确定一个词语意义的核心内容及其与其他词语的区分特征，是自然语言推理中的一项基础性任务。本文提出了一种显式词向量表示模型（Word Vector Model, WVM），旨在支持对区分性语义属性的识别。论文的核心贡献在于对不同类型数据源与知识库在构建可解释、显式词向量模型过程中的表现进行了定性和定量的对比分析，具体包括：（i）基于词典定义构建的知识图谱；（ii）从图像中提取的实体-属性-关系图谱；（iii）常识知识图谱。通过详尽的定性和定量分析，我们证明了这些数据源在语义层面具有互补性，有助于构建显式的语义向量空间。所构建的显式向量空间在区分性属性识别任务上进行了评估，其性能与当前最先进的系统相当（F1得分达0.69），同时实现了模型的完全透明性与可解释性。