1.一种基于图神经网络的跨语言编译优化方法，其特征在于，包括以下步骤：

（1）对不同编程语言的源代码进行解析，获取各自的抽象语法树，并通过统一语义映射将不同语言的抽象语法树节点映射至共享的词汇空间，实现跨语言语法结构的统一表征；

通过构建跨编程语言的统一词汇映射表，将不同语言源代码解析生成的语法节点类型映射至共享词汇空间；同时采用序列神经网络提取抽象语法树的全局序列特征，采用图神经网络提取抽象语法树的局部结构特征，并将全局序列特征与局部结构特征进行融合，形成跨语言统一的语法树表征；

（2）在统一表征后的抽象语法树基础上，通过融入控制流与数据流信息对语法树进行结构增强，添加表征变量依赖、执行顺序及分支跳转的多类附加边，构建融合静态语法与动态行为的流增强抽象语法树；

（3）从流增强抽象语法树中识别并抽取面向编译器优化的关键性子图结构，包括控制流子图、循环结构子图及函数调用子图，并分别提取各关键子图的内部拓扑特征及其与全局语法树之间的边界关联特征；

（4）对抽取得到的关键子图执行图注意力聚合操作，采用基于图结构稀疏特性的剪枝注意力机制对各子图中节点的特征进行加权融合，生成融合图结构信息的序列化特征向量；

（5）将生成的序列化特征向量输入至轻量化变换器架构中进行处理，在编码层中嵌入图注意力聚合组件作为结构感知单元，并采用前馈网络替代标准变换器中的自注意力机制，通过残差连接、层归一化及全连接操作后输出编译器优化决策结果。

2.根据权利要求1所述的基于图神经网络的跨语言编译优化方法，其特征在于，步骤（2）中，添加的附加边类型包括：相邻叶子节点之间的顺序边、兄弟节点之间的执行顺序边、变量节点与其下一次使用位置之间的数据依赖边、条件判断语句与对应执行块之间的控制流边、循环结构与循环体之间的循环流边，以及代码块内语句之间的顺序执行流边。

3.根据权利要求1所述的基于图神经网络的跨语言编译优化方法，其特征在于，步骤（3）中，采用锚点区域消息传递机制得到编译器优化关注的核心区域，并依据子图的内部位置特征、边界位置特征、内部邻域特征、边界邻域特征、内部连通性特征与边界连通性特征，分别构建子图的内部结构表征及其与全局语法树之间的语义关联表征。

4.根据权利要求1所述的基于图神经网络的跨语言编译优化方法，其特征在于，步骤（4）中，采用图结构稀疏性的剪枝注意力机制与滑动窗口注意力、全局注意力两种模式结合的方式，其中滑动窗口注意力关注每个节点的局部邻域节点，全局注意力关注预设的全局关键节点，通过结构剪枝策略降低注意力计算复杂度的同时保持对图结构的感知能力。

5.根据权利要求1所述的基于图神经网络的跨语言编译优化方法，其特征在于，步骤（5）中，将图注意力聚合组件嵌入变换器编码层作为结构感知单元，通过前馈网络替换标准变换器的自注意力机制，利用嵌入的结构感知单元提供的图注意力信息增强对代码结构特征的提取能力。

6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑5中任一项所述的方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑5中任一项所述的方法。