Wir stellen zwei graphenbasierte Abhängigkeitsparser erster Ordnung vor, die einen neuen Stand der Technik erreichen. Der erste Parser ist ein Konsensparser, der aus einem Ensemble von unabhängig trainierten gierigen LSTM-Übergangs-Parsern mit unterschiedlichen zufälligen Initialisierungen aufgebaut ist. Wir interpretieren diesen Ansatz als Minimierung des Bayes-Risikos (unter dem Hamming-Kosten) und argumentieren, dass eine schwächere Konsensbildung innerhalb des Ensembles ein nützliches Signal für Schwierigkeit oder Mehrdeutigkeit darstellt. Der zweite Parser ist eine „Destillierung“ des Ensembles in ein einzelnes Modell. Wir trainieren den Destillationsparser unter Verwendung eines strukturierten Hinge-Loss-Zielfunktion mit einer neuartigen Kostenfunktion, die Unsicherheitsschätzungen des Ensembles für jede mögliche Anbindung berücksichtigt. Dies ermöglicht es uns, die bei der Anwendung standardmäßiger Destillationsziele auf Probleme mit strukturierten Ausgaben erforderlichen und nicht handhabbaren Kreuzentropieberechnungen zu vermeiden. Der Parser erster Ordnung zur Destillierung erreicht oder übertrifft den aktuellen Stand der Technik im Englischen, Chinesischen und Deutschen.