Neuere graphbasierte Modelle zur gemeinsamen Detektion mehrerer Intentionen und der Slot-Füllung haben vielversprechende Ergebnisse erzielt, indem sie die Anleitung durch die Intentionsvorhersage für die Decodierung der Slot-Füllung modelliert haben. Allerdings besitzen bestehende Ansätze zwei wesentliche Einschränkungen: (1) Sie berücksichtigen lediglich eine einseitige Anleitung von der Intention zur Slot-Füllung; (2) sie verwenden homogene Graphen, um die Wechselwirkungen zwischen Semantik-Knoten (Slots) und Etiketten-Knoten (Intentionen) zu modellieren, was die Leistungsfähigkeit einschränkt. In diesem Artikel stellen wir ein neuartiges Modell namens Co-guiding Net vor, das einen zweistufigen Rahmen implementiert, um eine wechselseitige Anleitung zwischen den beiden Aufgaben zu ermöglichen. Im ersten Schritt werden zunächst die anfänglichen geschätzten Etiketten beider Aufgaben generiert, die im zweiten Schritt zur Modellierung der wechselseitigen Anleitung genutzt werden. Konkret schlagen wir zwei heterogene Graph-Attention-Netzwerke vor, die jeweils auf zwei neuartigen heterogenen Semantik-Etiketten-Graphen arbeiten, um die Beziehungen zwischen Semantik-Knoten und Etiketten-Knoten effektiv zu repräsentieren. Experimentelle Ergebnisse zeigen, dass unser Modell bestehende Ansätze deutlich übertrifft und auf dem MixATIS-Datensatz gegenüber dem bisher besten Modell eine relative Verbesserung von 19,3 % in der Gesamtgenauigkeit erzielt.