Las reseñas de clientes en línea (OCRs) son los verdaderos sentimientos de los clientes en el proceso de uso de productos, lo que tiene un gran valor de referencia para las decisiones de compra de los clientes potenciales. Sin embargo, es difícil para los consumidores extraer información útil de un gran número de OCRs. Para apoyar las decisiones de compra de los consumidores, este documento propone un método híbrido para clasificar productos alternativos a través de OCRs. En este método, utilizamos el modelo de Representación de Codificador Bidireccional de Transformers (BERT) de grano fino para el análisis de sentimientos a nivel de aspecto (SA) y convertimos los resultados de SA de subcriterios en un número difuso intuitivo de intervalo correspondiente, extrayendo con precisión la satisfacción del cliente en las OCRs y reduciendo los errores causados por diferentes cantidades de OCRs. Además, para obtener los resultados de clasificación de productos, se combinan los pesos subjetivos y objetivos para determinar el peso de la característica. Posteriormente, se propone un método VIKOR difuso intuitivo de intervalo mejorado para clasificar juegos móviles. Finalmente, realizamos un estudio de caso y hacemos algunas comparaciones, que muestran que nuestro método puede reducir la complejidad de obtener con precisión las preferencias personales de los consumidores y ayudar a los consumidores a tomar decisiones más precisas.