论文背景
这篇是讲slot filling和intent detection的联合训练。传统的方法slot filling和intent detection是分开做的，会出现error propagation的问题。
所以现代一点的方法主要有下面几种：
joint attention-based rnn (2016)
rnn-lstm (2016)
slot-gated model (2018)
这篇文章同样认同两个任务之间的相关性并且提出SF-ID网络。
模型结构
Integration of context
slot filling:
然后这篇加权的方法和16年那篇一样，是用encoder和decoder一起生成context向量并且最后喂给encoder端的hidden_state进行加权表示，具体可以看16年那篇文章。
intent detection:
similar to slot filling
SF-ID Network
SF-ID Network有SF-First和ID-First两种形式。下面就说其中一种SF-first，另外一种只是把subnet的先后顺序互换而已。
SF subnet
ID subnet
Iteration Mechanism
向量表示的交互和耦合把context对应的向量换成reinforce对应的向量，最后输出softmax分类。
CRF layer
添加转移概率增加label预测的约束和鲁棒性，就比较常规。
Experiment
其中有2个比较有意思的分析:
Analysis of Model mode:
ID-First mode的实验结果在slot filling上更好, SF-First mode的实验结果在intent detection上的效果更好。说白了，哪个先训练就定了整个模型的任务倾向性基调。
Iteration Mechanism:
一定的iteration迭代能够提高训练的效果，但是迭代的次数越多反而就不好了。