Die gemeinsame Erkennung mehrerer Absichten und die Füllung von Slots (slot filling) gewinnt zunehmend an Aufmerksamkeit, da sie die Behandlung mehrfach inten­ti­onaler Äußerungen ermöglicht, was realitätsnäheren, komplexen Szenarien entspricht. Die meisten bestehenden gemeinsamen Modelle stützen sich vollständig auf den Trainingsprozess, um die impliziten Korrelationen zwischen Absichten und Slots zu erlernen. Dabei wird jedoch übersehen, dass die reichhaltige globale Wissensbasis im Korpus genutzt werden kann, um die intuitive und explizite Beziehung zwischen Absichten und Slots zu bestimmen. In dieser Arbeit zielen wir darauf ab, die statistische Ko-Occurrenz-Häufigkeit zwischen Absichten und Slots als Vorwissen optimal auszunutzen, um die gemeinsame Erkennung mehrerer Absichten und die Füllung von Slots zu verbessern. Genauer gesagt, wird auf Basis des gesamten Trainingskorpus ein Absicht-Slot-Ko-Occurrenz-Graph aufgebaut, um globale Korrelationen zwischen Absichten und Slots zu entdecken. Auf der Grundlage dieser globalen Absicht-Slot-Ko-Occurrenz entwickeln wir ein neuartiges Graphen-neuronales Netzwerk, um die Wechselwirkung zwischen den beiden Teilproblemen zu modellieren. Experimentelle Ergebnisse auf zwei öffentlichen Datensätzen für mehrfache Absichten zeigen, dass unser Ansatz die derzeit besten Modelle übertrifft.