Joint-Modelle zur Mehrfach-Intentionserkennung und Slot-Füllung gewinnen zunehmend an Bedeutung, da sie realitätsnaher auf komplizierte Szenarien abgestimmt sind. Allerdings berücksichtigen bestehende Ansätze (1) lediglich implizite Korrelationen zwischen Äußerungen und one-hot-codierten Etiketten in beiden Aufgaben, während sie explizite Merkmale der Etiketten ignorieren; (2) integrieren die Mehrfach-Intentionsinformation direkt für jedes Token, was aufgrund der Einbeziehung irrelevanten Intentionen zu fehlerhaften Slot-Vorhersagen führen kann. In diesem Artikel stellen wir einen Rahmenwerk namens DGIF vor, das zunächst die semantische Information der Etiketten nutzt, um dem Modell zusätzliche Signale und verfeinerte Vorwissen bereitzustellen. Anschließend wird ein interaktiver Graph mit mehreren Granularitäten konstruiert, um die Korrelationen zwischen Intentionen und Slots zu modellieren. Insbesondere schlagen wir eine neuartige Methode zur Konstruktion des interaktiven Graphen vor, die auf der Injektion von Etikettensemantik basiert und den Graphen automatisch aktualisieren kann, um die Verbreitung von Fehlern effektiver zu reduzieren. Experimentelle Ergebnisse zeigen, dass unser Rahmenwerk bestehende Ansätze erheblich übertrifft und auf dem MixATIS-Datensatz gegenüber dem bisher besten Modell eine relative Verbesserung von 13,7 % in der Gesamtgenauigkeit erreicht.