Die Beantwortung komplexer Abfragen (CQA) ist eine wesentliche Aufgabe für mehrstufiges und logisches Schließen auf Wissensgraphen (KGs). Derzeit sind die meisten Ansätze auf Abfragen zwischen binären Relationstatsachen beschränkt und achten weniger auf n-stellige Fakten (n>=2), die mehr als zwei Entitäten enthalten, was in der realen Welt häufiger vorkommt. Darüber hinaus können bisherige CQA-Methoden nur Vorhersagen für wenige gegebene Abfragetypen treffen und lassen sich nicht flexibel auf komplexere logische Abfragen erweitern, was ihre Anwendungen erheblich einschränkt. Um diese Herausforderungen zu bewältigen, schlagen wir in dieser Arbeit ein neues Modell zur n-stelligen Abfrageeinbettung (NQE) vor, das für CQA über hyperrelationale Wissensgraphen (HKGs) entwickelt wurde, die eine große Anzahl von n-stelligen Fakten umfassen. Das NQE nutzt einen dual-heterogenen Transformer-Encoder und die Fuzzy-Logik-Theorie, um alle n-stelligen FOL-Abfragen zu erfüllen, einschließlich Existenzquantoren, Konjunktion, Disjunktion und Negation. Wir schlagen außerdem einen parallelen Verarbeitungsalgorithmus vor, der beliebige n-stellige FOL-Abfragen in einem einzigen Batch trainieren oder vorhersagen kann, unabhängig vom jeweiligen Abfragetyp, wodurch Flexibilität und Erweiterbarkeit gewährleistet werden. Zudem generieren wir einen neuen CQA-Datensatz WD50K-NFOL, der verschiedene n-stellige FOL-Abfragen über WD50K enthält. Experimentelle Ergebnisse auf WD50K-NFOL und anderen standardmäßigen CQA-Datensätzen zeigen, dass NQE die Standarte im Bereich der CQA-Methoden über HKGs darstellt und gute Generalisierungsfähigkeiten besitzt. Unser Code und unser Datensatz sind öffentlich zugänglich.