Als eine zentrale Aufgabe zur Analyse der semantischen Struktur eines Satzes zielt die semantische Rollenmarkierung (Semantic Role Labeling, SRL) darauf ab, die semantische Rolle (z. B. Agens) von Nominalphrasen im Verhältnis zu einem gegebenen Prädikat zu identifizieren und spielt daher eine entscheidende Rolle bei nachgeschalteten Aufgaben wie Dialogsystemen. Um eine bessere Leistung in der SRL zu erzielen, ist ein Modell stets auf ein tiefes Verständnis der Kontextinformation angewiesen. Obwohl man fortschrittliche Text-Encoder (z. B. BERT) nutzen kann, um Kontextinformationen zu erfassen, sind zusätzliche Ressourcen erforderlich, um die Modellleistung weiter zu verbessern. Angesichts der Korrelationen zwischen der syntaktischen und der semantischen Struktur eines Satzes haben viele vorherige Studien automatisch generierte syntaktische Kenntnisse – insbesondere Abhängigkeitsstrukturen – genutzt, um die Modellierung von Kontextinformationen durch graphbasierte Architekturen zu verbessern, wobei andere Arten automatisch generierter Kenntnisse bisher nur begrenzt Beachtung fanden. In diesem Artikel stellen wir „Map Memories“ vor, um die SRL durch die Kodierung verschiedener Arten automatisch generierter syntaktischer Kenntnisse (nämlich POS-Tags, syntaktische Konstituenten und Wortabhängigkeiten), die aus standardmäßigen Toolkits stammen, zu verbessern. Experimentelle Ergebnisse auf zwei englischen Benchmark-Datensätzen für span-basierte SRL (nämlich CoNLL-2005 und CoNLL-2012) belegen die Wirksamkeit unseres Ansatzes, der starke Baselines übertrifft und auf CoNLL-2005 Ergebnisse auf dem Stand der Technik erreicht.