Es ist oft schwierig, ein komplexes Problem von Grund auf zu lösen, jedoch deutlich einfacher, wenn wir auf ähnliche Probleme mit ihren Lösungen zugreifen können – ein Ansatz, der als Fallbasiertes Schließen (case-based reasoning, CBR) bekannt ist. Wir stellen einen neuromorph-symbolischen CBR-Ansatz (CBR-KBQA) für die Fragebeantwortung über große Wissensbasen vor. CBR-KBQA besteht aus einem nichtparametrischen Speicher, der Fälle (Fragen und logische Formen) speichert, sowie einem parametrischen Modell, das für eine neue Frage durch Abrufen relevanter Fälle eine logische Form generieren kann. Auf mehreren KBQA-Datensätzen, die komplexe Fragen enthalten, erzielt CBR-KBQA wettbewerbsfähige Ergebnisse. Beispielsweise übertrifft CBR-KBQA auf dem ComplexWebQuestions-Datensatz die aktuelle State-of-the-Art-Methode um 11 % hinsichtlich Genauigkeit. Darüber hinaus zeigen wir, dass CBR-KBQA in der Lage ist, neue Fälle ohne zusätzliche Trainingsphase zu nutzen: Durch die Integration einiger menschlich annotierter Beispiele in den Fall-Speicher kann CBR-KBQA erfolgreich logische Formen generieren, die bisher unbekannte Entitäten und Relationen der Wissensbasis enthalten.