L'analyse de sentiment basée sur les cibles implique l'extraction des cibles d'opinion et la classification du sentiment des cibles. Cependant, la plupart des travaux existants ont généralement étudié l'un de ces deux sous-tâches de manière isolée, ce qui entrave leur utilisation pratique. Le présent article vise à résoudre la tâche complète de l'analyse de sentiment basée sur les cibles de manière intégrée, en présentant un nouveau modèle unifié qui applique un schéma d'étiquetage unifié. Notre cadre repose sur deux réseaux neuronaux récurrents empilés : le réseau supérieur prédit les étiquettes unifiées pour produire les résultats finaux de l'analyse de sentiment basée sur les cibles principale ; le réseau inférieur effectue une prédiction auxiliaire des limites des cibles visant à guider le réseau supérieur afin d'améliorer les performances de la tâche principale. Pour explorer la dépendance inter-tâches, nous proposons de modéliser explicitement les transitions contraintes des limites des cibles vers les polarités du sentiment des cibles. Nous proposons également de maintenir la cohérence du sentiment au sein d'une cible d'opinion grâce à un mécanisme de porte qui modélise la relation entre les caractéristiques du mot actuel et du mot précédent. Nous menons des expériences approfondies sur trois jeux de données de référence et notre cadre obtient systématiquement des résultats supérieurs.