AMR(Abstract Meaning Representation,抽象语义表示)是一种句子级语义的表示方法,并被广泛应用于自然语言处理下游任务。AMR分析是将自然语言转换成AMR图的过程,其分析性能会直接影响在下游自然语言处理任务中的应用。随着近年神经网络的兴起,基于序列到序列模型的AMR分析方法受到广泛关注。在此基础上,本文对融合不同结构信息的AMR分析展开研究,包括源端句法和语义角色结构化信息以及目标端图结构信息等,主要内容如下:(1)基于序列化方法的融合源端句法和语义角色信息。考虑到基准模型的AMR分析结果中存在大量违背源端句法和语义角色信息这一事实,本文提出了基于序列化方法的融合源端句法和语义角色信息的AMR分析。具体地,该方法首先将源端句子的句法和语义角色信息进行序列化,并和原句子的单词一起构成新的序列,该序列中既包含单词信息,同时还包含句法和语义角色系信息;然后将该序列作为训练数据的源端表示,从而训练得到新的AMR分析模型。(2)基于结构编码方法的融合源端句法和语义角色信息。Transformer使用多头注意力模型学习句子级上下文,为了使模型更好地学习到源端句子的句法和语义角色信息,本文首先提出了带结构信息编码的自注意力机制。该自注意力模型能够融合任意事先制定的用于捕获词对之间的特征。于是,本文从句法分析树和语义角色标注结果中抽取有效的结构化信息,包括句法路径、句法路径长度以及语义角色路径等。最后,本文对以上各种结构化信息进行组合,进一步提升AMR分析的性能。(3)融合目标端图结构信息的AMR分析。传统的序列到序列模型将目标端看作是一个序列,而忽略了其中蕴含有用的结构化信息。本文进一步探索了如何在解码器中融合目标端图结构信息来提升模型性能。具体地,在解码时,首先从产生的部分结果中恢复结构化信息,然后再将带结构信息编码的自注意力机制应用到解码端启用已恢复的结构化信息。基于公开的英文标准AMR数据集LDC2017T10,实验结果表明本文提出的不同方法均取得了不同程度的性能提升。