يهدف التوافيق الكيانات (EA) إلى تحديد أزواج الكيانات المكافئة بين المعرفة ذاتية الهيكل (KGs)، وهو الخطوة الأساسية في ربط ودمج المعرفة من مصادر متعددة. في هذا البحث، نجادل بأن الطرق الحالية القائمة على الشبكات العصبية الرسومية (GNN) ترث العيوب الجوهرية من أصولها في الشبكات العصبية: ضعف القابلية للتوسع وسوء القدرة على التفسير. مستوحين من دراسات حديثة، نعيد اختراع خوارزمية انتشار التسميات (Label Propagation) لتمكينها من العمل بكفاءة على المعرفة ذاتية الهيكل، ونُقدّم إطار عمل غير عصبي لـ EA يُسمى LightEA، يتكون من ثلاث مكونات فعالة: (i) توليد تسميات عشوائية متعامدة، (ii) انتشار التسميات من ثلاث زوايا، و (iii) تكرار سينكهن المتبقي (Sparse Sinkhorn Iteration). وفقًا للتجارب الواسعة على مجموعات بيانات عامة، يُظهر LightEA قابلية توسع ممتازة، وثباتًا عالٍ، وقدرة تفسيرية عالية. وباستهلاك وقت يقل عن عُشر الوقت المطلوب، يحقق LightEA نتائج مماثلة للطرق الرائدة في المجال على جميع مجموعات البيانات، بل ويتفوق عليها في العديد منها.