Le modèle conjoint de détection de plusieurs intentions et d’attribution de slots attire de plus en plus d’attention, car il permet de traiter les énoncés à plusieurs intentions, ce qui se rapproche davantage des scénarios réels complexes. La plupart des modèles conjoints existants s’appuient entièrement sur le processus d’entraînement pour extraire les corrélations implicites entre intentions et slots. Toutefois, ils négligent le fait que l’exploitation des connaissances globales riches présentes dans le corpus peut permettre de déterminer des corrélations entre intentions et slots de manière intuitive et explicite. Dans cet article, nous visons à tirer pleinement parti de la fréquence statistique de co-occurrence entre intentions et slots, en tant que connaissance a priori, afin d’améliorer la détection conjointe de plusieurs intentions et l’attribution de slots. Plus précisément, un graphe de co-occurrence intention-slot est construit à partir de l’ensemble du corpus d’entraînement afin de découvrir globalement les corrélations entre intentions et slots. À partir de cette co-occurrence globale, nous proposons un nouveau réseau de neurones graphiques pour modéliser l’interaction entre ces deux sous-tâches. Les résultats expérimentaux sur deux jeux de données publiques à intentions multiples démontrent que notre approche surpasser les modèles les plus avancés de l’état de l’art.