Ces dernières années, de nombreux réseaux neuronaux profonds ont été proposés pour résoudre les tâches de compréhension de lecture (RC). La plupart de ces modèles peinent à raisonner sur des documents longs et ne se généralisent pas aisément aux cas où la réponse n’apparaît pas sous la forme d’un segment explicite dans le document fourni. Nous présentons une nouvelle architecture basée sur les réseaux neuronaux, capable d’extraire les régions pertinentes à partir d’une paire question-document donnée et de générer une réponse bien formée. Pour démontrer l’efficacité de notre architecture, nous avons mené plusieurs expériences sur le jeu de données RC récent et exigeant, NarrativeQA. L’architecture proposée dépasse les résultats les plus avancés à ce jour, avec une amélioration relative de 12,62 % (mesurée par ROUGE-L).