Der Dialogzustandstracking, der die Benutzerziele und -anfragen unter Berücksichtigung des Dialogkontexts schätzt, ist ein wesentlicher Bestandteil taskorientierter Dialogsysteme. In dieser Arbeit stellen wir den Global-Locally Self-Attentive Dialogue State Tracker (GLAD) vor, der Darstellungen der Benutzeraussage und früherer Systemaktionen mit global-lokalen Modulen lernt. Unser Modell verwendet globale Module, um Parameter zwischen Schätzern für verschiedene Arten (als Slots bezeichnet) von Dialogzuständen zu teilen, und lokale Module, um slotspezifische Merkmale zu lernen. Wir zeigen, dass dies die Verfolgung seltener Zustände erheblich verbessert und Stand-der-Technik-Leistungen in den Zustandstracking-Aufgaben von WoZ und DSTC2 erreicht. GLAD erreicht eine Genauigkeit von 88,1 % bei gemeinsamen Zielen und 97,1 % bei Anfragen auf WoZ, was gegenüber früheren Arbeiten Verbesserungen von 3,7 % und 5,5 % bedeutet. Auf DSTC2 erhält unser Modell eine Genauigkeit von 74,5 % bei gemeinsamen Zielen und 97,5 % bei Anfragen, wobei es gegenüber früheren Arbeiten um 1,1 % und 1,0 % besser abschneidet.