Les parseurs basés sur des transitions, implémentés à l’aide de réseaux à pointeurs (Pointer Networks), sont devenus l’état de l’art dans le domaine du parsing syntaxique dépendant, se distinguant par leur capacité à produire des arbres syntaxiques étiquetés et en surpassant les modèles basés sur les graphes sur cette tâche. Afin de tester davantage les capacités de ces puissants réseaux neuronaux sur un problème plus difficile de traitement du langage naturel, nous proposons un système de transition qui, grâce aux réseaux à pointeurs, peut produire directement des graphes orientés acycliques étiquetés et effectuer un parsing sémantique dépendant. En outre, nous améliorons notre approche en intégrant des embeddings contextuels profonds extraits de BERT. Le système résultant dépasse tous les modèles transitionnels existants et atteint, sur les jeux de données SemEval 2015 Task 18, la meilleure précision supervisée complète jamais rapportée par les meilleurs parseurs basés sur les graphes de l’état de l’art.