نظام الاستدلال القائم على الحالات (CBR) يحل المشكلة الجديدة من خلال استرجاع "الحالات" المشابهة للمشكلة المعطاة. إذا كان من الممكن تحقيق دقة عالية في هذا النوع من الأنظمة، فإنها تُعد جذابة بفضل بساطتها وقابلية تفسيرها وقابلية توسيعها. في هذه الورقة، نُظهر أن مثل هذا النظام قابل للتحقيق في مجال الاستدلال داخل قواعد المعرفة (KBs). تعتمد طريقةنا على توقع الخصائص الخاصة بكائن من خلال جمع مسارات الاستدلال من كائنات مشابهة ضمن قاعدة المعرفة. يُقدّر نموذجنا الاحتمالي احتمالية أن تكون مسارات معينة فعّالة في الإجابة على استعلام متعلق بالكائن المعطى. يمكن حساب معاملات نموذجنا بكفاءة باستخدام إحصائيات مسارات بسيطة، دون الحاجة إلى تحسين تكراري. كما أن نموذجنا غير معلمي (non-parametric)، ويتوسع ديناميكيًا مع إضافة كائنات وعلاقات جديدة إلى قاعدة المعرفة. وعلى عدة مجموعات بيانات معيارية، تتفوق طريقةنا بشكل ملحوظ على الطرق الأخرى المبنية على تعلّم القواعد، وتنافس من حيث الأداء الطرق المبنية على التضمين (embedding-based) التي تمثل أحدث المستويات. علاوةً على ذلك، نُظهر فعالية نموذجنا في بيئة "عالم مفتوح" (open-world)، حيث تصل كائنات جديدة بشكل مباشر (online)، حيث تتفوق بشكل كبير على الطرق الرائدة، وتميل إلى التماثل مع أفضل طريقة مبنية على المعالجة غير الزمنية (offline). يمكن الوصول إلى الكود عبر الرابط: https://github.com/ameyagodbole/Prob-CBR