Como o Trip.com Group torna a busca por hotéis perfeita para viajantes em todo o mundo com o Zilliz Cloud

Sobre o Trip.com Group

Trip.com Group é um dos maiores provedores de serviços de viagem online do mundo, reunindo marcas conhecidas, incluindo Trip.com, Ctrip, Skyscanner, Qunar e Travix. Fundada em 1999, a empresa cresceu até se tornar uma plataforma verdadeiramente global, atendendo viajantes em mais de 200 países e regiões.

Com um portfólio que abrange voos, hotéis, trens, aluguel de carros e viagens corporativas, o Trip.com Group ajuda milhões de usuários a planejar e reservar de forma integrada cada etapa de sua jornada. Sua plataforma oferece acesso a mais de 1,2 milhão de opções de acomodação, recursos avançados de busca e reserva e suporte multilíngue, tornando-se um destino único e confiável para viajantes em todo o mundo.

O Desafio: A Busca por Palavras-chave Fica Aquém em um Mundo Global e Multilíngue

A busca por hotéis é central para as plataformas do Trip.com Group, ajudando milhões de viajantes a encontrar o lugar perfeito para ficar em um vasto inventário global. No entanto, à medida que a empresa se expandiu para novos mercados, sua busca legada baseada em palavras-chave frequentemente retornava resultados incompletos ou irrelevantes, resultando em uma experiência do cliente fragmentada. O que faltava era uma abordagem orientada por intenção — uma que pudesse interpretar significado, não apenas corresponder palavras, e revelar propriedades que realmente se alinham às necessidades dos viajantes.

Em vez disso, os clientes frequentemente se deparavam com resultados ruins. Por exemplo, um viajante que buscasse “beautiful night view” talvez nunca visse hotéis descritos com “scenic evening view.” Alguém digitando “allows dogs” não veria anúncios marcados como “pet-friendly.” Até pequenas variações — “king bed” versus “large bed” — levavam a incompatibilidades. E, em dezenas de idiomas e grafias regionais, o problema só aumentava, fazendo com que muitos viajantes se contentassem com reservas abaixo do ideal ou abandonassem completamente a plataforma.

O desafio ia além da semântica. A busca por hotéis é inerentemente multidimensional: os viajantes avaliam localização, comodidades, avaliações e preço em conjunto. Uma consulta como “quiet boutique hotel near Central Park with free Wi-Fi and late checkout” deveria retornar um punhado de correspondências perfeitas — mas os sistemas baseados em palavras-chave tinham dificuldade para conciliar todos esses sinais de uma só vez.

Essas deficiências de busca não eram pequenos inconvenientes — elas se traduziam diretamente em reservas perdidas e clientes insatisfeitos. Para oferecer uma experiência de busca verdadeiramente global e integrada, o Trip.com Group precisava de uma base mais inteligente e flexível.

Pesquisa Inicial sobre Busca Vetorial

Para superar os limites da correspondência por palavras-chave, a equipe do Trip.com lançou uma prova de conceito para explorar a busca vetorial. Eles usaram o modelo text-embedding-ada-002 da OpenAI para converter tanto nomes de hotéis quanto consultas de viajantes em embeddings densos e, em seguida, compará-los usando similaridade de cosseno. O objetivo era simples: testar se a recuperação semântica poderia superar lacunas que os sistemas de palavras-chave rotineiramente deixavam passar.

Os resultados foram animadores. Por exemplo, a consulta “allow pets” agrupou-se de perto com variações como “carry pets,” “able to bring pets,” e “pet friendly,” todas pontuando acima de 0,94 em similaridade. Esses sinais iniciais confirmaram que a busca vetorial era capaz de reconhecer intenção em diferentes formulações — algo que a busca tradicional por palavras-chave simplesmente não conseguia alcançar.

Essa validação deu à equipe confiança para seguir em frente. Se um experimento leve já conseguia capturar significado semântico em pequenas variações, então um banco de dados vetorial de nível de produção tinha o potencial de desbloquear uma busca de hotéis mais rica, multilíngue e sensível ao contexto em escala.

A Jornada do Milvus ao Zilliz Cloud: Avaliação e Migração

Ao avaliar a base certa para a descoberta de hotéis, a equipe do Trip.com comparou três categorias de soluções.

• Bibliotecas vetoriais, como Faiss e SPTag, ofereciam algoritmos robustos, mas vinham com pesados requisitos de engenharia e manutenção, carecendo de recursos sofisticados.

• Bancos de dados tradicionais com complementos vetoriais, como Elasticsearch e PostgreSQL, eram fáceis de adotar, mas não conseguiam escalar elasticamente para atender às demandas de tráfego global da Trip.com.

