複数意図検出とスロット埋め込みの統合モデルは、複数の意図を含む発話に対応できるため、より複雑な現実世界のシナリオに近いことから、注目を集めている。既存の大多数の統合モデルは、意図とスロットの間の暗黙的な相関関係を学習プロセスに依存しているが、コーパス内に豊富に含まれるグローバルな知識を活用することで、意図とスロットの間の直感的かつ明示的な相関関係を明らかにできるという事実を無視している。本論文では、意図とスロット間の統計的共起頻度を事前知識として活用し、複数意図検出とスロット埋め込みの統合性能を向上させることを目的とする。具体的には、全訓練コーパスに基づいて意図-スロット共起グラフを構築し、意図とスロットの間のグローバルな相関関係を発見する。このグローバルな共起関係を基盤として、新たなグラフニューラルネットワークを提案し、両サブタスク間の相互作用をモデル化する。公開されている2つの複数意図データセットにおける実験結果から、本手法が最先端モデルを上回ることを示した。