La requête de la base de connaissances (KB) a longtemps constitué un défi dans les systèmes de dialogue orientés vers une tâche à réponse complète. Les travaux antérieurs sur la génération de dialogue basée sur des modèles séquence-à-séquence (Seq2Seq) traitent la requête de la KB comme une attention s’exerçant sur l’ensemble de la base de connaissances, sans garantir que les entités générées soient cohérentes entre elles. Dans cet article, nous proposons un cadre novateur qui effectue la requête de la KB en deux étapes afin d’améliorer la cohérence des entités générées. Dans la première étape, inspirés de l’observation selon laquelle une réponse peut généralement être soutenue par une seule ligne de la KB, nous introduisons un composant de récupération de KB qui renvoie explicitement la ligne de KB la plus pertinente, à partir de l’historique du dialogue. Ce résultat de récupération est ensuite utilisé pour filtrer les entités non pertinentes dans un modèle de génération de réponse Seq2Seq, améliorant ainsi la cohérence entre les entités produites. Dans la deuxième étape, nous appliquons une mécanique d’attention pour cibler la colonne de KB la plus corrélée. Deux méthodes sont proposées pour rendre l’entraînement réalisable sans données d’étiquetage de récupération : la supervision à distance et la technique Gumbel-Softmax. Des expériences menées sur deux jeux de données publics de dialogues orientés vers une tâche démontrent l’efficacité de notre modèle, qui surpasse les systèmes de référence et produit des réponses cohérentes au niveau des entités.