تقنية التعلم من تسلسل إلى تسلسل (Seq2Seq) المشهورة ومتنوعاتها العديدة تحقق أداءً ممتازًا في العديد من المهام. ومع ذلك، فإن العديد من مهام التعلم الآلي لها مدخلات تمثل بشكل طبيعي كرسوم بيانية؛ وتعاني النماذج الحالية لـ Seq2Seq من تحدي كبير في تحقيق تحويل دقيق من الشكل الرسومي إلى التسلسل المناسب. لمعالجة هذا التحدي، نقدم نموذجًا عصبيًا عامًا جديدًا للترميز والفك من الرسم البياني إلى التسلسل يخاطب مدخلات الرسم البياني ويستخدم طريقة LSTM القائمة على الانتباه لفك تشفير التسلسل المستهدف من هذه المتجهات.طريقتنا تقوم أولًا بإنشاء تمثيلات عقد الرسم البياني والرسم البياني نفسه باستخدام شبكة عصبية رسومية محسنة مع استراتيجية تجميع جديدة لدمج معلومات اتجاه الأضلاع في تمثيلات العقد. كما نقدم آلية انتباه تربط بين تمثيلات العقد والتسلسل المفكك للتغلب بشكل أفضل على الرسوم البيانية الكبيرة. تظهر النتائج التجريبية على مهام bAbI ومسار أقصر (Shortest Path) وتوليد اللغة الطبيعية أن نموذجنا يحقق أداءً يتفوق على ما هو موجود حاليًا ويتفوق بشكل كبير على الشبكات العصبية الرسومية الحالية ونماذج Seq2Seq وTree2Seq؛ حيث يمكن للنموذج باستخدام استراتيجية التجميع الثنائية الاتجاه المقترحة أن يتقارب بسرعة نحو الأداء الأمثل.