Debido a la creciente peligrosidad de las vulnerabilidades de software, se sugiere cada vez más proponer métodos de evaluación de vulnerabilidades más eficientes. Sin embargo, los métodos existentes dependen principalmente de actualizaciones manuales y de un emparejamiento de reglas ineficiente, y tienen dificultades para capturar correlaciones potenciales entre vulnerabilidades, lo que resulta en problemas como una fuerte subjetividad y baja eficiencia. Con este fin, se propone en este artículo un método de evaluación de la gravedad de las vulnerabilidades llamado Redes de Espacio Latente (LSNet). Específicamente, basado en un análisis de agrupamiento en las métricas del Sistema Común de Puntuación de Vulnerabilidades (CVSS), primero explotamos relaciones para la predicción de métricas CVSS y proponemos un transformador adaptativo para extraer vulnerabilidades tanto de características semánticas globales como de características latentes locales. Luego, utilizamos técnicas de codificación bidireccional y enmascaramiento de tokens para mejorar la comprensión del modelo sobre las relaciones entre vulnerabilidades y ubicaciones, y combinamos el método Transformer con convolución para mejorar significativamente la capacidad del modelo para identificar texto vulnerable. Finalmente, experimentos extensos realizados en el conjunto de datos de vulnerabilidades abiertas y el conjunto de datos CCF OSC2024 demuestran que LSNet es capaz de extraer características de correlación potencial. En comparación con métodos de referencia, incluidos SVM, Transformer, TextCNN, BERT, DeBERTa, ALBERT y RoBERTa, exhibe una mayor precisión y eficiencia.