抽象意味表現（Abstract Meaning Representation, AMR）は、テキストの核心的な意味情報をグラフ構造で表現する手法である。近年、事前学習言語モデル（Pre-trained Language Models, PLMs）は、AMR解析およびAMRからテキストへの生成というタスクにおいて大きな進展を遂げている。しかし、PLMsは通常、テキストデータ上で事前学習が行われるため、構造的知識を最適にモデル化するには不十分である。この課題に対処するため、本研究ではAMRグラフ上で構造認識能力を向上させるためのグラフ自己教師学習（graph self-supervised training）の手法を検討する。具体的には、グラフからグラフへの事前学習を目的とした2つのグラフ自己符号化（graph auto-encoding）戦略を導入し、事前学習段階でテキストとグラフ情報を統合するための4つのタスクを設計した。さらに、事前学習と微調整（fine-tuning）のタスク間のギャップを埋めるための統一的なフレームワークを提案する。AMR解析およびAMRからテキストへの生成という両タスクにおける実験結果から、本モデルの優位性が示された。本研究の知見によれば、意味グラフ上で事前学習を行うことは、本研究が初めて試みたことである。