Die Absichtserkennung und Slot-Füllung sind zwei zentrale grundlegende Aufgaben im Bereich des natürlichen Sprachverstehens. Tatsächlich können in einer Äußerung mehrere Absichten vorhanden sein. Die Zuordnung unterschiedlicher Absichten zu den entsprechenden Slots stellt daher eine neue Herausforderung für aktuelle Forschungsarbeiten dar. Bisherige Modelle lösen dieses Problem, indem sie neuronale Schichten einsetzen, um adaptiv relevante Absichtsinformationen für jeden Slot zu erfassen – der Prozess der Absichtsauswahl bleibt jedoch ungenügend transparent. Es wurde beobachtet, dass zwischen den Absichten und den Themen einer Aussage eine starke Kohärenz besteht. Daher nutzen wir Themeninformationen zur gemeinsamen Absichtserkennung und Slot-Füllung mittels eines Themenfusion-Mechanismus, bei dem informationsreiche Token-Ebene-Themen anstelle von Absichtsinformationen zur Steuerung der Slot-Vorhersage herangezogen werden. Zudem wird auch die Satzebene-Themeninformation genutzt, um die Absichtserkennung zu verbessern. Experimentelle Ergebnisse zeigen deutliche Verbesserungen auf zwei öffentlichen Datensätzen: Eine Steigerung der Satzgenauigkeit um 4,8 % beim MixATIS und eine Verbesserung der Absichtserkennung um 0,7 % beim MixSNIPS.