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。
