面向生成式动态文本属性图学习的基准：GDGB
摘要
动态文本属性图（Dynamic Text-Attributed Graphs, DyTAGs）在结构、时序和文本属性之间实现了复杂的集成，对建模复杂的真实世界系统至关重要。然而，大多数现有 DyTAG 数据集在文本质量方面存在严重不足，这严重限制了其在需要语义丰富输入的生成式 DyTAG 任务中的实用性。此外，先前的工作主要聚焦于 DyTAG 上的判别式任务，导致缺乏针对 DyTAG 生成的标准化任务公式和评估协议。为此，我们提出了生成式 DyTAG 基准（Generative DyTAG Benchmark, GDGB），其包含八个精心策划的 DyTAG 数据集，拥有高质量的文本特征，克服了先前数据集的局限性。基于 GDGB，我们定义了两种新颖的 DyTAG 生成任务：传递式动态图生成（Transductive Dynamic Graph Generation, TDGG）和归纳式动态图生成（Inductive Dynamic Graph Generation, IDGG）。TDGG 通过给定的源节点和目标节点集合来传递式生成目标 DyTAG，而更具挑战性的 IDGG 引入了新节点生成，以归纳方式建模动态图数据的扩张。为实现全面评估，我们设计了多维度指标来评估生成 DyTAGs 的结构、时序和文本质量。我们进一步提出了 GAG-General，一个基于大语言模型的多智能体生成框架，专为可复现且稳健的 DyTAG 生成基准测试而设计。实验结果表明，GDGB 使 TDGG 和 IDGG 的严格评估成为可能，关键发现揭示了结构特征与文本特征在 DyTAG 生成中的关键相互作用。这些发现将 GDGB 确立为推动生成式 DyTAG 研究并释放 DyTAG 生成进一步实际应用潜力的基础资源。该数据集和源代码均可在 https://github.com/Lucas-PJ/GDGB-ALGO 上获取。
引用
@article{arxiv.2507.03267,
title = {GDGB: A Benchmark for Generative Dynamic Text-Attributed Graph Learning},
author = {Jie Peng and Jiarui Ji and Runlin Lei and Zhewei Wei and Yongchao Liu and Chuntao Hong},
journal= {arXiv preprint arXiv:2507.03267},
year = {2026}
}
备注
ICLR2026