Le défi de sélection de réponse en bout-à-bout noétique, comme une piste du Dialog System Technology Challenges 7 (DSTC7), vise à faire progresser l'état de l'art de la classification des énoncés pour les systèmes de dialogue orientés vers un objectif dans le monde réel. Les participants doivent sélectionner les énoncés corrects suivants parmi un ensemble de candidats pour un contexte à plusieurs tours. Ce document décrit nos systèmes qui ont obtenu le meilleur classement sur les deux jeux de données de ce défi, l'un étant focalisé et petit (Conseil) et l'autre plus diversifié et grand (Ubuntu). Les modèles précédents d'état de l'art utilisaient des réseaux neuronaux basés sur une hiérarchie (au niveau des énoncés et au niveau des jetons) pour modéliser explicitement les interactions entre les énoncés de différents tours dans le cadre du modèle de contexte. Dans cet article, nous examinons un modèle de correspondance séquentielle basé uniquement sur une chaîne séquentielle pour la sélection de réponse à plusieurs tours. Nos résultats montrent que le potentiel des approches de correspondance séquentielle n'a pas encore été pleinement exploité dans le passé pour la sélection de réponse à plusieurs tours. En plus d'avoir obtenu le meilleur classement dans ce défi, le modèle proposé surpasse tous les modèles précédents, y compris les modèles hiérarchiques d'état de l'art, et atteint des performances nouvelles d'état de l'art sur deux grands jeux de données publics servant de référence pour la sélection de réponse à plusieurs tours.