槽位填充（Slot Filling, SF）是口语理解（Spoken Language Understanding, SLU）中的一个子任务，旨在从给定的自然语言语句中提取语义成分。该任务通常被建模为序列标注问题。近年来的研究表明，上下文信息对于该任务至关重要。然而，现有模型对上下文信息的利用方式较为局限，例如仅依赖自注意力机制。这类方法难以区分上下文对词向量表示与词标签预测的不同影响。为解决这一问题，本文提出一种新方法，从两个不同层面融合上下文信息：一是表示层面，二是任务特定（即标签）层面。我们在三个基准数据集上进行了大量实验，结果表明所提模型在所有三个数据集上均取得了新的最优性能，显著提升了槽位填充任务的性能表现。