다중 의도 탐지 및 슬롯 채우기의 공동 모델은 현실 세계의 복잡한 상황에 더 가까운 다중 의도 문장 처리가 가능하다는 장점으로 인해 점점 더 많은 주목을 받고 있다. 기존의 대부분의 공동 모델은 의도와 슬롯 간의 은닉된 상관관계를 학습 과정을 통해 단지 추출하는 데 의존하고 있다. 그러나 이러한 접근은 코퍼스 내 풍부한 전역 지식을 활용함으로써 의도와 슬롯 간의 직관적이고 명시적인 상관관계를 파악할 수 있다는 사실을 간과하고 있다. 본 논문에서는 의도와 슬롯 간의 통계적 동시 발생 빈도를 사전 지식으로 활용하여 다중 의도 탐지 및 슬롯 채우기의 공동 모델 성능을 향상시키는 것을 목표로 한다. 구체적으로, 전체 학습 코퍼스를 기반으로 의도-슬롯 동시 발생 그래프를 구축하여 의도와 슬롯 간의 전역 상관관계를 탐색한다. 이 전역적인 의도-슬롯 동시 발생 정보를 바탕으로 두 하위 작업 간의 상호작용을 모델링하기 위한 새로운 그래프 신경망을 제안한다. 공개된 두 개의 다중 의도 데이터셋에서 수행된 실험 결과는 제안한 방법이 최신 기술 대비 우수한 성능을 보임을 입증한다.