知識グラフ（Knowledge Graph: KG）からの質問生成（Question Generation: QG）は、KGと目標となる答えから自然言語の質問を生成することを目指しています。従来の研究では、主に単一のKGトリプルから質問を生成する単純な設定に焦点が当てられてきました。本研究では、より現実的な設定に注目し、KGサブグラフと目標となる答えから質問を生成することを目指します。さらに、従来の多くの研究では、RNNベースまたはTransformerベースのモデルを使用して線形化されたKGサブグラフをエンコードしていましたが、これによりKGサブグラフの明示的な構造情報が完全に無視されていました。この問題に対処するために、双方向Graph2Seqモデルを用いてKGサブグラフをエンコードすることを提案します。また、RNNデコーダーにノードレベルのコピー機構を導入することで、出力される質問に直接的にノード属性をコピーできるようにしました。自動評価と人間評価の結果はともに、我々のモデルが新しい最先端スコアを達成し、既存の手法よりも大幅に優れていることを示しています。実験結果はまた、データ拡張手段としてQGモデルを使用することでQAタスク（Question Answering: QA）が一貫して向上することも示しています。