Ein fallbasiertes Schließungssystem (Case-Based Reasoning, CBR) löst ein neues Problem, indem es „Fälle“ abruft, die dem gegebenen Problem ähnlich sind. Wenn ein solches System eine hohe Genauigkeit erzielt, ist es aufgrund seiner Einfachheit, Interpretierbarkeit und Skalierbarkeit äußerst attraktiv. In diesem Artikel zeigen wir, dass ein solches System für die Schlussfolgerung in Wissensbasen (Knowledge-Bases, KBs) realisierbar ist. Unser Ansatz schätzt Attribute einer Entität, indem er Schlussfolgerungspfade aus ähnlichen Entitäten innerhalb der KB sammelt. Das probabilistische Modell schätzt die Wahrscheinlichkeit, dass ein Pfad effektiv bei der Beantwortung einer Abfrage zu einer gegebenen Entität ist. Die Parameter unseres Modells können effizient anhand einfacher Pfadstatistiken berechnet werden und erfordern keine iterativen Optimierungsverfahren. Unser Modell ist nicht-parametrisch und wächst dynamisch, sobald neue Entitäten und Relationen zur KB hinzugefügt werden. Auf mehreren Benchmark-Datensätzen übertrifft unser Ansatz andere Ansätze zum Regel-Lernen signifikant und erreicht eine Leistung, die mit den besten embedding-basierten Methoden vergleichbar ist. Darüber hinaus demonstrieren wir die Wirksamkeit unseres Modells in einer „offenen Welt“-Umgebung, in der neue Entitäten in Echtzeit hinzukommen, wobei es die aktuellen State-of-the-Art-Methoden deutlich übertrifft und nahe an die beste Offline-Methode heranreicht. Der Quellcode ist unter https://github.com/ameyagodbole/Prob-CBR verfügbar.