Les modèles de réseaux de neurones fondés sur le modèle d’encodeur-décodeur à attention présentent une bonne capacité en synthèse de texte abstraite. Toutefois, ces modèles sont difficiles à contrôler durant le processus de génération, ce qui entraîne une perte d’informations clés. Nous proposons un modèle de génération guidée combinant la méthode extraitive et la méthode abstraite. Tout d’abord, nous extrayons des mots-clés du texte à l’aide d’un modèle extraitif. Ensuite, nous introduisons un Réseau de Guide d’Information Clé (KIGN), qui encode les mots-clés en une représentation d’information clé afin de guider le processus de génération. Par ailleurs, nous mettons en œuvre un mécanisme de prédiction-guidée, capable d’obtenir une valeur à long terme pour le décodage futur, afin de renforcer la guidance de la génération de résumé. Nous évaluons notre modèle sur le jeu de données CNN/Daily Mail. Les résultats expérimentaux montrent que notre modèle permet des améliorations significatives.