Die Fragegenerierung (QG) aus Wissensgraphen (KG) hat das Ziel, natürlichsprachliche Fragen aus Wissensgraphen und den zugehörigen Antworten zu generieren. Frühere Arbeiten konzentrierten sich hauptsächlich auf eine einfache Einstellung, bei der Fragen aus einem einzelnen Tripel des Wissensgraphen generiert wurden. In dieser Arbeit fokussieren wir uns auf eine realistischere Einstellung, bei der wir Fragen aus einem Untergraphen des Wissensgraphen und den zugehörigen Antworten generieren möchten. Zudem baut die Mehrheit der früheren Arbeiten entweder auf RNN-basierten oder Transformer-basierten Modellen, um einen linearisierten Untergraphen des Wissensgraphen zu kodieren, wobei die explizite Strukturinformation des Untergraphen vollständig verworfen wird. Um dieses Problem zu lösen, schlagen wir vor, ein bidirektionales Graph2Seq-Modell anzuwenden, um den Untergraphen des Wissensgraphen zu kodieren. Darüber hinaus erweitern wir unseren RNN-Dekoder mit einem knotenbasierten Kopiermechanismus, um Knoteneigenschaften direkt vom Untergraphen des Wissensgraphen in die Ausgabefrage zu kopieren. Sowohl automatische als auch menschliche Bewertungsergebnisse zeigen, dass unser Modell neue Stand-of-the-Art-Werte erreicht und bestehende Methoden bei zwei QG-Benchmarks deutlich übertrifft. Experimentelle Ergebnisse belegen zudem, dass unser QG-Modell konsistent die Fragebeantwortung (QA) als Methode zur Datenvergrößerung verbessert.