Sätze, die von abstraktiven Zusammenfassungssystemen generiert werden, können grammatikalisch falsch sein und die ursprünglichen Bedeutungen nicht bewahren, obwohl sie lokal fließend erscheinen. In diesem Artikel schlagen wir vor, dieses Problem zu beheben, indem wir gleichzeitig eine Aussage und deren syntaktische Abhängigkeitsanalyse generieren, während die Abstraktion erfolgt. Falls die Generierung eines Wortes eine fehlerhafte Beziehung zum Zusammenfassungstext hervorrufen könnte, muss dieses Verhalten unterdrückt werden. Die vorgeschlagene Methode verspricht daher, grammatikalisch korrekte Sätze zu erzeugen und die Zusammenfassung dabei zu ermutigen, der ursprünglichen Bedeutung treu zu bleiben. Unsere Beiträge zu dieser Arbeit sind zweifach. Erstens stellen wir eine neuartige neuronale Architektur für abstraktive Zusammenfassung vor, die einen sequenziellen Decoder und einen baumbasierten Decoder synchron kombiniert, um sowohl einen Zusammenfassungssatz als auch dessen syntaktische Abhängigkeitsstruktur zu generieren. Zweitens beschreiben wir ein neuartiges Evaluationsprotokoll für menschliche Bewertungen, um zu prüfen, inwieweit und in welchem Maße eine Zusammenfassung ihren ursprünglichen Bedeutungen treu bleibt. Wir evaluieren unsere Methode an mehreren Zusammenfassungsdatasets und zeigen wettbewerbsfähige Ergebnisse gegenüber starken Baselines.