• Bancos de dados vetoriais criados especificamente para esse fim pareciam promissores, mas sua maturidade variava—alguns careciam de recursos de nível empresarial, enquanto outros tinham suporte limitado da comunidade.

Após uma avaliação minuciosa, Milvus surgiu como a melhor opção. Ele se alinhava naturalmente à stack nativa em nuvem da Trip.com, oferecendo separação entre computação e armazenamento para escalabilidade flexível e integração perfeita com Kubernetes e armazenamento distribuído. Recursos como chaves primárias de string e uma ampla variedade de tipos de índice deram à equipe a confiança de que o Milvus poderia dar suporte a diversos cenários de busca de hotéis.

Para validar o desempenho, eles testaram dois índices: HNSW, que forneceu a maior precisão de recall, mas exigiu mais memória (131 GB por réplica), e IVF-SQ8, que entregou latência comparável consumindo muito menos memória (49 GB). Ambos sustentaram tempos de resposta em tempo real na faixa de 26–36 ms em milhões de listagens, dando à equipe um conjunto de ferramentas equilibrado para equilibrar precisão e eficiência dependendo da carga de trabalho.

Tipo de índice	Uso de memória (por réplica)	Implantação mínima	Tempo médio de resposta
HNSW	131 GB	6 × 4C32G + 1 × 2C4G	TOP5 – 26msTOP10 – 28msTOP20 – 30msTOP50 – 36ms
IVF-SQ8	49 GB	1 × 4C64G	TOP5 – 28msTOP10 – 29msTOP20 – 31msTOP50 – 35ms

Conjunto de dados: Entidades completas de busca de hotéis; Tamanho dos dados: mais de 17 milhões; Dimensão do vetor: 1024

Migração para o Zilliz Cloud

Embora o Milvus entregasse excelente desempenho, executar um banco de dados distribuído internamente gerava sobrecarga operacional. Gerenciamento de clusters, atualizações, monitoramento e escalonamento consumiam tempo valioso de engenharia—recursos que a equipe queria dedicar a melhorar a experiência do viajante. Isso impulsionou a decisão de migrar para o Zilliz Cloud, o serviço totalmente gerenciado criado pelos desenvolvedores do Milvus. O Zilliz Cloud atendeu diretamente às prioridades da equipe:

• Eficiência operacional ao transferir DevOps e ajuste de desempenho para o serviço.

• Otimização de custos com escalonamento sensível a recursos e quantização à medida que os dados cresciam para centenas de milhões de imagens de hotéis.

• Escalabilidade e confiabilidade por meio de alta disponibilidade integrada, recuperação de desastres entre regiões e escalonamento horizontal sem esforço.

• Garantias de desempenho que atendiam consistentemente aos requisitos rigorosos de SLA de latências P99.9 abaixo de 100 ms—mesmo sob pico de concorrência, superando o Elasticsearch.

A migração foi perfeita. A Trip.com transferiu gradualmente as cargas de trabalho de clusters Milvus autogerenciados para o Zilliz Cloud sem tempo de inatividade. O resultado foi uma base de busca vetorial totalmente gerenciada e pronta para empresas, que combinava simplicidade operacional com desempenho de classe mundial em escala global.

A solução: busca semântica com Zilliz Cloud e Multilingual-E5

Para superar os limites da busca por palavras-chave, a Trip.com criou um novo mecanismo de busca semântica com o Zilliz Cloud como seu banco de dados vetorial. A arquitetura é multicamada. As consultas dos viajantes são 1) primeiro refinadas por meio de pré-processamento, 2) depois vetorizadas em embeddings, 3) e finalmente comparadas com milhões de vetores de hotéis armazenados no Zilliz Cloud; 4) Os resultados da recuperação semântica e por palavras-chave são mesclados, garantindo que os viajantes vejam os hotéis mais relevantes em tempo real.

Outro grande facilitador foi o modelo multilingual-e5, selecionado por sua capacidade de oferecer precisão consistente em dezenas de idiomas. Descrições de hotéis, tags e instalações foram vetorizadas offline, enquanto as consultas dos viajantes foram processadas online em tempo de execução. A busca por similaridade de alto desempenho da Zilliz Cloud identificou as correspondências mais próximas em menos de 100 ms, exibindo resultados orientados por intenção em escala. Consultas como “beautiful night view” e “nice evening skyline” foram mapeadas para a mesma intenção, removendo as barreiras de idioma e formulação que anteriormente causavam oportunidades perdidas.

Ao combinar embeddings multilíngues com a infraestrutura totalmente gerenciada da Zilliz Cloud, a Trip.com alcançou o melhor dos dois mundos: inteligência semântica que capturava a intenção dos viajantes, recuperação extremamente rápida em milhões de anúncios e confiabilidade de nível empresarial sem o ônus de operar clusters internamente. O resultado é um sistema de busca de hotéis mais inteligente e escalável, que atende de forma consistente viajantes ao redor do mundo—independentemente do idioma que usam ou de como formulam suas solicitações.

