Neuronale Architekturen stellen derzeit den Stand der Technik bei der Wortbedeutungsentwicklung (Word Sense Disambiguation, WSD) dar. Sie nutzen jedoch nur begrenzt die riesige Menge an relationaler Information, die in lexikalischen Wissensbasen (Lexical Knowledge Bases, LKB) kodiert ist. Wir präsentieren EWISER (Enhanced WSD Integrating Synset Embeddings and Relations), eine neuronale überwachte Architektur, die in der Lage ist, diesen Wissensreichtum durch die Einbettung von Informationen aus dem LKB-Graphen in die neuronale Architektur zu erschließen, sowie vortrainierte Synset-Embeddings zu nutzen, wodurch das Netzwerk in der Lage ist, Synsets vorherzusagen, die nicht im Trainingsdatensatz enthalten sind. Als Ergebnis erreichen wir einen neuen Stand der Technik bei fast allen betrachteten Evaluierungsszenarien und brechen erstmals die 80%-Grenze bei der Kombination aller standardmäßigen englischen WSD-Benchmark-Datensätze für alle Wörter. Bei mehrsprachiger WSD für alle Wörter erzielen wir state-of-the-art-Ergebnisse, indem wir ausschließlich auf Englisch trainieren.