Les méthodes basées sur les réseaux de neurones pour la synthèse abstraite produisent des résultats plus fluides que d'autres techniques, mais peuvent être médiocres en termes de sélection du contenu. Cette étude propose une technique simple pour résoudre ce problème : utiliser un sélecteur de contenu efficace en données pour surdéterminer les phrases dans un document source qui devraient faire partie du résumé. Nous utilisons ce sélecteur comme une étape d'attention ascendante pour contraindre le modèle à des phrases probables. Nous montrons que cette approche améliore la capacité de compresser le texte tout en générant des résumés fluides. Ce processus en deux étapes est à la fois plus simple et plus performant que d'autres modèles de sélection de contenu de bout en bout, entraînant des améliorations significatives du ROUGE pour les corpus CNN-DM et NYT. De plus, le sélecteur de contenu peut être formé avec aussi peu que 1 000 phrases, facilitant ainsi le transfert d'un résumateur formé vers un nouveau domaine.