Как выгрузить комментарии из Инстаграм, ВК и других соцсетей
Как скачать комментарии из Инстаграм, ВКонтакте и других соцсетей
4 мин на чтение
25.03.2022
Выгрузка комментариев в Excel может потребоваться, чтобы подвести итоги конкурса или проанализировать поведение аудитории. Но просматривать и изучать комментарии в самих соцсетях неудобно, копировать вручную трудозатратно, а сторонние программы могут быть небезопасны для ваших аккаунтов (если запрашивают логин и пароль).Скачать комментарии из Инстаграм*, Телеграм, ВКонтакте, Фейсбук* и Одноклассников можно с помощью LiveDune всего за пару минут. Это полностью безопасно для ваших аккаунтов, т.к. сервис работает по официальному API соцсетей и не запрашивает пароли.
Зачем скачивать комментарии
Как выгрузить комментарии из соцсетей в Excel
Какие данные будут в таблице Excel
Зачем скачивать комментарии
Выгрузка комментариев чаще всего требуется для подведения итогов конкурсов или розыгрышей в соцсетях. Комментарии скачиваются в таблицу, каждому присуждается порядковый номер и с помощью рандомайзера выбирается победитель. Но выгрузка комментариев может быть полезной еще и для других задач:
Для анализа целевой аудитории ― их болей, страхов, потребностей и интересов.
Для поиска новых тем в блог. Пользователи часто неосознанно подкидывают идеи, которые можно освещать в публикациях.
Мониторить отзывы и предложения о продукте или услуге. Возможно, вы найдете слабые места и сможете их усовершенствовать.
Проанализировать реакции аудитории на ваши публикации, чтобы скорректировать стратегию и увеличить вовлеченность.
Несмотря на то, что цели для выгрузки комментариев из Инстаграм*, ВКонтакте и других соцсетей могут быть разными, работать с ними удобнее в таблице, чем в соцсетях. Не нужно открывать каждый пост, пролистывать комментарии до конца, какие-то копировать, чтобы детальнее их проработать и т.д. Проще и быстрее выгрузить все в Excel, а в этом поможет LiveDune.
Как выгрузить комментарии из Инстаграм, ВКонтакте, Телеграм и Фейсбук в Excel
Для начала зарегистрируйтесть в LiveDune и добавьте на Дашборд аккаунт из которого нужно выгрузить комментарии. Далее перейдите в модуль «Мониторинг» ― «Комментарии». Нажмите «Скачать комментарии в XLS».Если у вас уже добавлены аккаунты на Дашборд и в модуль «Комментарии», нажмите на иконку с тремя точками ― «Выгрузка комментариев».
Далее напротив аккаунта, из которого нужна выгрузка, нажмите кнопку «Выбрать». Откроется окно со списком постов. Напротив нужной публикации еще раз нажмите «Выбрать». Если под постом не было комментариев, то кнопка будет неактивной. Самые свежие посты находятся сверху, если необходима выгрузка комментариев с более старых постов, нажмите «Загрузить больше».
![](/800/600/https/pbs.twimg.com/media/EwLyo_qWEAAUOR4.jpg)
Когда загрузка завершится, появится кнопка «Скачать». Нажмите на нее и получите список всех комментариев в XLS.
Выгрузка комментариев входит во все тарифные планы LiveDune. Количество комментариев, доступных к скачиванию, зависит от выбранного тарифа. Во время пробного периода выгрузка комментариев недоступна.
Какие данные будут в таблице Excel
По каждому комментарию выгружается следующая информация (в зависимости от соцсети, количество полей может меняться):
- ID поста/комментария.
- Cсылка на аккаунт автора комментария и его имя.
- Текст комментария.
- Дата и время, когда был оставлен комментарий.
- Количество лайков на комментарии.
Рекомендация: Политика Инстаграм* не позволяет скачивать комментарии от закрытых аккаунтов, то есть они не попадают в выгрузку и их авторы лишаются возможности стать победителями розыгрыша/конкурса. Предусмотрите этот момент заранее и в условиях розыгрыша обозначьте, что на время подведения итогов участники должны открыть свои аккаунты.
