La conversation basée sur la récupération à plusieurs tours est une tâche importante dans la construction de systèmes de dialogue intelligents. Les travaux existants se concentrent principalement sur l’alignement entre les réponses candidates et chaque énoncé du contexte à plusieurs niveaux de granularité, ce qui néglige les effets secondaires liés à l’utilisation d’informations contextuelles excessives. Bien que les énoncés contextuels fournissent une abondance d’informations permettant d’extraire davantage de caractéristiques pertinentes, ils introduisent également des signaux de bruit et des informations superflues. Dans cet article, nous analysons les effets secondaires liés à l’utilisation d’un trop grand nombre d’énoncés contextuels et proposons un réseau sélecteur à plusieurs sauts (MSN) afin de réduire ce problème. Plus précisément, le MSN utilise d’abord un sélecteur à plusieurs sauts pour sélectionner les énoncés pertinents comme contexte. Ensuite, le modèle aligne le contexte filtré avec la réponse candidate afin d’obtenir un score de correspondance. Les résultats expérimentaux montrent que le MSN surpasser des méthodes de pointe sur trois jeux de données publics de dialogues à plusieurs tours.