본 논문은 동적 텍스트 속성 그래프(DyTAG) 생성을 위한 새로운 벤치마크인 GDGB(Generative DyTAG Benchmark)를 제안한다. 기존 DyTAG 데이터셋의 낮은 텍스트 품질과 차별적 과제 중심의 연구를 개선하기 위해, 고품질 텍스트 속성을 갖춘 8개의 DyTAG 데이터셋을 구성하고, 새로운 생성 과제인 TDGG(Transductive Dynamic Graph Generation)와 IDGG(Inductive Dynamic Graph Generation)를 정의했다. TDGG는 주어진 출발 및 도착 노드 집합을 기반으로 DyTAG를 생성하고, IDGG는 새로운 노드 생성을 포함하여 동적 그래프 확장을 모델링한다. 구조적, 시간적, 텍스트적 품질을 평가하는 다면적 지표와 DyTAG 생성을 위한 LLM 기반 다중 에이전트 생성 프레임워크인 GAG-General을 제시하여 엄격한 평가를 가능하게 한다. 실험 결과는 GDGB가 TDGG와 IDGG의 엄밀한 평가를 가능하게 하고, DyTAG 생성에서 구조적 및 텍스트적 특징의 상호작용을 보여준다.
