La génération de questions à partir de graphes de connaissances (GC) vise à produire des questions en langage naturel à partir de GC et des réponses cibles. Les travaux précédents se concentraient principalement sur un cadre simple consistant à générer des questions à partir d'une seule triple du GC. Dans cette étude, nous nous intéressons à un cadre plus réaliste, où l'objectif est de générer des questions à partir d'un sous-graphe de GC et des réponses cibles. De plus, la plupart des travaux antérieurs utilisaient soit des modèles basés sur les RNN, soit des modèles basés sur les Transformers pour encoder un sous-graphe de GC linéarisé, ce qui entraîne une perte totale des informations structurales explicites du sous-graphe de GC. Pour remédier à ce problème, nous proposons d'appliquer un modèle Graph2Seq bidirectionnel pour encoder le sous-graphe de GC. Nous renforçons également notre décodeur RNN avec un mécanisme de copie au niveau des nœuds, permettant ainsi la copie directe des attributs de nœuds du sous-graphe de GC vers la question générée. Les résultats d'évaluation automatique et humaine montrent que notre modèle atteint de nouveaux scores state-of-the-art, surpassant les méthodes existantes avec une marge significative sur deux benchmarks de génération de questions (QG). Les résultats expérimentaux indiquent également que notre modèle QG peut améliorer constamment la tâche de réponse aux questions (QA) en tant que moyen d'augmentation des données.