Les approches récentes de la génération de texte à partir de données ont montré un grand potentiel grâce à l'utilisation de jeux de données à grande échelle et à l'application d'architectures de réseaux neuronaux formés de bout en bout. Ces modèles s'appuient sur l'apprentissage des représentations pour sélectionner le contenu de manière appropriée, le structurer de manière cohérente et le verbaliser grammaticalement, en traitant les entités comme des jetons lexicaux. Dans ce travail, nous proposons une architecture neuronale centrée sur les entités pour la génération de texte à partir de données. Notre modèle crée des représentations spécifiques aux entités qui sont dynamiquement mises à jour. Le texte est généré en fonction des données d'entrée et des représentations mémoire des entités, en utilisant une attention hiérarchique à chaque pas de temps. Nous présentons des expériences sur le benchmark RotoWire et sur un nouveau jeu de données dans le domaine du baseball (cinq fois plus grand), que nous avons créé. Nos résultats montrent que le modèle proposé surpassent les lignes de base compétitives lors des évaluations automatiques et humaines.