Diese Arbeit stellt einen Ansatz zur Überwindung der AMR-Parsetechnik-Bremskraft vor, indem zwei Komponenten eines AMR-Parsers verbessert werden: die Konzeptidentifikation und die Ausrichtung. Zunächst entwickeln wir einen auf Bidirektionalen LSTM basierenden Konzeptidentifikator, der in der Lage ist, reichhaltigere Kontextinformationen zu nutzen, um seltene AMR-Konzeptlabels zu erlernen. Anschließend erweitern wir ein auf HMM basierendes Wort-zu-Konzept-Ausrichtungsmodell um eine graphische Distanzverzerrung sowie eine Nachbewertungsmethode während der Dekodierung, um strukturelle Informationen im AMR-Graphen einzubeziehen. Wir zeigen, dass die Integration beider Komponenten in einen bestehenden AMR-Parser konsistent bessere Ergebnisse im Vergleich zum Stand der Technik auf verschiedenen Datensätzen erzielt.