In diesem Artikel untersuchen wir, wie die Domänenanpassungsfähigkeit eines auf Löschung basierenden Long Short-Term Memory (LSTM)-Neural Network-Modells für Satzkompression verbessert werden kann. Wir vermuten, dass syntaktische Informationen dazu beitragen, solche Modelle robuster über verschiedene Domänen hinweg zu machen. Wir schlagen zwei wesentliche Änderungen am Modell vor: die Verwendung expliziter syntaktischer Merkmale sowie die Einführung syntaktischer Constraints mittels Integer Linear Programming (ILP). Unsere Evaluierung zeigt, dass das vorgeschlagene Modell im Vergleich zum ursprünglichen Modell sowie zu einem herkömmlichen, nicht-neuralen Modell in einem cross-domain-Szenario bessere Ergebnisse erzielt.