FP_Growth算法是一种重要的频繁模式挖掘方法，PFP算法是FP_Growth基于MapReduce的一个并行实现。该算法除了各个节点上的负载不均衡外，具有较高的时间复杂度，同时Hadoop需要频繁地进行输入输出操作，这些都影响了频繁项集挖掘的效率。针对上述问题，本文在Spark平台下对PFP算法的优化进行了深入研究，主要研究内容如下：
　　首先，针对并行FP_Growth算法中数据集分组负载不均衡的问题，提出了一种均衡分组的策略。为了保证组与组之间的负载总和相近，该策略在分组时总是把负载大的项放在负载总和最小的组里来均衡负载。实验结果表明，所提方法较好地解决了对数据集分组负载不均衡的问题，有效提高了频繁项集的挖掘效率。
　　其次，为了进一步提高频繁项集的挖掘效率，在构造频繁模式树中首先将原始数组中的链表指针项改为布尔值，并在原始链头表结构中添加一张哈希表，这样在遍历频繁项时可以快速找到该项的地址，降低了频繁项插入到频繁模式树中的时间。然后用一个flag标签来表示该项对应的频繁模式树是否为单一路径，分情况挖掘频繁模式。实验结果表明该方法有效降低了构造频繁模式树的时间复杂度。
　　第三，结合均衡分组策略和优化链头表结构方法，提出了一种基于Spark的并行FP_Growth算法优化方法，该方法在对数据集进行分组时应用均衡分组策略，在本地运行FP_Growth算法时优化链头表结构。实验结果表明该方法不仅降低了分组之间负载的不均衡，而且降低了时间复杂度，有效提高了频繁项集的挖掘效率。
　　最后，在均衡分组策略中，为了有效衡量各组的负载，设计了一种负载评价指标，该指标通过计算每一组中频繁模式树的迭代次数来评价负载，实验结果表明该指标可以较好地衡量各组的负载。