Только важные новости в ежемесячной рассылке
Нажимая на кнопку, вы даете согласие на обработку персональных данных.
Что нового в SMM?
Подписывайся сейчас и получи гайд аудита Instagram аккаунта
Популярные статьи
≈ 2 мин на чтение 22.05.2019
Как отправлять уведомления о новых комментариях клиентам
Как отправлять уведомления в Телеграмм о новых комментариях каждому клиенту отдельно.
≈ 10 мин на чтение 01.09.2020
Как реагировать на негативные отзывы в комментариях соцсетей
Как держать себя в руках и профессионально ответить на негативные отзывы в комментариях соцсетей, когда единственное, что хочется сделать — удалить плохой комментарий, заблокировать, вычислить клиента по IP и устроить с ним дуэль.
≈ 14 мин на чтение 11.03.2019
Чем полезна статистика Instagram аккаунта
Разбираем основные графики со статистикой Instagram аккаунта из LiveDune, помогаем понять логику чтения статистики и формирования гипотез.
≈ 8 мин на чтение 18.03.2022
Модерация комментариев из всех соцсетей в одном окне
Как отслеживать и отвечать на комментарии в соцсетях через LiveDune или Телеграм-бота. А также где посмотреть статистику по тональности комментариев и скорости ответа.
Стартовал конкурс «Книжный натюрморт» | РОО ОМСМ
Объединение многодетных семей города Москвы и издательство «Добрые сказки» Елены Велены приглашают многодетные семьи участвовать в фотоконкурсе «Книжный натюрморт».
📱1 место — Планшет
🤳2 место — Смартфон
🧧3 место — карта Ozon номиналом 5000 ₽
🎑Победителей наградят 19 апреля, в 17.00 в Зале Церковных Соборов в Храме Христа Спасителя!
🖼️«Книжный натюрморт» — это снятая на фото композиция, центральным элементом которой является книга 📖. При этом используются различные средства, атрибуты и элементы декора, которые ярко раскрывают содержание книги и побуждают к чтению.
❗Правила участия.
Подписаться на группу ВК https://vk.com/public192148529 и Telegram https://t.me/elenavelenafairytale
Разместить «Книжный натюрморт» с книгой Елены Велена на своей личной странице ВК с хештегами #натюмортДобрыеСказки #КонкурсЕленаВелена #рооомсм и отметить группу @public192148529
‼️Заявки принимаются до 12 апреля
1. Общие положения
1.1. Настоящее положение определяет порядок организации и проведения фотоконкурса «Книжный натюрморт».
1.2. Настоящее положение определяет цели и задачи конкурса.
1. 3. Содержание конкурсных фоторабот должно отражать тематику конкурса. Работы конкурса должны иллюстрировать ту или иную детскую книгу. Данный фотоконкурс приурочен к Пасхе 2023. Фотоконкурс является открытым мероприятием, направленным на продвижение чтения, приобщение детей и взрослых к книжной культуре.
1.4. Организатором фотоконкурса является издательство «Добрые сказки», РОО “Объединение многодетных семей города Москвы” при поддержке Центра культурного сотрудничества имени Святителя Спиридона.
2. Цели конкурса
2.1. Повышение значимости книги в жизни детей и взрослых.
2.2. Привлечение внимания к литературе и искусству.
3. Задачи конкурса
3.1. Отражение средствами фотографии привлекательного образа читающего человека с целью продвижения среди читателей книжной культуры и осмысленного досуга.
3.2. Развитие творческой инициативы.
3.3. Содействие творческому самовыражению и личностному развитию участников фотоконкурса.
4. Сроки проведения конкурса
4.1. Конкурс проводится с 12 марта – 12 апреля 2023 г.
