Dans cet article, nous proposons un nouveau benchmark, Generative DyTAG Benchmark (GDGB), pour la génération de graphes d'attributs de texte dynamiques (DyTAG). Afin d'améliorer la faible qualité textuelle et la recherche centrée sur les tâches discriminantes des jeux de données DyTAG existants, nous construisons huit jeux de données DyTAG avec des attributs textuels de haute qualité et définissons deux nouvelles tâches de génération, la génération de graphes dynamiques transductifs (TDGG) et la génération de graphes dynamiques inductifs (IDGG). TDGG génère des DyTAG à partir d'un ensemble donné de nœuds source et destination, tandis qu'IDGG modélise l'expansion dynamique des graphes, y compris la création de nouveaux nœuds. Nous présentons des métriques multifacettes qui évaluent les qualités structurelles, temporelles et textuelles, ainsi que GAG-General, un framework de génération multi-agents basé sur LLM pour la génération de DyTAG, afin de permettre une évaluation rigoureuse. Les résultats expérimentaux montrent que GDGB permet une évaluation rigoureuse de TDGG et d'IDGG, et démontre l'interaction des caractéristiques structurelles et textuelles dans la génération de DyTAG.
