El objetivo de la tarea de pregunta-respuesta de base de conocimiento multi-salto es encontrar respuestas a algunas preguntas de hecho razonando a través de múltiples triples de conocimiento en la base de conocimiento. La mayoría de los métodos existentes para la respuesta de preguntas de base de conocimiento multi-salto basados en un grafo de conocimiento general ignoran la relación semántica entre cada salto. Sin embargo, modelar la base de conocimiento como un hipergrafo dirigido tiene problemas de matrices de incidencia dispersas y matrices de Laplaciano asimétricas. Para compensar la deficiencia, proponemos una red convolucional de hipergrafo dirigido modelada en el espacio hiperbólico, que puede manejar mejor la estructura dispersa y adaptarse efectivamente al problema de una matriz de incidencia asimétrica de hipergráfos dirigidos modelados en una base de conocimiento. Proponemos un modelo interpretable de KBQA basado en la red neuronal convolucional de hipergrafo dirigido hiperbólico llamado HDH-GCN que puede actualizar la información semántica de la relación salto a salto y prestar atención a diferentes relaciones en diferentes saltos. El modelo puede mejorar la precisión de la tarea de pregunta-respuesta de base de conocimiento multi-salto y tiene valor de aplicación en la respuesta a preguntas de texto, interacciones humano-computadora y otros campos. Experimentos extensos en los bancos de pruebas PQL, MetaQA demuestran la efectividad y universalidad de nuestro modelo HDH-GCN, lo que lleva a un rendimiento de vanguardia.