近年、知識ベース質問応答（KBQA）は多くの注目を集めている。特に、複数の事実を統合して回答する必要がある複雑な質問に対して注目が集まっている。質問分解は、こうした複雑な質問に応える有望なアプローチである。しかし、従来の分解手法は、単一の構成性タイプ（compositionality type）に基づいて質問を部分質問に分割するものであり、複数の構成性タイプを含む質問には不十分である。本研究では、複雑な質問の構造を表現するための「質問分解木（Question Decomposition Tree: QDT）」を提案する。自然言語生成（NLG）分野の最近の進展に着想を得て、QDTを生成するための二段階アプローチ「Clue-Decipher」を提案する。この手法は、NLGモデルの強力な表現能力を活用しつつ、元の質問の情報を保持することができる。QDTがKBQAタスクの性能向上に寄与することを検証するため、分解に基づくKBQAシステム「QDTQA」を設計した。広範な実験の結果、ComplexWebQuestionsデータセットにおいて、QDTQAは従来の最先端手法を上回る性能を達成した。さらに、既存のKBQAシステムに対して本分解手法を適用した場合、性能が12%向上し、LC-QuAD 1.0データセットにおいても新たな最先端性能を達成した。