대규모 언어 모델(LLM)의 음성 언어 이해(SLU) 적용 시 발생하는 토큰 수준 작업의 정렬 문제와 미묘한 의미 관계 포착의 어려움을 해결하기 위해, 슬롯 채우기를 개체 인식 작업으로 재구성하고, 단계별 다중 의도 인식을 가능하게 하는 새로운 개념인 "의도 체인"을 도입하는 Entity-level Language Model(ECLM) 프레임워크를 제안한다. ECLM은 MixATIS에서 3.7%, MixSNIPS에서 3.1%의 성능 향상을 보였으며, LLM의 표준 지도 학습 방식보다 각각 8.5% 및 21.2%의 성능 향상을 달성했다.
