La pregunta y respuesta de grafos de conocimiento de múltiples saltos (KGQA) es una tarea desafiante porque requiere razonar sobre múltiples aristas del grafo de conocimiento (KG) para llegar a la respuesta correcta. Sin embargo, los KG a menudo están incompletos con muchos enlaces faltantes, lo que plantea desafíos adicionales para KGQA de múltiples saltos. La investigación reciente sobre KGQA de múltiples saltos intentó lidiar con la escasez de KG con textos externos relevantes. En nuestro trabajo, proponemos un modelo de KGQA de múltiples saltos basado en el enriquecimiento del conocimiento de relaciones (RKE-KGQA), que fusiona tanto las relaciones de etiquetas como de texto a través de una atención global para la ampliación del conocimiento de relaciones. Es bien sabido que la relación entre entidades puede ser representada por etiquetas en el grafo de conocimiento o textos en el corpus de texto, y KGQA de múltiples saltos necesita saltar entre diferentes entidades a través de relaciones. Primero, asignamos una probabilidad de activación a cada entidad, luego calculamos un puntaje para la relación de mejora, y luego transferimos el puntaje a través de las relaciones activadas y, finalmente, obtenemos la respuesta. Realizamos experimentos extensos en tres conjuntos de datos y demostramos que RKE-KGQA logra el mejor resultado.