HARP：采用偏好自适应融合的分层自适应排名，用于基于查询的 CVE 优先级排序

漏洞优先级本质上是依赖于偏好的，因为相同的 CVE 在不同的操作偏好场景下可以接收不同的修复优先级。现有的评分系统和排名方法通常假设固定的标准。在实践中，组织已经在偏好场景下运作，但这种偏好通常是隐式的，很难表达为书面提示指令，而分类查询通常不会对其进行编码。当前情况下过去经过验证的分类案例更容易获得。我们在这种情况下研究基于查询的 CVE 优先级，并提出 HARP，这是一种基于图的多视图框架，可以对来自自然语言查询的候选者以及来自当前偏好场景的历史标记示例的支持库进行排名，而不需要该场景的明确文本摘要。 HARP 从漏洞知识图中检索证据，通过策略条件的全局、企业和用户视图对候选者进行评分，并根据采样支持拟合视图融合权重。跨三个偏好场景和多个主干 LLM 的实验表明，HARP 优于多个基线，这表明了我们方法的有效性。