La réponse à des requêtes complexes (CQA) est une tâche essentielle pour le raisonnement multi-étapes et logique sur les graphes de connaissances (KGs). Actuellement, la plupart des approches sont limitées aux requêtes portant sur des faits relationnels binaires et accordent moins d'attention aux faits n-aires (n≥2) impliquant plus de deux entités, qui sont plus courants dans le monde réel. De plus, les méthodes de CQA précédentes ne peuvent faire des prédictions que pour quelques types de requêtes donnés et ne peuvent pas être facilement étendues à des requêtes logiques plus complexes, ce qui limite considérablement leurs applications. Pour surmonter ces défis, nous proposons dans ce travail un nouveau modèle d'embedding de requêtes n-aires (NQE) pour la CQA sur des graphes de connaissances hyper-relationnels (HKGs), qui comprennent un grand nombre de faits n-aires. Le NQE utilise un encodeur Transformer hétérogène dual et la théorie des logiques floues pour satisfaire toutes les requêtes FOL n-aires, y compris les quantificateurs existentiels, les conjonctions, les disjonctions et les négations. Nous proposons également un algorithme de traitement parallèle capable de former ou prédire des requêtes FOL n-aires arbitraires en un seul lot, indépendamment du type de chaque requête, offrant ainsi une bonne flexibilité et extensibilité. En outre, nous avons généré un nouveau jeu de données CQA WD50K-NFOL, incluant diverses requêtes FOL n-aires sur WD50K. Les résultats expérimentaux sur WD50K-NFOL et d'autres jeux de données standards CQA montrent que NQE est la méthode CQA la plus avancée sur HKGs avec une bonne capacité de généralisation. Notre code et notre jeu de données sont librement accessibles au public.