Die Fortschritte im Deep Learning haben eine flüssigere und flexiblere Textgenerierung ermöglicht. Während diese neuronalen generativen Ansätze zunächst bei Aufgaben wie der maschinellen Übersetzung erfolgreich waren, stoßen sie jedoch auf Probleme – wie Ungenauigkeit gegenüber der Quelle, Wiederholung und Inkohärenz –, wenn sie auf Generierungsaufgaben angewendet werden, bei denen die Eingabe strukturierte Daten wie etwa Graphen sind. Das Generieren von Text aus graphbasierten Daten, zum Beispiel Abstract Meaning Representation (AMR) oder Knowledge Graphs (KG), ist eine anspruchsvolle Aufgabe, da es schwierig ist, den Eingabegraphen korrekt zu kodieren und gleichzeitig seine ursprüngliche semantische Struktur beizubehalten. Bisherige Arbeiten erfordern eine Linearisierung des Eingabegraphen, wodurch es kompliziert wird, die Graphstruktur richtig zu erfassen, da die linearisierte Darstellung strukturelle Informationen schwächt, indem sie die explizite Konnektivität verliert, insbesondere wenn die Graphstruktur komplex ist. Diese Dissertation unternimmt einen Versuch, diese Probleme anzugehen, wobei sie sich auf zwei große Herausforderungen konzentriert: Erstens, die Erforschung und Verbesserung von neuronalen Textgenerierungssystemen, die besser mit graphbasierten Eingabedaten umgehen können. Zweitens untersuchen wir vortrainierte Text-zu-Text-Sprachmodelle für die Graph-zu-Text-Generierung, einschließlich der mehrsprachigen Generierung, und stellen Methoden vor, um diese Modelle, die in natürlicher Sprache vortrainiert wurden, an graphstrukturierte Daten anzupassen. Im ersten Teil dieser Arbeit untersuchen wir, wie Graphstrukturen direkt für die Textgenerierung genutzt werden können. Wir entwickeln neuartige Graph-to-Text-Methoden mit der Fähigkeit, die eingegebene Graphstruktur in die erlernten Repräsentationen zu integrieren und so die Qualität des generierten Textes zu verbessern. Für die AMR-zu-Text-Generierung stellen wir einen dualen Encoder vor, der verschiedene graphbasierte neuronale Netze enthält, um komplementäre Perspektiven des AMR-Graphen zu erfassen. Weiterhin schlagen wir ein neues KG-zu-Text-Framework vor, das umfangreichere kontextualisierte Knoteneinbettungen lernt und dadurch den globalen und lokalen Knotenkontext kombiniert. Wir fügen dazu einen parametereffizienten Mechanismus zum Einfügen der Knotenverbindungen in die Transformer-Architektur ein, der mit kürzesten Pfadlängen zwischen den Knoten arbeitet und eine verbesserte Performanz zeigt, während er erheblich weniger Parameter verwendet. Der zweite Teil dieser Arbeit konzentriert sich auf vortrainierte Sprachmodelle zur Textgenerierung aus graphbasierten Eingabedaten. Wir untersuchen zunächst, wie Encoder-Decoder-Text-zu-Text-vortrainierte Sprachmodelle in verschiedenen Graph-zu-Text-Aufgaben funktionieren, und schlagen verschiedene aufgabenadaptive Strategien für das Vortrainieren vor, um deren Downstream-Leistung zu verbessern. Wir präsentieren eine neuartige strukturbewusste Adaptermethode, die es ermöglicht, die Eingabegraphenstruktur direkt in vortrainierte Modelle einzufügen, ohne ihre Parameter zu aktualisieren und ihre Abhängigkeit von bestimmten Darstellungen der Graphenstruktur zu reduzieren. Schließlich untersuchen wir die mehrsprachige Textgenerierung aus AMR-Strukturen und entwickeln Ansätze, die in anderen Sprachen neben dem Englischen funktionieren können.