近年来,随着国内对社会经济信息的注重加强,使得社会调查业在中国得到蓬勃发展,个人职业情况几乎是每个调查中一定要采集的信息。研究职业编码是人口调查工作中的重要环节,关系到整个人口调查数据的质量水平。因此,想要短时间内高质量的完成普查,职业编码自动化就显得尤为重要。推进智能编码,让职业编码可以更大比例的自动化,可以解放出一部分劳动力去处理在编码时遇到的配合度不高、表述不完整这类的问题。基于上述原因,职业编码自动化已然成为目前互联网分类和机器学习的一个热点研究方向。现有目前关于职业的分类问题更加倾向于机器学习的方法,而词典也更多用于情感分类,而本文主要将职业自动编码转化为文本分类问题的一种,提供一种新的方法研究职业编码分类。针对以上的研究目的,本文采用以N-Gram的方式构建职业词典,实现对职业编码分类;并用Logsitic回归分析来进一步对于建立词典的职业编码分类与编码员编码一致性分析,并根据其影响因素提出相关建议,得到词典在职业大类和职业小类中的准确率和召回率的质量评价。本文介绍了以N-Gram构建职业编码词典的方法,并将该种方法应用于2014年、2016年的中国劳动力动态调查（CLDS）数据中。根据受访者本身所给的职业信息描述,运用N-Gram方法提取特征值,并结合维度的考量,将N的取值范围定位1或2。要让特征信息具备分类的特性,或者达到一定的辨识度,则需要其在职业文本中频度高、分散大,并且在文本集中的集中度强。本文通过增加约束条件,增加特征信息得分辨度:即将得到的特征值中设置频度和分散度均大于5才可以选入词典。再对基于上述做法的N-Gram构建的词典关于职业分类效果进行评估。实验表明,Bigram提取特征构建的词典要比Unigram提取特征构建的词典无论在职业大类还是在职业细类的划分中都有很好的表现能力,并且Bigram提取特征词构建的词典在职业大类上的准确率达到70%以上;在职业细类上的准确率达到50%以上。在应用Bigram特征提取构建完对应的词典后,探讨职业词典自动编码分类与编码员职业编码间的一致性分析。本文主要将影响因素分为三类:一类为访员的自身因素,一类为受访员的职业和行业信息,一类是不同职业大类之间的差异程度。在三类影响因素中找出7个指标,从而构建出16个解释变量,运用Logistic回归分析影响职业词典自动编码分类与编码员职业编码间的一致性分析,再应用ROC曲线和AUC进行验证该Logistic回归的可行性。实验得出初步的结论:在职业大类的划分上,受访员的职业和行业信息有关键性作用,包含信息越多,自动编码与编码员编码结果的一致可能性就越高;然而在进行更为精细的职业编码时,访员的一些自身因素也会产生一定影响,受教育程度会使得词典编码与编码员编码间的一致性更高。本文提出了一种基于N-Gram方法构建职业词典来进行职业编码分类,将其转变为解决文本分类中的高维度的特征空间问题,得到的词典不仅与职业类别有较高的相似性,也能在文本分类中起着关键作用。实验结果表明该方法是可行并且有效的。再利用Logistic回归对多因素进行分析不平衡的数据,将变量进行拆解,为建立的词典更加贴近访员编制的职业编码一致性提供合理方向。本文使用的数据来源于中国劳动力动态调查（CLDS）中的数据,该调查数据中涉及到的职业信息以及编码并不是整体的职业信息,覆盖范围以及样本数量有限。此外,本文的另一个不足之处还在于用未经编辑的原始数据来创建字典,并将新数据与字典匹配。导致一些错别字或者同义词被输入到字典中,虽然N-Gram数据平滑可以解决这类问题,但是当未出现的分词占据了很大比例,词典的分类就有待商榷,这可能意味着或将同义词组合成字典条目。