从大规模文本语料库（如维基百科）中收集支持性证据，对开放域问答（Open-domain Question Answering, QA）而言是一项重大挑战。尤其在多跳开放域问答任务中，需要将分散的证据片段整合起来，以支持答案的抽取。本文提出一种新的检索目标——“跳转”（hop），旨在从维基百科中挖掘隐含的推理证据，用于复杂问题的解答。具体而言，本文定义的“跳转”为一个超链接（hyperlink）与其对应的外链文档的组合。其中，超链接被编码为提及嵌入（mention embedding），用于建模外链实体在文本上下文中被提及的结构化知识；而对应的外链文档则被编码为文档嵌入（document embedding），以表征其内部的非结构化知识。基于此，我们构建了HopRetriever模型，该模型能够在维基百科中检索相关跳转，以回答复杂问题。在HotpotQA数据集上的实验结果表明，HopRetriever在性能上显著优于此前发表的各类证据检索方法。此外，本方法还能够提供可量化的证据收集过程解释，增强了模型决策的可解释性。