Les modèles basés sur les réseaux de neurones récurrents à attention ont atteint des performances de pointe pour la détection d’intention et le remplissage de champs conjoints, tout en disposant de poids d’attention indépendants. Étant donné que les champs et l’intention sont étroitement liés, ce papier propose une « porte de champ » (slot gate) visant à apprendre la relation entre les vecteurs d’attention relatifs à l’intention et à la slot, afin d’obtenir des résultats de cadre sémantique améliorés grâce à une optimisation globale. Les expériences montrent que le modèle proposé améliore significativement la précision au niveau de la phrase pour le cadre sémantique, avec une amélioration relative de 4,2 % et 1,9 % par rapport au modèle à attention sur les jeux de données de référence ATIS et Snips, respectivement.