Die Generierung von Wissensgraphen zu Text (G2T) beinhaltet die Umwandlung strukturierter Wissensgraphen in natürliche Sprache. Kürzliche Fortschritte bei vortrainierten Sprachmodellen (PLMs) haben die Leistungsfähigkeit der G2T-Generierung verbessert, jedoch hängt ihre Effektivität von Datensätzen ab, die eine präzise Ausrichtung zwischen Graph und Text bieten. Die Knappheit hochwertiger, allgemeiner G2T-Generierungsdatensätze begrenzt jedoch den Fortschritt in der Forschung zur allgemeinen G2T-Generierung. Um dieses Problem anzugehen, stellen wir den Wikipedia Ontologie-freien Graph-Text-Datensatz (WikiOFGraph) vor, einen neuen groß angelegten G2T-Datensatz, der mittels einer innovativen Methode erzeugt wurde, die große Sprachmodelle (LLMs) und Data-QuestEval nutzt. Unser neuer Datensatz enthält 5,85 Millionen allgemeine Graph-Text-Paare und bietet hohe Konsistenz zwischen Graph und Text ohne auf externe Ontologien zurückzugreifen. Experimentelle Ergebnisse zeigen, dass PLMs, die anhand des WikiOFGraph-Datensatzes feinjustiert wurden, anderen auf anderen Datensätzen trainierten Modellen in verschiedenen Evaluationsmetriken überlegen sind. Unsere Methode erweist sich als skalierbare und effektive Lösung zur Erzeugung hochwertiger G2T-Daten und fördert das Gebiet der G2T-Generierung erheblich.