实体对齐（Entity Alignment, EA）旨在识别不同知识图谱（KGs）之间的等价实体对，是连接与整合多源知识图谱的核心步骤。本文指出，现有的基于图神经网络（GNN）的EA方法继承了其神经网络祖先固有的缺陷：可扩展性差且可解释性不足。受近期研究的启发，我们对标签传播（Label Propagation）算法进行了重新设计，使其能够高效适用于知识图谱，并提出了一种非神经网络的EA框架——LightEA。该框架由三个高效组件构成：(i) 随机正交标签生成，(ii) 三视图标签传播，以及 (iii) 稀疏Sinkhorn迭代。在多个公开数据集上的大量实验表明，LightEA展现出卓越的可扩展性、鲁棒性与可解释性。在仅消耗不到十分之一时间的前提下，LightEA在所有数据集上均取得了与当前最先进方法相当的性能，甚至在多数数据集上实现了超越。