注意機構を備えた再帰型ニューラルネットワークモデルは、意図検出とスロットフィリングを統合的に処理する上で最先端の性能を達成しているが、その際の注意重みは独立して学習されている。本研究では、スロットと意図の間に強い関係性が存在することに着目し、意図とスロットの注意ベクトル間の関係を学習するための「スロットゲート」を提案する。これにより、グローバル最適化によってより優れた意味枠（semantic frame）の推定が可能となる。実験結果から、提案モデルはベンチマークとして用いられるATISおよびSnipsデータセットにおいて、それぞれ従来の注意機構モデルと比較して、文単位の意味枠精度で4.2%および1.9%の相対的な改善を達成したことが明らかになった。