تقوم الطرق التقليدية لاستقراء معاني الكلمات (WSI) عادةً بتمثيل كل حالة بميزات لغوية منفصلة أو ميزات التكرار، وتدريب نموذج لكل كلمة متعددة المعاني بشكل منفصل. في هذا البحث، نقترح تعلم تمثيلات المعنى (sense embeddings) للمهمة استقراء معاني الكلمات. في مرحلة التدريب، يُنتج أسلوبنا عدة نقاط مركزية للمعنى (متجهات تمثيلية) لكل كلمة متعددة المعاني. وفي مرحلة الاختبار، يتم تمثيل كل حالة كمتجه سياقي، ويتم استقراؤها عن طريق العثور على أقرب نقطة مركزية للمعنى في فضاء المتجهات.مزايا أسلوبنا هي:1. يتم استخدام المتجهات الموزعة لتمثيل المعاني والتي يتم تدريبها بشكل تمييزي، وهي عادة ما تحقق أداءً أفضل من النماذج التوزيعية القائمة على العد التقليدي.2. يتم تدريب نموذج عام لمجموعة الكلمات بأكملها بشكل مشترك لاستقراء نقاط المركزية للمعنى ضمن إطار التعلم المتعدد المهام (multitask learning).عند تقييم الأسلوب على مجموعة بيانات SemEval-2010 لاستقراء معاني الكلمات، حقق أسلوبنا أفضل النتائج مقارنة بكافة المشاركات وأغلب الأساليب الحديثة الرائدة. كما قمنا بالتحقق من هذين الميزةين عبر مقارنتهما مع خطوط أساس مصممة بدقة.