知识图谱（KGs）在不同领域之间可能存在显著差异。因此，无论是从图到文本生成还是从文本到图的知识抽取（语义解析），监督方法都会面临特定领域平行图-文本数据不足的问题；同时，由于实体和关系几乎没有重叠，将一个在不同领域训练的模型进行适应通常也是不可能的。鉴于这种情况，我们需要一种方法，该方法（1）不需要大量标注数据，从而（2）不必依赖领域适应技术就能在不同领域中表现良好。为此，我们提出了首个无需监督的从知识图谱生成文本的方法，并同时展示了如何将其用于无监督语义解析。我们在WebNLG v2.1和一个新的基于Visual Genome场景图的基准上评估了我们的方法。实验结果表明，我们的系统在两个方向的图-文本转换任务中均优于强大的基线模型，并且无需对不同数据集进行任何手动适应。此外，我们还通过额外的实验研究了使用不同无监督目标的影响。