4.2. Этапы проведения конкурса:
– прием заявок и работ от участников с 12 марта по 10 апреля 2023 г.;
– определение победителей с 10 по 12 апреля 2023 г.;
– награждение победителей 19 апреля 2023 г. в 17.00 в Зале Церковных Соборов Храма Христа Спасителя.
5. Условия проведения и требования к работам фотоконкурса
5.1. К участию в конкурсе принимаются фотографии, содержание которых должно соответствовать тематике и иметь позитивную направленность.
5.2. На рассмотрение может быть представлена одна работа от одного участника конкурса.
5.3. К участию не допускаются фотографии чужого авторства, фото с изображением лица, не являющегося участником фотоконкурса (без его согласия), либо взятые из сети Интернет.
5.4. На конкурсных фотоработах должны быть запечатлены книги Елены Велены, выбранные участником конкурса. Рекомендовано редактирование (обработка) фотографий с помощью различных фотоэффектов и фильтров, функций цветокоррекции, и др.
5.5. Участники фотоконкурса представляют свою любимую книгу, могут использовать различные атрибуты для оформления и элементы декора, подходящие теме и настроению снимка, с целью соблюсти правила композиции, могут проявить креативность в обработке кадра.
5.6. Конкурсные работы (фотографии) должны быть представлены в цифровом формате.
5.7. Для участия в конкурсе необходимо выполнить следующие условия:
– Подписаться на группу ВК https://vk.com/public192148529;
– На телеграм-канал издательства «Добрые сказки»;
– Разместить работу на своей личной странице ВК с хештегами #натюмортДобрыеСказки #КонкурсЕленаВелена #рооомсм;
– Отметить нашу группу в ВК, где будет проходить конкурс через @..
5.8. Направляя конкурсную работу для участия в Конкурсе, Участник (Законный представитель) подтверждает, что передает Организатору конкурса следующие права в отношении работы как объекта интеллектуальной собственности (Произведения):
– право публиковать работы (все представленные Участником (Законным представителем) с указанием фамилии и имени автора или без таковых (анонимно) по усмотрению Организатора конкурса;
– право на распространение Работ без цели извлечения прибыли или иного дохода от такого распространения на территории Российской Федерации;
– право на публичную демонстрацию (показ) работ (всех представленных Участником (Законным представителем) (оригиналов или экземпляров) непосредственно, либо на экране с помощью любых доступных технических средств в месте, открытом для свободного посещения неопределенного круга лиц, либо в месте, где присутствует значительное количество лиц, не относящихся к кругу семьи;
– право на сообщение в эфир и по кабелю (проводу, оптическому волокну), т. е. трансляция работ для всеобщего сведения по телевидению (в том числе путем ретрансляции), а также передача по кабелю, с помощью которого работы становятся доступными для зрительного восприятия неопределенного круга лиц;
5.9. Конкурс проводится для участников из г. Москвы и Московской области.
6. Система оценивания работ фотоконкурса
Оценка работ происходит по следующим критериям:
– содержание работы соответствуют теме, целям и задачам конкурса;
– оригинальность раскрытия темы и технического исполнения работы (наличие интересных атрибутов и деталей для оформления), использование выразительных средств, соответствующих восприятию автора;
– качество используемых фотодокументов (фокус, баланс светотени, композиция и пр.).
7. Подведение итогов конкурса и награждение участников
7.1. Победители конкурса награждаются дипломами и памятными призами.
7.2. Работы участников и информация об итогах конкурса будет размещена на сайте www. centerspyridon.ru
7.3. Работы, не соответствующие требованиям настоящего положения, жюри не оцениваются.
7.4. Подведение итогов конкурса осуществляет оргкомитет с функциями жюри.
8. Оргкомитет и жюри конкурса
8.1. Для проведения и подведения итогов фотоконкурса создается оргкомитет с функциями жюри.
8.2. В состав оргкомитета входят:
– Елена Велена, автор детских книг;
– Карпухин Павел Александрович, президент центра культурного сотрудничества имени Святителя Спиридона;
– Карпович Наталья Николаевна, руководитель РОО «Объединение многодетных семей города Москвы».
