Wir stellen ein generatives Modell für das unüberwachte Lernen von Abhängigkeitsstrukturen vor. Zudem beschreiben wir die multiplikative Kombination dieses Abhängigkeitsmodells mit einem Modell linearer Konstituente. Das Produktmodell erreicht auf den jeweiligen Evaluationsmetriken eine bessere Leistung als beide Komponenten einzeln und erzielt die bisher besten veröffentlichten Ergebnisse für das unüberwachte Abhängigkeitsparsen und das unüberwachte Konstituentenparsen. Außerdem zeigen wir, dass das kombinierte Modell auch über Sprachgrenzen hinweg funktioniert und robust ist, indem es entweder Attachments- oder Verteilungsregularitäten ausnutzen kann, die in den Daten besonders ausgeprägt sind.