随着现实生活中数据量的急剧增长,数据挖掘在各个研究领域都引起了极大的关注,特别是游戏领域。频繁项集挖掘是一种非常流行的数据挖掘技术,在许多重要的数据挖掘任务中发挥着重要作用。然而随着大数据的迅速发展,人们对数据中的有价值信息的需求却越来越大,如在大量游戏数据中,人们希望发现用户游戏中的成长历程来给用户更好的游戏体验,而硬件条件却越来越无法满足人们快速对有价值信息挖掘的需求。换言之,在无法改变硬件条件和数据量的前提下,现有的频繁项集挖掘算法已经不能在有效的时间内满足人们对有效信息的渴望。因此,研究和实现高效的并行频繁项集挖掘算法成为现在数据挖掘领域的重要方向。提出了一种高效的并行频繁项集挖掘算法PNPFI,该算法基于Prepost算法和Spark平台进行实现。PNPFI算法在Spark平台实现了节点间互不依赖地并行,同时提出了一种新的N-list求交集算法,该算法通过提前判断结果是否符合阈值来提前停止N-list求交集,大大减少了内存和时间的消耗。为了进一步减少部分冗余N-list求交集过程,PNPFI基于N-list提出了一种新的概念P-Subsume,通过P-Subsume可以直接与项结合产生部分频繁项集,而无需N-list求交集操作,大大缩短了算法运行时间。此外,考虑到算法实用性,PNPFI还提出一种负载均衡策略,通过预测项负载来均衡划分事务集,使集群能够达到负载均衡。实验结果表明,相对于经典并行算法和最近提出的并行算法,PNPFI在性能和内存开销上都表现出较大优势,性能最大提升70%,平均提升39%;内存消耗最大可减少96%,平均可减少71%。