Custom Outcome Options of Task Form in SharePoint Designer on SharePoint 2013 Workflow

本文详细介绍了如何在SharePoint2013中个性化TaskForm中的Outcome选项,包括创建自定义ContentType、添加OutcomeChoice类型列、确保ContentType加入到Tasks并实现收集反馈工作流。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  本篇文章主要讲述怎么在 SharePoint 2013 Workflow 中个性化 Task Form中的Outcome 选项,在默认的情况下应该只会有 approved 、reject,为了满足对于 Task Form 的个性化需求,当然要做一些额外的工作。

  审批是工作流常用的场景。在SharePoint Designer 2013 中, Task Form 是根据 Content Type 自动生成的, 如果你想自定义 Task Form ,那么你就要先自定义 Content Type。

  Custom Content Type

  可以在SharePoint 服务器端 或者 SharePoint Designer 端创建 Content Type。

  SharePoint 服务器端个性化 Content Type

  进入 Site Settings -> Web Designer Galleries -> Site content types

  Site Settings

  按着上面的步骤你就会进入下面的界面,可以 Create 一个新的 Site content type

  Creating Site Content Type

 

   进入创建页面:

   然后创建一个 Outcome Choice 类型的列,用来设置 Task Form 中的 Outcome 选项。

    下面是创建界面,其实这些都不需多讲,直接看图就能懂

  点击 OK 创建完成,接下来就要在 Tasks 列表中添加新建的 Content Type  "That's a problem"。这里要说明下,如果你的 Workflow 的 Task List 是 Tasks,那就在 Tasks 下添加 Content Type, 而如果是任务列表时 Workflow Tasks 或是自定义的,你就要添加内容库到相应的任务列表中。这点楼主做的时候,就被这个小问题搞的好久。

  确认任务列表没错的话,下面在任务列表中添加内容库

 然后在 Workflow 中新建一个收集反馈工作流,在任务表单中,你会看到你所想要的需求。

  接下来去网站的页面看看效果。

 这里还是要强调下新建好的 Content Type 一定要加入到 Tasks 的 Content Type,不然会报错。好了,整个过程到此为止,如有问题,欢迎交流!

内容概要:本文档详细介绍了基于MATLAB实现多目标差分进化(MODE)算法进行无人机三维路径规划的项目实例。项目旨在提升无人机在复杂三维环境中路径规划的精度、实时性、多目标协调处理能力、障碍物避让能力和路径平滑性。通过引入多目标差分进化算法,项目解决了传统路径规划算法在动态环境和多目标优化中的不足,实现了路径长度、飞行安全距离、能耗等多个目标的协调优化。文档涵盖了环境建模、路径编码、多目标优化策略、障碍物检测与避让、路径平滑处理等关键技术模块,并提供了部分MATLAB代码示例。 适合人群:具备一定编程基础,对无人机路径规划和多目标优化算法感兴趣的科研人员、工程师和研究生。 使用场景及目标:①适用于无人机在军事侦察、环境监测、灾害救援、物流运输、城市管理等领域的三维路径规划;②通过多目标差分进化算法,优化路径长度、飞行安全距离、能耗等多目标,提升无人机任务执行效率和安全性;③解决动态环境变化、实时路径调整和复杂障碍物避让等问题。 其他说明:项目采用模块化设计,便于集成不同的优化目标和动态环境因素,支持后续算法升级与功能扩展。通过系统实现和仿真实验验证,项目不仅提升了理论研究的实用价值,还为无人机智能自主飞行提供了技术基础。文档提供了详细的代码示例,有助于读者深入理解和实践该项目。
### 使用深度学习结合文本和网络嵌入预测专利申请结果 为了实现这一目标,可以采用卷积神经网络(CNNs),这是第四门课程《Deep Learning Specialization》中的主题之一[^1]。具体来说,在处理文本数据时,通常会先将文本转换成词向量表示形式,即所谓的“文本嵌入”。对于专利文档而言,这些文本可能包括发明描述、权利要求书等内容。 在网络结构方面,除了传统的全连接层外,还可以引入图神经网络(Graph Neural Networks, GNN)。GNN特别适合用于捕捉不同实体之间的关系信息,比如申请人与其他机构间的合作关系或是技术领域内的引用关系等。通过构建这样的网络模型,能够更全面地理解每项专利所处的社会和技术环境。 最后一步则是训练一个分类器来预测最终审批状态。此过程涉及定义损失函数并调整参数直至达到满意的性能指标为止。值得注意的是,由于实际应用场景中可能存在类别不平衡等问题,因此建议采取适当措施加以应对,如过采样少数类样本或应用代价敏感的学习方法。 ```python import torch from transformers import BertTokenizer, BertModel tokenizer = BertTokenizer.from_pretrained('bert-base-uncased') model = BertModel.from_pretrained('bert-base-uncased') def encode_text(text): inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True) outputs = model(**inputs)[0][:, 0, :] return outputs.detach().numpy() text_embeddings = [encode_text(patent['description']) for patent in patents] # 假设network_embedding是一个预计算好的节点特征矩阵 combined_features = np.hstack((np.array(text_embeddings), network_embedding)) X_train, X_test, y_train, y_test = train_test_split(combined_features, labels) classifier = RandomForestClassifier() classifier.fit(X_train, y_train) predictions = classifier.predict(X_test) print(f'Accuracy: {accuracy_score(y_test, predictions)}') ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值