Semantische Repräsentationen werden seit langem als potenziell nützlich für die Erzwingung der Bedeutungserhaltung und die Verbesserung der Generalisierungsleistung von maschinellen Übersetzungsmethoden angesehen. In dieser Arbeit sind wir die Ersten, die Informationen über die Prädikat-Argument-Struktur der Quellsätze (nämlich semantische Rollenrepräsentationen) in neuronale maschinelle Übersetzung einbringen. Wir verwenden Graph Convolutional Networks (GCNs), um einen semantischen Bias in die Satzencoder zu injizieren, und erreichen damit Verbesserungen der BLEU-Werte im Vergleich zu den linguistisch agnostischen und syntaxbewussten Versionen beim Sprachpaar Englisch--Deutsch.