Obwohl neuronale Modelle in Dialogsystemen wettbewerbsfähige Ergebnisse erzielt haben, zeigten sie begrenzte Fähigkeiten bei der Darstellung von Kernsemantik, wie zum Beispiel der Vernachlässigung wichtiger Entitäten. Um dieses Problem zu adressieren, nutzen wir die Abstrakte Bedeutungsdarstellung (Abstract Meaning Representation, AMR), um Dialogmodellierung zu unterstützen. Im Vergleich zur textuellen Eingabe bietet AMR Kernsemantikkenntnisse explizit und reduziert die Datenknappheit. Wir entwickeln einen Algorithmus, um aus satzbezogenen AMRs dialogbezogene AMR-Graphen zu konstruieren, und untersuchen zwei Methoden zur Integration von AMRs in Dialogsysteme. Experimentelle Ergebnisse sowohl bei Aufgaben der Dialogverstehens als auch bei der Generierung von Antworten zeigen die Überlegenheit unseres Modells. Nach unserem Wissen sind wir die Ersten, die eine formale semantische Darstellung in neurale Dialogmodellierung einbringen.