v1.9.4: precision-first audit — dubbelzinnige termen (dienstregeling, chipkaart, reisproduct, vervoer(s)bewijs, ontsporen, sprinter, vervoerder, reiziger) naar zwak + whitelist-verkleining; triage met drie externe taalmodellen

buzzrss/bot.py

@@ -72,31 +72,41 @@ rss_change_level = EventType.find("xyz.maubot.rss", t_class=EventType.Class.STAT
 #   straatnamen rond stations — "de Stationsstraat afsluiten voor een festival"
 #   is geen OV-nieuws). Zwartgelijste woorden leveren geen score op, maar
 #   blokkeren de familie niet: een écht "station"-woord ernaast scoort gewoon.
-# Bewust geaccepteerde botsingen: krant "De Metro"/café "De Tram" (medium),
+# Bewust geaccepteerde botsingen: krant "De Metro"/café "De Tram" (medium).
-#   atleet-"sprinter" (sterk). Los "trein" is zwak (geen OV-jargon): moet
+# Losse algemene woorden zijn zwak (moeten combineren met een andere familie):
-#   combineren met een andere familie.
+# "trein", "sprinter" (atleet), "vervoerder" (logistiek), "reiziger",
+# "inchecken"/"uitchecken" (Schiphol/hotel), "station(s)" (omroepen), "bus",
+# "sein" (brandweer), "overweg", "breng", "kaartje", "opwaarderen", "rails".
 MATCH_FILTER_FAMILIES: list[tuple[str, int]] = [
     # sterk (3)
     (r"\b(?:ns|arriva|qbuzz|connexxion|cxx|transdev|keolis|ret|gvb|ebs|htm|syntus|u-ov|allgo|flixbus|blauwnet|r-net|valleilijn|waterbus|eurostar|thalys|randstadrail|gvu|prorail|hermes|rrreis|qliner|ov)\b", 3),  # vervoerders ('Breng' staat in de zwakke groep: botst met het werkwoord "brengen")
-    (r"\b(?:spoorweg|spoorba(?:an|nen)|spoorlijn|spoorverkeer|spoorwegovergang|spoorbrug|spoorstoring|perron|seinstoring|wisselstoring|ontspor|ontspoor|spoorstaking)\w*\b", 3),  # spoorinfra; let op de klinkerwisseling: 'ontsporing' (open lettergreep, één o) vs 'ontspoord'/'ontspoorde' (dicht, dubbel o) — vandaar beide stammen
+    (r"\b(?:spoorweg|spoorba(?:an|nen)|spoorlijn|spoorverkeer|spoorwegovergang|spoorbrug|spoorstoring|perron|seinstoring|wisselstoring|spoorstaking)\w*\b", 3),  # spoorinfra; let op de klinkerwisseling: 'ontsporing' (open lettergreep, één o) vs 'ontspoord'/'ontspoorde' (dicht, dubbel o) — vandaar beide stammen
     (r"\b(?:treinstation|treinstations|metrostation|metrostations|busstation|busstations)\b", 3),  # station-samenstellingen: onmiskenbaar OV-jargon
     (r"(?<![\w-])\bstations?\b", 1),  # los 'station(s)' is ZWAK: ook tv-/radio-/regionale omroepstations ('de lokale stations'), moet combineren met een andere OV-familie
     (r"\b(?:bus|tram|metro)-?(?:halte|haltes|lijn|lijnen|station|stations|verkeer|net|staking|ba(?:an|nen)|hok(?:je|jes)|chauffeur)\w*\b", 3),  # voertuig-samenstelling (busstation/metrostation/bushokje/busbanen/…)
     (r"\b(?:treinstoring|treinverkeer|treinstaking|treinongeval|treinbotsing|treinongeluk)\w*\b", 3),  # trein-jargon-samenstellingen: onmiskenbaar OV
     (r"\b\w*trein\w*\b", 1),  # losse 'trein' en algemene samenstellingen (stoptrein, goederentrein, treinverkeer al in bovenstaande familie) — ZWAK: 'de trein naar mijn nieuwe huis' is geen OV-jargon, moet combineren met een andere familie
-    (r"\b(?:intercity|sprinter|streekvervoer|stadsvervoer|veerdienst|veerboot|veerboten|veerpont|voetveer|veerverbinding|buurtbus|belbus)\w*\b", 3),  # treintypes, vervoerssectoren en veren ('sprinter' is ook een atleet: geaccepteerde botsing)
+    (r"\b(?:intercity|streekvervoer|stadsvervoer|veerdienst|veerboot|veerboten|veerpont|voetveer|veerverbinding|buurtbus|belbus)\w*\b", 3),  # treintypes, vervoerssectoren en veren ('sprinter' staat in de zwakke groep: atleet-botsing)
     (r"\blijn\s?\d{1,3}\b", 3),  # 'lijn 12' — vervoerslijn met nummer
     # medium (2)
     (r"\btrams?\b", 2),
