Dado que la tabla de co-ocurrencia es una matriz cuadrática y simétrica alrededor de la diagonal principal, no importa si se lee por filas o por columnas. La diagonal principal parece ser cero en todos lados, lo cual tiene sentido ya que es poco probable que se repita el mismo hashtag dentro del mismo tweet.
Mi sugerencia es normalizar por filas (o por columnas), es decir, dividir cada fila por su total. De esta manera, la fila $i$ de la tabla representaría la distribución de frecuencia relativa de las co-ocurrencias para el hashtag $i$. Ahora puedes comparar esta distribución de frecuencias con otras distribuciones de frecuencias de otras tablas o para otros tags.
En mi opinión, no tiene sentido calcular cuantiles o resúmenes basados en momentos en estas distribuciones (por lo que el z-score tampoco es significativo) ya que la variable en cuestión es cualitativa, es decir, tiene modalidades "#1 vs #1", ..., "#1 vs #n".
En su lugar, puedes usar la moda (es decir, la co-ocurrencia con mayor frecuencia relativa) como medida de ubicación. Como medida de "variabilidad" o entropía, puedes usar la entropía de Shannon.
Si denotamos por $p_{j|i}$ la frecuencia relativa de la co-ocurrencia "#i vs #j", para $j = 1,\ldots,k$, la entropía de Shannon es
$$ H = \sum_{j=1}^k p_{i|j}\log p_{j|i}, $$
con $p_{j|i}\log p_{j|i} = 0$ si $p_{j|i}=0$. $H$ asume el valor cero, es decir, su mínimo, cuando la distribución es uniforme. Además, se puede demostrar que $H\leq \log k$, por lo tanto, si usas $H$ para comparar distribuciones de frecuencias con diferentes $k$'s, es mejor usar su versión normalizada $$ H_n = \frac{H}{\log(k)}. $$
