Die semantische Analyse ist seit langem ein zentrales Problem im Bereich des Natural Language Processing. In jüngster Zeit ist die cross-domain kontextabhängige semantische Analyse zu einem neuen Forschungsschwerpunkt geworden. Kern der Herausforderung besteht darin, kontextuelle Informationen sowohl der natürlichen Sprachäußerungen als auch der Datenbankschemata in der Interaktionshistorie effektiv zu nutzen. In diesem Artikel präsentieren wir einen dynamischen Graphen-Frame, der in der Lage ist, kontextuelle Äußerungen, Tokens, Datenbankschemata und deren komplexe Wechselwirkungen effizient zu modellieren, während der Dialog fortschreitet. Der Rahmen nutzt eine dynamische Gedächtnisverfall-Mechanismus, die induktiven Bias einbezieht, um eine verfeinerte Darstellung kontextueller Beziehungen zu integrieren, die durch ein leistungsfähiges Reranking-Modell weiter verbessert wird. Zum Zeitpunkt der Niederschrift zeigen wir, dass der vorgeschlagene Rahmen alle bestehenden Modelle deutlich übertrifft und neue State-of-the-Art-Ergebnisse auf zwei großen Benchmarks, den SParC- und CoSQL-Datensätzen, erzielt. Konkret erreicht das Modell auf SParC eine Frageübereinstimmungs-Genauigkeit von 55,8 % und eine Interaktionsübereinstimmungs-Genauigkeit von 30,8 %, während es auf CoSQL eine Frageübereinstimmungs-Genauigkeit von 46,8 % und eine Interaktionsübereinstimmungs-Genauigkeit von 17,0 % erzielt.