整合不同类型的信息是智能的核心能力之一，它在实践中具有巨大的价值，能够使一个任务的学习从其他任务中获得的泛化知识中受益。本文旨在解决提高语义分析性能这一具有挑战性的任务，以UCCA（Universal Conceptual Cognitive Annotation）解析作为测试案例，并将AMR（Abstract Meaning Representation）、SDP（Semantic Dependency Parsing）和通用依存关系（Universal Dependencies, UD）解析作为辅助任务。我们对三种语言进行了实验，所有解析任务均采用统一的基于转移的系统和学习架构。尽管这些任务在概念、形式和领域上存在显著差异，但我们的研究表明，多任务学习显著提高了UCCA解析在域内和域外设置下的性能。