Im Bereich der Wortsinndisambiguierung (WSD) ist der vorherrschende Ansatz in der Regel ein überwachtes System, das auf sinngeschichteten Korpora trainiert wird. Die begrenzte Menge solcher Korpora beschränkt jedoch den Umfang und die Leistung dieser Systeme. In diesem Artikel schlagen wir eine neue Methode vor, die diese Probleme löst, indem sie das Wissen in WordNet nutzt, insbesondere die Hyperonym- und Hyponymbeziehungen zwischen Synsets, um die Anzahl der verschiedenen Sinntags zu reduzieren, die notwendig sind, um alle Wörter der lexikalischen Datenbank zu disambiguieren. Unsere Methode erzielt Stand-of-the-Art-Ergebnisse bei den meisten WSD-Bewertungsaufgaben, während sie den Umfang von überwachten Systemen verbessert, die Trainingszeit verkürzt und die Größe der Modelle reduziert, ohne zusätzliche Trainingsdaten zu benötigen. Darüber hinaus zeigen wir Ergebnisse, die den aktuellen Stand-of-the-Art-Ergebnissen deutlich überlegen sind, wenn unsere Methode mit einer Ensembling-Technik kombiniert wird und das WordNet Gloss Tagged als Trainingskorpus hinzugefügt wird.