Traditionelle Methoden für tiefe NLG (Natural Language Generation) setzen auf Pipeline-Ansätze, die mehrere Stufen umfassen, wie beispielsweise die Erstellung syntaktischer Eingaben, die Vorhersage funktionaler Wörter, die Linearisierung der syntaktischen Eingabe und die Generierung der Oberflächenformen. Obwohl diese Pipeline-Ansätze leichter visualisierbar sind, leiden sie unter Fehlerfortpflanzung. Zudem können nicht alle Module den verfügbaren Informationen über verschiedene Module hinweg effektiv nutzen. Wir entwickeln ein transitionsbasiertes Modell, das die Linearisierung, die Vorhersage funktionaler Wörter und die morphologische Generierung gemeinsam durchführt, wodurch sich die Genauigkeit im Vergleich zu einem pipelinenbasierten Basissystem erheblich verbessert. Auf einer etablierten gemeinsamen Aufgabe zur Linearisierung tiefer Eingaben erreicht unser System die bisher besten Ergebnisse.