基于内容的推荐算法用余弦相似度计算豆瓣图书数据集的结果是

基于内容的推荐算法通常使用余弦相似度来计算物品之间的相似度，从而推荐给用户相似的物品。对于豆瓣图书数据集，可以使用书籍的属性（如作者、出版社、标签等）来计算相似度。具体而言，可以先将每本书籍转化为一个向量，向量的维度为所有属性的数量，然后计算不同书籍之间的余弦相似度。

计算余弦相似度的公式为：

$$
similarity(A,B) = \cos(\theta) = \frac{A \cdot B}{\left\|A\right\|\left\|B\right\|}
$$

其中 $A$ 和 $B$ 分别表示两个书籍的向量，$\theta$ 表示它们之间的夹角。计算结果的取值范围为 $[-1,1]$，值越大表示两个书籍越相似。

通过计算所有书籍之间的相似度，可以为用户推荐和他们已经喜欢的书籍相似的其他书籍。具体而言，可以根据用户已经阅读或评分过的书籍，计算这些书籍和其他所有书籍的相似度，然后按照相似度排序，推荐前几个相似度最高的书籍给用户。

需要注意的是，基于内容的推荐算法更适用于推荐相似的物品，而不是推荐个性化的物品。如果用户的兴趣非常独特或者多样化，基于内容的推荐算法可能无法很好地满足他们的需求。此时可以考虑使用协同过滤等其他推荐算法。