تحظى النماذج المشتركة للكشف عن النوايا المتعددة وتعبئة الحقول (slot filling) باهتمام متزايد، نظرًا لقدرتها على التعامل مع العبارات التي تحتوي على أكثر من نية واحدة، وهو ما يعكس بشكل أقرب السيناريوهات المعقدة في العالم الحقيقي. تعتمد معظم النماذج المشتركة الحالية بشكل كامل على عملية التدريب للحصول على الارتباط الضمني بين النوايا والحقول. ومع ذلك، فإنها تتجاهل حقيقة أن الاستفادة من المعرفة العالمية الغنية المتوفرة في المجموعة النصية (corpus) يمكن أن تُحدد الارتباط الصريح والواضح بين النوايا والحقول. في هذه الورقة، نهدف إلى الاستفادة القصوى من تردد التواجد المشترك الإحصائي بين النوايا والحقول كمعلومة أولية لتعزيز الكشف المشترك عن النوايا المتعددة وتعبئة الحقول. بشكل محدد، تم بناء رسم بياني لترابط النوايا والحقول بناءً على المجموعة التدريبية الكاملة لاستكشاف الارتباط بين النوايا والحقول على المستوى العالمي. وبالاعتماد على هذا الارتباط العالمي بين النوايا والحقول، نقترح شبكة عصبية رسمية جديدة (Graph Neural Network) لنمذجة التفاعل بين المهمتين الفرعيتين. أظهرت النتائج التجريبية على مجموعتي بيانات عامتين للنوايا المتعددة أن نهجنا يتفوق على النماذج الرائدة في مجالها.