最近のグラフからテキストへの変換モデルは、ノード表現を学習するために、全体的な集約または局所的な集約のいずれかを使用してグラフベースのデータからテキストを生成しています。全体的なノードエンコーディングは、2つの遠隔ノード間での明示的な通信を可能にしますが、すべてのノードが直接接続されているため、グラフのトポロジーが無視される傾向があります。一方、局所的なノードエンコーディングは、隣接するノード間の関係を考慮し、グラフ構造を捉えますが、長距離の関係を捉えることが難しい場合があります。本研究では、これらの両方のエンコーディング戦略を取り入れ、入力グラフを全体的および局所的なノードコンテクストの組み合わせでエンコードする新しいニューラルモデルを提案します。これにより、より良い文脈化されたノード埋め込みを学習することが可能になります。実験では、提案手法がAGENDAデータセットでBLEUスコア18.01、WebNLGデータセット（既知カテゴリ）でBLEUスコア63.69という有意な改善を達成し、それぞれ現行最高峰モデルに対して3.7ポイントと3.1ポイント上回ることを示しています。