Los hipergráficos, como un tipo especial de gráfico, pueden ser aprovechados para modelar mejor las relaciones entre múltiples entidades. En este artículo, nos enfocamos en la tarea de predicción de hipervínculos en hipergráficos dirigidos, la cual encuentra una amplia gama de aplicaciones en grafos de conocimiento, quimioinformática, bioinformática, etc. Los métodos existentes que manejan la tarea pasan por alto las restricciones de orden de la dirección del hipervínculo y no logran explotar las características de todas las entidades cubiertas por un hipervínculo. Para compensar esta deficiencia, presentamos un modelo de canalización de alto rendimiento, es decir, un marco de dos etapas para el método de predicción de hipervínculos dirigidos, que considera igualmente la contribución de la entidad a la forma de los hipervínculos, y enfatiza no solo el orden fijo entre dos partes sino también la aleatoriedad dentro de cada parte. El modelo incorpora dos módulos personalizados: un módulo basado en descomposición de Tucker para la predicción de hipervínculos, y un módulo basado en BiLSTM para la inferencia de dirección. Experimentos extensos en los benchmarks-WikiPeople, JF17K y ReVerb15K-demás de la efectividad y universalidad de nuestro modelo, lo que lleva a un rendimiento de vanguardia.