     (r"\bmetro(?:'?s)?\b", 2),
-    (r"\b(?:openbaar vervoer|dienstregeling|lightrail|pendelbus|shuttlebus|halte|bushokje|busbaan|vervoerder|reiziger)\w*\b", 2),
+    (r"\b(?:openbaar vervoer|lightrail|pendelbus|shuttlebus|halte|bushokje|busbaan)\w*\b", 2),
-    (r"\b(?:ov-chipkaart|chipkaart|ovpay|ov-pay|reisproduct|studentenreisproduct|vervoersbewijs|vervoerbewijs)\w*\b", 2),
+    (r"\b(?:ov-chipkaart|ovpay|ov-pay|studentenreisproduct)\w*\b", 2),
     (r"\b(?:ov-staking|conducteursstaking)\w*\b", 2),
     (r"\bconduct(?:eur|eurs)\b", 2),  # trein-/buspersoneel: onmiskenbaar OV-jargon
     (r"\b(?:pont|ponten)\b", 2),  # waterbus/veerdienst
     # zwak (1) — dubbelzinnig, moet combineren
     (r"(?<!-)\bbus(?:sen)?\b", 1),  # ná een koppelteken geen OV: 'VW-bus', 'school-bus' 
     (r"\b(?:inchecken|uitchecken)\w*\b", 1),  # ook op luchthavens/hotels — geen OV-jargon, moet combineren
+    (r"\bsprinters?\b", 1),  # ook atleet ('sprinter verpulvert record') — aparte familie, moet combineren
+    (r"\bvervoerders?\b", 1),  # ook logistiek ('vrachtvervoerder') — aparte familie, moet combineren
+    (r"\breizigers?\b", 1),  # ook algemeen ('zakenreizigers vliegen') — aparte familie, moet combineren
+    (r"\bdienstregeling\w*\b", 1),  # dubbelzinnig (modelaudit) — meestal OV, maar moet combineren
+    (r"\bchipkaarten?\b", 1),  # dubbelzinnig (bankpas/algemeen) — aparte familie
+    (r"\breisproducten?\b", 1),  # dubbelzinnig — aparte familie
+    (r"\bvervoer(?:s)?bewijs\w*\b", 1),  # dubbelzinnig — aparte familie
+    (r"\b(?:ontspor|ontspoor)\w*\b", 1),  # werkwoord 'ontsporen' is dubbelzinnig ('het plan ontspoorde'); echte trein-ontsporing combineert met trein/spoor 
     (r"\bbreng\b", 1),  # vervoerder Breng vs werkwoord "brengen" ("hoe breng je ... in beeld")
     (r"\boverweg\b", 1),  # spoorwegovergang vs idioom "goed met elkaar overweg kunnen"
     (r"\boverwegen\b", 1),  # meervoud van overweg vs werkwoord ("een gratieverlening overwegen")
@@ -136,6 +146,7 @@ MATCH_FILTER_BLACKLIST: frozenset[str] = frozenset({
 # spoorwegen', 'prorail' en 'NS' in all-caps titels tellen mee.
 # Termen MOETEN in elke context OV betekenen. Niet hierop (algemeen/dubbelzinnig):
 # los 'trein', 'bus', 'metro', 'tram', 'station', 'lijn', 'ov', 'reiziger',
+# 'vervoerder', 'sprinter',
 # 'inchecken' (Schiphol/hotel), 'sein' (brandweerjargon), 'overweg', 'treinramp'
 # (films) — die blijven in de gewogen families.
 MATCH_FILTER_WHITELIST: frozenset[str] = frozenset({
@@ -146,8 +157,7 @@ MATCH_FILTER_WHITELIST: frozenset[str] = frozenset({
     "qliner", "flixbus", "eurostar", "thalys", "gvu", "ovpay",
     # Spoorinfra-jargon (samenvoegingen, onmiskenbaar OV)
     "spoorstoring", "spoorverkeer", "spoorwegovergang", "spoorlijn", "spoorbaan",
-    "spoorbrug", "spoorstaking", "perron", "wisselstoring", "seinstoring",
+    "spoorbrug", "spoorstaking", "perron", "wisselstoring", "seinstoring", "treinstoring", "treinverkeer",
-    "ontsporing", "ontspoord", "ontspoorde", "treinstoring", "treinverkeer",
     "treinstaking", "treinongeval", "treinbotsing", "treinstel",
     # Bus/tram/metro-jargon
     "bushalte", "bushaltes", "busstation", "busbaan", "buslijn", "busnet",
@@ -155,7 +165,7 @@ MATCH_FILTER_WHITELIST: frozenset[str] = frozenset({
     "metrostation", "metrolijn", "metroverkeer",
     # Tarief/vervoerder-jargon
     "ov-chipkaart", "ov-staking", "lightrail", "pendelbus", "shuttlebus",
-    "conducteur", "conducteurs", "dienstregeling", "vervoersbewijs",
+    "conducteur", "conducteurs",
     "openbaar vervoer",
 })
 

maubot.yaml

@@ -1,5 +1,5 @@
 id: nl.eddydevink.rss
-version: 1.9.3
+version: 1.9.4
 modules:
 - buzzrss
 main_class: RSSBot