これまでの知識からテキスト生成に関する研究では、いくつかのRDFトリプルやキー-バリューペアを入力として取り扱い、それらが持つエンティティの知識に基づいて自然言語の説明を生成していました。既存のデータセット（WIKIBIO、WebNLG、E2Eなど）は、基本的には入力のトリプル/ペア集合と出力テキストとの間に良好な対応関係があります。しかし、実際には入力される知識が過剰になることがあります。これは出力される説明が最も重要な知識のみをカバーするためです。本論文では、そのような実践的な状況におけるKG-to-text（Knowledge Graph to Text）研究を促進するために、大規模かつ挑戦的なデータセットを紹介します。当該データセットでは、大規模な知識グラフ（KG）から様々なタイプの主要エンティティに関する豊富な知識を抽出します。これにより、現在のグラフからシーケンスへの変換モデルは情報損失やパラメータ爆発といった問題に深刻に直面します。これらの課題に対処するために、私たちは元のグラフ情報をより包括的に表現できる多グラフ構造を提案します。さらに、豊富なグラフ情報を抽出する学習方法も組み込んでいます。広範な実験結果は、私たちが提案したモデルアーキテクチャの有効性を示しています。