Le traitement, l'analyse et la génération de données massives constituent un problème majeur au coeur de nombreuses applications (Internet, réseaux sociaux, santé, etc.). Des paradigmes pour le traitement de données massivement parallèles ont ainsi été proposés, le plus connu et l'un des plus répandu étant sans doute MapReduce. Malheureusement, MapReduce présente d'importantes limites en particulier pour des opérations nécessitant plus d'une source de données ou encore basées sur des processus itératifs. Ce papier s'intéresse à l'optimisation de la gestion de données dans des environnements massivement parallèle et plus précisément à l'optimisation de l'opération de jointure à l'aide de MapReduce. Nous introduisons de nouveaux filtres, le filtre d'intersection et le filtre de différence, qui visent à réduire les données intermédiaires (et donc la charge de travail), ainsi que le nombre de processus pour la jointure et les requêtes récursives. Des expérimentations à l'aide d'un banc d'essai permettent de démontrer les avantages de nos solutions.