Die Aufgabenstellung der Meinungsrollen-Labelung (Opinion Role Labeling, ORL) ist eine zentrale Aufgabe im Bereich der feinkörnigen Meinungsanalyse, da sie darauf abzielt, wichtige Meinungsargumente wie Meinungsträger und Meinungsobjekt für einen gegebenen Meinungsaktivator zu identifizieren. Diese Aufgabe steht in enger Beziehung zur semantischen Rollen-Labelung (Semantic Role Labeling, SRL), die wichtige semantische Argumente wie Agens und Patient für einen gegebenen Prädikat identifiziert. Da Prädikat-Agens und -Patienten in der Regel jeweils den Meinungsträgern und Meinungsobjekten entsprechen, kann SRL für ORL von erheblichem Nutzen sein. In dieser Arbeit präsentieren wir eine einfache und neuartige Methode zur Verbesserung der ORL durch die Nutzung von SRL, wobei semantikbewusste Wortrepräsentationen eingesetzt werden, die aus SRL gelernt wurden. Diese Repräsentationen dienen anschließend als grundlegende Eingaben für ein Baseline-Neuronales ORL-Modell. Die Wirksamkeit der vorgeschlagenen Methode wird anhand der Benchmark-Korpus MPQA evaluiert. Die experimentellen Ergebnisse zeigen, dass die Methode äußerst effektiv ist. Zudem vergleichen wir die Methode mit zwei repräsentativen Ansätzen zur Integration von SRL und stellen fest, dass unsere Methode diese beiden Ansätze signifikant übertrifft und dabei einen um 1,47 % höheren F-Score im Vergleich zum besten der beiden anderen Methoden erreicht.