Wir präsentieren einen Übergangs-basierten AMR-Parser (Abstract Meaning Representation Parser), der AMR-Parsen direkt aus unverarbeitetem Text generiert. Stack-LSTMs (Stack Long Short-Term Memory) werden verwendet, um den Parserzustand darzustellen und gierig Entscheidungen zu treffen. In unseren Experimenten zeigen wir, dass unser Parser bei der Verwendung ausschließlich von AMR-Trainingsdaten sehr wettbewerbsfähige Ergebnisse im Englischen erzielt. Die Hinzufügung zusätzlicher Informationen, wie POS-Tags (Part-of-Speech Tags) und Abhängigkeitsbäume, verbessert die Ergebnisse weiter.