8.3. В функции оргкомитета входит разъяснение условий конкурса, оценка конкурсных работ и награждений победителей.
9. Контактная информация
9.1. Контактное лицо: Саркисова Ирина Владимировна
9.2. Контактный телефон: +7 (926) 702-45-81, +7 (800) 511-17-88
9.3. E-mail: [email protected]
PYMK в ВК: ОД через EGO-NETS.
![](/800/600/https/sun9-21.userapi.com/c637917/v637917935/540aa/lW1c47qU3l0.jpg)
·
12 июля 2021 г.Возможность добавлять пользователей в друзья — одна из важнейших механик любой социальной сети. Подавляющее большинство взаимодействий происходит между пользователями, которые дружат друг с другом. Они видят и комментируют сообщения друг друга в своих новостных лентах и заходят в свои списки друзей, чтобы начать чаты. Вот почему так важен рост социального графа.
Меня зовут Евгений Замятин. Я являюсь частью команды Core ML в ВКонтакте. Хочу рассказать вам о том, как работает наша рекомендательная система, чтобы сблизить пользователей крупнейшей социальной сети рунета.
Современные рекомендательные системы часто состоят из двух уровней, и наша система не исключение.
Первый уровень — поисковая часть системы. Его задача — искать среди всего множества пользователей наиболее релевантных кандидатов. Этот процесс нужно сделать быстро. Обычно эти задачи решаются с помощью простых в использовании моделей, таких как матричные факторизации или эвристики, основанные на количестве общих друзей. Затем кандидаты, полученные на первом уровне, отправляются на второй уровень, где на модель больше не распространяются строгие ограничения скорости. Его основная задача — обеспечить максимальную точность предсказания и сформировать список, который увидит пользователь. В этой статье мы рассмотрим только первый этап — поиск.
Прежде всего сформулируем постановку задачи. Для каждого пользователя нам нужно найти k кандидатов, которых они с наибольшей вероятностью добавят в друзья. Метрика, на которой мы сосредоточимся, — это отзыв@k. Для этой задачи идеально подходит, так как нас интересует не порядок кандидатов, а важна их релевантность.
Давайте рассмотрим базовые, но до сих пор актуальные решения, придуманные десятки лет назад. Первый метод, который приходит на ум, самый логичный: эвристика, основанная на количестве общих друзей. Для каждого пользователя выбираются кандидаты с наибольшим значением. Этот подход прост в реализации и обеспечивает достойное качество результатов.
Другим важным методом рекомендации друзей является Adamic/Adar. Он также основан на анализе общих друзей, хотя и модифицированном: авторы предлагают учитывать количество друзей, которые есть у «общего» друга. Чем больше это значение, тем меньше релевантной информации оно несет.
Недавно наши коллеги из Google+ предложили новый подход к рекомендациям друзей, основанный на эго-сетях. В своей статье авторы предложили кластеризовать эго-сети пользователей. В качестве меры релевантности они использовали значение 9.0023 показатель дружбы , который представляет собой количество общих друзей в одном кластере эго-сетей.
Помимо методов, основанных на анализе общих друзей, довольно распространены рекомендации на основе встраивания. В Лаборатории искусственного интеллекта ВК МФТИ мы провели исследование, в котором сравнили эффективность разных подходов к задаче предсказания дружбы в ВК. Результаты совпали с нашим опытом. Решения, основанные на встраивании графов, нам не подходят. Помня об этом, мы начали разрабатывать систему отбора кандидатов на основе анализа общих друзей.
Общая схема нашего метода расширяет идеи числа общих друзей и Адамика/Адара. Итоговая мера релевантности E(u, v) , с помощью которой мы будем отбирать кандидатов, также раскладывается на сумму общих друзей u и v . Ключевое отличие заключается в форме слагаемого под суммой. В нашем случае это мера ez_c(u, v) .
