La plupart des systèmes de dialogue orientés vers une tâche basés sur les réseaux de neurones suivent le paradigme encodeur-décodeur, dans lequel le décodeur dépend uniquement du texte source pour générer une séquence de mots, ce qui entraîne souvent une instabilité et une lisibilité médiocre. Inspirés par les approches traditionnelles fondées sur les modèles (templates), nous proposons un réseau hybride à pointeur guidé par modèle pour les systèmes de dialogue orientés vers une tâche basés sur les connaissances. Ce modèle récupère plusieurs réponses potentiellement pertinentes à partir d’un répertoire conversationnel spécifique au domaine pré-construit, utilisées comme réponses de guidance, et intègre ces réponses de guidance dans les processus d’encodage et de décodage. Plus précisément, nous avons conçu un modèle de réseau à pointeur mémoire doté d’un mécanisme de porte afin d’exploiter pleinement la corrélation sémantique entre les réponses récupérées et la réponse attendue. Nous avons évalué notre modèle sur quatre jeux de données largement utilisés pour les dialogues orientés vers une tâche, comprenant un jeu simulé et trois jeux créés manuellement. Les résultats expérimentaux démontrent que le modèle proposé atteint des performances significativement supérieures aux méthodes de pointe selon différentes métriques d’évaluation automatique.