Wir stellen ein neues neuronales Netzwerkmodell vor, das POS-Tagging und graphbasierte Abhängigkeitsanalyse gemeinsam lernt. Unser Modell nutzt bidirektionale LSTMs (Long Short-Term Memory), um Merkmalsrepräsentationen zu erlernen, die sowohl für das POS-Tagging als auch für die Abhängigkeitsanalyse verwendet werden, wodurch das Problem der Merkmalsextraktion gelöst wird. Unsere umfangreichen Experimente mit 19 Sprachen aus dem Universal Dependencies-Projekt zeigen, dass unser Modell den aktuellen Stand der Technik im Bereich der neuronalen Netzwerke basierenden Stack-Propagation-Modelle für gemeinsames POS-Tagging und transitionsbasierte Abhängigkeitsanalyse übertrifft und somit einen neuen Stand der Technik darstellt. Unser Code ist Open Source und steht zusammen mit vortrainierten Modellen unter folgender URL zur Verfügung: https://github.com/datquocnguyen/jPTDP