End-to-end-semantische-Rollen-Labeling (SRL) hat zunehmendes Interesse hervorgerufen. Es führt die beiden Teil-Aufgaben des SRL – die Identifikation von Prädikaten und die Zuordnung von Argumentrollen – gemeinsam durch. Die meisten aktuellen Arbeiten konzentrieren sich auf graphbasierte neuronale Modelle, während der transitionsbasierte Ansatz mit neuronalen Netzen, der in einer Reihe eng verwandter Aufgaben weit verbreitet ist, bisher noch nicht für die gemeinsame Aufgabe untersucht wurde. In diesem Paper präsentieren wir die erste Arbeit zu transitionsbasierten neuronalen Modellen für end-to-end-SRL. Unser Transition-Modell entdeckt schrittweise alle satzweisen Prädikate sowie ihre Argumente durch eine Reihe von Transition-Aktionen. Die Aktionen der beiden Teil-Aufgaben werden wechselseitig ausgeführt, um eine vollständige Interaktion zu ermöglichen. Darüber hinaus schlagen wir hochordentliche Kompositionen vor, um nicht-lokale Merkmale zu extrahieren, die das vorgeschlagene Transition-Modell weiter verbessern können. Experimentelle Ergebnisse auf CoNLL09 und dem Universal Proposition Bank zeigen, dass unser endgültiges Modell eine state-of-the-art-Leistung erzielt und gleichzeitig eine hohe Effizienz bei der Dekodierung aufweist. Zudem führen wir eine detaillierte experimentelle Analyse durch, um ein tiefes Verständnis des vorgeschlagenen Modells zu gewinnen.