本文针对漏洞优先级排序中的偏好依赖问题展开研究。现有评分系统（如CVSS）和排序方法通常假设固定的评估标准，但实际中，不同组织在不同运营场景下对同一CVE的修复优先级可能截然不同。然而，组织的偏好往往是隐性的，难以显式表述为自然语言指令，而日常的漏洞分诊查询通常也不包含明确的偏好信息。相较之下，历史上在当前场景下已验证的分诊案例更容易获得。为此，作者提出HARP（Hierarchical Adaptive Ranking with Preference-Adaptive Fusion）框架，一种基于图的多视图方法，用于在给定自然语言查询和当前偏好场景下的一小组历史标注样本（支撑库）时，对候选CVE进行排序，而无需显式文本形式的场景偏好描述。HARP首先从漏洞知识图谱中检索证据，然后通过策略条件化的全局视图、企业视图和用户视图对候选漏洞进行评分，最后从支撑样本中学习融合权重，自适应地组合各视图的评分。实验在三种不同偏好场景和多种骨干大语言模型（LLM）上进行，结果表明HARP在多个基线上取得了更优的性能，验证了其有效性。本文的主要贡献包括：提出了一种无需显式偏好文本的查询式CVE排序问题设置；设计了层次化自适应融合框架，能够利用历史分诊案例隐式建模偏好；并通过实验证明了该方法在不同场景下的泛化能力。适合安全运营、漏洞管理和AI辅助安全分析领域的研究人员与工程师阅读。