Wissensbasierter Frage-Antwort (KBQA) hat in den letzten Jahren erhebliches Interesse geweckt, insbesondere bei komplexen Fragen, die mehrere Fakten erfordern, um beantwortet zu werden. Die Frage-Dekomposition stellt eine vielversprechende Strategie dar, um solche komplexen Fragen zu lösen. Bisherige Dekompositionsansätze zerlegen die Frage anhand einer einzigen Kompositionstypologie, was für Fragen, die mehrere solcher Typologien beinhalten, nicht ausreicht. In diesem Paper stellen wir den Question Decomposition Tree (QDT) vor, um die Struktur komplexer Fragen zu repräsentieren. Inspiriert durch jüngste Fortschritte im Bereich der natürlichen Sprachgenerierung (NLG) präsentieren wir eine zweistufige Methode namens Clue-Decipher, um QDTs zu generieren. Diese Methode nutzt die starke Leistungsfähigkeit von NLG-Modellen und bewahrt gleichzeitig die ursprüngliche Fragestruktur. Um zu überprüfen, ob QDT die Leistung des KBQA-Systems verbessert, entwickeln wir ein auf Dekomposition basierendes KBQA-System namens QDTQA. Umfangreiche Experimente zeigen, dass QDTQA auf dem ComplexWebQuestions-Datensatz die bisherigen State-of-the-Art-Methoden übertrifft. Zudem steigert unsere Dekompositionsstrategie ein bestehendes KBQA-System um 12 Prozent und erreicht eine neue State-of-the-Art-Leistung auf LC-QuAD 1.0.