Malgré les efforts continus visant à améliorer l’engagement et la cohérence des systèmes de dialogue informel, la majorité des travaux actuels se concentrent principalement sur la reproduction de réponses humaines, laissant largement inexplorés les aspects liés à la modélisation de la compréhension entre interlocuteurs. En revanche, les recherches en sciences cognitives suggèrent que la compréhension constitue un signal essentiel pour assurer une qualité élevée dans les conversations informelles. Motivés par cette observation, nous proposons P^2 Bot, un cadre fondé sur une architecture émetteur-récepteur, visant à modéliser explicitement la compréhension. Plus précisément, P^2 Bot intègre une perception mutuelle des personnalités afin d’améliorer la qualité de la génération de dialogues personnalisés. Des expériences menées sur un grand jeu de données public, Persona-Chat, démontrent l’efficacité de notre approche, qui obtient une amélioration significative par rapport aux meilleures méthodes existantes, tant sur les évaluations automatiques que sur les évaluations humaines.