L’alignement d’entités multilingue (EA) vise à identifier les entités équivalentes entre des graphes de connaissances (KG) multilingues, ce qui constitue une étape cruciale dans l’intégration de ces derniers. Récemment, de nombreuses méthodes d’EA basées sur les réseaux de neurones graphiques (GNN) ont été proposées et ont démontré des améliorations significatives des performances sur plusieurs jeux de données publics. Toutefois, les méthodes d’EA basées sur les GNN héritent inévitablement de faibles performances en termes d’interprétabilité et d’efficacité, héritées des réseaux de neurones. Inspirés par l’hypothèse d’isomorphisme sous-jacente aux méthodes basées sur les GNN, nous avons réussi à transformer le problème d’alignement d’entités multilingue en un problème d’affectation. À partir de cette observation, nous proposons une méthode d’alignement d’entités non supervisée, désignée SEU (Simple and Effective Unsupervised), qui ne repose pas sur les réseaux de neurones. Des expériences étendues montrent que notre méthode non supervisée surpasse même des méthodes supervisées avancées sur l’ensemble des jeux de données publics, tout en offrant une haute efficacité, une excellente interprétabilité et une grande stabilité.