En el cuestionamiento de múltiples saltos (MH-QA), la máquina necesita inferir la respuesta a una pregunta dada a partir de múltiples documentos. Los modelos existentes suelen aplicar entidades como unidades básicas en el camino de razonamiento. Luego utilizan entidades relevantes (en la misma oración o documento) para expandir el camino y actualizar la información de estas entidades para finalizar la QA. El proceso podría añadir una entidad irrelevante a la respuesta al grafo y luego llevar a predicciones incorrectas. Además, se observa que los métodos de vanguardia son susceptibles a cadenas de razonamiento que se basan en entidades compuestas. Para compensar esta deficiencia, presentamos una solución viable, es decir, incorporar frases en el método de reformulación de consulta latente (IP-LQR), que incorpora frases en la reformulación de consulta latente para mejorar la capacidad cognitiva del método propuesto para el cuestionamiento de múltiples saltos. Específicamente, IP-LQR utiliza información de contextos relevantes para reformular la pregunta en el espacio semántico. Luego, las representaciones de consulta actualizadas interactúan con contextos dentro de los cuales se encuentra la respuesta. También diseñamos un método de fusión aumentado semánticamente basado en el grafo de frases, que luego se utiliza para propagar la información. IP-LQR se evalúa empíricamente en un banco de pruebas popular de MH-QA, HotpotQA, y los resultados de IP-LQR superan consistentemente a los de la vanguardia, verificando su superioridad. En resumen, al incorporar frases en la reformulación de consulta latente y emplear una fusión de incrustación aumentada semánticamente, nuestro modelo propuesto puede llevar a un mejor rendimiento en MH-QA.