针对现有边缘服务器提供商（ESP）边缘资源有限导致的分层联邦学习的边缘节点服务质量（QoS）降低的问题，考虑边缘服务器潜在的边缘联合可能性，提出一种动态边缘联合框架（EFF）。所提框架内，不同的ESP相互协作，为分层联邦学习中由于客户端的异构性或数据的非独立同分布（Non-IID）等问题而降低的模型训练效率提供额外的边缘资源。首先，通过量化通信模型设定卸载决策，并将卸载任务发布给框架内其他ESP的边缘服务器，从而解决边缘资源的弹性化需求；其次，通过多轮迭代EFF参与策略（MIEPS）算法求解ESP之间的演化博弈均衡解，从而为ESP找到合适的资源分配策略；最后，通过理论和仿真实验验证均衡点的存在性、唯一性和稳定性。实验结果表明，相较于非联合策略和成对联合策略，通过MIEPS算法构建的三联EFF在基于独立同分布（IID）数据集训练得到的全局模型的预测准确率上分别提高了1.5和1.0个百分点，而在基于Non-IID数据集的准确率上分别提升了2.1和0.7个百分点。此外，通过改变ESP的资源配置方式，验证了EFF能够公平地分配ESP的报酬，激励更多的ESP参与其中，并形成良性的合作环境。

对话状态追踪（DST）是任务型对话系统中一个重要的模块，但现有的基于开放词表的DST模型没有充分利用槽位的相关信息以及数据集本身的结构信息。针对上述问题，提出基于槽位相关信息提取的DST模型SCEL-DST（SCE and LOW for Dialogue State Tracking）。首先，构建槽位相关信息提取器（SCE），利用注意力机制学习槽位之间的相关信息；然后，在训练过程中应用学习最优样本权重（LOW）策略，在未大幅增加训练时间的前提下，加强模型对数据集信息的利用；最后，优化模型细节，搭建完整的SCEL-DST模型。实验结果表明，SCE和LOW对SCEL-DST模型性能的提升至关重要，该模型在两个实验数据集上均取得了更高的联合目标准确率，其中在MultiWOZ 2.3 （Wizard-of-OZ 2.3）数据集上与相同条件下的TripPy（Triple coPy）相比提升了1.6个百分点，在WOZ 2.0 （Wizard-of-OZ 2.0）数据集上与AG-DST （Amendable Generation for Dialogue State Tracking）相比提升了2.0个百分点。