テーブルからテキスト生成（table-to-text generation）は、テーブル内の顕著な情報を自然な文章として自動生成することで、人々が情報を効率的に得られるようにすることを目的としています。近年、ニューラルモデルによるテーブルからテキスト生成は著しい進展を遂げていますが、依然としていくつかの問題が無視されているのが現状です。従来の手法では、エンティティ（選手やチーム）のパフォーマンスおよびエンティティ間の関係から事実的な結論を導出することができません。この課題を解決するため、本研究では入力されたテーブルからエンティティグラフを構築し、そのグラフ上で推論を行うための推論モジュールを導入します。さらに、異なる次元におけるレコード間には、数値の大小関係や重要度関係といった複数の関係が存在します。これらの関係は、データからテキストへの生成プロセスに貢献する可能性があります。しかし、従来の単純なエンコーダーではこれらの関係を十分に捉えることが困難です。したがって、エンコーダーがこれらの異なる関係を学習できるようにするため、補助タスクとして「数値順位付け（Number Ranking, NR）」と「重要度順位付け（Importance Ranking, IR）」の二つのタスクを導入します。ROTOWIREおよびRW-FGデータセットにおける実験結果から、本手法は優れた汎化性能を示すとともに、BLEU、コンテンツ選択（Content Selection）、コンテンツ順序付け（Content Ordering）といった複数の評価指標において、従来手法を上回ることが確認されました。