Bien que les modèles neuronaux aient obtenu des résultats compétitifs dans les systèmes de dialogue, ils ont montré une capacité limitée à représenter la sémantique centrale, notamment en ignorant des entités importantes. Afin de remédier à cette situation, nous utilisons la Représentation Abstraite du Sens (AMR) pour aider à la modélisation des dialogues. Par rapport à l'entrée textuelle, l'AMR fournit explicitement des connaissances sémantiques centrales et réduit la rareté des données. Nous développons un algorithme pour construire des graphes d'AMR au niveau du dialogue à partir d'AMRs au niveau de la phrase et explorons deux méthodes pour intégrer les AMRs dans les systèmes de dialogue. Les résultats expérimentaux sur les tâches de compréhension des dialogues et de génération de réponses montrent la supériorité de notre modèle. À notre connaissance, nous sommes les premiers à utiliser une représentation sémantique formelle dans la modélisation neuronale des dialogues.