在本文中，我们提出了一个图到序列（g2s）学习模型，该模型利用神经编码器-解码器架构的最新进展。具体地说，我们采用了一种基于门控图神经网络的编码器，它能够在不损失信息的情况下生成完整的图结构。这样的网络用边的信息作为标注参数，即使对于小规模标注词汇（按几百的顺序）来说，这都可能是有问题的。为了解决这个问题，本文还引入了一个图形变换，将边改变到其他节点，解决了参数爆炸问题。这也确保了边具有特定于图的隐藏向量，给网络中的注意力和解码模块提供更多信息。

我们将本文模型与两个图序列问题进行比较，即摘要意义表示（AMRS）和基于源依存的信息神经机器翻译（NMT）。与以前的工作相比，我们的方法在不依赖于标准RNN编码的情况下，优于两个任务中的强大的S2S基线。特别地，对于NMT ，我们发现，通过在依存树中添加相邻单词之间的连续边，避免了对RNNs的需要。这说明了我们的方法的适用性：可以通过简单的图形变换将语言偏差添加到输入，而不需要对模型体系结构进行改变。