Сначала попробуем понять «физический» смысл меры ez_c(u, v) . Представьте, что мы взяли пользователя c и спросили его: «Насколько вероятно, что два ваших друга, и и и , станут друзьями?» Чем больше информации этот пользователь учитывает для своего прогноза, тем точнее он будет. Например, если c может вспомнить только количество своих друзей, его рассуждения могут выглядеть так: «Чем больше у меня друзей, тем меньше вероятность того, что два случайных человека узнают друг друга». Тогда оценка «вероятности» дружбы u и v (с точки зрения c ) могут выглядеть как 1/log(n) , где n — количество друзей. Вот как работает Адамик/Адар. Но что, если c учитывает больше контекста?
Прежде чем ответить на этот вопрос, давайте разберемся, почему ez_c(u, v) важно определить через пользователя c . Дело в том, что в таком виде очень удобно решать задачу распределённо. Представьте, что мы разослали всем пользователям платформы анкету с просьбой оценить вероятность того, что каждая пара их друзей дружит друг с другом. Получив все ответы, мы можем подставить значения в формулу Е(и, v) . Вот как выглядит вычисление E(u, v) с помощью MapReduce:
- Подготовка . Для каждого c выделен контекст, который он будет учитывать для проведения оценок. Например, в Adamic/Adar это будет просто список друзей.
- Карта .
«Спросите» каждого c , что они думают о возможности дружбы для каждой пары своих друзей. Мы вычисляем ez_c(u, v) и сохраняем его как (u, v) → ez_c(u, v) для всех u , v в N(c) . В случае Адамика/Адара: (u, v) → 1 / log|N(c)| .
- Уменьшить . Для каждой пары (u, v) суммируем все соответствующие значения. Их будет ровно столько, сколько общих друзей у и и и .
Таким образом, мы получаем все ненулевые значения E(u, v) . Примечание: необходимое условие для E(u, v) > 0 есть наличие хотя бы одного общего друга u и v .
Контекст пользователя c в случае меры ez_c будет тот же список друзей, но дополненный информацией об отношениях внутри этого списка. Научный термин для такой структуры — «эго-сеть». Более формально эго-сеть вершины x является подграфом исходного графа, все вершины которого являются соседями вершины x 9. 0024 и x , ребра которого являются всеми ребрами исходного графа между этими вершинами.
Основная идея меры ez_c заключается в том, что ее можно сделать обучаемой. Для каждого пользователя с , его эго-сети и всех пар пользователей u, v внутри нее мы можем насчитать множество различных признаков. Например:
- количество общих друзей u и v внутри эго-графа c
- количество общих друзей u и c
- интенсивность взаимодействия между v и c
- время, прошедшее с момента последней дружбы между u и кем-то из эго-графа c
- плотность графа эго c
- и другие
Таким образом, мы получим набор данных с функциями. Но нам также нужны метки для обучения. Рассмотрим набор данных, построенный из состояния графа в момент времени T . Тогда в качестве положительных примеров возьмем те пары пользователей, которые не были друзьями на момент T , но подружились с T + △T . И как минус, все остальные пары пользователей, которые не являются друзьями. Примечание: поскольку мы решаем задачу прогнозирования новых дружеских отношений, те пары пользователей, которые уже являются друзьями в момент времени T , не нужно учитывать ни в обучении, ни на практике.
В итоге получаем следующий набор данных:
- для каждой пары пользователей u и v , а так же их общий друг c , признаки рассчитываются внутри ego-net c
- пара пользователей u и v встречается в наборе данных ровно столько раз, сколько у них есть общие друзья
- все пары пользователей в наборе данных не друзья во времени T
- для каждой пары u и v метка равна 1, если они стали друзьями в течение времени △T начиная с T и 0 иначе
Мы будем использовать этот набор данных для обучения нашей меры ez_c . В качестве модели мы выбрали градиентный бустинг с функцией попарных потерь, где ID группы — user u .
