HARP: Hierarchical Adaptive Ranking with Preference-Adaptive Fusion for Query-Based CVE Prioritization
HARP：面向查询的CVE优先级分层自适应排序与偏好融合框架
🧭 偏好自适应排序 · LLM 排序器
University of Virginia · NEC Laboratories America
利用历史标注样本隐式捕捉组织偏好，通过图证据与多视图LLM融合对CVE进行查询驱动排序
📌 工作参考价值（4 点）
- 隐式偏好建模：真实业务中用户/组织的偏好难以用文字 prompt 完整表达，但历史行为、已标注样本是现成的偏好信号。可借鉴 HARP 的做法：用 support bank 做 few-shot 检索注入，而不是费力写偏好描述。
- 多视图打分 + 可学习融合权重：将排序信号拆成 global / segment / individual 等多视图，并在推理时用少量支撑样本动态拟合融合权重。这套机制可以直接迁移到电商搜索或推荐的多目标融合（GMV、CTR、转化率、多样性），避免固定加权带来的偏好漂移。
- 图证据检索增强 LLM 排序：对候选 item 先从知识图谱取关系、属性等结构化证据，再喂给 LLM，可显著提升可解释性和排序稳定性。在商品、内容、广告候选上可以构建 domain KG（类目、品牌、用户行为关系）做类似增强。
- Query-conditioned ranking 框架：用自然语言查询作为排序条件，结合候选特征进行 LLM 打分，适合搜索广告、个性化推送等场景，尤其当查询意图需要与历史交互偏好一起建模时。