Dans cet article, nous proposons une nouvelle méthode pour la tâche de sélection d'answers au niveau des phrases, qui constitue un problème fondamental en traitement automatique des langues naturelles. Premièrement, nous examinons l'effet de l'information supplémentaire en utilisant un modèle de langage pré-entraîné pour calculer la représentation vectorielle du texte d'entrée et en appliquant le transfert d'apprentissage à partir d'un corpus à grande échelle. Deuxièmement, nous améliorons le modèle compare-aggregate en proposant une nouvelle méthode de clustering latent pour calculer des informations supplémentaires au sein du corpus cible et en modifiant la fonction objectif de listwise à pointwise. Pour évaluer les performances des approches proposées, des expériences ont été menées avec les jeux de données WikiQA et TREC-QA. Les résultats empiriques démontrent la supériorité de notre approche proposée, qui atteint des performances de pointe pour les deux jeux de données.