Nous présentons un nouveau modèle neuronal de séquence à séquence pour la résumé extraitif appelé SWAP-NET (Sentences and Words from Alternating Pointer Networks). Les résumés extraits, constitués d’un sous-ensemble pertinent de phrases d’entrée, contiennent souvent également des mots-clés importants. Inspirés par ce principe, nous proposons SWAP-NET, un modèle qui modélise l’interaction entre les mots-clés et les phrases pertinentes à l’aide d’une architecture novatrice basée sur un réseau de pointeurs à deux niveaux. SWAP-NET identifie simultanément les phrases les plus pertinentes et les mots-clés importants dans un document d’entrée, puis les combine pour former le résumé extraitif. Des expériences menées sur de grandes corpora standardisés démontrent l’efficacité de SWAP-NET, qui surpasser les méthodes d’extraction de résumé les plus avancées à l’heure actuelle.