La génération de texte à partir de tableaux vise à produire automatiquement du texte naturel afin d’aider les utilisateurs à obtenir facilement les informations pertinentes contenues dans des tableaux. Bien que les modèles neuronaux pour la génération de texte à partir de tableaux aient réalisé des progrès remarquables, certains problèmes restent négligés. Les méthodes antérieures ne parviennent pas à déduire les résultats factuels à partir des performances des entités (joueurs ou équipes) ni des relations entre ces entités. Pour résoudre ce problème, nous construisons d’abord un graphe d’entités à partir des tableaux d’entrée, puis introduisons un module de raisonnement pour effectuer des inférences sur ce graphe. Par ailleurs, des relations différentes (par exemple, la relation de taille numérique ou la relation d’importance) existent entre les enregistrements appartenant à des dimensions distinctes. Ces relations peuvent contribuer à la génération de texte à partir de données. Toutefois, il est difficile pour un encodeur classique de capturer ces relations. En conséquence, nous proposons d’utiliser deux tâches auxiliaires, le classement numérique (NR) et le classement d’importance (IR), afin de superviser l’encodeur pour qu’il puisse mieux capturer ces différentes relations. Les résultats expérimentaux sur les jeux de données ROTOWIRE et RW-FG montrent que notre méthode non seulement présente une bonne généralisation, mais surpasse également les méthodes précédentes sur plusieurs métriques : BLEU, sélection de contenu et ordonnancement du contenu.