensniveau ohne die Last, Cluster intern zu betreiben. Das Ergebnis ist ein intelligenteres, skalierbares Hotelsuchsystem, das Reisende auf der ganzen Welt zuverlässig bedient—unabhängig davon, welche Sprache sie verwenden oder wie sie ihre Anfragen formulieren.

Mehrere Anwendungsfälle für Vektorsuche innerhalb der Trip.com Group

Die neue Vektor-Engine erwies sich schnell in mehreren Bereichen des Geschäfts der Trip.com Group als wertvoll.

Hotelsuche

Für Reisende löste Zilliz Cloud einen der größten Schmerzpunkte—verpasste Treffer aufgrund unterschiedlicher Formulierungen. Eine Anfrage nach „family-friendly hotel“ zeigt nun auch Einträge an, die als „great for kids“ beschrieben sind, während „work-friendly“ Unterkünfte mit „business amenities“ hervorbringt. Durch die Kombination von semantischer Suche mit Keyword-Suche erzielt Trip.com eine bessere Trefferquote relevanter Hotels, präzisere Übereinstimmungen und mehr Vertrauen darauf, dass Reisende die besten verfügbaren Optionen sehen.

SEO-Landingpages

Auf der Marketingseite veränderte die Vektorsuche, wie lokalisierte Landingpages erstellt werden. Was früher arbeitsintensive Kuratierung erforderte, ist jetzt automatisiert: Zilliz Cloud führt semantische Suche durch, ruft relevante Hotels ab, wenn die Keyword-Intention nicht ausreicht, filtert und rankt Ergebnisse und speist sie direkt in Workflows zur Seitengenerierung ein. Dieser Prozess ermöglicht es Trip.com, Tausende optimierter Landingpages über Sprachen und Regionen hinweg zu erstellen, den organischen Traffic zu steigern und gleichzeitig erheblichen manuellen Aufwand einzusparen.

Bildsuche

Über Text hinaus erweiterte Trip.com die Vektorsuche auf den visuellen Bereich. Mit Hunderten von Millionen Hotelbildern—von Zimmerinterieurs bis hin zu lokalen Sehenswürdigkeiten—ermöglichte das Team Reisenden, per Bild zu suchen und Hotels mit ähnlicher Ästhetik oder ähnlichen Merkmalen zu entdecken. Unterstützt durch die multimodalen Fähigkeiten von Zilliz Cloud unterstreicht diese Funktion die Fähigkeit der Plattform, über Text hinaus zu reichhaltigen Multimedia-Sucherlebnissen zu skalieren.

Zusammen zeigen diese Anwendungsfälle, dass Vektorsuche mehr ist als eine Back-End-Technologie—sie ist eine gemeinsame Fähigkeit, die Front-End-Erlebnisse für Reisende verbessert und Back-End-Marketingstrategien beschleunigt. Für Trip.com ist Zilliz Cloud zu einer Grundlage geworden, nicht nur für die Hotelsuche, sondern für Wachstum über mehrere Geschäftsbereiche hinweg.

Was Trip.com mit Zilliz Cloud gewonnen hat

Die Migration zu Zilliz Cloud gab Trip.com eine Hotelsuchplattform, die sowohl schneller als auch intelligenter ist, mit messbaren Verbesserungen bei Leistung, Skalierbarkeit und Betrieb:

• Latenzoptimierung: Erfüllt konsistent P99.9-Antwortzeiten unter 100 ms und erfüllt damit strenge Anforderungen an die Echtzeitsuche.

• Skalierbarkeit im großen Maßstab: Verarbeitet Hunderte von Millionen Text- und Bildvektoren ohne Leistungsabfall.

• Höhere Recall-Qualität: Erfasst intent-basierte Treffer, die Keyword-Systeme verpassten, verbessert die Zufriedenheit der Reisenden und reduziert Buchungsabbrüche.

• Reduzierter Engineering-Aufwand: Lagert Cluster-Management, Upgrades und Skalierung an Zilliz aus, sodass sich Ingenieure auf Innovationen für Reisende konzentrieren können.

• Kosteneffizienz: Ressourcenoptimierung und Quantisierung halten die Kosten im Vergleich zu Elasticsearch oder selbstverwaltetem Milvus vorhersehbar.

• Zuverlässigkeit auf Enterprise-Niveau: Integrierte Hochverfügbarkeit und regionenübergreifende Notfallwiederherstellung sorgen für eine unterbrechungsfreie Suche für Millionen von Reisenden weltweit.

Zusammen haben diese Verbesserungen die Hotelsuche von einem schlüsselwortgesteuerten System in einen intelligenten, skalierbaren und resilienten Service verwandelt – einen, der Reisende begeistert und Trip.com zugleich Vertrauen in seine langfristige Wachstumsstrategie gibt.

Fazit

Für Trip.com ist die Suche mehr als nur eine Funktion – sie ist das Tor zum Reiseerlebnis. Durch die Einführung von Zilliz Cloud hat das Unternehmen neu gestaltet, wie Reisende Hotels und Reiseziele entdecken, und internen Teams zugleich neue Möglichkeiten gegeben, zu skalieren und Innovationen voranzutreiben. Eine intelligentere, absichtsorientierte Suche unterstützt nun sowohl bessere Customer Journeys als auch effizienteres Geschäftswachstum.

Diese Geschichte verdeutlicht einen umfassenderen Wandel: Verwaltete Vektordatenbanken sind längst nicht mehr nur Backend-Infrastruktur – sie sind eine strategische Grundlage für Wettbewerbsvorteile. Da Zilliz Cloud Performance, Zuverlässigkeit und Skalierbarkeit sicherstellt, kann sich das Team von Trip.com auf die Zukunft der Reiseentdeckung konzentrieren: eine nahtlose, mehrsprachige und weltweit konsistente Suche, die einen neuen Branchenstandard setzt.