تُعاني أنظمة الحوار الموجهة نحو المهام من النهاية إلى النهاية عادةً من تحدي دمج قواعد المعرفة. في هذا البحث، نقترح نموذجًا قابلاً للتفاضل من النهاية إلى النهاية جديدًا وبسيطًا يُسمى "ذاكرة إلى تسلسل" (Mem2Seq) لمعالجة هذه المشكلة. يعتبر Mem2Seq أول نموذج مولد عصبي يجمع بين الانتباه متعدد الخطوات على الذاكرة وفكرة شبكة الإشارة. نظهر بشكل تجريبي كيف يتحكم Mem2Seq في كل خطوة من خطوات التوليد وكيف يساعد آليته للانتباه متعدد الخطوات في تعلم العلاقات بين الذكريات. بالإضافة إلى ذلك، فإن نموذجنا عام للغاية ولا يتطلب تصاميم معقدة خاصة بالمهام. نتيجة لذلك، نوضح أن Mem2Seq يمكن تدريبه بشكل أسرع وأنه يصل إلى أفضل الأداء الحالي على ثلاثة مجموعات بيانات مختلفة للمحادثات الموجهة نحو المهام.