Múltiplos Casos de Uso de Busca Vetorial no Trip.com Group

O novo mecanismo vetorial rapidamente se mostrou valioso em várias áreas do negócio do Trip.com Group.

Busca de Hotéis

Para os viajantes, a Zilliz Cloud resolveu um dos maiores pontos problemáticos—correspondências perdidas causadas por diferenças de formulação. Uma consulta por “family-friendly hotel” agora também exibirá anúncios descritos como “great for kids,” enquanto “work-friendly” mostra propriedades com “business amenities.” Ao combinar busca semântica com busca por palavras-chave, a Trip.com obtém melhor recall de hotéis relevantes, correspondências mais precisas e maior confiança de que os viajantes estão vendo as melhores opções disponíveis.

Landing Pages de SEO

No lado do marketing, a busca vetorial transformou a forma como landing pages localizadas são criadas. O que antes exigia curadoria intensiva em mão de obra agora é automatizado: a Zilliz Cloud realiza busca semântica, recupera hotéis relevantes quando a intenção por palavras-chave é insuficiente, filtra e classifica resultados e alimenta diretamente os fluxos de trabalho de geração de páginas. Esse processo permite que a Trip.com crie milhares de landing pages otimizadas em diferentes idiomas e regiões, impulsionando o tráfego orgânico enquanto economiza esforço manual significativo.

Busca por Imagem

Além do texto, a Trip.com expandiu a busca vetorial para o domínio visual. Com centenas de milhões de imagens de hotéis—de interiores de quartos a atrações locais—a equipe permitiu que os viajantes pesquisassem por imagem, descobrindo hotéis com estética ou características semelhantes. Impulsionado pelos recursos multimodais da Zilliz Cloud, esse recurso destaca a capacidade da plataforma de escalar além do texto para experiências ricas de busca multimídia.

Juntos, esses casos de uso demonstram que a busca vetorial é mais do que uma tecnologia de back-end—é uma capacidade compartilhada que melhora as experiências dos viajantes no front-end e acelera as estratégias de marketing no back-end. Para a Trip.com, a Zilliz Cloud tornou-se uma base não apenas para a busca de hotéis, mas para o crescimento em várias linhas de negócio.

O Que a Trip.com Ganhou com a Zilliz Cloud

Migrar para a Zilliz Cloud deu à Trip.com uma plataforma de busca de hotéis que é mais rápida e mais inteligente, com melhorias mensuráveis em desempenho, escalabilidade e operações:

• Otimização de latência: Atende consistentemente a tempos de resposta P99.9 abaixo de 100 ms, satisfazendo requisitos rigorosos de busca em tempo real.

• Escalabilidade em grande escala: Lida com centenas de milhões de vetores de texto e imagem sem degradação de desempenho.

• Maior qualidade de recall: Captura correspondências orientadas por intenção que sistemas de palavras-chave não identificavam, melhorando a satisfação dos viajantes e reduzindo desistências de reserva.

• Redução da sobrecarga de engenharia: Transfere o gerenciamento de clusters, atualizações e escalabilidade para a Zilliz, liberando engenheiros para se concentrarem em inovações voltadas aos viajantes.

• Eficiência de custos: Otimização de recursos e quantização mantêm os custos previsíveis em comparação com Elasticsearch ou Milvus autogerenciado.

• Confiabilidade empresarial: Alta disponibilidade integrada e recuperação de desastres entre regiões oferecem buscas ininterruptas para milhões de viajantes em todo o mundo.

Juntos, esses ganhos transformaram a busca de hotéis de um sistema orientado por palavras-chave em um serviço inteligente, escalável e resiliente — que encanta os viajantes ao mesmo tempo em que dá à Trip.com confiança em sua estratégia de crescimento de longo prazo.

Conclusão

Para a Trip.com, a busca é mais do que um recurso — é a porta de entrada para a experiência de viagem. Ao adotar o Zilliz Cloud, a empresa reformulou a forma como os viajantes descobrem hotéis e destinos, ao mesmo tempo em que deu às equipes internas novas formas de escalar e inovar. Uma busca mais inteligente, orientada por intenção, agora impulsiona tanto melhores jornadas do cliente quanto um crescimento de negócios mais eficiente.

Esta história destaca uma mudança mais ampla: bancos de dados vetoriais gerenciados não são mais apenas infraestrutura de backend — são uma base estratégica para vantagem competitiva. Com o Zilliz Cloud garantindo desempenho, confiabilidade e escala, a equipe da Trip.com pode se concentrar no futuro da descoberta de viagens: busca contínua, multilíngue e globalmente consistente que estabelece um novo padrão para o setor.