结合双线性解码器（biaffine decoders），Transformer 模型已被有效应用于文本到图结构的转换任务，并在 AMR（Abstract Meaning Representation）解析中取得了当前最优的性能。然而，以往的多数方法均依赖双线性解码器来完成弧（arc）或标签（label）的预测，尽管这些解码器所使用的大部分特征其实已可通过 Transformer 自行学习。本文提出一种新型 AMR 解析方法：将异构数据（包括词元、概念和标签）统一作为输入送入 Transformer，使其通过自注意力机制联合建模；随后，仅利用 Transformer 输出的注意力矩阵来预测 AMR 图中的所有元素，包括概念、弧和标签。尽管本方法所使用的参数量显著少于此前的最先进图解析模型，但在 AMR 2.0 和 AMR 3.0 数据集上仍表现出相当甚至更优的解析准确率。