Unser Ziel ist es, natürlichsprachliche Beschreibungen zu einem eingegebenen strukturierten Wissensgraphen (Knowledge Base, KB) automatisch zu generieren. Wir bauen unser Generierungsframework auf einem Pointer-Netzwerk auf, das Fakten aus der Eingabe-KB kopieren kann, und fügen zwei Aufmerksamkeitsmechanismen hinzu: (i) einen slot-bewussten Aufmerksamkeitsmechanismus, um die Assoziation zwischen einem Slot-Typ und dessen entsprechendem Slot-Wert zu erfassen; und (ii) eine neue \emph{Tabelle-Position-Selbstaufmerksamkeit} (table position self-attention), um die gegenseitigen Abhängigkeiten zwischen verwandten Slots zu erfassen. Für die Bewertung verwenden wir neben den standardmäßigen Metriken wie BLEU, METEOR und ROUGE ein neues KB-Rekonstruktionsbasierendes Metrikverfahren, bei dem ein Wissensgraph aus der Generierungsausgabe extrahiert wird und mit dem Eingabe-Wissensgraphen verglichen wird. Zudem haben wir einen neuen Datensatz erstellt, der 106.216 Paare von strukturierten Wissensgraphen und deren entsprechenden natürlichsprachlichen Beschreibungen für zwei verschiedene Entitätstypen enthält. Experimente zeigen, dass unser Ansatz erheblich besser als state-of-the-art Methoden abschneidet. Die rekonstruierte KB erreicht einen F-Wert von 68,8% bis 72,6%.