Dans cet article, nous étudions comment améliorer la capacité d’adaptation au domaine d’un modèle de réseau de neurones LSTM basé sur la suppression pour la compression de phrases. Nous supposons que l’information syntaxique contribue à rendre ces modèles plus robustes à travers différents domaines. Nous proposons deux modifications majeures au modèle : l’utilisation de caractéristiques syntaxiques explicites et l’introduction de contraintes syntaxiques via la Programmation Linéaire Entière (PLE). Nos résultats d’évaluation montrent que le modèle proposé obtient de meilleurs résultats que le modèle original ainsi qu’un modèle classique non neuronal dans un cadre d’adaptation de domaine.