1.一种基于全局‑局部对比学习的跨语言自然语言理解方法，其特征在于：该方法包括以下步骤：S1、生成原始话语序列，根据跨语言字典将原始话语序列翻译为正样本，将正样本输入到跨语言预训练模型中得到对应的编码表示；

S2、根据经过编码的原始话语序列、正样本以及前一时刻的负样本生成负样本队列，将负样本队列输入到跨语言预训练模型中得到对应的编码表示；

S3、通过建立损失函数来构建局部句子级意图对比学习模块，实现跨语言句子表示对齐；

S4、通过建立损失函数来构建局部字符级槽位对比学习模块，实现跨语言字符表示对齐；

S5、通过建立损失函数来构建全局语义级意图‑槽位对比学习模块，实现意图和槽位的表示对齐，完成跨语言理解；

在步骤S5中，通过设计损失函数来构建全局语义级意图‑槽位对比学习模块，损失函数设计如下所述：首先分别构建针对原始话语序列和正样本序列的损失函数：

式中， 表示针对原始话语序列的损失函数， 表示针对正样本的损失函数，n表示原始话语序列的长度，hCLS表示原始话语话语序列开始标志位的向量表示，hj表示原始话语序列中位置j处字符的向量表示， 表示负样本队列中位置j处字符的向量表示， 表示正样本中位置j处字符的向量表示，K表示负样本队列的最大容量；

结合损失函数 和 得到针对语义级对比学习的损失函数

然后分别构建针对意图检测的损失函数 以及针对槽位填充的损失函数Y Y Y Y Y

式中，σ＝softmax(WhCLS+b)，其中，W和b表示可训练的参数， 表示意图标签，表示针对位置为i的字符的槽位标签的预测值， 表示针对位置为i的字符的槽位标签的实际值，nY表示意图标签的数量，nC表示槽位标签的数量；

最后结合损失函数 和 得到全局语义级意图‑槽位对比学习的总体损失函数：

式中，λ表示可训练的参数。

2.根据权利要求1所述的跨语言自然语言理解方法，其特征在于：在步骤S1中，对于原始话语序列中的每个字符，在跨语言字典中随机选择相应的翻译字符进行替换以生成正样本；

将正样本输入到预训练模型中，通过其中的双向循环神经网络生成隐层状态表示hi＝emb embBiLSTM(θ (xi),hi‑1,hi+1)，其中θ 表示向量化函数，最终可得到针对正样本的编码表示为：式中， 分别表示正样本开始标志位的向量表示和结束标志位的向量表示，表示正样本中各字符被编码后形成的向量表示。

3.根据权利要求1所述的跨语言自然语言理解方法，其特征在于：在步骤S2中，将负样本输入到预训练模型中得到的编码表示为：式中，K表示负样本队列的最大容量， 表示负样本队列开始标志位的向量表示，表示负样本队列中各字符被编码后形成的向量表示。

4.根据权利要求1所述的跨语言自然语言理解方法，其特征在于：在步骤S3中，通过设计损失函数来构建局部句子级意图对比学习模块，损失函数如下式：式中，s([],[])表示点积操作，hCLS表示原始话语序列开始标志位的向量表示， 表示正样本中开始标志位的向量表示， 表示负样本队列中开始标志位的向量表示，K表示负样本队列的最大容量。

5.根据权利要求1所述的跨语言自然语言理解方法，其特征在于：在步骤S4中，通过设计损失函数来构建局部字符级槽位对比学习模块，损失函数如下式：式中，s([],[])表示点积操作，n表示原始话语序列的长度，hi表示原始话语序列中位置i处字符的向量表示， 表示正样本中位置j处字符的向量表示， 表示负样本队列中位置j处字符的向量表示，K表示负样本队列的最大容量。

6.根据权利要求5所述的跨语言自然语言理解方法，其特征在于：在局部字符级槽位对比学习模块中，最终的损失 为所有字符损失函数的总和。