In diesem Paper stellen wir einen zweiten-Ordnung-basierten, graphenbasierten neuronalen Abhängigkeitsparser vor, der Nachrichtenübertragung und end-to-end-neuronale Netzwerke nutzt. Wir zeigen empirisch, dass unsere Ansätze die Genauigkeit von sehr aktuellen State-of-the-Art-Parsern auf zweiter Ordnung erreichen und dabei sowohl beim Training als auch bei der Testphase erheblich schnellere Geschwindigkeiten aufweisen. Zudem belegen wir empirisch den Vorteil der zweiten-Ordnung- gegenüber der ersten-Ordnung-Parserung und beobachten, dass der Nutzen der Kopf-Auswahl-strukturierten Einschränkung bei Verwendung von BERT-Embeddings verschwindet.