По существу, мера ez_c (u, v) определяется как предсказание модели, описанной выше. Но есть один нюанс: при парном обучении распределение предсказаний модели похоже на нормальное. Следовательно, если мы возьмем «сырой» прогноз как определение меры ez_c(u, v) , у нас может возникнуть ситуация, когда мы оштрафуем окончательную меру E(u, v) для общих друзей, поскольку значения прогнозов отрицательны. Это не совсем понятно, так как мы не хотим, чтобы мера E(u, v) уменьшалась с увеличением числа общих друзей. Итак, в дополнение к предсказанию модели мы решили взять показатель степени:
. Этот подход хорошо работает на небольших графиках. Но чтобы применить его к реальным данным, нам нужно выполнить еще одно действие. Суть проблемы такова: мы не можем рассчитать признаки и применить модель для каждой пары пользователей всех эго-сетей, так как это заняло бы слишком много времени. Чтобы решить эту проблему, мы придумали специальный трюк. Представим, что наше повышение градиента обучено так, что каждое дерево использует атрибуты только одного пользователя: либо и или и . Тогда мы могли бы разделить весь ансамбль на две группы: к группе A мы бы отнесли деревья, которые используют только атрибуты пользователя u , к B , пользователя v . Предсказание такой модели может быть представлено как:
С помощью такой модели мы могли бы быстрее получать предсказания для всех пар пользователей одной и той же эго-сети. Все, что нам нужно сделать, это применить модели A и B для каждого пользователя, а затем сложить прогнозы, соответствующие парам. Таким образом, для эго-сети из n вершин мы могли бы уменьшить количество применений модели с O(n²) от до O(n) .
Но как получить модель, в которой каждое дерево зависит только от одного пользователя? Вот как:
- Исключите из набора данных все признаки, которые одновременно зависят как от u , так и от v .
Например, атрибут «количество общих друзей х и х внутри эго-графа с» придется удалить.
- Модель поезда A , использующая только функции, основанные на u , c и эго-сеть c .
- Для обучения модели B оставьте только признаки, основанные на v , c и ego-net c . Передайте прогнозы модели A в качестве базовых прогнозов.
Если объединить модели A и B , то мы получим то, что нам нужно: первая часть использует особенности u , вторая использует особенности v . Набор моделей имеет смысл, потому что B обучен «исправлять» Предсказания A . Такая оптимизация позволяет ускорить расчеты в сотни раз и делает подход применимым на практике. Окончательный результат ez_c(u, v) и E(u, v) выглядит следующим образом:
Обратите внимание, что E(u, v) можно представить как:
Эта формула является скалярным произведением разреженных векторов, индексы которых являются пользователями, а значения — показателями прогнозов модели. Ненулевые значения здесь только для друзей u — по сути, это просто списки друзей с дополнительными значениями.
При построении рекомендаций мы уже рассчитали прогнозы модели для всех существующих дружеских отношений. Поэтому для каждого пользователя мы можем собрать векторы и поместить их в доступное онлайн-хранилище ключей-значений. После этого мы можем получить значение E(u, v) для любой пары пользователей онлайн с помощью простой операции умножения векторов. Это позволяет использовать E(u, v) в качестве легкой функции релевантности в высоконагруженных частях системы или в качестве дополнительного признака итоговой модели ранжирования.
В результате система EGOML позволяет:
- Подбирать кандидатов для каждого пользователя офлайн в распределенных настройках. Асимптотическая сложность оптимизированного алгоритма составляет O(|E|) вычислений признаков и модельных приложений, где |E| — количество подключений в графе.
- Быстро вычислить меру релевантности E(u, v) для любой пары пользователей онлайн. Асимптотическая сложность операции составляет O(|N(u)| + |N(v)|) .
- Улучшить качество рекомендаций, расширив количество учитываемых графов (друзья, скрытые рекомендации, отправленные сообщения и другие графы) и добавив к ребрам и вершинам различные метки, такие как интенсивность взаимодействий на ребре, дата формирование края, город пользователя или место его работы или учебы.
