La génération de langage naturel est au cœur des systèmes de dialogue génératifs et des agents conversationnels. Nous décrivons un générateur linguistique neuronal par ensemble, et présentons plusieurs méthodes novatrices pour la représentation et l'augmentation des données qui permettent d'améliorer les résultats de notre modèle. Nous testons le modèle sur trois ensembles de données dans les domaines de la restauration, de la télévision et des ordinateurs portables, et rapportons à la fois des évaluations objectives et subjectives de notre meilleur modèle. En utilisant une gamme de métriques automatiques ainsi que des évaluateurs humains, nous montrons que notre approche obtient de meilleurs résultats que les modèles de pointe sur les mêmes ensembles de données.