L’alignement d’entités (EA) vise à identifier des paires d’entités équivalentes entre des graphes de connaissances (KG), constituant ainsi l’étape fondamentale pour relier et intégrer des KG issus de sources multiples. Dans cet article, nous affirmons que les méthodes actuelles d’EA basées sur les réseaux de neurones héritent des défauts intrinsèques de leur lignée réseau neuronal : une faible échelle et une mauvaise interprétabilité. Inspirés par des travaux récents, nous repensons l’algorithme de propagation d’étiquettes afin de le rendre efficace sur les KG, et proposons un cadre d’EA non neuronal, LightEA, composé de trois composants efficaces : (i) génération aléatoire d’étiquettes orthogonales, (ii) propagation d’étiquettes à trois vues, et (iii) itération creuse de Sinkhorn. Selon des expériences étendues sur des jeux de données publics, LightEA présente une échelle impressionnante, une robustesse élevée et une interprétabilité remarquable. En ne consommant qu’un dixième du temps nécessaire aux méthodes de pointe, LightEA atteint des résultats comparables sur tous les jeux de données, et même les dépasse sur plusieurs d’entre eux.