随着互联网和社交媒体的快速发展,越来越多的人使用社交平台分享自己的观点,描述发生的个人事件。这些个人事件中包含了例如用户行为的动机和结果、隐含的情感等丰富信息,具有巨大的价值。面对海量的个人事件文本,不借助自动化的处理工具,企业或个人很难有效的从中获取到关键的有效信息。个人事件抽取（Personal Event Extraction）旨在从海量的事件文本中自动化的抽取出结构化的个人事件信息,因此具有重要的现实意义和应用价值。目前,面向社交媒体的事件抽取面临两个挑战:1)事件类型开放,无法对所有事件类型进行预先的定义;2)缺乏对应的标注语料。现有的事件抽取方法要么基于事件类型设计对应的抽取模板,缺乏灵活性,且不能抽取新类型事件;要么基于传统机器学习模型,但需要为各种事件类型准备充足的标注语料。为此,本文拟构建一个个人事件数据集,并在此基础上研究个人事件领域某些事件类型下训练样本少的问题。本文基于小样本学习,对面向社交媒体的个人事件抽取任务进行研究。本文的主要工作有:（1）基于FrameNet外部知识库,本文构建了个人事件本体,并基于Twitter数据构建了个人事件数据集。（2）针对个人事件检测问题,考虑到个人事件领域某些事件类型下标注语料稀少,本文基于小样本学习框架,提出了一个基于多注意力机制的原型网络模型（MAPN）。针对社交媒体文本长度较短,模型通过引入词性标注、依存分析等外部信息并结合双向LSTM网络和自注意力机制来增强文本中词语的特征表示。此外,本文还引入样例级别注意力来增强原型网络中类原型表示的计算,提升模型对多样化文本表示的应对能力。实验结果显示在本文构建的数据集上,本文提出的模型优于对比模型。（3）针对个人事件抽取问题,本文提出了一个基于图信息增强的原型网络模型（GI-APN）。在MAPN模型的基础上。针对个人事件文本表示较为抽象、语义表达较为深层的特点,将依存解析结果构建为图表示。并引入图卷积神经网络对依存关系图进行建模,将其融合到词特征表示中,增强词特征中包含的语法结构信息。此外,模型实现了事件类型和事件论元的联合抽取。实验结果显示本文提出的模型相比于对比模型有较大的性能提升。