エンドツーエンドのタスク指向型対話システムにおいて、知識ベース（KB）への問い合わせは長年の課題である。従来のシーケンス・トゥ・シーケンス（Seq2Seq）対話生成手法は、KB全体に対するアテンションとしてKB問い合わせを扱っており、生成されたエンティティ間の一貫性を保証するものではなかった。本稿では、生成されたエンティティの整合性を向上させるために、KB問い合わせを二段階で行う新しいフレームワークを提案する。第一段階では、応答が通常、一つのKB行によって支えられることに着目し、対話履歴をもとに最も関連性の高いKB行を明示的に返すKB検索モジュールを導入する。この検索結果を用いて、Seq2Seq応答生成モデル内の無関係なエンティティをフィルタリングすることで、出力エンティティ間の一貫性を向上させる。第二段階では、最も関連性の高いKB列に注目するため、アテンション機構をさらに適用する。ラベル付きの検索データが存在しない状況下でも学習を可能にするための二つの手法を提案する。それらは、遠隔監督（distant supervision）およびGumbel-Softmax技術である。公開されている二つのタスク指向型対話データセットを用いた実験により、本モデルがベースライン手法を上回り、エンティティの一貫性を持つ応答を生成できることを示した。