抽象意味表現（AMR）は、複合的な意味情報が暗黙的に含まれているため、意味的にまたは形式的に関連する補助タスクを導入することで、AMR解析の性能向上が期待できると仮定する。本研究では、以下の3点を明らかにした。1）テキストからAMRへの変換において、機械翻訳（MT）や要約（summarization）などの他のタスクと比較して、意味役割ラベリング（SRL）や依存構文解析（DP）が、はるかに少ないデータ量でもより大きな性能向上をもたらす。2）AMRに適した学習を行うためには、補助タスクからのデータを訓練前に適切に「AMR化」（AMRized）し、擬似AMR（PseudoAMR）形式に変換する必要がある。浅層構文解析タスクから得られる知識は、構造変換を介してAMR解析へより効果的に転移可能である。3）マルチタスク学習よりも、中間タスク学習（intermediate-task learning）のアプローチが、補助タスクをAMR解析に導入する上でより効果的である。実証的な観点から、補助タスクをAMR解析に統合するための原理的な手法を提案する。広範な実験の結果、本手法は特に構造関連スコアにおいて、さまざまなベンチマークで新たな最先端性能を達成した。