Die zielbasierte Sentimentanalyse umfasst die Extraktion von Meinungszielen und die Klassifizierung des Zielsentiments. Die meisten bisherigen Arbeiten haben jedoch in der Regel nur eine dieser beiden Teilbereiche isoliert untersucht, was ihre praktische Anwendung erschwert. In diesem Artikel wird das Ziel verfolgt, die vollständige Aufgabe der zielbasierten Sentimentanalyse in einem end-to-end-Ansatz zu lösen, und es wird ein neues vereinheitlichtes Modell vorgestellt, das ein einheitliches Tagging-Schema anwendet. Unser Rahmenwerk besteht aus zwei übereinander gestapelten rekurrenten neuronalen Netzen: Das obere Netzwerk prognostiziert die einheitlichen Tags, um die endgültigen Ausgabeergebnisse der primären zielbasierten Sentimentanalyse zu erzeugen; Das untere Netzwerk führt eine unterstützende Vorhersage der Zieldgrenzen durch, um das obere Netzwerk bei der Verbesserung der Leistung des Haupttasks zu leiten. Um die Interdependencies zwischen den Tasks zu erforschen, schlagen wir vor, die eingeschränkten Übergänge von Zieldgrenzen zu Zielsentiments explizit zu modellieren. Wir schlagen auch vor, innerhalb eines Meinungsziels die Sentimentkonsistenz durch einen Gattermechanismus aufrechtzuerhalten, der das Verhältnis zwischen den Merkmalen für das aktuelle Wort und das vorherige Wort modelliert. Wir führen umfangreiche Experimente auf drei Benchmark-Datensätzen durch, und unser Rahmenwerk erzielt konsequent überlegene Ergebnisse.