В ВК мы перешли от метода отбора кандидатов Адамика/Адара к системе EGOML и ввели функции на основе меры E(u, v) в модель. Это позволило нам увеличить количество подтвержденных френдов на всей платформе на несколько десятков процентов.
Я хотел бы поблагодарить руководителя команды Core ML Андрея Якушева за помощь в разработке этого метода и подготовке этой статьи, а также всю команду Core ML за поддержку на различных этапах этой работы.
Объявлены чемпионы VK OPEN — Международная федерация скайраннинга
Чемпионы VK OPEN 2021 Юрий Йошизуми (Япония) и Роберто Делорензи (Швейцария) ©Maurizio Torri После запуска в мае новый VK OPEN Championships отпраздновал грандиозный финал на Limone Extreme в пятницу, 29 октября 2021 г. , где победители были коронованы на берегу итальянского озера Гарда .
Курс, выбранный для финала VK Open , был Greste de La Mughéra Vertical Kiloger® , который сейчас в девятом году, он 4 км длиной с 1 094 м. озеро достигает Высота 1143 м .
С восемью гонками в пяти странах сосредоточенными в Европе, конкуренция была жесткой со специалистами мирового класса не менее чем из 20 стран , боровшихся за
Возглавили рейтинг Юрий Йошизуми из Японии и Роберто Делоренци из Швейцарии.
Йошизуми заявил: « Я хотел стать чемпионом VK OPEN, поэтому я очень, очень счастлив. Я тренируюсь в Европе с августа и участвую во многих гонках», Она также провела неделю в Лимоне, тренируясь на курсе. « В Японии горы тоже прекрасны, но здесь, в Европе, они удивительны».
В мужском рейтинге 24-летнему Роберто Делоренци удалось добавить награду в свою коллекцию. После бронзовой медали на чемпионате мира по скайраннингу 2020 года в Испании, многочисленные молодежные чемпионаты мира по скайраннингу медалей и серебряная медаль чемпионата Европы 2019 , теперь он 2021 VK OPEN Champion .
— Я вообще был не в лучшей форме, — заявил Делоренци, качая головой. « Сегодня мои ноги не двигались, но я старался изо всех сил, чтобы попытаться выиграть титул. Я был почти уверен, что Гандольфи обогнал меня, и понял, что выиграл только тогда, когда достиг линии старта после возвращения с вершины. Я очень счастлив! »
Несмотря на не совсем удовлетворительное девятое место, Делоренци обыграла француза Бенуа Гандольфи , занял второе место после закрытия седьмого. Третье место заняла итальянка Андреа Ростан , занявшая третье место. В мужской гонке победил марокканец Elazzaoui Elhousine в отличном 38’27” , став пятым в итоговом рейтинге.
Майр поднялся до 300 рейтинговых очков, а Йошизуми, занявший пятое место, выиграл в трех квалификационных гонках. Ей пришлось отказаться от одного результата, оставив ей достаточно очков, чтобы завоевать титул VK OPEN Champion с 302 очками. Шарлотте Коттон из Бельгии, претендентке на титул, пришлось довольствоваться итоговым третьим местом с 288 очками.
Календарь чемпионата VK OPEN 2021
5 июня – Парангалица ВК, Болгария – 4,7 км / 960 м+
4 июля – КВ Сьерра-Невада, Испания – 4,7 км / 1050 м+
16 июля – DoloMyth s Run VK, Италия – 2,1 км / 1000 м+
28 августа – KM Вертикаль де Камара-де-Лобуш, Португалия – 3,3 км /1000 м+
10 сентября — Вертикаль Терме ди Боньянко, Италия — 3,5 км / 1100 м+
18 сентября — Mamores VK, Шотландия, Великобритания — 5 км / 1000 м+
8 октября — Вертикальный километр Сантаны®, Португалия — 4,8 км / 1003 м+
ФИНАЛ* 29 октября — Вертикальный километр Гресте-де-ла-Мугера®, Италия — 4 км / 1094 м+
*Рейтинг основан на максимальном количестве двух гонок плюс финальных гонок.