Die Wissensgraphen-Fragebeantwortung (Knowledge Graph Question Answering, KGQA) beinhaltet die Abfrage von Entitäten als Antworten aus einem Wissensgraphen (KG) mittels natürlicher Sprache. Die Herausforderung besteht darin, zu lernen, über frage-relevante KG-Fakten zu schließen, die durch KG-Entitäten verlaufen und schließlich zur Frageantwort führen. Um die Schlussfolgerung zu unterstützen, wird die Frage in Anweisungen decodiert, die dichte Frage-Repräsentationen darstellen und die Durchquerung des KGs leiten. Falls die abgeleiteten Anweisungen jedoch nicht exakt mit den zugrundeliegenden KG-Informationen übereinstimmen, können sie zu Schlussfolgerungen in irreführenden Kontexten führen. Unser Ansatz, ReaRev genannt, stellt eine neue Methode für die KGQA-Schlussfolgerung sowohl hinsichtlich der Anweisungsdecodierung als auch der Ausführung vor. Zur Verbesserung der Anweisungsdecodierung führen wir einen adaptiven Schlussfolgerungsprozess durch, bei dem KG-orientierte Informationen verwendet werden, um die ursprünglichen Anweisungen iterativ zu aktualisieren. Zur Verbesserung der Anweisungsausführung emulieren wir eine Tiefensuche (Breadth-First Search, BFS) mittels Graph Neural Networks (GNNs). Die BFS-Strategie behandelt die Anweisungen als Menge und ermöglicht es unserem Verfahren, die Ausführungsreihenfolge der Anweisungen dynamisch zu entscheiden. Experimentelle Ergebnisse auf drei KGQA-Benchmark-Datensätzen belegen die Wirksamkeit von ReaRev im Vergleich zu vorherigen State-of-the-Art-Verfahren, insbesondere bei unvollständigen Wissensgraphen oder komplexen Fragen. Der Quellcode ist öffentlich unter https://github.com/cmavro/ReaRev_KGQA verfügbar.