Wir untersuchen das Problem der effizienten Integration hochordneter Merkmale in neuronale graphbasierte Abhängigkeitsparser. Anstatt hochordnete Merkmale explizit aus intermediären Parsebäumen zu extrahieren, entwickeln wir eine leistungsfähigere Repräsentation von Abhängigkeitsbaumknoten, die hochordnete Informationen kompakt und effizient erfasst. Wir nutzen Graphneuronale Netze (GNNs), um die Repräsentationen zu lernen, und diskutieren mehrere neue Konfigurationen der Aktualisierungs- und Aggregationsfunktionen von GNNs. Experimente am Penn Treebank (PTB) zeigen, dass unser Parser die besten Werte für UAS und LAS (96,0 %, 94,3 %) unter Systemen ohne Verwendung externer Ressourcen erreicht.