Realwelt- factoid- oder Listenfragen weisen oft eine einfache Struktur auf, sind jedoch aufgrund hoher repräsentativer und sprachlicher Variabilität schwer mit Fakten in einer gegebenen Wissensbasis abzugleichen. So erfordert die Beantwortung der Frage „Wer ist der CEO von Apple“ auf Freebase einen Abgleich mit einer abstrakten „Leadership“-Entität, die drei Relationen – „Rolle“, „Organisation“ und „Person“ – sowie zwei weitere Entitäten – „Apple Inc.“ und „Managing Director“ – umfasst. In den letzten Jahren hat sich ein starker Forschungsboom im Bereich lernbasierter Lösungen für dieses Problem entwickelt. Wir tragen zur Weiterentwicklung des Standes der Technik bei, indem wir eine Learning-to-Rank-Methode einsetzen und das inhärente Problem der Entitätsidentifikation vollständig berücksichtigen, das in jüngeren Arbeiten vernachlässigt wurde.Wir evaluieren unser System, Aqqu genannt, an zwei etablierten Benchmarks, Free917 und WebQuestions, und erreichen dabei deutlich bessere Ergebnisse als die bisher beste Leistung für beide Benchmarks. Diese beiden Benchmarks stellen ganz unterschiedliche Herausforderungen dar, wobei viele bestehende Ansätze lediglich für einen der beiden Benchmarks evaluiert wurden (und dort gut funktionieren). Zudem berücksichtigen wir Aspekte der Effizienz und stellen sicher, dass alle Fragen interaktiv beantwortet werden können (d. h. innerhalb einer Sekunde). Materialien zur vollständigen Reproduzierbarkeit sind auf unserer Webseite verfügbar: http://ad.informatik.uni-freiburg.de/publications.